GEO 论文精读：40% 的可见度提升从哪来，又没证明什么
普林斯顿等机构的 KDD 2024 论文首次把 GEO 形式化：10K 查询、9 种改写策略、两个生成式引擎。本文拆开 40% 提升的实验前提、排名再分配效应，以及论文没有证明的事。
2023 年 11 月，arXiv 上出现了一篇题为《GEO: Generative Engine Optimization》的论文。它在 2024 年被 KDD 接收，后来成了「GEO」这个词被反复引用时的原点。传播最广的是两个数字：最高 40% 的可见度提升，以及在 Perplexity 上最高 37%。
但 40% 是一个很容易被误读的数字。它不是流量增长，不是排名提升，也不是「加点引用就能让 ChatGPT 推荐你」。它是在一个特定实验里，把五个候选来源中的一个改写成更容易被引用的样子，然后看它在模型回答里占的篇幅和位置能提高多少。
这篇解读想回答三个问题：论文到底测了什么；哪些结论值得信；如果你有一个自己的站点，哪些动作可以直接拿走。
先说结论：这篇论文最稳的发现不是「某种技巧能提升 40%」，而是生成式引擎在分配引用时，明显偏好具体的、可归因的、容易转述的句子；它不奖励「听起来更权威」的语气，而奖励「能被核对」的证据。
这篇常被称作「普林斯顿那篇 GEO 论文」。准确地说，它由 IIT Delhi 的 Pranjal Aggarwal 与普林斯顿的 Vishvak Murahari 共同一作，普林斯顿的 Karthik Narasimhan、Ameet Deshpande 等参与：
- 论文：GEO: Generative Engine Optimization（KDD 2024，arXiv:2311.09735）
- 作者：Pranjal Aggarwal、Vishvak Murahari、Tanmay Rajpurohit、Ashwin Kalyan、Karthik Narasimhan、Ameet Deshpande
- 代码与数据：GEO-optim/GEO
它把「生成式引擎」拆成了什么
论文先做了一个概念上的统一：把 Bing Chat、Google SGE、Perplexity 这类系统统称为 generative engine（GE），并给出一个可以拆解的流水线：
- 查询改写：把用户的一句话拆成一组更适合检索的子查询；
- 检索：从搜索引擎取回一组来源；
- 摘要与生成：模型基于这些来源，生成一段带行内引用的回答。
这个拆法很重要，因为它决定了 GEO 的作用边界。实验里，作者把流程简化成两步：每条查询取 Google 前 5 条结果的正文，跳过摘要，直接把整篇来源交给模型生成回答。也就是说，他们研究的是「已经被检索到之后，模型愿不愿意引用你、引用多少」；他们并没有研究「你能不能进前 5」。 后者仍然是抓取、索引和检索排序的问题，论文没有评估 GEO 对搜索排名的影响，自己在局限性里也承认了这一点。
然后它定义了「可见度」。传统 SEO 看平均排名，但生成式引擎没有一条整齐的列表，来源是被打散嵌在段落里的。论文用了三个指标：
| 指标 | 怎么算 | 测的是什么 |
|---|---|---|
| Word Count | 引用你的句子词数 / 回答总词数 | 你占了多少篇幅 |
| Position-Adjusted Word Count | 同上，但按引用位置做指数衰减 | 你不仅占篇幅，还占不占前面 |
| Subjective Impression | 用 LLM 按 7 个维度打分：相关性、影响力、独特性、主观位置、主观数量、点击意愿、多样性 | 这段引用在读者眼里有多显眼（由 LLM 判断） |
位置加权的衰减大致是这样：
Imp_pwc(c_i, r) = Σ_{s∈S_{c_i}} |s| · e^(−pos(s)/|S|) / Σ_{s∈S_r} |s|越靠前的句子权重越高。所有指标最后会被归一化，使一条回答里所有来源的分数加起来等于 1。也就是说，这是一场份额游戏：你多占一点，别人就少占一点。这一点在后面解释「第 5 名 +115%、第 1 名 −30%」时非常关键。
实验是怎么做的
- 查询集：GEO-bench，10,000 条查询，来自 9 个数据集（MS MARCO、ORCAS-1、Natural Questions、AllSouls、LIMA、Davinci-Debate、Perplexity Discover、ELI5、GPT-4 生成），覆盖 25 个领域；按 8K/1K/1K 切成训练、验证、测试。
- 来源：每条查询取 Google 前 5 条结果的正文。
- 引擎：GPT-3.5-turbo 生成回答，温度 0.7，每条查询采样 5 个回答；另在 Perplexity.ai 上做了一组 200 条样本的复现。
