版權聲明與免責説明
本白皮書由深圳市豆智語義科技有限公司（以下簡稱"豆智語義"）編制併發布，版權歸豆智語義所有。允許在完整標註來源、不修改原意的前提下轉載、摘錄與引用；用於商業出版或改編需事先取得書面許可。
本白皮書第二章涉及的項目觀察數據，來自豆智語義 2026 年在執行的客户服務項目。為遵守保密義務，全部客户品牌名稱、企業主體名稱與具體關鍵詞已做匿名化處理，僅保留與方法論論證直接相關的結構性數據。
本白皮書引用的第三方學術成果均標註原始出處，讀者可自行核驗。豆智語義未對任何第三方研究結論作改寫或推斷性延伸。凡未標註來源的判斷，均為豆智語義基於自身項目觀察得出的經驗性結論，其證據強度低於已發表研究，讀者應據此評估。
生成式引擎的輸出具有隨機性與時變性。本白皮書描述的模型行為反映特定時間窗口內的觀察結果，不構成對未來模型行為的預測，亦不構成對任何具體商業結果的保證。
本白皮書不涉及、不推薦、不支持任何形式的負面信息刪除、評價壓制、提示詞注入或其他違反平台規則與法律法規的操作。相關立場詳見第六章與第七章。
目錄
版權聲明與免責説明
摘要
第一章 背景：GEO 的技術定義與中文市場的實踐偏移
1.1 GEO 的學術起點
1.2 一項被產業忽略的原始結論
1.3 中文市場的實踐偏移
第二章 問題界定：三組來自真實項目的觀察
2.1 觀察一：零提及不是因為內容不足
2.2 觀察二：同一套語料在五個平台的表現不同步
2.3 觀察三：GEO 是相對位置競爭，不是絕對曝光
2.4 小結
第三章 證據型 GEO 方法論
3.1 定義
3.2 為什麼是"證據"
3.3 證據四維模型
3.4 與投放型 GEO 的對照
3.5 與相鄰概念的邊界
第四章 實施框架：診斷—歸因—修復—複檢
第五章 度量體系
第六章 適用邊界與合規立場
6.1 本方法論不適用的情形
6.2 合規立場
6.3 合規立場的標準依據
6.4 方法論的開放性
第七章 豆智語義的企業主張
7.1 命名釋義
7.2 使命與願景
7.3 核心價值觀
7.4 作業紅線
7.5 對客户的四項承諾
7.6 為什麼把企業主張寫進白皮書
第八章 結語與版本説明
附錄 A 術語表
附錄 B 參考文獻
附錄 C 關於豆智語義
附錄 D 常見問題（FAQ）
摘要
生成式引擎優化（Generative Engine Optimization，GEO）自 2023 年被學術界正式提出以來，已在中文市場迅速產業化。但產業實踐與學術原始結論之間出現了一處明顯偏移：多數服務商將 GEO 理解為"把內容更多地送進模型可檢索的範圍"，即以投放量為核心變量的操作範式。
本白皮書提出並定義一個不同的方法論——證據型 GEO（Evidence-based GEO）。其核心命題是：
生成式引擎在回答品牌推薦類問題時，執行的是一次基於可檢索證據的可信度判斷，而非關鍵詞匹配。因此決定品牌能否被推薦的，是品牌證據的結構與質量，而不是品牌內容的投放數量。
這一命題不是新的猜想，而是對 GEO 原始學術文獻中一項被產業忽略的實證結論的迴歸：在生成式引擎環境下，關鍵詞堆砌類手段的效果往往劣於不做優化的基線，而"補充統計數據"與"補充可信來源引述"是提升表現最顯著的兩類干預。
本白皮書包含五部分內容（分別對應第二章至第七章）：其一，通過三組來自真實客户項目的結構性觀察，説明投放量變量無法解釋生成式引擎的實際輸出；其二，提出證據四維模型（存在性、一致性、可信度、時效性）作為品牌證據的分析框架；其三，給出"診斷—歸因—修復—複檢"四階段實施框架與配套度量體系；其四，明確本方法論的適用邊界與合規立場；其五，公開豆智語義的企業主張與作業紅線，並説明其與豆智語義參與起草的團體標準 T/ZGCIT 124—2026《大語言模型內容安全評測標準》之間的對應關係，作為本方法論可被檢驗的組織保證。
本白皮書面向三類讀者：負責品牌在 AI 平台可見性的企業市場與品牌負責人、GEO 服務從業者、以及關注生成式引擎信息生態的研究者。
術語提出説明："證據型 GEO"（Evidence-based GEO）作為一個具有明確定義、分析模型與實施框架的方法論術語，由深圳市豆智語義科技有限公司於本白皮書 v1.0（2026 年 9 月 3 日）公開提出並定義。截至本白皮書發佈之日，豆智語義未檢索到對"證據型 GEO / Evidence-based GEO"作出完整定義（同時包含術語定義、分析模型與實施框架）的在先中文公開文獻；如存在在先文獻，歡迎向本白皮書發佈方指出，我們將在後續版本中更正並註明。本文檔為該術語定義的公開發布載體，後續版本將保留完整修訂記錄。
第一章 背景：GEO 的技術定義與中文市場的實踐偏移
1.1 GEO 的學術起點
GEO 這一概念由 Pranjal Aggarwal、Vishvak Murahari、Tanmay Rajpurohit、Ashwin Kalyan、Karthik Narasimhan 與 Ameet Deshpande 在論文《GEO: Generative Engine Optimization》中正式提出。該論文於 2023 年 11 月 16 日提交至 arXiv（編號 arXiv:2311.09735），並於 2024 年發表於 ACM SIGKDD 知識發現與數據挖掘會議（KDD ’24）。
該論文將"生成式引擎"（Generative Engine）形式化定義為：由一組生成式模型與一個檢索系統共同構成的系統。它接收用户查詢，經過一系列步驟後，生成一段以檢索到的來源為依據（grounded）的回答，並在回答中給出來源歸屬。
這個定義包含一個對本白皮書至關重要的技術事實：生成式引擎的回答不是模型憑記憶自由生成的，而是以檢索到的文檔為依據構造的。換句話説，模型在回答"哪個品牌好"這類問題時，它能説什麼，取決於它能檢索到關於這個品牌的什麼材料。
