AI 不点击你的网站:GEO 三层模型+监测管道全拆解

上周我打开 ChatGPT、Claude、Perplexity，分别问同一个问题——”推荐一款适合程序员的机械键盘”。三家 AI 的品牌推荐重合度不到四成；我常年关注的一个国产品牌，三次里一次都没出现过——但它的 Google 排名没掉、SEO 团队还在按月交关键词报告。

如果你手上也有一个正在”卖东西”或”打品牌”的网站，我建议你今天就去做一次同样的测试。因为你的 SEO 资产很可能已经在一个你看不见的渠道里悄悄贬值，而这条渠道没有 Google Analytics、没有 Search Console，甚至没有官方仪表盘。

一句话核心判断：搜索引擎时代品牌靠”被搜到”吃饭，生成引擎时代品牌靠”被 AI 记住并复述”吃饭——这是一场比”手机替代 PC”更彻底的入口迁移。

这篇想给你讲清楚三件事：

1. 1. AI 到底怎么”决定”推荐哪个品牌（三层模型）
2. 2. 为什么 SEO 的那套抓手在 GEO 上大部分失效（机制层差异）
3. 3. 怎么自己动手搭一条 GEO 监测管道（伪代码 + 思路）

工程师视角，不讲营销话术，只讲代码层面能看见的东西。

一、SEO 为什么会”静默”贬值——链路断在哪一步

先把旧链路和新链路摆在一起看：

[旧链路 · SEO 时代]  用户提问 ──► 搜索引擎 ──► SERP 排名列表 ──► 点击进站 ──► 品牌页面 ──► 转化                              ▲                          ▲                              │                          │                        关键词 + 外链                品牌的主战场[新链路 · GEO 时代]  用户提问 ──► 生成引擎（ChatGPT / Claude / Perplexity / AI Overviews）                              │                              ├──► 直接给出答案（含 / 不含品牌推荐）                              │                              └──► 可能附带几条外链（大多数用户不点）                                            ▲                                            │                                   品牌只剩这一瞬间的"出现权"

差异的工程含义是：旧链路里”被搜到”和”进站”是两个动作，SEO 只要搞定第一个；新链路里这两个动作被压缩成一个”是否被复述”——用户拿到答案就走了，你的落地页不再是战场，AI 输出的那几个 token 才是。

这就是”静默贬值”的机制：

• • 你的关键词排名没掉（Google 那边数据还在）
• • 你的落地页没变（PV 报表月环比可能只掉了几个点）
• • 但你在 AI 答案里的出现频次在掉，而这部分用户根本不会进入你的 Google Analytics

换句话说，你在一个自己没有埋点、也拿不到日志的新渠道里，份额正在被悄悄重新分配。

二、AI 怎么”决定”推荐哪个品牌——三层模型

这是全文最核心的一张图。理解这三层，你才知道”做 GEO”到底该动哪里：

                   用户 prompt（"推荐一款适合程序员的机械键盘"）                                    │                                    ▼      ┌─────────────────────────────────────────────────────────┐      │  第一层：预训练语料中的"品牌先验"                          │      │   · Common Crawl 网页快照                                │      │   · Wikipedia / 百科类结构化条目                          │      │   · 高质量媒体报道、技术社区讨论（HN、Reddit、知乎）      │      │   · 学术论文、行业白皮书                                  │      │                                                          │      │   → 决定"模型知不知道这个品牌、把它和什么语境绑定"         │      └─────────────────────────────────────────────────────────┘                                    │                                    ▼      ┌─────────────────────────────────────────────────────────┐      │  第二层：RAG 实时检索（推理时增强）                        │      │   · 联网检索（Perplexity、Bing / Google Grounding）       │      │   · 官网是否可爬、是否有结构化数据                        │      │   · 最近的评测、价格、规格、社区情绪                      │      │                                                          │      │   → 决定"模型在当下这次回答里，能不能补到新鲜、可引用的事实" │      └─────────────────────────────────────────────────────────┘                                    │                                    ▼      ┌─────────────────────────────────────────────────────────┐      │  第三层：生成偏好（上下文 + 解码采样）                    │      │   · 系统提示词对"推荐几个、从哪些源取"的约束              │      │   · 品牌名在同类语境下的共现强度                          │      │   · 解码策略（temperature、top-p）带来的随机性             │      │                                                          │      │   → 决定"这一次回答里，到底把哪几个品牌写出来"             │      └─────────────────────────────────────────────────────────┘                                    │                                    ▼                        最终输出中出现的那几个品牌名

