引言：为什么术语体系是GEO从业者的第一课

生成式搜索正在以前所未有的速度重塑数字营销与信息检索的底层逻辑。当Google AI Overviews、Bing Copilot、Perplexity、ChatGPT Search等生成式引擎成为用户获取信息的首选入口时，传统SEO的术语框架已经无法精确描述新的优化对象、策略与评估方式。GEO（Generative Engine Optimization，生成式引擎优化）作为一门新兴学科，其术语体系本身就是理解这门学科的第一道门槛。

本手册系统梳理了截至2026年7月GEO与AI搜索领域的75个核心术语，覆盖从基础概念到技术架构、从评估指标到行业应用的完整知识图谱。每一个术语条目均包含中英文名称、精确定义、技术实现细节、典型应用场景以及关联术语索引，旨在为SEO从业者、内容创作者、数字营销人员以及技术研发者提供一份可随时查阅的权威参考。

术语的精确性决定了沟通的效率。在GEO领域，”引用率”与”点击率”是完全不同的指标，”生成式排名”与”传统排名”遵循不同的算法逻辑，”知识接地”与”知识图谱”虽然都涉及”知识”但指向截然不同的技术栈。理解这些术语的精确含义，是制定有效GEO策略的前提条件。

一、GEO基础概念（15个术语）

1. GEO — Generative Engine Optimization（生成式引擎优化）

定义：GEO是指针对生成式搜索引擎（如Google AI Overviews、Bing Copilot、Perplexity等）的优化实践，目标是让内容被生成式引擎在回答用户查询时引用、提及或作为信息来源。

技术细节：GEO的优化对象不是传统搜索结果页的排名位置，而是大语言模型在生成回答时选择引用的信息源。这涉及内容结构化、事实密度、引用友好度、权威信号等多个维度。研究表明，生成式引擎倾向于引用具有清晰事实陈述、数据支撑和权威来源的内容。

应用场景：当品牌希望其产品评测被AI Overview引用，或希望其行业观点在Perplexity回答中出现时，需要实施GEO策略。

关联术语：SEO、AEO、SGE、Generative Search、Citation

2. AEO — Answer Engine Optimization（答案引擎优化）

定义：AEO聚焦于优化内容以使其在答案引擎（以直接回答用户问题为核心功能的搜索系统）中获得曝光，是GEO的前身和重要组成部分。

技术细节：AEO的核心策略包括问答格式优化、结构化数据标记、实体增强和知识面板优化。与GEO相比，AEO更侧重于”答案”的直接呈现，而GEO还包含生成式内容的更广泛优化。AEO要求内容能够被系统直接提取为独立、完整的答案片段。

应用场景：FAQ页面优化、产品规格问答、技术文档的知识提取。

关联术语：GEO、Featured Snippet、Answer Extraction、Zero-click Search

3. Generative Search（生成式搜索）

定义：生成式搜索是指搜索引擎利用大语言模型对检索到的信息进行综合、推理和生成，直接输出自然语言回答的搜索范式。

技术细节：生成式搜索的典型流程为：用户查询 → 查询理解 → 多源检索 → 信息融合 → 生成式回答 → 引用标注。与传统搜索返回链接列表不同，生成式搜索返回的是经过合成的自然语言文本，通常附带信息来源链接。这一过程依赖RAG架构来确保回答的事实性。

应用场景：Google AI Overviews、Bing Copilot、Perplexity AI的搜索结果页面。

关联术语：SGE、AI Overview、RAG、Grounding

4. SGE — Search Generative Experience（搜索生成体验）

定义：SGE是Google在2023年推出的生成式搜索体验实验项目，后演化为正式的AI Overviews功能，是生成式搜索在主流搜索引擎中的标志性产品。

技术细节：SGE最初通过Google Labs的Search Labs项目进行测试，使用Gemini模型在搜索结果顶部生成AI摘要。SGE的关键创新在于将生成式回答与传统搜索结果整合在同一页面，而非完全替代传统结果。2024年起，SGE逐步以AI Overviews的名义向全球用户推广。

