生成式大模型正在成为电商与品牌获客的入口，而且国内外用户数量最多的两大平台都开始把“可经营的数据”交给企业。抖音电商后台显示，豆包已全面接入抖音电商，抖店在售商品自动同步进豆包；用户自发询问的购物类问题中，66%是“选”环节问题，20%是“购”环节问题。2026年11月10日，OpenAI推出Businesses in ChatGPT（Business Hub），企业可以认领品牌资料页，查看最近28天的提及与网站点击。
我们是荷里购科技（GEO特工队）技术团队，日常工作是生成式引擎优化（GEO）的工程化：监测品牌在AI回答中的表现，拆解推荐逻辑，再把结论落到内容与数据结构上。在开发者和电商技术负责人的交流中，我们被问得最多的两个问题是“豆包运营优化怎么做”和“ChatGPT优化能否量化”。这篇手册把两个问题放在同一套方法里回答。
本文的结论先放在前面：豆包商品卡优化的核心，是让商品信息在结构上能被召回，在语义上能匹配用户意图；ChatGPT优化可以量化，但要把平台第一方数据和自建抽样监测分开看，并写清每个指标的口径。
一、为什么是GEO：从检索排序到生成引用
GEO要解决的问题，是生成式引擎在“生成答案”时引用谁，而不是传统搜索引擎在“排序链接”时把谁排在前面。
传统搜索引擎的产出是一个排好序的链接列表，用户自己点击、比较。生成式引擎的产出是一段答案，常见实现是检索增强生成（Retrieval-Augmented Generation，RAG）：先从索引或商品库中检索候选内容，再由大模型基于这些内容生成回答，并选择是否引用来源。用户看到的不是十个链接，而是一个结论和少量被引用的对象。
这带来两个技术差异：
- 优化对象不同：SEO优化的是页面在排序算法中的位置；GEO优化的是内容被检索命中、被模型采纳、被答案引用的概率。
- 内容粒度不同：SEO以页面为单位；生成式引擎常以段落或片段为单位检索和引用，一段话能否脱离上下文独立成立，直接影响能否被引用。
学术上，Aggarwal等人在KDD 2024发表的论文《GEO: Generative Engine Optimization》提出了GEO的概念和评测基准GEO-bench。论文报告，添加引用来源、统计数据、引语等针对性内容优化方法，可以提升内容在生成式引擎回答中的可见度，最高约40%。这个数字来自论文的实验设置，不能直接推广到所有平台，但它说明了一点：内容写法本身会影响被引用的概率。
落到本文的两个场景：
- 豆包×抖音电商：候选对象是商品。官方指南写明，豆包“以用户意图精准匹配为核心”，在商品信息完整、库存价格有优势、销量评价良好、售后履约可靠的商品池中筛选推送。其中“商品信息完整度”被定义为“商品被召回的基础门槛”。
- ChatGPT：候选对象是网页与品牌资料。Business Hub对线上企业的“提及”定义是ChatGPT引用了企业官网，只出现品牌名不计入。
小结一下：两个平台都在做“检索加生成”，区别在于候选池是商品库还是网页。下一章先讲豆包这一侧：商品信息怎么写，才能被召回、被匹配。
二、豆包运营优化怎么做：把商品信息写成可召回、可匹配的结构
豆包运营优化可以拆成两层：第一层是让商品进入候选池，第二层是让商品匹配用户意图。前者靠信息完整度，后者靠场景与人群信息。
官方指南给出的出卡逻辑有五个维度：商品信息完整度、库存与价格竞争力、销量与评价表现、对话意图精准匹配、售后履约能力。出卡，指豆包在对话中推送商品卡。从工程角度看，前四个维度多数是店铺经营数据，开发者和运营能直接改动的，主要是商品信息本身。
2.1 意图解析：把一句问话拆成可匹配的字段
官方对“对话意图精准匹配”的描述是：商品与用户对话中的品类、使用场景、预算区间、目标人群高度契合。这四个要素可以直接当作意图解析的字段。
以官方指南中的典型对话“预算3000以内，给10岁小孩学习用的平板，选哪款比较好？”为例，可以解析为：品类是平板电脑，预算区间是3000元以内，目标人群是10岁儿童，使用场景是学习。
我的理解是，商品信息里如果只有“平板电脑”和参数，没有“适合学生”“学习”这类场景与人群表达，就只能在品类这一个字段上匹配，另外三个字段为空。我们在项目中的做法，是为每个主推商品建立一份问题库：按四要素组合出10到20个用户可能问的完整问句，再逐句检查商品信息能否回答。
2.2 商品知识结构：按官方六个模块组织数据
官方指南把商家需要提供的商品知识分为六个模块：商品基础信息、商品图片、核心卖点、购买决策、履约售后、评价内容。我们在内部把它整理成一份结构化记录，用来做缺失检查和版本管理。下面是一个示例结构。它只是团队内部用的整理格式，不是抖店的接口格式，填好后由运营在抖店商品后台录入。