这三层合起来才是”AI 推不推荐你”。对应到工程动作：

一个工程师的直觉应该立刻反应过来：第二层是最容易上手、见效最快的战场——它几乎就是”给 AI 看的前端工程”。

节奏变化点 · 一句暴论：SEO 是做给爬虫看的，GEO 是做给一个会读、会推理、会复述，但就是不会点击的新物种看的——你的落地页从”终点”，变成了”它引用的一段素材”。

三、为什么 SEO 的那套抓手在 GEO 上大部分失效

这张对比表能让你一眼看出工程动作要怎么换：

我的判断是：SEO 里”外部链接”这一块会最快贬值，”结构化数据”这一块会最快升值——因为前者是给 Google 排名算法的，后者是给”任何想读懂你网页的机器”的，包括 AI 爬虫。

顺便说一个最近被反复讨论的新约定：llms.txt。它的思路和 robots.txt 类似，放在网站根目录，告诉 LLM 爬虫哪些内容是”给模型读的精简摘要”。目前不是强制标准，各家支持度参差，但方向是对的——网站第一次需要为”非人类读者”单独排版。

四、GEO 工程抓手——四件可立刻上手的事

下面四件事，我按”实施成本 / 见效速度”排了序，最上面的两件几乎是无脑动作。

抓手 1：把关键信息从”散文”改写成”可引用事实块”

AI 在生成时，更倾向复述结构清晰、可溯源的信息。对比：

❌ 散文式（AI 不爱复述）："作为业界领先的机械键盘品牌，我们致力于为追求极致体验的程序员用户提供卓越的产品解决方案……"✅ 事实块式（AI 更愿意引用）：K500 型号，2024 发布。轴体：Cherry MX Blue，60g 压力，1 亿次寿命。对比：相比同价位产品，击键声更低。适用场景：办公、编程，不推荐电竞。

右边这种写法在人的眼里可能”没那么营销”，但在token 层面信息密度更高、在向量空间里更容易被相似问题召回。

一句话：散文是写给人看的，事实块是写给模型召回的。 这不是玄学，是 embedding 的基本机制。

抓手 2：给所有关键页加上 Schema.org / JSON-LD

结构化数据本来是给 Google Rich Results 准备的，但现在它的二次红利是 AI 爬虫可以直接解析。

<!-- 产品页模板（伪示例，字段精简） --><scripttype="application/ld+json">{"@context": "https://schema.org","@type": "Product","name": "K500 机械键盘","brand": { "@type": "Brand", "name": "你的品牌" },"description": "面向程序员的客制化机械键盘","offers": { "@type": "Offer", "price": "899", "priceCurrency": "CNY" },"aggregateRating": { "@type": "AggregateRating","ratingValue": "4.6", "reviewCount": "1280" }}</script>

工程上几乎零成本，收益是：当 AI 实时检索（第二层）抓到你这个页面时，它不用猜，能直接填进回答里。

抓手 3：在”AI 会去的语料源”里建立存在感

这句话的工程翻译是：别只在自己的官网发内容。把同一条可引用事实以不同形态，发到多个会被爬取、会被训练下一代模型看到的地方——权威媒体、行业百科、技术社区的真实讨论、开源项目的 README。

这一步传统 PR 团队会做，但他们做的是”品牌曝光”，你要做的是”事实沉淀“——让同一个事实在不同源被表达多次，增加它在下一轮预训练中被吸收的概率。

抓手 4：llms.txt / robots.txt 的新分工

现状（大方向，不是硬标准）：

这里我不展开”允不允许 AI 抓”的伦理讨论——那是产品决策问题。工程上你只要知道：这个开关现在在你手里。

五、实战：自己动手搭一条 GEO 监测管道（伪代码）

SEO 有 Google Search Console，GEO 没有官方仪表盘。但监测这件事的核心逻辑很简单：把主流 AI 当成黑盒，定期喂它一批问题，看它回答里你品牌的出现情况。