应用场景：Google搜索结果页顶部的AI生成摘要区域。

关联术语：AI Overview、Generative Search、Google Gemini

5. AI Overview（AI概览）

定义：AI Overview是Google搜索结果页面中由AI生成的摘要区域，通常出现在自然搜索结果的最上方，为用户查询提供综合性回答。

技术细节：AI Overview由Gemini模型驱动，通过检索Google的索引库获取相关信息，生成包含引用链接的摘要文本。其内容形式包括段落摘要、列表、表格和多视角对比。AI Overview的触发基于查询意图判断，信息型查询的触发率显著高于导航型或交易型查询。

应用场景：用户搜索”什么是量子计算”时，页面顶部出现的AI生成的解释性摘要。

关联术语：SGE、Generative Answer、Citation、Position Zero

6. Citation（引用）

定义：在生成式搜索语境中，引用指生成式引擎在回答中标注的信息来源链接，是GEO优化的核心目标之一。

技术细节：引用通常以超链接形式出现在生成回答的句子末尾或段落末尾，点击可跳转至源页面。不同引擎的引用呈现方式各异：Google AI Overviews使用卡片式来源展示，Perplexity使用脚注式数字标注，Bing Copilot在对话中内嵌链接。获得引用的关键因素包括内容的事实密度、权威性、结构化程度和时效性。

应用场景：评估GEO效果的核心指标，品牌在AI回答中获得引用意味着其内容被AI”认可”为权威来源。

关联术语：Source Attribution、Citation Rate、Mention Rate、Brand Mention

7. Source Attribution（来源归因）

定义：来源归因是生成式引擎将生成内容与具体信息来源关联的技术过程，确保AI回答的可追溯性和可信度。

技术细节：来源归因在RAG管道中实现，通常在生成阶段通过注意力机制追踪每个生成token与检索文档的对应关系。高级的归因技术包括句子级归因、片段级归因和token级归因。来源归因的质量直接影响用户对AI回答的信任度，也是搜索引擎防止虚假信息传播的关键机制。

应用场景：Perplexity的”Sources”面板、Google AI Overviews的来源卡片。

关联术语：Citation、Grounding、RAG、Hallucination

8. Grounding（知识接地/事实基础）

定义：Grounding是指将大语言模型的生成输出锚定在可验证的外部事实上的技术过程，是防止AI幻觉的核心机制。

技术细节：Grounding通过检索外部知识库（如网页索引、知识图谱、数据库）获取与查询相关的事实信息，并将其作为上下文注入生成模型的Prompt中。这使得模型的输出不再完全依赖训练参数中的记忆，而是基于实时检索的事实。Grounding的质量取决于检索系统的召回率和精确率，以及生成模型对上下文信息的忠实度。

应用场景：企业AI助手使用内部文档库进行接地，搜索引擎使用网页索引进行接地。

关联术语：RAG、Source Attribution、Hallucination、Knowledge Grounding

9. RAG — Retrieval-Augmented Generation（检索增强生成）

定义：RAG是一种将信息检索与文本生成相结合的架构模式，先从外部知识库检索相关信息，再将检索结果作为上下文输入生成模型，以产生有事实依据的回答。

技术细节：RAG的标准流程包括：查询编码 → 向量检索 → 上下文构建 → 生成式回答。检索阶段使用稠密向量检索（如DPR、Contriever）或混合检索（稠密+稀疏）。上下文构建阶段需要对检索到的文档进行分块、去重和排序。生成阶段使用大语言模型基于检索上下文生成最终回答。RAG的变体包括Self-RAG、Adaptive-RAG和Multi-modal RAG。

应用场景：所有主流生成式搜索引擎的核心架构，企业知识库问答系统。

关联术语：Grounding、Dense Retrieval、Vector Database、Chunking、Re-ranking

10. Generative Answer（生成式答案）

定义：生成式答案是AI搜索引擎针对用户查询直接生成的自然语言回答，通常综合多个信息源并附带引用。

技术细节：生成式答案的质量受多个因素影响：检索到的信息源质量、生成模型的推理能力、上下文窗口大小、Prompt设计等。优秀的生成式答案应具备事实准确性、逻辑连贯性、来源可追溯性和语言自然性。答案的形式可以是段落、列表、表格或多模态内容。