- 方法：用 LLM 把其中一个来源改写成 9 种风格之一，再重新生成回答，比较该来源的份额变化。
9 种方法分别是：Authoritative（更像权威）、Statistics Addition（加统计数字）、Keyword Stuffing（堆关键词）、Cite Sources（加引用来源）、Quotation Addition（加直接引语）、Easy-to-Understand（更易懂）、Fluency Optimization（更流畅）、Unique Words（加独特词）、Technical Terms（加术语）。
注意一个常被忽略的细节：这些改写是 LLM 做的，不是人做的。 论文验证的是「把文本改写成具有某种特征」这件事的效果，不是「人类编辑认真加了一个来源」的效果。这两件事在真实世界里可能差很远，后面会讲。
结果：有效的方法有一个共同点
先看主表。基线是 19.3，数值来自论文 Table 1，相对变化按基线四舍五入：
| 方法 | 位置加权词数 | 相对基线 | 主观印象 | 相对基线 |
|---|---|---|---|---|
| Quotation Addition | 27.2 | +41% | 24.7 | +28% |
| Statistics Addition | 25.2 | +31% | 23.7 | +23% |
| Fluency Optimization | 24.7 | +28% | 21.9 | +13% |
| Cite Sources | 24.6 | +27% | 21.9 | +13% |
| Easy-to-Understand | 22.0 | +14% | 20.5 | +6% |
| Technical Terms | 21.4 | +11% | 21.4 | +11% |
| Authoritative | 21.3 | +10% | 22.9 | +19% |
| Unique Words | 20.4 | +6% | 20.4 | +6% |
| Keyword Stuffing | 17.7 | −8% | 20.2 | +5% |
Quotation Addition 的 41% 是按 Table 1 的数字算出来的；论文摘要把它取整成了 40%。
有效的方法有一个共同点：它们让句子更容易被单独摘出来并转述。一句带数字的话、一句有出处的话、一句直接引语、一句读起来不费劲的话，都比一段「我们致力于提供卓越体验」更容易被模型搬进回答。
Quotation Addition 最强（+41%）。直接引语同时提供了具体措辞和可归因的来源，模型很容易把它当成证据。Statistics Addition 次之（+31%）：数字是天然的可引用单元，而且比形容词更能回答「多少」。Cite Sources 单用 +27%，不算最高，但在后面的组合实验里它是放大器。
Fluency Optimization 值得单独说。它不添加任何新事实，只改表达，却有 +28% 的位置加权词数提升，是「不加新事实」这一类里收益最高的。这说明生成式引擎的引用选择不只取决于内容，也取决于可读性和可摘取性。这个结论对写作者最友好：不需要编数据，先把话写清楚就有收益。
Easy-to-Understand 也有 +14%，方向一致，幅度小一些。
然后是几个容易被过度解读的方法：
- Authoritative 在表里有 +10% 的位置加权词数、+19% 的主观印象，但正文明确说「没有显著提升」，而且它在不同排名上的波动从 −6% 到 +12.6%。表里的数字和正文的判断并不完全一致，这本身是读论文时值得注意的地方。
- Technical Terms 和 Unique Words 是词汇层面的改动，收益在 6%–11% 之间；论文自己把 Unique Words 归到 non-performing。别把「显得专业」当成策略。
- Keyword Stuffing 是唯一在位置加权词数上为负的方法（−8%），在 Perplexity 上比基线低 10%。传统 SEO 的肌肉记忆在这里是负资产。一个合理的解释是：模型不是靠词频匹配来选句子的，堆词只会让句子更难读、更难摘。
论文还给了一个 Authoritative 的单点例子，提升 89.1%。这正是读论文时最该警惕的地方：精选例子展示的是可能性，不是平均效应。 先看汇总表，再看例子；例子用来理解机制，不用来估计收益。
最反直觉的结果：第 1 名可能变差
论文的第二个实验把所有 5 个来源同时优化，然后按原始 Google 排名分组看变化：
| 方法 | 第 1 名 | 第 2 名 | 第 3 名 | 第 4 名 | 第 5 名 |
|---|---|---|---|---|---|
| Cite Sources | −30.3% | +2.5% | +20.4% | +15.5% | +115.1% |
