GEO得分：如何衡量AI搜索引擎是否会引用你的内容

做 SEO 的人都在盯 Google 排名。但 AI 搜索带来的流量正在快速增长 —— Perplexity、ChatGPT search、Google AI Overviews、Claude。这些系统的排名机制和 Google 完全不一样。它们会综合答案，然后引用来源。

如果你的内容没被 AI 引用，你在快速增长的那部分搜索流量里就是隐形的。而且和 Google 排名不同，几乎没人测量这个东西。

GEO Score 是我们用来评估「页面被生成式 AI 搜索引擎引用」的可能性的一套方法。下面说下它是怎么工作的。

为什么传统 SEO 指标预测不了 AI 引用

Google 用几百个信号给页面排名 —— 外链、用户行为、内容新鲜度、技术质量。AI 搜索引擎的流程从根本上是另一套：

1. Retrieve 从索引里检索相关文档
2. Synthesize 阅读并组合多个来源，综合出答案
3. Cite 引用它们用过的来源

引用决策取决于传统 SEO 几乎不衡量的因素：

• 内容是不是按 LLM 能干净解析的方式结构化的？
• 有没有可验证的事实（数字、日期、定义）？
• 有没有直接回答问题的清晰摘要？
• 内容是原创的，还是复述别人已有的来源？

一个页面可以在 Google 排第一，却从来没被 ChatGPT 引用过。一个页面可以在 Google 第二页，却被 Perplexity 引用。

16 项 GEO Score

我们按 5 个层级评估页面，权重取决于对 AI 引用的影响：

第一层：事实密度（35%）

AI 模型引用那些包含可提取事实的来源。含糊的散文会被跳过；具体的数据才会被引用。

• 统计信息存在度： 页面里有没有数字、百分比或度量值？
• 定义清晰度： 页面有没有明确地定义术语（而不是”X 差不多就是 Y”那种）？
• 引用价值： 读者会把这个页面当作一手来源来信任吗？
• 数据新鲜度： 事实是当前的，还是过时的？
• 原创性： 这是原始来源，还是别人研究的改写？

第二层：结构清晰度（25%）

LLM 解析结构化内容比解析长篇散文更在行。结构好的页面更容易提取出干净的答案。

• 标题层级： H1 → H2 → H3 符合逻辑递进
• BLUF（结论先行）： 页面有没有在深入展开之前先回答问题？
• 列表/表格使用： 格式化数据比段落更容易被引用
• 段落长度： 短段落（3-5 句）解析更可靠

第三层：语义深度（15%）

AI 模型更喜欢全面覆盖主题的来源，而不是浮于表面的内容。

• 主题覆盖： 页面有没有覆盖读者想知道的子主题？
• 实体丰富度： 内容有没有提到具体的人、工具、地点、概念？

第四层：AI 可访问性（15%）

会阻碍 AI 爬虫访问你内容的技术门槛。

• llms.txt 存在： 网站有没有给 AI 爬虫提供路线图？
• 内容在 HTML 里： 内容是静态 HTML，还是靠 JavaScript 渲染、爬虫可能不会执行的内容？
• 爬取权限： robots.txt 允许 AI bot 吗？

第五层：信任信号（10%）

AI 模型在决定引用什么时，会权衡来源的可信度。

• 作者标注： 有没有具名作者，且有可验证的专业背景？
• Schema 标记： 页面有没有用结构化数据声明自己的类型（Article、FAQ、HowTo）？

我们怎么构建这套评分

权重不是拍脑袋猜的。我们用真实数据测的。

从 Stanford HAI 那篇关于生成式引擎的论文出发（它提出了一个 4 因子模型，相关性 r=0.345），我们扩展到了 16 个因子，然后在我们自己的站上跑实验 —— Echoir、OnchainDiary、ZensInk。每个页面我们都会检查：AI 搜索引擎真的引用了它吗？

跟真实引用相关性最强的因子，成了权重最高的层级。事实密度占主导 —— 包含具体数字和原始数据的页面，被引用的频率比没有的页面高 3-5 倍。

Stanford 论文的权重方案（Schema 30%、Content 30%、Meta 20%、Citation 20%）算出的相关性只有 r=0.345。我们的 16 因子模型表现好得多，因为它衡量的是 AI 实际提取了什么，而不是传统 SEO 优化了什么。

每个数据点我们都标注三个证据等级之一：

• Source-verified（来源验证）： 通过测试直接确认
• Validated（已验证）： 跟观察到的行为一致
• Suggested（建议）： 合理但还需要更多数据

这样能防止方法论在证据不足的因子上过度宣称。

跑一个 GEO 审计

# Check a single page's GEO Score
python3 -m zens_ink.geo_score https://yoursite.com/blog/your-article

# Check multiple pages
python3 -m zens_ink.geo_score \
  --from-sitemap https://yoursite.com/sitemap.xml \
  --output geo-report.md

报告长这样：

GEO Score: 68/100 (Grade B)

Layer Scores:
  Factual Density:     24/35 (69%)
  Structural Clarity:  19/25 (76%)
  Semantic Depth:       9/15 (60%)
  AI Accessibility:    12/15 (80%)
  Trust Signals:        4/10 (40%)

Priority Actions (P0):
  - Add statistics or specific data to the introduction
  - Create an llms.txt file

Actions (P1):
  - Add Article schema markup
  - Break paragraph 3 into a bulleted list
  - Add author byline with bio link

每个行动都是具体可执行的 —— 不是”提升你的内容质量”，而是”在开头加上数字”。

GEO vs SEO：区别在哪

因子	传统 SEO	GEO（AI 搜索）
外链	关键	次要
关键词优化	关键	中等
事实密度	有帮助	关键
内容结构	重要	关键
llms.txt	无关	重要
页面速度	已确认的排名因子	跟引用无关
用户行为（CTR、停留时间）	关键	无关
作者权威	有帮助	重要

最大的差距：外链和用户行为数据（Google 排名的基础）对 AI 引用几乎不起作用。真正重要的是你的内容有没有包含可提取的、可信的事实，并且以 LLM 能解析的结构呈现。

实际的 GEO 优化

根据我们的评分数据，这些是今天就能做的高影响力改动：

1. 加 BLUF 块。 每篇文章开头放一个 2-3 句的答案。AI 模型会先读开头。

2. 写具体数字。 “我们的方法把索引速度提升了 340%” 会被引用。“我们的方法显著提升了索引速度” 不会。

3. 创建 llms.txt 文件。 这是你最好内容的精选列表，为 AI 爬虫格式化。具体实现看我们的 llms.txt 指南。

4. 用表格和列表。 格式化数据比散文更容易被提取。结构化数据实现看我们的 schema 标记指南。

5. 写原创研究。 AI 模型引用一手来源，而不是聚合器。如果你有别人没有的数据，你就会被引用。

测试你的 AI 可见性

优化完之后，测一下有没有效。我们的 AI 搜索可见性审计指南 讲了怎么检查 ChatGPT、Perplexity 和 Google AI Overviews 是否真的引用了你的内容。

测试很简单：在每个 AI 引擎里搜你的目标关键词，看你的站点有没有出现在引用里。长期跟踪 —— GEO 优化是累积的。

GEO Score 工具

GEO Score 计算器是 ZensInk Pro 的一部分。它会对任意 URL 跑完整的 16 因子分析，生成一份带优先级的行动列表。背后完整的方法论，以本文为参考。

更广泛的 AI 搜索优化策略，看我们的 GEO 指南 和 开源 SEO 工具列表。

GEO 不是 SEO 的替代品。它是搜索可见性的另一半 —— 而大多数站点把这一半完全忽略了。