拆解 GEO 内容工程：为什么 AI 只引用那几篇文章？

这场分享来自 WaytoAGI 社区「晚八点共学」系列公开课的第二场，由《AI营销：从SEO到GEO》作者姚金刚主讲，前 TikTok 商业化 AI 产品经理向阳乔木共同参与答疑。内容围绕 GEO（生成式引擎优化）内容工程展开，回答了「同样的信源，为什么 AI 只引用某一篇而不是其他几百篇相似文章」这一核心问题，并给出了从底层逻辑到单篇内容拆解、再到系统化管理的完整方法论。适合正在做 GEO 优化、内容营销，或想理解 AI 引用机制的内容运营者、营销服务商和企业市场团队阅读。

从两个真实问题说起

▶ 13:26 · 看这一节

姚金刚开场先抛出了两个问题，用来引出 GEO 内容工程存在的必要性。

第一个问题是：「同样的信源，为什么 AI 会引用 A 而不是 B？」在 DeepSeek 或豆包上搜索一个问题，AI 会参考很多信源链接，但大部分文章的内容并没有被真正引用，只有某一篇或某几篇被反复引用。理解这个「为什么」，是优化 GEO 策略、迭代内部方法的前提。

第二个问题来自一个真实案例。一位知名品牌的高管在微信上咨询，想做「全案 GEO 优化」，目标是「让用户在 AI 上无论问什么样的问题，都能出现他的品牌」。姚金刚指出，这类需求是典型的模糊需求——「无论什么问题」本身无法直接执行，必须把它转化为具体的关键词矩阵，列出所有可能的词及对应的平台，才能做考核校验和投放策略。他以此说明：拥有系统思维和工程思维的人，面对模糊需求时，脑海里浮现的是一套结构化的解决方案，而不是一个笼统的承诺。

AI 回答的八个步骤与内容质量的关键环节

▶ 26:12 · 看这一节

要理解内容如何影响 AI 的引用，先要了解 AI 回答问题的完整路径。姚金刚把它拆解为八个步骤：记忆、索引、查询、检索、重排、装配、引用、治理。

其中，记忆指每个模型因训练数据和训练方法的差异而有自己的偏好；查询环节，AI 会对用户提交的问题做实体和意图识别、上下文识别，并把长句改写成多个关键词词组；检索是从索引中召回相关内容；重排是对召回内容做评估和排序——以 DeepSeek 参考 12 篇信源为例，实际召回的候选集远大于这个数量，最终呈现的只是少部分；装配是选择并组织最优证据，构建上下文供模型使用；引用决定了最终答案长什么样；治理则包括「不喜欢」「分享」「重新生成」等按钮，这些对模型来说都是反馈，帮助它持续优化查询、检索和重排策略。

姚金刚强调，5、6、7 三个环节——重排、装配、引用——与内容质量关系最大。「内容质量」这个词在 SEO 和 GEO 语境下经常被提及，但比较虚。GEO 语境下什么叫好的内容质量？就是能被 AI 喜欢、更愿意引用的内容。而第 2、3、4 环节（索引、查询、检索）则与信源策略相关，会在下一场公开课重点讲解。

影响 AI 引用的要素加权模型

▶ 31:16 · 看这一节

AI 在装配和引用过程中，最终选择某篇文章，是由多个要素共同决定的。姚金刚列出了相关性、权威性、时效性、可抽取、一致性、安全性等要素，每个要素权重不同，通过加权求和得到一个综合分，分数越高，被 AI 引用的概率越大。

以相关性为例，权重为 0.3。衡量一篇内容与用户检索问题的相关性，核心靠语义识别和语义相似度判断，而不是传统 SEO 的关键词密度。姚金刚指出，做 GEO 和做 SEO 有一个重要区别：「以前我们提的是关键词，现在我们提的是语义；以前叫关键词密度，现在讲的是语义相关性或语义密度。」