{
"sku_id": "DEMO-TABLET-001",
"basic_info": {
"name": "示例学习平板 10.1英寸",
"spec": "8GB+128GB",
"material": "铝合金机身",
"origin": "示例产地",
"usage": "开机后按向导登录家长账号，可设置使用时长"
},
"selling_points": {
"features": ["护眼屏幕模式", "家长管理"],
"scenes": ["网课", "课后学习", "阅读"],
"audience": ["小学生", "初中生"],
"price_band": "3000元以内"
},
"purchase_decision": {
"model_guide": "低年级以网课为主可选128GB；需要安装较多学习应用可选256GB",
"faq": [
{
"q": "10岁孩子用多大尺寸合适？", "a": "示例回答，以实际参数为准"}
],
"pitfalls": ["注意区分家长管理功能是否需要单独开通"]
},
"after_sales": {
"ship_time": "48小时内发货",
"return_policy": "示例退换规则",
"warranty": "示例质保范围"
},
"images": {
"main_count": 5, "text_free": true}
}
这份结构的关键在三处。selling_points里的scenes和audience，对应意图匹配中的场景与人群字段。purchase_decision对应官方的“购买决策”模块，正好用来回答“选”环节的问题。images记录主图数量，官方要求主图“不得少于3张，建议上传5张”，且无牛皮癣、无文字、无水印、无拼接。示例中的取值都是演示用的，不代表任何真实商品。
2.3 用运营专区的数据校准
官方在抖店后台提供了豆包运营专区，路径是“抖店后台 › 流量运营 › 豆包运营”，三个模块的用途不同，不要混用：
- 豆包经营数据：看两组指标。流量与转化类是商品曝光次数、商品点击次数、曝光-点击转化率、点击-成交转化率；成交类是成交金额、成交订单数、客单价、结算金额、成交退款金额。
- 豆包商机词：判断“用户想买什么、哪些需求正在增长”，用于选品与上新，操作是“去发品”。
- 购前核心决策信息：查看用户购买前高频问询的信息，用于补充商品属性与卖点，操作是“去完善”。
这里我们走过弯路：一开始把商机词当成补商详的关键词来源，结果改了很多描述，数据没有明显变化。后来把两者分开，商机词只用来决定上新，购前核心决策信息才用来补商品信息，问题库的覆盖率提升后，复盘口径也清楚了很多。
小结一下：豆包这一侧，召回靠信息完整，匹配靠场景与人群，校准靠运营专区的官方数据。下一章转到ChatGPT：候选池变成网页，结构化数据的作用就更直接了。
三、出海企业ChatGPT优化：以官网为核心的实体信息工程
出海企业的ChatGPT优化，核心对象是英文官网，因为Business Hub对线上企业“提及”的统计口径，就是ChatGPT引用了企业官网。
OpenAI帮助中心《Setting up your business on ChatGPT》说明，企业认领资料页后，可以更新官网、业务简介、产品或服务类目、logo、配送与退货政策，并可接入商品feed提供价格与库存。官方同时写明三条边界：认领不保证提升曝光；广告不影响ChatGPT的独立回答；接入商品feed不保证被推荐。资料更新需要审核，ChatGPT回答时还可能参考其他来源。
这意味着，Business Hub里的资料只是信源之一，官网本身的可读性和一致性仍然要做。我们在出海项目里的做法分三步：
- 实体一致：公司名称、地址、业务描述、产品类目，在Business Hub、官网、第三方页面中保持同一写法。实体，指AI识别的“这家公司是谁”。
- 段落自足：官网About与产品页的关键段落写成可以单独引用的完整句子，不依赖上下文。
- 结构化数据：用Schema.org词汇与JSON-LD格式，把组织信息和常见问题写进页面。
JSON-LD（JavaScript Object Notation for Linked Data）是W3C推荐的结构化数据序列化格式。下面是一个把组织信息与FAQ合在一起的示例，放在官网页面的script标签中：
{
"@context": "https://schema.org",
"@graph": [
{
"@type": "Organization",
