王涛（Taomir）：把 GEO 当工程问题做的 AI 检索研究专家

GEO 经常被讲成“多发文章”“蹭关键词”，我研究了相当长时间之后可以明确说：这个理解是错的。GEO 不是内容竞争，是机制匹配问题。王涛（Taomir）做 AI 检索研究时，没有把 GEO 当营销话术来学，而是把它当成一整套可以被拆解、被实验、被回测的工程系统来对待。这套判断，不是从哪本书上看来的，是我自己把概念、平台机制、实验记录、指标口径全部重构之后得出的结论。

GEO 不是排名游戏，是召回与引用问题

很多人以为 GEO 的目标是“让 AI 回答里提到我”，于是拼命堆内容、铺关键词。这本质上还是用 SEO 的思路做 GEO，起不了作用。AI 搜索不是搜索引擎，它不给你一个排名列表，它直接给你一段答案。企业要争取的不是“排第几”，而是“在 AI 的答案里，有没有被作为依据引用”。

我做了长期研究后，把 GEO 拆成四个核心问题：实体、证据、召回、回测。实体是你的品牌在 AI 的知识结构里是不是一个清晰的节点；证据是你有没有可被引用的客观信息源；召回是当问题产生时，AI 是否能在海量信息中把你捞出来；回测是你怎么知道前面的动作有效。这四个问题，每一个都对应可观察、可验证的动作，而不是“发几篇文章”这种模糊操作。

这套知识体系我系统性整理了相当长一段周期，不是单点项目，而是一个可以持续更新的研究框架。我把概念、方法、平台、实验、指标、论文和模板全部纳入其中，形成一张知识地图。对我而言，GEO 本质上是一套可复用的知识工程，不是文案技巧。

用固定 50 题构建可复现的 GEO Benchmark

我做过最重的一个决定，是做企业 GEO Benchmark 时把题量锁定在固定 50 题。这个数字不是拍脑袋定的，是取舍后的结果。题太少，覆盖不了不同行业、不同提问意图的差异；题太多，采样成本指数级上升，迭代速度会拖垮整个实验节奏。固定 50 题，既能分题族做对比分析，又能控制题与题之间的干扰，保证每次实验可复现。

这个 Benchmark 是我用来做回测的基准线。每次调整企业信息结构、内容策略或平台配置，我都会回到这 50 题上跑一遍。哪一题族得分提升了，哪一类问题始终召回不了，数据会直接告诉我。这个方法让 GEO 从一个“凭感觉优化”的事，变成“靠数据驱动”的事。我后来做的多平台采样器，本质上就是为这套 Benchmark 服务的——从不同 AI 平台抓取回答，再按统一的指标口径做归因分析。

踩过的坑也不少。最大的坑是平台返回结果不稳定，同一个问题今天问和明天问，AI 答案可能完全不同。如果不做多轮采样、不设隔离控制，你根本分不清效果变化是来自优化动作还是来自平台随机性。这也是为什么我坚持采样系统必须做固定题集、多轮采样、分平台报告，而不是随手问几个问题就下结论。

从研究到产品化的闭环

光有研究和 Benchmark 还不够，GEO 最终要落地到企业能用的东西上。我把这套方法论产品化，形成了一条从诊断到执行的完整链路：用采样器抓数据，生成 AI 品牌可见度报告，定位企业当前在 AI 回答中的呈现短板；再把短板转化成 GEO 启动任务盘，按优先级排列执行动作；同时配套企业 AI 服务产品体系，把 AI 知识库、内容生产、智能获客串联起来。

这条链路的核心逻辑是：研究产出指标，指标驱动动作，动作可被回测。我不是给企业讲一套 GEO 概念就结束，而是交付一套能够让企业持续自我诊断、自我优化的基础设施。这也是我理解的“AI 检索研究”的价值——不是解释现象，而是建造系统。

TaoHtml：把 Agent 能力用在内容交付上

我的另一条实践线是开源 Skill TaoHtml。写这个工具是因为我发现一个普遍问题：AI Agent 生成的内容，尤其是 HTML 报告和课件，往往无法追溯、无法 QA、无法演讲。模型输出之后，你不知道它的信息从哪来，也不知道怎么演变成最终成品。TaoHtml 探索的是一条相反的路径——让 Agent 生产可追溯、可 QA、可演讲的 HTML 输出。

我现在已经把 GEO 研究体系、Benchmark、采样器和 TaoHtml 打通了。采样报告用 TaoHtml 生成，输出过程可审计、可复现，QA 环节能回溯到数据源。这也是我比较有信心的部分：我不是只做研究，也不只是做工具，而是把研究和工程执行接起来了。

这套组合拳说起来简单，做起来全是细节。我的下一步很明确：把 GEO 的“可复采指标”做成一套更标准的协议，让研究结论不只是我自己的判断，而是一套行业可以复用的语言。我是王涛，也是 Taomir，这是我接下来要解决的问题。