下面是一条最小可用管道的思路（所有代码都是伪代码级别的示意，重点看架构）：

5.1 管道拓扑

┌──────────────┐   ┌────────────────┐   ┌──────────────┐   ┌─────────────┐│ 问题清单库   │──►│ 并发查询各 AI   │──►│ 回答解析       │──►│ 指标入库     ││ (prompts.yml)│   │ (OpenAI/Claude/ │   │ (提取品牌/竞对/ │   │ (时序 + 对比) ││              │   │  Perplexity...) │   │  情感/引用链) │   │              │└──────────────┘   └────────────────┘   └──────────────┘   └─────────────┘                                                                  │                                                                  ▼                                                        ┌─────────────────┐                                                        │ Dashboard /告警  │                                                        │ (份额、情感、竞对)│                                                        └─────────────────┘

5.2 问题清单的设计（最容易被忽视的一步）

好清单决定一切。至少覆盖三类 prompt：

# prompts.ymlcategories:-name:类目推荐型# "推荐一款 X"samples:-"推荐一款适合程序员的机械键盘"-"2026 年值得买的降噪耳机有哪些"-name:品牌对比型# "A 和 B 哪个好"samples:-"你的品牌 vs 竞品 A，在办公场景下哪个更合适"-name:问题解决型# "我想 X，该买什么"samples:-"我做长时间编码，手腕容易累，有什么键盘推荐"

经验值：一个细分品类至少 30 条 prompt，每周跑一次，才能看出有意义的波动。

5.3 并发查询（伪代码）

# 伪代码：ai_probe.pyfrom concurrent.futures import ThreadPoolExecutorENGINES = [    ("openai",      call_openai_chat),    ("anthropic",   call_claude),    ("perplexity",  call_perplexity),# 视需要加 Gemini / Kimi / 豆包 / 文心 ...]defprobe_one(prompt: str) -> list[dict]:    results = []with ThreadPoolExecutor(max_workers=len(ENGINES)) as pool:        futures = {pool.submit(fn, prompt): name for name, fn in ENGINES}for fut in futures:            name = futures[fut]try:                answer = fut.result(timeout=30)                results.append({"engine": name, "prompt": prompt, "answer": answer})except Exception as e:                results.append({"engine": name, "prompt": prompt, "error": str(e)})return results

要点：

• • 多引擎并发：不同 AI 的分布差异很大，单看一家会骗自己
• • 带 timeout：AI 接口抽风是常态，监测管道必须能降级
• • 跑多次取均值：第三层”解码随机性”会让同一 prompt 不同次回答不一样，单次结果不能当证据，建议每 prompt × 每引擎 × 3~5 次

5.4 解析：从自然语言里抽出”品牌事件”

这步的目标是把一段 AI 回答，变成一行结构化记录。最稳的做法是再让一个 LLM 来做抽取——别自己写正则。

# 伪代码：extractor.pyEXTRACT_PROMPT = """你是品牌分析助手。从下面这段文本里抽取：1. 被提到的品牌列表（brand）2. 每个品牌被提到的位置（first / middle / last）3. 对每个品牌的情感倾向（positive / neutral / negative）4. 是否附带了可点击的引用链接（cited_url）只输出 JSON，schema：{ "mentions": [{ "brand": str, "position": str,                 "sentiment": str, "cited_url": str | null }] }文本：<<<{answer}>>>"""defextract(answer: str) -> dict:    raw = call_cheap_llm(EXTRACT_PROMPT.format(answer=answer))return safe_json_loads(raw)  # 做好解析失败兜底

几个工程细节：

• • 抽取模型用便宜档（小模型足够），监测管道跑得勤，贵模型撑不住
• • 做好 JSON 解析失败的兜底：不稳定是 LLM 常态，解析失败就落原文到”待人工复核”队列
• • 品牌名归一化："苹果" / "Apple" / "苹果公司" 要映射到同一个 brand_id

5.5 入库与指标

最小指标集：

每周拉一次趋势图，你就有了一份 SEO 团队从来没见过的新仪表盘。这东西自己造比买第三方工具便宜得多，而且数据自己可控。

5.6 从监测反哺生产（闭环）

监测的真正价值不在看，在改。最简单的闭环：

发现："我品牌在'长时间编码舒适度'相关 prompt 里几乎不出现"          │          ▼假设：预训练语料里这个特征和我的品牌没有强共现          │          ▼动作：在官网、测评合作、社区讨论里，系统性地把     "长时间编码" "手腕舒适" "久坐友好" 和品牌名绑定输出          │          ▼2-4 周后回测：提及率是否上升