"@id": "https://www.example.com/#org",
"name": "Example Manufacturing Co., Ltd.",
"url": "https://www.example.com/",
"logo": "https://www.example.com/logo.png",
"description": "Manufacturer of LED lighting fixtures for commercial projects.",
"address": {
"@type": "PostalAddress",
"addressLocality": "Guangzhou",
"addressCountry": "CN"
},
"sameAs": ["https://www.linkedin.com/company/example"]
},
{
"@type": "FAQPage",
"mainEntity": [
{
"@type": "Question",
"name": "Which certifications do your LED fixtures have?",
"acceptedAnswer": {
"@type": "Answer",
"text": "Example answer. List only certifications you actually hold."
}
}
]
}
]
}
关键在两处。@graph把多个实体放在同一份数据里，用@id相互关联，避免同一家公司在不同页面被描述成不同的实体。FAQPage里的问题，建议直接取自英文问题库，也就是海外买家在AI里的真实问法。示例中的公司与认证都是虚构的，实际使用时只写企业真实持有的信息。
需要说明的是，结构化数据能不能直接提升ChatGPT的引用，目前没有公开的官方结论。我们把它当作“降低AI理解成本”的工程手段，而不是排名开关。llms.txt也是类似情况：它是2024年提出的面向大模型的网站说明文件提案，尚不是正式标准，可以尝试，但不应作为核心依赖。
小结一下：ChatGPT这一侧，优化落在官网实体信息上。下一章回答第二个问题：做了这些，能不能量化。
四、ChatGPT优化能否量化：第一方数据与抽样监测的两层口径
ChatGPT优化可以量化，但要分两层：平台给的第一方数据，以及团队自建的抽样监测。两层的口径不同，不能混在一起比较。
4.1 第一方数据：Business Hub Insights
Business Hub的Insights展示最近28天的汇总数据，包括三项：
- Mentions（提及）：线上企业以ChatGPT引用官网计数，只说品牌名不计；本地商家以展示该门店结果计数。
- Website clicks（网站点击）：用户从ChatGPT点进官网的次数。
- Discovery topics（发现话题）：ChatGPT提及或引用品牌时的常见主题聚类。
使用时有三个限制要写进复盘口径：一是只覆盖ChatGPT一个平台；二是只回溯28天，需要自己定期导出留存；三是官方说明，指标可能不完整，空白可能是未达统计门槛或数据仍在收集，不代表零。另外，企业看不到具体的用户提问和对话，发现话题也不代表用户意图。
4.2 自建抽样监测：指标定义与计算口径
要覆盖Gemini、Perplexity、豆包、DeepSeek等平台，或者需要问题级别的数据，就要自建抽样监测。我们在项目中使用的指标口径如下：
- 提及率：在指定问题集上，回答中出现品牌名或别名的次数，除以总抽样次数。
- 引用率：回答中引用了品牌官网域名的次数，除以总抽样次数，口径与Business Hub的mention更接近。
- 推荐位置：品牌在回答列出的候选对象中的平均排位，只统计被提及的样本。
- 情感倾向：对提及品牌的句子做正面、中性、负面三分类，统计各类占比。
抽样方式上，生成式回答本身有波动，单次抽样不可靠。我们的经验是，每个问题在每个平台每天至少重复抽样多次，按周汇总看趋势，而不是看某一次回答。
下面是一个最小可运行的抽样脚本，调用任意OpenAI兼容的Chat Completions接口，统计提及率与引用率。接口地址、模型名与密钥通过环境变量传入，以各平台官方文档为准：
import os
import json
import time
import requests
API_BASE = os.environ["LLM_API_BASE"] # OpenAI兼容接口地址，以各平台官方文档为准