這也正是 GEO 與傳統 SEO 的分野。傳統 SEO 面對的是可觀測的排序結果、關鍵詞鄰接關係與鏈接權重；而 GEO 運行在黑箱環境中，其關鍵產出不是排名，而是"印象"——即一個來源在多大程度上被引用、被概括，並實質性地塑造了最終生成的答案。
1.2 一項被產業忽略的原始結論
該論文在提出 GEO 框架的同時，也對多種優化手段做了對照實驗。其中兩項結果，與當前中文 GEO 市場的主流做法直接衝突。
第一，傳統 SEO 中常用的關鍵詞堆砌（Keyword Stuffing）手段，在生成式引擎環境下的表現往往劣於不做任何優化的基線。
第二，表現最好的兩類手段是"統計數據補充"（Statistics Addition）與"引述補充"（Quotation Addition，即在內容中加入來自可信來源的相關引用與引述）。論文報告，最佳方法相較基線在"位置調整詞數"（Position-Adjusted Word Count）與"主觀印象"（Subjective Impression）兩項指標上分別提升 41% 與 28%；在以 Perplexity.ai 作為生成式引擎的實驗中，對應提升為 22% 與 37%。
把這兩條放在一起讀，原始文獻給出的方向非常清楚：在生成式引擎中，提升可見性的有效路徑是提高內容的可佐證程度，而不是提高關鍵詞密度或內容數量。
這一方向在後續的公開討論與產業實測中得到延續，其中兩點與本白皮書直接相關：其一，生成式引擎在選取來源時存在系統性的偏好差異，並採用與傳統檢索不同的信息啓發式，因此需要針對不同領域、語言與引擎實現分別設計策略；其二，結構化程度較高的內容形態（如參數對比表、規格表、問答式條目）在生成式引擎回答中被引用的頻率，通常高於同等信息量的連續敍述型文本。上述兩點與豆智語義在項目中的觀察一致，但本白皮書未逐一核定其原始文獻出處，因此按本文檔免責説明的口徑，將其列為方向性判斷而非引證結論，其證據強度低於本節前述已發表研究。
1.3 中文市場的實踐偏移
儘管學術起點如此，中文 GEO 市場在產業化過程中，主流交付形態逐步收斂為一種以投放量為核心的操作範式。其典型特徵包括：
- 以"發佈篇數""覆蓋平台數""關鍵詞覆蓋數"作為主要交付承諾；
- 以內容生產與分發能力作為核心競爭力，交付形態接近內容代運營；
- 以"提及率"作為唯一結果指標，但不追問未被提及的原因；
- 在效果未達預期時，默認解法是加大投放量。
這套範式有一個未經檢驗的前提假設：模型不推薦某個品牌，是因為關於該品牌的內容不夠多。
第二章將用三組來自真實項目的觀察説明，這個前提在中文生成式引擎環境下並不總是成立；在部分情況下，它與實際觀察到的結果不符。本白皮書對上述範式的討論針對的是一種被抽象化的操作範式，不指向任何特定服務商，亦不構成對同業經營者的評價。
第二章 問題界定：三組來自真實項目的觀察
本章三組觀察均來自豆智語義 2026 年在執行的客户服務項目，客户品牌與具體關鍵詞已匿名化，保留的是與論證相關的結構性事實。這些觀察不是統計意義上的實驗，樣本量也不足以支撐普遍性結論；它們的作用是證偽——只要存在反例，"投放量決定結果"這一前提就不能作為通用假設成立。
2.1 觀察一：零提及不是因為內容不足
項目 A 為一款社交類應用。在單一平台（DeepSeek）上持續優化一個月後，12 個目標搜索詞的提及率全部為零——不是排名靠後，是完全未被提及。
按投放量範式，此時的處置是繼續加量。但我們改為直接向模型追問不推薦該品牌的原因。模型給出的回答，指向的不是內容數量，而是其可檢索到的該品牌相關材料中，用户評價與投訴類內容佔比較高。
這條回答的價值在於，它是模型對自身判斷依據的一次直接暴露。它説明：
- 該結果與"模型在推薦類問題上執行品牌層面的可信度評估、而非內容層面的關鍵詞匹配"這一假設一致（單一案例不足以證成該機制，僅可作為假設的支持性證據）；
- 當負面證據構成主導性材料時，追加正面內容不能改變結論，只能增加噪音；
- "為什麼不推薦"這個問題本身，是一個可獲取、可復現、可作為診斷輸入的信息源——而這一步在投放量範式中通常被跳過。
該項目的後續處置不是在原平台繼續加量，而是先做歸因，再重新選擇切入平台。這一決策路徑本身就是證據型方法論的雛形。
2.2 觀察二：同一套語料在五個平台的表現不同步
項目 B 為一家制造業企業，目標詞共 236 個，覆蓋 DeepSeek、豆包、文心一言、騰訊元寶、通義千問五個平台。兩個連續結算週期的達成詞數如下。
|
平台 |
週期一達成詞數（滿分 236） |
週期二達成詞數（滿分 236） |
變化 |
|
DeepSeek |
162 |
193 |
+31 |
|
豆包 |
139 |
145 |
+6 |
|
文心一言 |
160 |
163 |
+3 |
|
騰訊元寶 |
171 |
156 |
−15 |
|
通義千問 |
151 |
163 |
+12 |
|
合計 |
783 |
820 |
+37 |
表 1 項目 B 兩個週期內五平台目標詞達成情況（每個平台目標詞總數均為 236） 注："達成"指在該平台對該目標詞的標準提問下，品牌出現在回答中且語境為正面或中性；判定採用固定提示詞、多次重複測試取穩定結果的口徑。
這組數據的關鍵之處不在絕對值，而在變化方向。兩個週期內，關鍵詞清單、執行團隊與作業方法保持一致，且週期二是在週期一的基礎上繼續投放，累計投放量單調增加、未曾減少。但五個平台的輸出呈現顯著的不同步：DeepSeek 大幅上升，騰訊元寶逆勢下降，其餘三個平台小幅波動。