| Quotation Addition | −22.9% | −7.0% | +3.5% | +25.1% | +99.7% |
| Statistics Addition | −20.6% | −3.9% | +8.1% | +10.0% | +97.9% |
因为份额是零和的，所有来源都优化时，收益会从「本来就占优」的来源流向「改得更可引用」的来源。第 5 名 +115% 不是流量翻倍，而是它在回答里的引用份额翻了一倍多；第 1 名 −30% 也不是掉排名，而是它在回答里被引用的比例被抢走了。
论文把这解读为「GEO 可能让低排名的小站获得更公平的曝光」。这个方向是对的：传统 SEO 里，域名权重和外链很难短期补上；而生成式引擎直接读内容，内容层面的改进可以更快生效。
但我不完全同意「民主化」这个乐观说法。它成立的前提是：小站已经进了前 5。 进不去，GEO 一点用都没有。更准确的说法是：GEO 把竞争从「域名权威」部分转移到了「内容可引用性」，但它没有取消检索这一关。
另外，这是一次「所有人同时优化」的实验。真实世界里，如果你的竞品没做 GEO，你的相对收益会比表里更大；如果所有人都做，收益会互相抵消，最后大家只是把回答写得更像一篇好的说明书。这是典型的军备竞赛。
没有万能方法：领域和组合都会改变答案
论文按它的标签体系，给了几个方法表现最好的领域：
| 方法 | 论文里表现最好的领域/问题类型 |
|---|---|
| Authoritative | 辩论、历史、科学 |
| Fluency Optimization | 商业、科学、健康 |
| Cite Sources | 陈述、事实、法律与政务 |
| Quotation Addition | 人物与社会、解释、历史 |
| Statistics Addition | 法律与政务、辩论、观点 |
同一个方法在不同领域的效果不一样，原因可能是不同领域的「证据形态」不同：历史和社会类问题更吃直接引语与叙事；法律、政务、观点类更吃数字；事实类问题更吃来源。对写作者的含义是：先看你写的是什么类型的内容，再选策略；不要把所有页面都套同一个模板。
组合实验（Figure 4）里还有两个结论：
- 最佳组合是 Fluency Optimization + Statistics Addition，比任何单一方法高 5.5% 以上。
- Cite Sources 单独用不如 Quotation Addition，但与别的方法组合时平均提升 31.4%，是个「放大器」。
论文的解释是：流畅度让句子更容易被读进去，统计数字让句子更容易被摘出来，两者互补；引用则给句子提供可验证性，和别的策略叠加时收益更大。
这里有个很实用的推论：不要问「哪个方法最好」，要问「我的内容现在缺哪一块」。 如果句子已经清楚但没证据，加统计或引用；如果证据有了但读起来费劲，先改流畅度；如果两者都做了，再考虑语气和术语。
在 Perplexity 上，方向一致，幅度打折
论文在 Perplexity.ai 上用 200 条样本复现了一遍。结果是：Quotation Addition 的位置加权词数提升约 22%（论文口径），Statistics Addition 的主观印象提升 37%，Keyword Stuffing 比基线低 10%。方向和主实验一致，但幅度小了。
这组实验有个必须说明的限制：Perplexity 不允许直接指定来源 URL，作者是把来源文本作为文件上传，再要求模型只基于这些文件回答。这更接近「给定语料的问答」，而不是真实的「检索 + 引用」流程。所以它证明了方法的方向有一定泛化性，但不能直接外推到 Perplexity 的真实检索行为。
这篇论文没有证明什么
这是全文最想强调的部分。把「40%」当成 KPI 之前，先把边界说清楚。
1. 40% 是相对份额，不是流量或收入
位置加权词数量化的是「在一条回答里占多少篇幅、排得多靠前」，不是点击、线索或成交。一个来源的份额从 19.3 提到 27.2，可能意味着更多用户看到它，也可能意味着回答变长了、引用变多了，但用户根本没点。论文没有测真实点击和转化；主观印象里虽然有一个「点击意愿」的子项，但那是 LLM 打分，不是行为数据。
2. 它只研究了「已经被检索到的前 5 个来源」
如果你没被抓取、没进候选集，GEO 方法无从发挥作用。论文自己在局限性里也承认，没有评估 GEO 对搜索排名的影响。所以更准确的框架是：SEO 和抓取决定你能不能上场，GEO 决定你上场后能拿到多少镜头。 两者不是替代关系。
3. 指标之间会打架