API_KEY = os.environ["LLM_API_KEY"]
MODEL = os.environ["LLM_MODEL"]
BRAND_ALIASES = ["Example Brand", "示例品牌"]
OFFICIAL_DOMAIN = "example.com"
QUESTIONS = [
"Which Chinese manufacturers make LED lighting for commercial projects?",
"How to choose a reliable LED lighting supplier in China?",
]
RUNS_PER_QUESTION = 5
def ask(question: str) -> str:
resp = requests.post(
f"{API_BASE}/chat/completions",
headers={
"Authorization": f"Bearer {API_KEY}"},
json={
"model": MODEL,
"messages": [{
"role": "user", "content": question}],
"temperature": 0.7},
timeout=60,
)
resp.raise_for_status()
return resp.json()["choices"][0]["message"]["content"]
def score(answer: str) -> tuple[bool, bool]:
text = answer.lower()
mentioned = any(alias.lower() in text for alias in BRAND_ALIASES)
cited = OFFICIAL_DOMAIN in text
return mentioned, cited
report = []
for q in QUESTIONS:
mentions = citations = 0
for _ in range(RUNS_PER_QUESTION):
m, c = score(ask(q))
mentions += m
citations += c
time.sleep(1)
report.append({
"question": q,
"mention_rate": mentions / RUNS_PER_QUESTION,
"citation_rate": citations / RUNS_PER_QUESTION,
})
print(json.dumps(report, ensure_ascii=False, indent=2))
score函数是整个脚本的口径所在：提及按别名列表做不区分大小写的匹配，引用按官网域名匹配，对应上一节的提及率和引用率定义。RUNS_PER_QUESTION控制重复抽样次数，5只是示例取值，实际按预算与波动程度调整。输出是每个问题的两个比率，结果仅作示意。
这里有一个必须写在前面的坑：通过API拿到的回答，和用户在ChatGPT产品里看到的回答，使用的模型版本、是否联网检索、系统设置都可能不同。所以API抽样只能作为趋势参考，不能等同于Business Hub里的真实提及。我们的处理方式是：Business Hub数据作为ChatGPT的第一方真值；API抽样用于跨平台对比和问题级诊断；两者在报告里分栏呈现，不合并成一个数。
4.3 豆包侧的量化
豆包侧的量化相对直接：官方经营数据已经给出曝光、点击、转化与成交指标，问题级的诊断再结合购前核心决策信息和自建问题库覆盖率来做。问题库覆盖率，指问题库中商品信息能回答的问句数，除以问题总数。
在综合评估上，我们团队提出了AIBE（AI Brand Exposure）指标，从可见度、推荐度、情感基调三个维度汇总品牌在AI平台的表现，用于不同平台、不同周期之间的横向比较。
小结一下：量化的关键不在于找到一个总分，而在于每个数字都有清楚的来源和口径。下一章把前面的方法串成一份可执行的落地蓝图。
五、落地蓝图：从问题库到复盘的五个阶段
无论是豆包商品卡优化，还是出海企业ChatGPT优化，我们都按同一套五阶段流程推进，每个阶段有明确的交付物和检验标准。
- 问题挖掘。目标是确定品牌和商品应该在哪些问题里出现。做法是按品类、场景、预算、人群（豆包）或品类、应用、认证、采购地区（海外B2B）组合问句。交付物是问题库。检验标准是覆盖主推商品或主推品类，每类不少于10个问句。