这就是 GEO 最容易被忽视、但最值钱的一步——你不是在”刷存在感”，你是在给下一代模型的训练数据埋点。

六、GEO 的不确定性——我不想给你讲成确定性趋势

工程师视角看 GEO，有几个坑必须先说清楚：

• • 第三层的随机性：同一 prompt 同一模型，两次回答的品牌列表可能完全不一样。监测要靠多次均值，不要被单次结果吓到或激动
• • 训练数据更新慢：主流基础模型的知识 cut-off 通常滞后数月到一年以上，你今天做的”第一层”动作，可能下一代模型才吃得到
• • 各家权重差异大：ChatGPT、Claude、Perplexity、AI Overviews 的检索机制都不一样，不要迷信单一引擎的提及率
• • 平台反向博弈：搜索引擎厂商也在做自家的 AI 答案（AI Overviews、SGE），SEO 的衰减曲线不会是一条光滑的直线，可能会有反弹
• • 行业受冲击速度不一样：信息查询类和产品对比类先受冲击，交易闭环类（支付、机票、挂号）和强监管类（医疗、法律）有更长窗口期

我的判断：GEO 是一个确定会来、但节奏存疑的趋势。对大多数团队，安全策略是”SEO 继续做、GEO 开始做、用 12-18 个月把重心迁过去”。不是二选一。

核心结论

• • SEO 在”静默”贬值：排名没掉、PV 微跌，但 AI 答案里的出现频次在悄悄被重新分配，而这部分数据不在你的埋点里
• • AI 推荐品牌靠三层机制：预训练先验 + RAG 实时检索 + 生成偏好，动作要分层做，不是一句”我们上 GEO”就能解决
• • GEO 最容易上手的是第二层：结构化数据、可爬性、llms.txt——这几件事工程成本极低、见效快
• • 最有长期价值的是第一层：让同一条事实在多个权威源沉淀，给下一代模型的预训练埋点
• • 监测可以自己搭：多引擎并发 + LLM 抽取 + 时序入库，一个周末能搭出 v1，比买工具可控
• • GEO 不是 SEO 的升级版：关键词密度 / 外链 DR 这类老抓手大部分失效，新抓手是事实密度 + 结构化 + 语料扩散

对你的实际建议（按人群分）

• • 独立开发者：GEO 监测工具赛道还很早，本文第五节那条管道稍微产品化就是一个 SaaS。这个周末可以动手。
• • 中小团队技术负责人：花两天把官网的 Schema.org / JSON-LD 补齐，把 robots.txt 里对主流 AI 爬虫的策略明确下来。这两件事 ROI 高得离谱。
• • 内容 / SEO 团队：别再堆关键词了，开始训练”事实密度写作”。一个简单 KPI——每段话能不能被单独拎出来当作可引用事实。
• • 品牌 / 产品经理：立刻在 3 个主流 AI 里搜 10 个你行业的典型问题，数你品牌出现几次。低于 3 次就该警觉了，这是你的 GEO 基线。
• • 架构 / 平台方向的开发者：理解这三层模型对你做 Agent、做 RAG 产品都有直接帮助——它本质上就是”信息怎么进入一个模型的回答”这个最底层问题。

一句话结语

搜索引擎时代，品牌靠”被搜到”吃饭；生成引擎时代，品牌靠”被记住并复述”吃饭。”被记住”是个工程问题，不是营销问题——别再让营销部一个人扛 GEO 了。

📄 说明：本文不含需要一手核验的具体市场数据；文中的机制描述基于公开可查的 LLM / RAG / 搜索系统通识，工程方案均为作者基于这些通识的独立整理，属于”作者判断”，请结合你自己的业务实际落地。

💬 互动引导：你上次在 ChatGPT / Claude / Perplexity 里搜自己公司或自己做的产品，是什么时候？结果有没有让你坐直？评论区报一下**”你的行业 + AI 里出现的竞品数 vs 你自己被提到的次数”**，我们一起看哪个行业的”静默贬值”最严重。