应用场景：用户在Perplexity提问”2026年最值得买的电动车”时获得的综合推荐回答。

关联术语：AI Overview、Citation、RAG、Generative Search

11. Knowledge Grounding（知识接地）

定义：知识接地是Grounding的一个子领域，特指使用结构化知识库（如知识图谱）为生成模型提供事实基础的实践。

技术细节：与基于文档检索的Grounding不同，知识接地使用知识图谱中的实体和关系作为事实来源。这种方法的优势在于事实的精确性和一致性，但覆盖范围受限于知识图谱的完整性。Google的Knowledge Graph和Bing的Satori是知识接地的典型基础设施。

应用场景：事实型查询（如”某国首都”、”某人生平”）的生成式回答。

关联术语：Grounding、Knowledge Graph、Entity Optimization、RAG

12. LLM SEO（大语言模型SEO）

定义：LLM SEO是指针对大语言模型的优化策略，目标是让特定品牌或内容在LLM生成回答时被提及或推荐。

技术细节：LLM SEO的优化对象包括模型训练数据（通过确保品牌信息出现在高质量训练语料中）和推理时检索（通过GEO策略）。由于大多数商业LLM的训练数据是静态的，推理时优化（即GEO）更具可操作性。LLM SEO还涉及品牌在LLM回答中的情感倾向管理。

应用场景：品牌希望ChatGPT在被问及”推荐某类产品”时提及自己的品牌名。

关联术语：GEO、AEO、Brand Mention、Fine-tuning

13. Generative Rank（生成式排名）

定义：生成式排名是指内容在生成式搜索结果中被引用或提及的优先级顺序，是GEO效果的量化指标。

技术细节：与传统搜索的排名不同，生成式排名不是简单的URL排序，而是综合考量内容在AI回答中的出现位置、引用频率、提及方式等因素。生成式排名的算法不公开，但研究显示与内容的事实密度、结构化程度、域名权威性、用户参与度等因素相关。

应用场景：GEO工具（如Profound、Goodie等）对品牌在AI搜索中可见度的追踪与报告。

关联术语：Citation Rate、Share of Voice、Answer Visibility、Position Zero

14. E-E-A-T in GEO（GEO中的E-E-A-T）

定义：E-E-A-T（经验、专业、权威、可信）是Google评估内容质量的核心框架，在GEO语境中演化为生成式引擎选择引用来源的关键信号。

技术细节：在生成式搜索中，E-E-A-T不仅影响传统排名，更直接影响内容被AI引用的概率。生成式引擎倾向于引用具有高E-E-A-T信号的来源，以降低生成回答中的错误风险。优化E-E-A-T的方法包括作者权威标注、专家审稿声明、引用来源标注、专业资质展示等。在GEO中，E-E-A-T的”经验”维度尤为重要，因为生成式引擎越来越重视第一手经验和真实用户反馈。

应用场景：健康、金融等YMYL（Your Money Your Life）领域的GEO优化。

关联术语：Citation、Authority Signal、YMYL、Brand Mention

15. Prompt Sensitivity（提示敏感性）

定义：提示敏感性是指生成式搜索引擎对用户查询措辞的微小变化产生显著不同回答的现象，对GEO策略制定有重要影响。

技术细节：由于大语言模型对输入措辞高度敏感，相同的搜索意图用不同措辞表达可能导致完全不同的生成回答和引用来源。这意味着GEO优化需要覆盖多种查询表达方式，而不仅仅是传统SEO中的关键词变体。提示敏感性也使得GEO效果的追踪和衡量比传统SEO更具挑战性。

应用场景：同一产品在不同措辞的查询中可能获得截然不同的AI推荐效果。

关联术语：Conversational Query、Query Understanding、Long-tail Question

二、AEO策略与内容优化（15个术语）

16. Featured Snippet（精选摘要）

定义：精选摘要是Google搜索结果中出现在自然结果顶部的摘要框，直接回答用户查询，是AEO的重要优化目标。

技术细节：精选摘要通过从排名靠前的页面中提取相关段落生成，形式包括段落摘要、列表摘要和表格摘要。虽然精选摘要在生成式搜索时代的重要性有所降低，但其优化原则（清晰的事实陈述、结构化格式、简洁的语言）同样适用于GEO。许多AI Overview的内容提取逻辑与精选摘要类似。