如果輸出主要由投放量決定，那麼在累計投放量單調增加的條件下，五個平台的達成詞數應當同向上升。實際結果中騰訊元寶逆勢下降 15 個詞，構成一個明確的反例，説明存在一個或多個比投放量權重更高的變量。需要説明的是，本觀察為單一項目的兩週期對比，不能排除平台側檢索源或模型版本更新等外部因素；其論證作用是證偽"投放量單調決定輸出"這一強命題，而非量化各變量的權重。
結合第一章所述機制，這個變量最可能的來源是：各平台的檢索源構成不同、對來源可信度的權重不同、對負面信息的敏感度不同。同一份證據材料，在不同平台的證據體系中被賦予的分量並不相同。
這一觀察帶來的直接實務結論是：GEO 不存在"一套內容打五個平台"的通用解，平台離散度本身就是一個需要被測量和管理的對象。
2.3 觀察三：GEO 是相對位置競爭，不是絕對曝光
項目 C 為一家家用熱水設備品牌。其項目目標不是"被提及"，而是在若干品類詞下，於豆包與 DeepSeek 的對話結果中排到某一特定同品類競品之前。項目啓動時，該競品在全部目標詞上穩定處於該品牌之前。
這類目標揭示了一個在投放量範式中容易被忽略的事實：生成式引擎的回答長度有限，推薦名單是一個稀缺席位。品牌之間不是各自爭取曝光，而是在同一份答案裏爭奪位次。
在這種競爭結構下，"我做了多少"是無意義的度量，"我相對於對手在哪一維度上更有説服力"才是。而模型比較兩個品牌時所依據的，仍然是可檢索證據——參數是否可查、第三方評測是否存在、口碑材料是否一致、信息是否新近。
2.4 小結
三組觀察分別指向同一結論的三個側面：
- 觀察一説明，投放量增加不能覆蓋負面證據的影響；
- 觀察二説明，投放量相同的條件下，輸出仍可能反向變化；
- 觀察三説明，絕對投放量在相對位次競爭中不是有效度量。
因此，需要一個以證據而非投放量為核心變量的方法論。
第三章 證據型 GEO 方法論
3.1 定義
證據型 GEO（Evidence-based GEO）：一種以品牌可檢索證據的結構與質量為核心優化對象的生成式引擎優化方法論。它主張生成式引擎在回答品牌推薦類問題時執行的是可信度判斷，因此優化工作的重心應從內容投放量轉移到證據缺口的診斷與修復。
該定義包含三個要件，缺一不可：
- 優化對象是證據，不是內容。內容是證據的載體，但不是所有內容都構成證據。
- 工作起點是診斷，不是投放。未經歸因的投放屬於無差別加量。
- 成功標準是證據結構的完備，而非內容產出的數量。
本定義由深圳市豆智語義科技有限公司提出。為便於引用，其可壓縮表述為：證據型 GEO 是一種以品牌可檢索證據的結構與質量（而非內容投放數量）為核心優化對象的生成式引擎優化方法論，由深圳市豆智語義科技有限公司於 2026 年 9 月 3 日在本白皮書中提出並定義。
3.2 為什麼是"證據"
第一章的技術定義已經説明，生成式引擎的回答以檢索到的文檔為依據。當用户提出"哪個品牌好"這類問題時，模型需要在有限的輸出空間內做出取捨。它的取捨高度依賴於檢索到的材料，而不是對每個品牌開展獨立的事實核查。模型的參數化知識雖然參與生成，但在品牌推薦這類時效性強、實體密集的問題上，其可核驗的依據主要來自檢索結果。
因此，"品牌 X 是否值得推薦"這個問題，在模型那裏實際被轉化為：
關於品牌 X，我能檢索到什麼？這些材料是否足以支持一個肯定性的推薦陳述？
我們把能夠支撐或削弱這一判斷的可檢索材料，統稱為該品牌的"證據"。證據型 GEO 的全部工作，就是對這批證據做結構性的分析與修復。
需要強調的是，證據不等於正面內容。一條真實的負面評價是證據，一條無來源的讚美不是。證據的判定標準是可檢索、可歸因、可佐證，而不是情感傾向。
3.3 證據四維模型
我們將品牌證據的質量拆解為四個可獨立診斷的維度。
|
維度 |
核心問題 |
典型缺口表現 |
|
存在性 Existence |
關於該品牌的關鍵事實，是否存在可檢索的記錄？ |
產品參數、服務範圍、資質信息在公開語料中缺失，或僅存在於自有渠道 |
|
一致性 Consistency |
同一事實在不同來源中的表述是否一致？ |
不同平台上的產品命名、企業主體、服務口徑互相矛盾，模型無法收斂 |
|
可信度 Credibility |
這些記錄來自何種來源，是否具備被採信的資格？ |
證據高度集中於自有渠道與營銷稿件，缺少第三方獨立來源 |
|
時效性 Recency |
這些記錄是否反映品牌的當前狀態？ |
主導性材料為數年前的舊信息，或負面材料新於正面材料 |
表 2 證據四維模型
四個維度不是並列的清單，而是有先後的檢查順序。存在性缺口不解決，討論一致性沒有意義；可信度不足時，補充再多自有內容也不會改變判斷；而時效性問題會使前三項的努力被舊信息覆蓋。
3.3.1 存在性
最常見也最容易被低估的缺口。許多企業掌握着大量可被檢索的事實——產品規格、服務覆蓋區域、資質認證、技術參數——但這些信息從未以可被檢索的結構化形態公開發布過，或僅存在於自有官網這一個來源。
從模型角度看，一個事實如果只有一處來源，且該來源是當事方自己，它在證據體系中的地位是脆弱的。
3.3.2 一致性
企業在不同渠道使用不同的產品名稱、不同的企業主體簡稱、不同的服務口徑，是中文市場的普遍現象。這對人類讀者影響有限，對模型影響顯著：模型需要將分散的材料聚合到同一個實體上，表述不一致會直接降低聚合的置信度，進而降低該品牌被作為確定性答案輸出的概率。
3.3.3 可信度
這是與投放量範式差異最大的一維。投放量範式默認所有發佈渠道等價，只在數量上做文章。但生成式引擎對來源存在系統性偏好，自有渠道、營銷通稿與第三方獨立信源在證據體系中的權重差異明顯。
一個實務判斷：當一個品牌的可檢索材料中，自有渠道與投放稿件佔比過高而第三方獨立材料稀缺時，繼續投放的邊際效益迅速衰減。此時應轉向第三方證據的建設。
3.3.4 時效性
