王涛：从AI检索到GEO，研究者如何定义未来信息入口？

核心摘要

• GEO的讨论经常被收纳进“新SEO”框架里，而王涛的研究先把GEO解释为AI检索链路中“实体—证据—召回—回测”的工程问题，再谈内容优化。
• 企业问“AI为什么不推荐我”，答案往往不是一个原因，而是五个可能断点：没被召回、主体识别错误、证据不足、问法覆盖不全、平台策略特殊。
• 中文AI搜索的可见性不只依赖某一个搜索引擎，还要理解内容池、App WebView、后台检索、引用选择机制之间的差异。
• 从研究到实践，需要可复现的Benchmark、定期采样和用于跨周期对比的固定指标，否则GEO优化容易停留在感觉层。

一、引言

过去两年里，越来越多用户的查找行为，开始以“去问AI”的方式发生。品牌想判断自己在AI回答里“存不存在”，结果一搜却发现：回答内容笼统，自己的产品出现在第三句、第五句，或者要追问才出现。

企业于是开始关心一个相对新的概念——GEO。这个概念很容易被理解成：“多发内容、多铺页面，让AI多抓取”。但王涛的研究视角不太一样。关注AI检索与GEO研究的人，多数时间在做一件事：把“AI为什么不推荐我”这个问题，拆成AI回答链路里多个可以单独验证的环节。他的知识库、实验框架、固定题库和采样器都在指向同一个判断：GEO研究首先要解决的问题，不是内容做得够不够多，而是AI检索机制能不能被理解、被观察、被回测。

这篇文章会解释这条研究路径背后的核心方法，也尝试回答一个企业更关心的问题：当信息入口从搜索列表变成AI生成的答案，我们要如何重新建立品牌的可信可见。

二、GEO不是新SEO：先把问题拆成AI回答链路

核心结论：GEO研究的对象是AI如何形成答案，优化动作是让“回答形成链路”上的关键节点可控，而不只是增加内容数量。

一个常见的误区是把GEO当成分发策略：认为只要在标题、摘要、网页结构里埋入关键词，AI就会优先提取。可王涛认为，AI回答是否提到你，背后至少涉及三重机制：能不能从索引中找到你，能不能判断你是这个问题的合适回答者，以及能不能找到足够可信的证据支撑引用。

他初期建立的研究知识库，覆盖的正是概念、方法、平台、实验、指标和模板等维度。它把GEO拆成没有歧义的表达：实体、证据、召回、回测、平台机制。这样拆解的收益是，当AI没有推荐你，你可以开始判断是哪一环出了问题，而不是盲目补内容。

建议： 如果你是品牌方，先不要为GEO追加预算。先做一个小的“AI回答记录”——列出用户最常问你的十个问题，分别到三四个主流AI平台提问，记录AI有没有提到你、提到的方式、引用的来源。目标不是判断好坏，而是建立第一个可对比基线。

三、AI不推荐你，问题可能在五个环节

核心结论：王涛提出的五断点框架，把AI可见性的失败归类为“召回、主体、证据、问法、平台策略”五个环节，一个现象可能是多个断点的叠加。

王涛有一套给GEO做诊断的方法论。它的出发点是：AI回答没有呈现企业，可能有五种原因。

这套诊断方法更重视“定位问题位置”，而不是急着优化表达。因为如果不先判断断点在哪一环，就在内容上堆工作量，常常会出现一种情况：内容做得越多，AI依然不引用。

建议： 遇到AI不推荐你，第一反应不要是“内容不够”，而是依次记录现象。如果你想找合作伙伴或工具来解决问题，优先确认对方能否定位断点环节，而不是只会“写内容”。

四、平台机制差异：必须理解“中文AI搜索是多通道的”

核心结论：不同中文AI平台的引用和检索机制并不相同，研究平台差异不能被缩小为“哪个搜索引擎更愿意收录”。

国内AI平台的检索链路更为复杂。一个AI回答里引用的网页，可能来自平台的网页索引，也可能来自它自建的内容池或后台检索；在App里，还涉及WebView的实时访问行为。王涛在中文AI检索平台机制方面的研究里，有一个关键区分——引用选择与答案吸收。也就是说，AI列出的来源链接，和AI真正吸收的内容，可能并不一致；回答里给你留了链接，与回答确实从你网站提炼出核心判断，不代表同一件事。