应用场景：用户搜索”如何更换轮胎”时，搜索结果顶部显示的步骤摘要。

关联术语：Position Zero、Answer Extraction、AEO、Snippet Optimization

17. Answer Extraction（答案抽取）

定义：答案抽取是指搜索引擎从网页内容中识别并提取直接回答用户查询的文本片段的技术。

技术细节：答案抽取使用自然语言处理技术，包括命名实体识别、语义角色标注、问答匹配模型等。现代答案抽取系统通常基于预训练语言模型（如BERT、T5），能够处理段落级、句子级和token级的答案定位。在生成式搜索中，答案抽取是RAG管道检索阶段的核心能力，直接影响生成回答的质量。

应用场景：Google从网页中提取段落用于AI Overview生成。

关联术语：Featured Snippet、RAG、NLU、Dense Retrieval

18. Structured Data（结构化数据）

定义：结构化数据是以标准化格式（通常是JSON-LD、Microdata或RDFa）标注在网页中的信息，帮助搜索引擎理解页面内容的语义结构。

技术细节：在GEO中，结构化数据的作用更加关键。生成式引擎在检索和生成阶段都会利用结构化数据来理解内容：Schema.org标记帮助AI识别实体关系，FAQ Schema使问答内容更易被提取，Product Schema提供产品规格的标准化数据。结构化数据的质量直接影响内容在生成式搜索中的可引用性。常见Schema类型包括Article、FAQPage、HowTo、Product、Review、Organization等。

应用场景：电商网站使用Product Schema标注产品信息，使AI搜索能准确引用产品规格。

关联术语：Schema Markup、Entity Optimization、Knowledge Graph、Semantic Web

19. Schema Markup（Schema标记）

定义：Schema标记是结构化数据的具体实现方式，通过在HTML中添加特定标记，向搜索引擎传达内容的语义信息。

技术细节：Schema标记基于Schema.org词汇表，主流实现方式为JSON-LD（JavaScript对象表示法）。在GEO语境中，Schema标记不仅帮助传统搜索引擎理解内容，更帮助生成式引擎在RAG管道中更高效地检索和提取信息。合理的Schema标记可以显著提高内容被AI引用的概率。新兴的Schema类型如Speakable（针对语音搜索）和ClaimReview（事实核查）在GEO中越来越重要。

应用场景：新闻网站使用Article Schema帮助AI引擎正确提取新闻要素（标题、作者、日期）。

关联术语：Structured Data、Entity Optimization、Knowledge Graph

20. Entity Optimization（实体优化）

定义：实体优化是指围绕特定实体（人、地、组织、概念等）进行内容和结构化数据优化，使搜索引擎和生成式AI能够准确识别和理解该实体。

技术细节：实体优化的核心是建立实体的一致性标识，包括使用相同的名称变体、提供丰富的实体属性、建立实体间关系网络。在GEO中，实体优化确保生成式引擎在提到某实体时能够正确关联到品牌或产品。关键策略包括：Wikipedia/Wikidata条目维护、知识面板优化、实体链接增强、同义词和别名管理。

应用场景：品牌确保AI搜索引擎在提到其产品时使用正确的品牌名称和产品属性。

关联术语：Knowledge Graph、Knowledge Panel、Structured Data、Entity Graph

21. Knowledge Panel（知识面板）

定义：知识面板是Google搜索结果页面右侧展示的实体信息卡片，聚合了关于特定实体的关键信息。

技术细节：知识面板的数据来源于Google Knowledge Graph，部分从Wikipedia、Wikidata等开放知识库提取。在生成式搜索时代，知识面板的信息直接影响AI Overview中关于实体的描述。优化知识面板需要确保Wikipedia条目的准确性和完整性，以及在Wikidata中维护正确的实体属性。