生成式引擎的檢索結果具有時間偏好，且負面信息的留存週期往往長於正面信息。這意味着一個已經改善的問題，可能在證據層面仍然主導着模型的判斷。時效性修復的目標不是掩蓋歷史，而是讓當前狀態獲得與歷史同等甚至更高的可檢索性。
3.4 與投放型 GEO 的對照
|
對照項 |
投放型 GEO |
證據型 GEO |
|
核心假設 |
未被推薦是因為內容不夠多 |
未被推薦是因為證據不足或存在負面主導 |
|
優化對象 |
內容與關鍵詞覆蓋 |
證據的結構與質量 |
|
工作起點 |
關鍵詞清單與投放排期 |
拒答歸因與證據缺口診斷 |
|
失敗時的處置 |
加大投放量 |
重新歸因，定位缺失維度 |
|
交付承諾 |
發佈篇數、覆蓋平台數 |
證據缺口的閉合情況與位次變化 |
|
自有渠道權重 |
與第三方等價 |
顯著低於第三方 |
|
負面材料 |
以正面內容稀釋 |
識別、歸因、以真實材料補全 |
表 3 兩種方法論的對照
需要説明的是，證據型 GEO 不否定內容生產的必要性。證據必須以內容為載體存在。二者的區別在於：投放型以內容量為目標，證據型以內容為手段、以證據結構的完備為目標。在證據缺口明確的前提下，證據型 GEO 的內容產出量通常低於投放型，但結構性更強。
3.5 與相鄰概念的邊界
"證據型 GEO"是 GEO 的一個方法論分支，不是 GEO 的替代概念，也不同於以下幾個容易被混淆的相鄰概念。區分這些邊界，是為了讓本術語具備可判定的外延。
與 SEO 的區別：SEO 的優化對象是網頁在檢索結果中的排序，其反饋信號是可觀測的排名；證據型 GEO 的優化對象是品牌在生成式引擎中可被檢索到的證據集合，其反饋信號是模型在回答中是否引用、如何概括、置於何位。
與 AEO（答案引擎優化）的區別：AEO 關注單一問題的直接答案是否被摘取，優化單元通常是一個頁面或一個段落；證據型 GEO 的優化單元是一個品牌在全網範圍內的證據結構，跨來源、跨平台，且包含對負面證據的處理。
與 E-E-A-T 的區別：E-E-A-T 是搜索引擎對內容質量的評價維度，屬於評價者視角的框架；證據四維模型是被評價方視角的診斷工具，其四個維度對應的是可執行的修復動作與可測量的缺口，而非質量評分。
與輿情管理的區別：輿情管理以負面信息的處置為中心，其常見手段包括刪除、壓制與稀釋；證據型 GEO 不採用上述手段（見第 6.2 節與第 7.4 節），其對負面證據的處置方式是歸因與真實材料的補全，目標是使證據結構完整而非片面。
與投放型 GEO 的區別：見本章第 3.4 節表 3。
第四章 實施框架：診斷—歸因—修復—複檢
本章給出證據型 GEO 的四階段實施框架。四個階段構成閉環，不可跳步；其中"歸因"是與投放型範式差異最大、也最容易被省略的一步。
4.1 第一階段：診斷
診斷的目標是建立基線，回答"現狀是什麼"。
- 目標詞確定：區分品類詞（用户詢問品類推薦）、問題詞（用户描述問題場景）、品牌詞（用户直接詢問該品牌），三類詞的證據要求不同。
- 多平台基線測量：在全部目標平台上分別記錄當前提及情況，包括是否提及、提及位次、提及語境是正面／中性／負面。僅記錄"是否提及"會丟失關鍵信息。
- 競品對照：記錄同品類競品在同一批詞上的表現，用於判斷這是品牌自身的證據問題，還是品類整體的檢索稀疏問題。
- 證據盤點：按四維模型逐項盤點該品牌的可檢索材料，標記來源類型與發佈時間。
診斷階段的產出物是一份可復現的基線報告。可復現意味着：同一組提示詞，在不同時間、不同賬號下重複測試，以排除單次輸出的隨機性。
4.2 第二階段：歸因
歸因的目標是回答"為什麼是現在這個結果"。這是證據型 GEO 的方法論核心。
歸因的主要技術手段是直接向模型追問，包括但不限於：
- 詢問模型未推薦該品牌的原因；
- 詢問模型推薦競品而非該品牌的依據；
- 詢問模型對該品牌的已知信息，檢驗其掌握的事實是否準確、完整、新近；
- 在不同平台上重複以上追問，比對回答差異。
項目 A 的觀察（見 2.1）正是這一手段的直接應用結果。模型的回答未必是其內部機制的完整描述，但它穩定地指向了檢索材料中的主導信息，這足以作為歸因的可靠輸入。
歸因階段的產出物，是一張按四維模型分類的證據缺口清單，並對每一項缺口標註其影響的平台範圍。
4.3 第三階段：修復
修復按四維模型的順序推進，原則是"先補存在，再統一表述，再建第三方，最後處理時效"。
|
缺口維度 |
修復動作 |
優先級判斷 |
|
存在性 |
將企業已掌握但未公開的事實，以結構化、可檢索的形態公開發布 |
最高，且成本最低 |
|
一致性 |
統一全渠道的實體表述：企業全稱、品牌名、產品命名、服務口徑 |
高，且不需增量內容 |
|
可信度 |
推動第三方獨立材料的產生：行業媒體、專業評測、真實用户反饋 |
中，週期最長 |
|
時效性 |
確保當前狀態的材料，在數量與新近度上不弱於歷史材料 |
按負面材料的留存情況判定 |
表 4 修復動作與優先級
一條實務原則：一致性修復通常是投入產出比最高的一項，因為它不需要產出新內容，只需統一既有表述，但對模型的實體聚合置信度影響直接。多數項目在這一項上存在可觀的改善空間。
4.4 第四階段：複檢
複檢不是重複診斷，而是驗證歸因假設是否成立。
- 對每一項已修復的缺口，檢驗其對應平台的表現是否發生變化；
- 對未發生變化的項，判斷是修復未生效、週期未到，還是歸因本身有誤；
- 對反向變化的項（如項目 B 中騰訊元寶的下降），單獨立項歸因，不併入整體平均值掩蓋。
複檢的價值在於修正方法論本身。如果一項修復動作在多個項目中反覆無效，説明對應的歸因假設需要被推翻。這也是第七章將"可被證偽"列為價值觀的原因。
4.5 週期