关键词堆砌在位置加权词数上是 −8%，在主观印象上却是 +5%；在 Perplexity 上，它的主观印象是 28.1，高于基线的 24.7。论文在否定关键词堆砌时，主要依据是位置加权词数，但没有充分解释这个分歧。这提醒我们：任何单一指标都只是代理，不能直接等同于「AI 喜欢你」或「用户信你」。 尤其是主观印象由 GPT-3.5 按 G-Eval 打分，分数还被归一化到和词数同均值同方差，它的绝对数值没有意义，只能看相对变化。
4. 没有验证新增内容的真实性
这是我认为最需要补上的一块。Statistics Addition 和 Cite Sources 是让 LLM 往文章里加数字、加来源；论文评估的是「加了之后可见度是否提高」，没有评估「加的数字和来源是否真实」。在真实站点上，这一步必须由人把关。否则你优化的是「看起来可验证」，而不是「可验证」——后者才是长期信任的来源，前者是一次性的、可能反噬的操纵。
5. 时效性
实验用的是 GPT-3.5-turbo 和 2023–2024 年的查询与引擎行为。2026 年的生成式引擎在查询改写、来源选择、引用策略上已经变了很多。论文自己也说，方法需要随着引擎演化而调整。所以这些数字应该被当作「方向性证据」，而不是「2026 年的基准值」。
6. 精选例子不是平均效应
论文 Table 4 给了三个很漂亮的例子，其中一个 Authoritative 的案例提升 89.1%。但汇总表里，Authoritative 的效应并不稳定，正文也说没有显著提升。例子用来理解机制，不用来估计收益。
如果要把结论用到自己的站点上
把论文翻译成动作，我会留下这几条：
| 动作 | 为什么 | 怎么验收 |
|---|---|---|
| 每个核心页面写一句「结论 + 数字/事实 + 边界」 | 这是模型最容易摘走的答案单元 | 遮住正文只看这句，仍然成立 |
| 给数字补口径、时间、来源 | Statistics 有效，但伪造的数字会反噬 | 每个数字能点回一手来源 |
| 引用一手材料，而不是二手转述 | Cite Sources 在组合里是放大器 | 链接可访问，标题对得上 |
| 把长句拆短，先定义再展开 | Fluency 是「不加新事实」这一类里收益最高的 | 朗读不卡壳，每段有主题句 |
| 用 H2 问句、表格、步骤列表 | 结构化内容更容易被定位和摘取 | 每节能独立回答一个子问题 |
| 别堆关键词，别为「权威感」加空话 | Keyword Stuffing 负向，Authoritative 不稳定 | 删掉形容词后信息量不变 |
| 优先改引用份额低、已进候选集的页面 | 低排名来源的 GEO 收益最大 | 从 citation share 最低的页面开始 |
| 固定一组 prompt 做基线 | 不看份额就不知道有没有效果 | 每月同一组问题、同一套判定 |
Fluency、Statistics、Cite Sources 的效果有论文数据；「答案单元」「结构化」「prompt 基线」是工程上的推论，论文没有直接验证。
最后两条尤其重要。GEO 没有 SEO 那样成熟的官方报表，你能做的是自己定义一组问题、记录模型怎么回答、有没有引用你、引用了哪一句。这很土，但比看感觉可靠。站内的引用份额和AI 可见度的四层指标写得更细，这里不展开。
另外，像 /llms.txt、schema.org 这类基础设施，解决的是「让引擎找到、读懂你的站点结构」，这篇论文没有测；它们重要，但不是「40%」的来源。别把基础设施和内容策略混为一谈。
我的读法：GEO 是「可引用性」工程
如果只让我留一句话，我会说：这篇论文真正发现的是「可引用性」这个变量。
可引用性不是「权威」，也不是「关键词密度」，它更接近三个东西的乘积：
- 具体：有数字、有版本、有命令、有边界条件；
- 可归因：这句话是谁说的、依据是什么、在哪里能查到；
- 可转述：句子短、结构清楚、不依赖上下文也能读懂。
这三件事，恰好也是一篇好的技术文章本来就该做到的事。论文只是用 10,000 条查询和两个引擎，把它们换算成了可见的份额变化。
所以我不太担心「GEO 会让内容变得更像 SEO 垃圾」。真正会赢的方法（引用、统计、流畅）和写好文章的方法是同一套；会输的方法（堆词、空泛的权威腔）本来也不该写。唯一的风险是，当所有人都开始优化「可引用性」，回答会变得越来越像一份格式完美的说明书，而那些还没有被验证的、粗糙但真实的经验，可能更难被看见。
对我自己的博客，这篇论文的结论可以压缩成一句：当有人问 AI 一个技术问题时，它愿不愿意引用我那篇踩坑记录，取决于我有没有在文里留下可核对的版本号、报错、命令和结论。 流量是结果，不是目标；可核对才是。
参考
- Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2024). GEO: Generative Engine Optimization. KDD ‘24. arXiv:2311.09735
- 代码与数据：GEO-optim/GEO