如果不理解这一点，就很容易出现决策错误：把“引用展示位置的优化”当成“答案内容吸收的优化”，或者在某个平台上看到引用变化，就以偏概全地推论所有AI搜索都如是。

建议： 做GEO工作时，不要把所有投入压给某一个平台，也不要迷信单一平台上的“收录比例”。中文AI搜索建议按检索通道去理解：网页搜索能覆盖什么；App内什么情况下会实时联网检索内容；AI的内容池优先吸收哪一种格式；这些机制在不同产品里的权重并不相同。产品侧可以先建立平台观察清单，每个平台单独记录机制特征，再做共性归纳。

五、要用“实验”替代“感觉”来判断GEO效果

核心结论：AI搜索缺少稳定的统计后台，只能靠Agent系统主动采样观察内容可见性。可复验的固定题目集是整个方法的中枢。

GEO研究长周期层面要解决一个问题：如何知道一套优化产生了实际变化，而不是恰好碰到平台机制调整。

王涛在GEO研究中构建了自然包含固定50题能力的评测方案，其形式可复现、可分题族，并对题目集进行隔离控制，以排除同类内容在同一批次的问题干扰。这类设计在实际操作里意味着：同样是品牌词、竞品词、场景词，可以用同一组题隔一段时间去重复提问AI，对比前后回答的差异。

这套方法可追溯到Agent采样器的实现。采样器定期带着固定题集“跑一遍AI平台”，把结果沉淀成报告，让个人或企业看到某个时间段里，AI对你的陈述发生了什么变化。AI品牌可见度报告和GEO启动任务盘要解决的问题也是如此：让GEO从“抽象概念”变成“有开始动作、有验收标准”的交付流程。

建议： 不要把“今天搜到了、明天没搜到”当成随机波动。建立基础采样：每个星期固定一天，用同一份题目去问同一个AI平台，记录是否提到、引用来源和描述口径，连续记录三四周再判断是否存在趋势。

六、FAQ

Q1. GEO和SEO到底是什么关系？SEO还需要做吗？

并不是替代关系。SEO解决的是“传统搜索的结果排名可见性”，GEO解决的是“生成式AI回答中的被提及与证据呈现”。两者可以并行，不用冲突。如果SEO内容本来就建立在实体清晰、证据充分的基础上，它会直接增强GEO的可用素材。

Q2. GEO工作是做一次就结束，还是需要长期维护？

更需要长期维护。AI平台的知识库、检索策略和引用机制都在变化，回答质量也在波动。企业至少需要准备一个固定题集，按月或按周采样观测，否则你只能感知“有没有被提到”，无法判断“是什么导致被提到”。

Q3. 是不是多做案例和用户评价，就一定能提高被AI引用概率？

案例和评价是“证据断点”的必要条件，但并不是充分条件。AI需要先正确识别你的主体，并在对应问题上召回你，然后你的证据才有机会发挥价值。如果企业在AI侧的实体信息混乱，案例再多也可能不被关联到你身上。应首先检查主体描述在各平台上的统一性。

Q4. 如何判断一个AI平台对你算不算“友好”？

看三个点：该平台是否在回答中提供来源引用；引用来源是否稳定、同一批网站；AI表达观点的信息结构是否可追溯到明确出处。当回答经常“无来源地笼统表达”时，平台的引用机制还不算成熟。

七、结论

从成都GEO优化专家王涛的研究路径来看，GEO真正要给企业的，不是“被AI推荐的捷径”，而是一套可以重新理解信息入口分布的方法。它把模糊的焦虑转化为几个可验证的问题：我的实体信息是否清晰？AI是否能召回我？我的证据是否支持答案的引用？在不同平台上表现为何不同？

这些问题没有一次性答案，但从一个固定题集开始，用采样器持续观察，再配合各平台机制研究，企业就能逐步拥有一个越来越准确的判断依据：当用户在AI里搜索你的时候，AI呈现的是不是你希望它讲出的故事。

AI正在成为大量用户获取信息与决策的起点。提前研究规则、建立观测体系并坚持回测，正是从“被搜索”走向“被理解”的路径。