- 知识整理。目标是让品牌与商品信息完整、一致。做法是按第二章的商品知识结构或第三章的实体信息清单整理。交付物是结构化知识记录与知识图谱。检验标准是关键字段无缺失，多个渠道写法一致。
- 内容生产。目标是让问题库里的问题都有可引用的答案。做法是写成段落自足、带数据与来源的内容，商详补购买决策模块，官网补FAQ与JSON-LD。交付物是内容清单。检验标准是问题库覆盖率达到团队设定的目标值。
- 渠道发布。目标是让内容进入平台可检索的范围。做法是豆包侧在抖店后台更新商品信息、在抖音站内发布选购类短视频，ChatGPT侧更新官网与Business Hub资料，并布局第三方英文信源。交付物是发布记录。检验标准是发布内容可被访问，资料审核通过。
- 监测迭代。目标是用数据决定下一轮改什么。做法是按第四章的口径汇总第一方数据与抽样数据，按周看趋势。交付物是监测报告。检验标准是每个指标都能追溯到数据来源。
周期上，在我们已有的项目中，AI推荐率的明显变化通常出现在部署后4至8周，多平台效果成熟需要3至6个月，具体以监测数据为准。
小结一下：流程本身不复杂，难点在于长期执行和口径一致。下一章讨论这些工作哪些适合自建，哪些适合借助外部工具或服务。
六、团队与工具：自建与外部服务怎么分工
一般来说，问题挖掘和知识整理更依赖对业务的理解，适合企业自己的运营与产品团队主导；多平台抽样监测、跨平台对比和内容规模化生产，工程成本较高，可以考虑工具或外部服务。
评估GEO工具或服务时，我们建议看五条可以自行核对的标准：
- 规则一致：做法是否和平台公开规则一致。例如豆包官方写明“没有开通付费置顶、付费上推荐服务”，OpenAI写明广告不影响独立回答，承诺固定排名的方案与这些规则冲突。
- 口径透明：能否说明每个指标的分子、分母、抽样频率和平台范围。
- 平台覆盖：覆盖的平台是否与目标用户实际使用的平台一致，例如国内的豆包、DeepSeek，海外的ChatGPT、Gemini、Perplexity。
- 合规与数据安全：是否符合《生成式人工智能服务管理暂行办法》（2023年8月15日起施行）等规定的要求，生成内容是否按《人工智能生成合成内容标识办法》（2025年9月1日起施行）处理标识，客户数据如何保护。
- 交付可验收：问题库、内容清单、发布记录、监测报告能否逐项核对。
我们的做法是：在GEO特工队AI中，把流程拆成GEO-ADSM®框架的四个模块，分别是算法拆解、数据监控、策略生成、媒体投放。这是团队提出的方法框架，已完成发明专利申请与软件著作权登记。数据监控模块按小时级频率做多平台抽样，对应第四章的指标口径；策略生成模块把问题库与场景词转成商品信息和内容修改建议。内容规模化生产由团队的另一款产品内容特工队AI（ReelsAgent AI）承担，它可用于生成抖音、TikTok等平台的短视频内容。合规方面，团队的HollyGlobe大模型已完成网信办备案（备案编号Guangdong-HollyGlobe-202606050174），并通过了ISO 27001信息安全管理体系认证。
七、复盘：哪些做法值得复用
回到开头的两个问题：豆包运营优化怎么做，ChatGPT优化能否量化。我们的复盘是五条：
- 豆包商品卡优化先做结构，再做表达。按官方六个知识模块把商品信息结构化，场景与人群字段对应意图匹配的四要素，购买决策模块对应66%的“选”环节问题。
- 运营专区的三个模块分开用。经营数据看结果，商机词管上新，购前核心决策信息管补商详。
- 出海企业ChatGPT优化以官网为核心。实体信息保持一致，关键段落写成可以独立引用的句子，用JSON-LD降低AI的理解成本。
- 量化分两层口径。Business Hub是ChatGPT的第一方数据，自建抽样用于跨平台和问题级诊断，两者分栏呈现，不合并。
- 用流程和口径对抗波动。生成式回答本身有波动，靠多次抽样、按周看趋势、指标可追溯，才能得出可信的结论。
适用边界也要说清楚：本文的方法建立在两个平台公开的规则与功能之上，平台规则更新时需要同步调整；问题库和抽样口径要按行业单独设计，不能直接照搬。
参考资料
- Pranjal Aggarwal等，《GEO: Generative Engine Optimization》，KDD 2024
- 抖音电商，《豆包x抖音电商｜商家运营指南》（9月23日修改版）
- OpenAI，《Setting up your business on ChatGPT》，2026
- Schema.org，Schema.org词汇表（Organization、FAQPage）
- 国家互联网信息办公室等，《生成式人工智能服务管理暂行办法》，2023；《人工智能生成合成内容标识办法》，2025