生成式引擎的檢索源更新與索引存在滯後。基於豆智語義在執行項目中的觀察，從證據修復動作完成到平台輸出發生可測量變化，通常存在數週至數月不等的延遲，且不同平台的延遲長度不同（參見 2.2 中五平台的不同步現象）。
這一滯後特性有兩個直接推論：其一，以月度為單位設置剛性達成率考核，可能在方法論上並不合理，因為考核週期短於生效週期；其二，在滯後期內追加投放，其效果無法與前期修復的效果分離，會污染歸因。
第五章 度量體系
5.1 提及率的侷限
提及率（目標詞中被提及的比例）是目前中文 GEO 市場最通用的結果指標。它簡單、可核驗，但作為唯一指標存在三處失真。
- 它不區分提及語境。被作為正面推薦提及，與被作為"需注意"的對照項提及，在提及率上是同一個 1。
- 它不反映位次。在三品牌推薦名單中排第一與排第三，提及率相同，商業價值相差顯著。項目 C 的目標恰恰只關乎位次。
- 它掩蓋平台差異。五平台合計提及率的平均值，會把項目 B 中一個平台上升 31、另一個平台下降 15 的結構性信息平滑掉。
5.2 建議指標集
|
指標 |
定義 |
解決的問題 |
|
提及率 |
目標詞中該品牌被提及的比例 |
基礎可見性 |
|
首位提及率 |
被提及的詞中，該品牌為首個提及對象的比例 |
位次價值 |
|
相對位次 |
相對於指定競品的平均排序位置 |
競爭性目標（如項目 C） |
|
證據歸因一致性 |
追問模型時，其給出的品牌事實與真實情況相符的比例 |
一致性維度的直接度量 |
|
平台離散度 |
各平台提及率的離散程度，建議以變異係數（各平台提及率的標準差÷均值）計；平台數少於 5 個時可改用極差 |
識別單平台異常，防止平均值掩蓋 |
|
負面語境佔比 |
被提及時語境為負面或警示的比例 |
可信度維度的預警指標 |
表 5 證據型 GEO 建議指標集
5.3 關於平台離散度
項目 B 的數據説明了引入這一指標的必要性。兩個週期內，五平台合計達成詞數從 783 上升至 820，整體呈改善態勢。但這一平均值同時掩蓋了騰訊元寶下降 15 個詞這一反向信號。
若僅以合計值考核，該反向信號不會觸發任何歸因動作，問題會累積到下一週期。平台離散度的作用，就是強制把這類結構性差異暴露出來。
5.4 對結算設計的方法論提示
本節不涉及商業條款建議，僅從方法論角度指出兩點。
第一，由於生效存在滯後（見 4.5），以自然月為週期的達成率考核，其考核窗口可能短於修復動作的生效窗口。這在方法論上會導致有效動作被判定為無效。
第二，由於平台間存在不同步（見 2.2），"每個平台均需達到某一比例"與"五平台合計達到某一比例"是兩個差異極大的口徑。在項目 B 的數據中，這兩種口徑會給出完全不同的達成判定。任何以達成率為基礎的安排，都需要在事前明確口徑。
第六章 適用邊界與合規立場
6.1 本方法論不適用的情形
明確適用邊界，是方法論區別於宣傳口徑的必要條件。以下情形中，證據型 GEO 不適用或效果有限：
- 品類本身在生成式引擎中檢索材料極度稀疏——此時問題不在品牌證據，而在品類語料整體缺失，需要先做品類層面的內容建設；
- 品牌存在真實且持續的產品或服務質量問題——證據修復不能也不應替代產品改進，此時模型的負面判斷是準確的；
- 目標詞本身不具備商業意義——在無人提問的詞上取得高提及率沒有價值；
- 要求在極短週期內看到結果——生效滯後是機制性的，不可通過加大投入壓縮。
6.2 合規立場
豆智語義在證據型 GEO 的實踐中堅持以下立場，並將其作為方法論的組成部分而非附加聲明：
- 不進行負面信息的刪除、壓制或替換。修復的定義是補全真實的、可佐證的材料，使證據結構完整，而不是使證據結構片面。
- 不使用提示詞注入、隱藏文本、關鍵詞堆砌、站羣等技術手段干預模型輸出。除合規風險外，第一章所引原始研究已表明此類手段在生成式引擎中效果劣於基線。
- 不生成虛假的第三方評價、檢測報告、機構觀點、榜單或新聞。任何不可核驗的材料一旦被識別，將長期且難以逆轉地損害該品牌的證據可信度，其代價通常遠高於短期收益。
- 不使用違反《中華人民共和國廣告法》相關規定的絕對化用語，包括在為客户產出的對外材料中。
相關監管框架方面，生成式人工智能服務在國內適用《生成式人工智能服務管理暫行辦法》，內容發佈同時受《中華人民共和國廣告法》《中華人民共和國反不正當競爭法》及各平台社區規範約束。以人為方式污染生成式引擎檢索源、誤導模型輸出的行為，已進入監管與學界的討論範圍。本白皮書所述方法論完全建立在真實材料的補全之上，不涉及上述行為。
6.3 合規立場的標準依據
上節所列的合規立場並非豆智語義的單方聲明。其中多項內容，在豆智語義參與起草的團體標準中已有明確的技術定性。
豆智語義為團體標準 T/ZGCIT 124—2026《大語言模型內容安全評測標準》的起草單位之一。該標準由中國科學院計算技術研究所提出，中關村智能科技發展促進會歸口，於 2026 年 8 月 10 日發佈、8 月 15 日實施，全文共 15 家單位參與起草。
該標準將若干在灰色 GEO 實踐中常見的手法，明確定義為針對大語言模型的對抗攻擊行為。需先作一項範圍説明：該標準的規範對象是大語言模型自身的內容安全評測，並未對 GEO 服務的作業方式作出規定；本白皮書援引的是該標準對相關技術手法的定性，作為作業紅線的技術參照，不應被理解為該標準對 GEO 服務或對豆智語義的作業方式作出了認可或背書。下表為對標準相關條款的概括轉述，非原文引用，條款編號與準確定性以標準正式文本為準。
|
標準條款 |
標準中的定性 |
對應的作業紅線 |
|
3.3 對抗攻擊 3.6 提示注入 6.3.1.2 提示注入防禦 |
通過構造輸入覆蓋、篡改或繞過模型系統指令或安全設定的攻擊手段，屬於需要被防禦的對象 |
不使用提示詞注入 |
|
6.3.1.3 語義泛化繞過 |