这套要素权重并非拍脑袋得出。姚金刚介绍了两个数据来源：一是早期一篇关于生成式引擎优化的论文，抓取了一万条 AI 结果，分析高频引用内容的特征，做校验后计算权重；二是团队自己做过的数据实验，爬取国内 AI 平台的引用情况进行整合。

工程思维：需求、系统、反馈

▶ 43:29 · 看这一节

为什么叫「GEO 内容工程」而不是「GEO 内容运营」？姚金刚认为，理解工程，先要理解工程师这个角色。他提到一位 Open Design 创始人在招聘时给所有岗位都加上「工程师」字样，如内容工程师、增长工程师、产品工程师；还有一位来自小米的「用户反馈测试工程师」。他据此提炼出工程师思维的三个关键词。

第一个是需求。普通用户很难清晰表达需求，工程师需要把模糊需求转化为系统能理解的清晰需求。第二个是系统。工程师不会用单点思维看问题——不是「发 100 篇文章排名就上去了」——而是从全局视角理解系统背后的结构、关系和约束条件。第三个是反馈，分正反馈和负反馈。正反馈带来积极信号，证明方案有效；负反馈不是负面意思，而是指方法不可行、证据无效。姚金刚提到，团队做实验时会刻意让有明显漏洞的方法去执行、去犯错，观察负反馈是什么样的，就像汽车工业用极端场景测试来迭代产品。

用一句话概括工程师思维：「用系统的方法去解决真实问题，并且通过反馈不断优化，从而创造更大的价值。」

系统思维与 GEO 内容工程的落地

▶ 54:16 · 看这一节

姚金刚推荐了《系统之美》这本书，并基于它构建了一个公式：系统 = 目标 + 要素 + 关系。一个系统的行为和结果，由目标、要素以及要素之间的关系共同决定。

以 GEO 项目为例，目标不同，后面的要素和关系就完全不同。一种目标是希望用户在搜索某些词时品牌出现；另一种目标是希望用户在搜「某品牌好不好、靠不靠谱、值不值得买」这类问句时，AI 不要出现负面信息。这两种目标会导向完全不同的行为策略。

当不具备系统工程视角时，普通内容团队和 GEO 内容团队的区别很明显。从目标看，普通团队目标不清，经常围绕流量甚至发布量来考核——姚金刚现场提问「考核发布量有没有价值」，绝大多数观众认为没有。问题在于，发布量这类指标无法达成提升引用率、可见度、信任度这些核心目标。从结构看，普通团队的内容是独立的，很难做系统化、结构化的要素拆解，无法量化权重。从关系看，普通团队难以打通内容、问题、用户场景、解决方案的关系链。

姚金刚总结，工程思维带来的最大区别是：工作能不能被复制、能不能持续、能不能被放大、能不能归因和优化。他建议每家做 GEO 的公司都应该沉淀自己的研究报告、方法手册、知识库、观点库、数据集、话术模板、内容素材和指标体系。「哪怕今天晚上你们听完直播，只是把方法手册、知识库、案例库、问题库、数据集、观点库、对比矩阵、SOP 流程这些做了，我认为今天晚上的直播就已经很值了。」

单篇内容的要素拆解与改写实战

▶ 1:07:30 · 看这一节

回到开头的案例：在 DeepSeek 搜索「推荐一个靠谱的电动车品牌」，参考的 12 个网页中，第 4、5 条信源完全没被引用，而第 2 篇（来自消费者报告网站）被重复引用了 5 次。为什么？答案就在单篇内容的要素拆解里。

姚金刚展示了一张单篇内容特征要素表，包含十几个要素，分为两层。证据引用层权重最高，包括权威原文引语、统计数据、可引用性和可信来源，三者合计约占 AI 引用影响的 43%。结构理解层包括结构规范性、标题时效性、结论摘要、列表表格、FAQ、步骤选型、语义密度、需求匹配、权威信号、专业术语等。