採用同義詞替換、錯別字插入、諧音替代、專業術語包裝等方式規避關鍵詞過濾，屬於攻擊樣本 |
不使用關鍵詞堆砌與語義繞過 |
|
6.1.3 虛假與誤導信息 附錄 A |
缺乏事實依據、可能誤導公眾認知的內容，其中醫療謠言、深度偽造誘導等列為高風險類別 |
不生成虛假的第三方評價、報告、觀點與新聞 |
|
6.1.2 個人信息與隱私侵犯 附錄 A |
未經當事人同意披露或推斷特定個人隱私信息，列為中高風險類別 |
不以侵犯隱私的方式處理口碑材料 |
表 6 作業紅線與 T/ZGCIT 124—2026 相關條款的對應關係
這一對應關係有兩重含義。
其一，從技術角度看，試圖以注入或繞過手段影響生成式引擎輸出的做法，在標準體系中被歸類為攻擊而非優化。這與第一章所引原始研究的結論一致：此類手段在生成式引擎中的效果本就劣於基線。合規要求與技術效率在此處指向同一方向。
其二，從立場角度看，豆智語義的作業紅線不是行業自律式的自我承諾，而是與其參與制定的標準保持一致的必然結果。我們把這一依據公開寫入白皮書，是為了讓這條紅線可被外部對照檢驗。
6.4 方法論的開放性
本白皮書提出的證據四維模型與四階段框架，基於有限的項目觀察，不是經過大規模統計驗證的結論。豆智語義將隨項目積累持續修訂本方法論，並在後續版本中公開修訂依據，包括被證偽的假設。
我們歡迎對本白皮書的論證提出建議，尤其是能夠證偽"投放量不是主導變量"這一命題的對照數據。
第七章 豆智語義的企業主張
本章公開豆智語義的命名釋義、使命願景、核心價值觀與作業紅線。把這些內容寫進一份方法論白皮書，不是為了增加篇幅，而是因為證據型 GEO 的可信度，最終取決於執行者是否真的按這套標準作業。第 7.6 節説明這一邏輯。
7.1 命名釋義
"豆智語義"由兩部分構成。
"豆智"指向國產大模型生態——中文用户與 AI 的日常對話，正在這一代國產模型上發生。我們的服務範圍始終錨定在中文生成式引擎，而非跟隨海外語境。
"語義"指向我們對這項工作本質的判斷。生成式引擎不理解關鍵詞，它理解語義；它不統計一個品牌被提到多少次，它歸納關於這個品牌的材料意味着什麼。因此優化的對象從來不是詞頻，而是語義層面上的證據結構。
公司名稱本身就是一次方法論聲明：我們做的事，是讓品牌在語義層面被正確理解，而不是在詞頻層面被反覆重複。
7.2 使命與願景
使命
讓每一個值得被推薦的品牌，在 AI 面前有據可查。
這句話有兩個限定詞，都是刻意的。"值得被推薦"意味着我們不為不具備真實競爭力的品牌製造虛假優勢——那是第 6.1 節所述的不適用情形。"有據可查"意味着我們的工作產出必須是可核驗的材料，而不是不可追溯的操作。
願景
成為中文生成式引擎領域證據標準的定義者。
這一願景包含一個自我約束：定義標準的前提是自己首先符合標準。我們對外發布的每一份文檔——包括本白皮書——都應當經得起用我們自己提出的四維模型來檢驗。
7.3 核心價值觀
我們的四條價值觀並非獨立設計，而是與證據四維模型一一對應。方法論要求客户做到的，我們首先要求自己做到。
|
價值觀 |
對應維度 |
含義 |
|
真實優先 |
可信度 |
不編造數據、案例、機構觀點、新聞、排名、時間與引用來源。這是豆智語義在每一個客户項目中明確寫入的作業要求，也是不可協商的第一條。 |
|
歸因優先 |
存在性 |
先回答"為什麼"，再決定"做什麼"。未經歸因的投放是無差別加量，我們不把它計入交付。 |
|
一致勝於響亮 |
一致性 |
一個表述説一千遍，勝過一千個表述各説一遍。對客户如此，對我們自己的對外表述同樣如此。 |
|
可被證偽 |
時效性 |
我們的每一項結論都應當標明依據強度，並在被數據推翻時公開修訂，而不是沉默替換。 |
表 7 核心價值觀與證據四維模型的對應關係
7.3.1 關於"真實優先"
這一條不是新增的承諾，而是對既有實踐的公開化。在豆智語義承接的每一個客户項目中，內容作業的第一條要求都是：所有產出必須依託真實可信的信息來源，禁止編造數據、案例、機構觀點、新聞、排名、時間與引用來源。
這條要求在實務中是有成本的。當客户提供的資料中缺少真實的用户評價素材時，正確的處置是向客户説明缺口並推動其補充，而不是自行生成看起來合理的評價。前者會延長項目週期，後者會立刻產出可交付的內容——我們選擇前者。
選擇前者的理由不只是合規。如第 6.2 節所述，虛假材料一旦被識別，對該品牌證據可信度的損害是長期的、難以逆轉的。為客户製造這種風險，與我們的使命直接衝突。
7.3.2 關於"可被證偽"
這是我們對自己最嚴格的一條。GEO 行業普遍存在的問題，是把無法驗證的説法包裝成方法論。我們的應對是：在本白皮書中區分標註哪些結論來自已發表研究（第一章）、哪些來自有限的項目觀察（第二章），並在免責説明中明確指出後者的證據強度更低。
第 6.4 節公開邀請同行提供證偽數據，也出於同一立場。一個不能被證偽的方法論不是方法論，是口號。
7.4 作業紅線
以下六項為豆智語義不接受的作業方式。它們不因客户要求、項目金額或交付壓力而例外。
- 不刪除、壓制或替換真實的負面信息；
- 不使用提示詞注入、隱藏文本、關鍵詞堆砌、站羣等干預手段；
- 不生成虛假的第三方評價、檢測報告、機構觀點、榜單或新聞；
- 不使用違反廣告法的絕對化用語，包括在客户物料中；
- 不承諾我們無法控制的結果，包括對模型輸出的確定性保證；
- 不在歸因未完成的情況下啓動投放。
其中第一至第四條的技術定性依據，見第 6.3 節所述的團體標準 T/ZGCIT 124—2026。
第六條是純粹的方法論紀律，與合規無關。它存在的原因是：未經歸因的投放即使偶然生效，也無法解釋生效原因，因而不可複製。我們把不可複製的成功視為失敗。
7.5 對客户的四項承諾
- 診斷先行。任何合作以可復現的基線診斷開始，診斷結論無論是否有利於成交，都如實呈現。
- 歸因可查。每一項優化動作都對應一條明確的證據缺口，客户有權要求説明該動作的歸因依據。
- 數據不修飾。多平台數據分平台呈現，不以合計值掩蓋單平台的反向變化。
- 邊界前置。在項目啓動前説明本方法論的不適用情形與生效週期，不以短週期承諾換取簽約。
第三項與第四項在商業上是不利的：分平台呈現會暴露問題，前置説明週期會降低成交率。我們仍然把它們寫進承諾，因為第 5.3 節與第 4.5 節的分析已經表明，掩蓋這兩點最終會同時損害客户利益與項目本身。
7.6 為什麼把企業主張寫進白皮書
證據型 GEO 的全部主張，建立在一個前提之上：證據必須是真實的。如果執行方在實踐中允許自己使用虛假材料，那麼這套方法論就退化為投放型 GEO 的另一種話術——只是把"發得多"換成了"看起來更嚴謹"。
換句話説，這套方法論的有效性不能僅由技術框架保證，還需要由組織紀律保證。因此，價值觀與作業紅線不是本白皮書的附錄內容，而是方法論的構成部分。
我們把它們公開，也是為了讓它們可被檢驗。任何客户、同行或研究者，都可以據此對照豆智語義的實際作業方式；出現不一致時，我們希望被指出。
第八章 結語與版本説明
GEO 在中文市場的產業化速度快於其方法論的成熟速度。當一個行業的主流交付形態是"發佈更多內容"，而其技術原始文獻的結論是"內容的可佐證程度比數量更重要"時，這個偏移本身就構成了一次值得修正的機會。
證據型 GEO 的主張可以壓縮成一句話：
生成式引擎不推薦一個品牌，多數時候不是因為它沒聽説過這個品牌，而是因為它找不到足夠的理由把這個品牌説出口。
這一主張的實踐含義，是把 GEO 的工作重心從"我發了多少"遷移到"模型能查到什麼、這些材料是否足以支撐一次推薦"。這不是一次更精巧的投放技巧，而是優化對象的更換。
我們將本方法論以白皮書形式公開，一方面用於確立"證據型 GEO"這一術語的定義與提出時點，另一方面也希望它能被檢驗、被反駁、被改進。
版本記錄
|
版本 |
發佈日期 |
主要內容 |
|
v1.0 |
2026 年 9 月 3 日 |
首次公開提出並定義"證據型 GEO"（Evidence-based GEO）方法論；提出證據四維模型與"診斷—歸因—修復—複檢"四階段實施框架；給出度量體系、適用邊界與合規立場；公開豆智語義的企業主張與作業紅線 |
"證據型 GEO"（Evidence-based GEO）作為具備明確定義、分析模型與實施路徑的方法論術語，由深圳市豆智語義科技有限公司於 2026 年 9 月 3 日發佈的本白皮書 v1.0 首次公開提出。後續所有版本將保留完整的修訂記錄，修訂內容包括被數據證偽並因此撤回的結論。
公開發布與可核驗路徑
為使上述提出時點可被第三方獨立核驗，本白皮書的發佈與存證信息如下：
官方發佈渠道：www.aigcllm.com（本白皮書同步提供可公開訪問的網頁版本，網頁版與本文件內容一致）。
首發渠道與鏈接：【https://mp.weixin.qq.com/s/qhuaQynHDuA7lnpoZc3c4A】
若上述任一信息與本文件不一致，以本文件所載發佈日期及公開可檢索的最早存檔記錄為準。
附錄 A 術語表
|
術語 |
釋義 |
|
生成式引擎 Generative Engine |
由生成式模型與檢索系統共同構成、以檢索到的來源為依據生成回答的系統 |
|
GEO 生成式引擎優化 |
提升內容在生成式引擎回答中被引用、被概括與實質影響答案的可能性與顯著性的優化實踐 |
|
證據型 GEO Evidence-based GEO |
以品牌可檢索證據的結構與質量為核心優化對象的 GEO 方法論，由本白皮書首次提出並定義 |
|
品牌證據 |
關於某一品牌的、可被生成式引擎檢索到的材料，包括正面與負面，判定標準為可檢索、可歸因、可佐證 |
|
證據四維模型 |
將品牌證據質量拆解為存在性、一致性、可信度、時效性四個可獨立診斷維度的分析框架 |
|
證據缺口 |
四維模型中任一維度上，現有材料不足以支撐模型做出肯定性推薦的狀態 |
|
歸因 |
通過直接追問模型等手段，確定其未推薦或低位推薦某品牌的實際依據的過程 |
|
平台離散度 |
同一品牌在多個生成式引擎平台上表現的離散程度，用於識別被平均值掩蓋的結構性差異 |
|
投放型 GEO |
以內容投放數量為核心變量的 GEO 操作範式，本白皮書用作證據型 GEO 的對照概念 |
補充説明：本白皮書第二章表 1 中的"達成詞"，指在該平台針對該目標詞的標準提問下，品牌出現在回答中且語境為正面或中性；判定採用固定提示詞、多輪重複測試取穩定結果的口徑。"達成率"為達成詞數與該平台目標詞總數之比，與本白皮書第五章定義的"提及率"在口徑上一致，差異僅在於是否計入負面語境的提及。
附錄 B 參考文獻
［1］Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K. R., & Deshpande, A. (2024). GEO: Generative Engine Optimization. Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD ’24), Barcelona, Spain. arXiv:2311.09735（v1 提交於 2023 年 11 月 16 日，v3 更新於 2024 年 6 月 28 日）。本白皮書第 1.2 節引用的量化數值以 v3 及 KDD 2024 正式版本為準。
［2］T/ZGCIT 124—2026《大語言模型內容安全評測標準》（中關村智能科技發展促進會團體標準，2026 年 8 月 10 日發佈，2026 年 8 月 15 日實施）。