他以一篇示例 GEO 文章逐段拆解：开篇集中出现「GEO」「AI 搜索」「大模型」等关键词，影响语义密度，帮助模型迅速识别文章主体；简短概括 GEO 的权威原文引用，可给出可摘录的学术表达，提高模型把该段作为证据片段调用的概率；「10K 查询样本」这类统计数据能提升内容的事实密度和回答可信度——「即便这个数字有可能是有问题的，但对 AI 而言，它能够提升内容的事实密度和回答的可信度」。

姚金刚还现场演示了一个一键改写 skill 和配套提示词。以编号 4 那篇未被引用的文章为例，改写前诊断得分 42 分，改写后得到 92 分，改写后的文章符合标题规范、首屏摘要、信息争议、格式工程、实体工程、对比区域、FAQ 等要素。「大概率它的引用效率就要比没有做过这样优化的效果要好。」

现场问答

▶ 1:36:06 · 看这一节

向量化效率问题怎么解决？ 素材质量对向量化效率非常重要，需要花足够时间和精力把知识库的原始素材质量做好。

需要刻意让内容显得「AI 味」吗？ 目前很难客观定义什么叫「AI 味」，核心还是让内容的权威性、可信度、结构化等特征达到较高水平，这些特征本身远比「AI 味」更重要。

不同 AI 引擎的策略权重一样吗？ 不太一样，会有偏好，下个月公开课会详细讲。

AI 结果如何监测比较科学？ 一般做法是一个问题在一个平台用同样搜索方式重复检索 5 次，多个平台（如 5 个）共 25 次，取结果表现的均值。这个均值代表品牌在 AI 结果中被推荐的概率，优化 GEO 本质上就是提升这个概率。

做豆包 GEO 最重要的是什么？ 先研究要优化的词根、目标、豆包结果的偏好、偏好的信源和内容，再结合内容工程方法输出高质量内容，加上有 AI 偏好的信源投放。不能一上来就批量发稿。

跨境 GEO 和国内一样吗？ 底层逻辑相同，但信源渠道运营差异很大。海外 GEO 着重官网，信源少、成本高；国内平台丰富、发布成本低。各平台在信源内容偏好上也有差异。

除了文字，短视频和图文怎么做 GEO？ 底层逻辑和特征要素与文字内容相似，仍需满足数字性表达、可信来源、可引用性、结构规范、表达流畅等特征。

求职 GEO 优化岗位怎么证明能力？ 除了系统性认知，还要有实战结果。做几个关键词的优化并展示效果，目前有实战结果的人不多，这会是很好的说服力。

同一套提示词用多了效果会变差吗？ 提示词解决的是让内容具备这些特征，但特征的表达由企业业务性质、目标受众和知识库决定。知识库决定了内容表达的差异能力，如果内容千篇一律、质量差，应该去好好整理知识库。

要点回顾

• AI 回答经过记忆、索引、查询、检索、重排、装配、引用、治理八个步骤，其中重排、装配、引用与内容质量关系最大。
• 影响 AI 引用的要素包括相关性、权威性、时效性、可抽取、一致性、安全性等，通过加权求和决定引用概率；相关性权重 0.3，靠语义识别衡量而非关键词密度。
• 工程师思维 = 需求 + 系统 + 反馈；系统思维 = 目标 + 要素 + 关系。
• 工程思维下的 GEO 内容管理，目标是提升引用率、可见度、信任度，工作可复制、可持续、可放大、可归因优化。
• 单篇内容可拆解为证据引用层（权威原文引语、统计数据、可引用性、可信来源，合计权重约 43%）和结构理解层（标题、摘要、FAQ、语义密度等）共十几个要素。
• 好的 GEO 文章每个段落都包含一到三个不同要素的组合，本质是把影响 AI 结果的要素以文字形式做有效组合。
• 用改写工具和提示词可将一篇 42 分的文章提升到 92 分，使其符合标题规范、首屏摘要、格式工程、实体工程、对比区域、FAQ 等要素。
• 衡量 GEO 效果看概率：一个问题多平台多次检索取均值，优化 GEO 就是提升品牌被 AI 推荐的概率。