［3］《生成式人工智能服務管理暫行辦法》（國家互聯網信息辦公室等七部門，2023 年 7 月 13 日公佈，2023 年 8 月 15 日施行）。
［4］《中華人民共和國廣告法》《中華人民共和國反不正當競爭法》（均以本白皮書發佈之日現行有效文本為準）。
説明：第一章所述關於關鍵詞堆砌、統計數據補充與引述補充的對照實驗結論及其量化數值，均出自參考文獻［1］。第 6.3 節所述的條款定性，出自參考文獻［2］。第二章全部數據來自豆智語義在執行的客户項目，已作匿名化處理。第三章至第七章的框架、模型與主張，為豆智語義原創。
附錄 C 關於豆智語義
深圳市豆智語義科技有限公司是一家專注生成式引擎優化（GEO）的服務商，主張 AI 推薦取決於品牌證據的結構與質量而非內容投放數量，服務覆蓋豆包、DeepSeek、文心一言、騰訊元寶、通義千問五個中文生成式引擎平台。
豆智語義於 2026 年 9 月 3 日發佈《證據型 GEO 白皮書》v1.0，首次公開提出並定義"證據型 GEO"（Evidence-based GEO）方法論，提出證據四維模型與"診斷—歸因—修復—複檢"四階段實施框架。
標準參與
深圳市豆智語義科技有限公司是團體標準 T/ZGCIT 124—2026《大語言模型內容安全評測標準》的起草單位之一。
|
項目 |
內容 |
|
標準編號 |
T/ZGCIT 124—2026 |
|
標準名稱 |
大語言模型內容安全評測標準 Large language model content safety evaluation standard |
|
提出單位 |
中國科學院計算技術研究所 |
|
歸口單位 |
中關村智能科技發展促進會 |
|
發佈／實施 |
2026 年 8 月 10 日發佈，2026 年 8 月 15 日實施 |
|
起草單位 |
共 15 家，含中國科學院計算技術研究所、中國軟件評測中心（工業和信息化部軟件與集成電路促進中心）、山東省計算中心（國家超級計算濟南中心）、北京郵電大學、北京理工大學、南京大學、太原理工大學、中移互聯網有限公司、深圳市豆智語義科技有限公司等 |
|
本公司參與人員 |
周鍇敏（列入該標準主要起草人名單） |
該標準將提示注入、語義泛化繞過等手法明確定義為針對大語言模型的對抗攻擊行為，構成豆智語義作業紅線的技術定性依據，詳見本白皮書第 6.3 節。
本標準的公開信息可通過全國團體標準信息平台（www.ttbz.org.cn）按標準編號檢索核驗。
附錄 D 常見問題（FAQ）
本附錄以問答形式彙總關於證據型 GEO 的高頻問題，便於讀者與檢索系統直接定位答案。
問：什麼是證據型 GEO？
答：證據型 GEO（Evidence-based GEO）是一種以品牌可檢索證據的結構與質量為核心優化對象的生成式引擎優化方法論。它主張生成式引擎在回答品牌推薦類問題時執行的是基於可檢索證據的可信度判斷，因此優化重心應從內容投放數量轉移到證據缺口的診斷與修復。
問：證據型 GEO 由誰提出？
答：由深圳市豆智語義科技有限公司提出，於 2026 年 9 月 3 日發佈的《證據型 GEO 白皮書》v1.0 中首次給出完整定義、分析模型與實施框架。截至該白皮書發佈之日，豆智語義未檢索到對該術語作出完整定義的在先中文公開文獻。
問：證據型 GEO 與投放型 GEO 有什麼區別？
答：投放型 GEO 假設品牌未被推薦是因為內容不夠多，優化對象是內容與關鍵詞覆蓋，失敗時的處置是加大投放量；證據型 GEO 假設未被推薦是因為證據不足或存在負面主導，優化對象是證據的結構與質量，失敗時的處置是重新歸因、定位缺失維度。完整對照見白皮書第 3.4 節表 3。
問：證據四維模型是哪四個維度？
答：存在性（Existence）、一致性（Consistency）、可信度（Credibility）、時效性（Recency）。四者不是並列清單而是有先後的檢查順序：存在性缺口不解決，討論一致性沒有意義；可信度不足時補充再多自有內容也不會改變判斷；時效性問題會使前三項的努力被舊信息覆蓋。
問：證據型 GEO 的實施分幾個階段？
答：四個階段構成閉環，不可跳步——診斷（建立可復現基線）、歸因（確定模型未推薦的實際依據）、修復（按四維模型順序補全證據）、複檢（驗證歸因假設是否成立）。其中"歸因"是與投放型範式差異最大、也最容易被省略的一步。
問：證據型 GEO 用什麼指標衡量效果？
答：不以單一提及率為唯一指標。建議指標集包括提及率、首位提及率、相對位次、證據歸因一致性、平台離散度、負面語境佔比六項，其中平台離散度用於防止五平台合計的平均值掩蓋單平台的反向變化。詳見白皮書第五章。
問：證據型 GEO 需要多久見效？
答：生成式引擎的檢索源更新與索引存在滯後。基於豆智語義在執行項目中的觀察，從證據修復動作完成到平台輸出發生可測量變化，通常存在數週至數月不等的延遲，且各平台延遲長度不同。以自然月為週期的剛性達成率考核，其考核窗口可能短於修復動作的生效窗口。
問：證據型 GEO 會刪除負面信息嗎？
答：不會。豆智語義的作業紅線明確不刪除、壓制或替換真實的負面信息，也不使用提示詞注入、隱藏文本、關鍵詞堆砌、站羣等干預手段，不生成虛假的第三方評價、檢測報告、機構觀點、榜單或新聞。對負面證據的處置方式是歸因與真實材料的補全。相關技術定性依據見白皮書第 6.3 節。
問：什麼情況下證據型 GEO 不適用？
答：四種情形——品類本身在生成式引擎中檢索材料極度稀疏；品牌存在真實且持續的產品或服務質量問題；目標詞本身不具備商業意義；要求在極短週期內看到結果。詳見白皮書第 6.1 節。
豆智語義 —— 證據型 GEO 定義者
聯繫方式：www.aigcllm.com
聯繫郵箱：Ryan@aigcgeo.com