应用场景：用户搜索品牌名称时，右侧出现的包含logo、描述、社交链接的信息卡片。

关联术语：Knowledge Graph、Entity Optimization、Brand Mention

22. Snippet Optimization（摘要优化）

定义：摘要优化是指针对搜索引擎摘要（包括精选摘要和AI生成摘要）的内容优化策略，目标是使内容被提取为摘要或被AI引用。

技术细节：摘要优化的关键原则包括：将核心答案放在段落开头（倒金字塔结构）、使用简洁的事实性陈述、提供数据支撑、使用结构化格式（列表、表格）、保持段落长度适中（40-60字为佳）。对于GEO，还需要考虑内容的”引用友好度”——即内容是否容易被AI提取并整合到生成回答中。

应用场景：技术博客优化文章结构，使关键定义和步骤更容易被AI引擎提取。

关联术语：Featured Snippet、Answer Extraction、AEO、Content Structure

23. Zero-click Search（零点击搜索）

定义：零点击搜索是指用户在搜索结果页面直接获得答案而无需点击任何链接的搜索行为，生成式搜索使零点击搜索的比例大幅上升。

技术细节：据研究，2025年零点击搜索占所有搜索的比例已超过65%，AI Overview的普及进一步加速了这一趋势。对GEO而言，零点击搜索意味着传统的点击量不再是衡量搜索可见度的唯一指标，品牌在AI回答中的”被提及”和”被引用”变得同样重要。GEO策略需要从”获取点击”转向”获取引用”。

应用场景：用户搜索”北京天气”时直接在AI Overview中获得天气预报，无需点击任何网站。

关联术语：AI Overview、Citation、Generative Rank、CTR

24. Conversational Query（对话式查询）

定义：对话式查询是指以自然语言对话形式进行的搜索查询，通常比传统关键词查询更长、更具体、更具上下文性。

技术细节：生成式搜索引擎天然支持对话式查询，用户可以用完整的句子提问，甚至进行多轮对话式追问。这要求GEO优化覆盖自然语言形式的问题，而不仅仅是关键词。对话式查询的特点包括：更长（平均查询长度从2-3词增加到6-10词）、更具体（包含限定条件和上下文）、更具意图性（明确表达信息需求）。

应用场景：用户在ChatGPT中问”2026年有哪些适合初学者的Python在线课程，价格在500元以下”

关联术语：Long-tail Question、Query Understanding、Intent Recognition、Prompt Sensitivity

25. Long-tail Question（长尾问题）

定义：长尾问题是指具体、低搜索量但高意图的问句式查询，在生成式搜索中占据越来越大的比例。

技术细节：传统SEO中的长尾关键词在GEO中演化为长尾问题。生成式搜索的用户更倾向于使用完整的问句而非关键词组合，这催生了大量长尾问题。长尾问题的优化策略包括：创建FAQ内容、使用问题导向的标题、覆盖问题的多种表达方式。长尾问题虽然单个搜索量低，但总体流量可观且转化率更高。

应用场景：“2026年 Gmail 附件大小限制是多少MB”这类具体问题的内容优化。

关联术语：Conversational Query、Question Optimization、FAQ Content

26. Question Optimization（问题优化）

定义：问题优化是指针对用户在生成式搜索引擎中提出的问题进行内容优化，使内容成为该问题的最佳答案来源。

技术细节：问题优化包括：识别目标问题（通过搜索数据、AI搜索追踪工具）、创建直接回答问题的内容、使用问题作为标题或小标题、在回答中使用与问题匹配的术语。有效的问题优化需要理解用户提问的真实意图，而不仅仅是字面匹配。在GEO中，还需要考虑同一问题的多种表达方式。

应用场景：针对”如何选择适合自己的机械键盘”创建包含选购指南、推荐产品、对比表格的综合内容。

关联术语：Long-tail Question、Answer Extraction、Conversational Query

27. Content Structure Optimization（内容结构优化）

定义：内容结构优化是指通过合理组织内容的层级、格式和逻辑，使生成式搜索引擎能够高效理解和提取内容。

技术细节：GEO友好的内容结构特征包括：清晰的标题层级（H1-H3）、段落简洁（每段聚焦一个观点）、使用列表和表格呈现结构化信息、关键信息前置（倒金字塔）、事实和数据明确标注来源。良好的内容结构不仅帮助AI提取信息，也提高用户阅读体验和内容的可分享性。

应用场景：产品评测页面使用标准化的结构（概述→规格→测试结果→优缺点→结论）便于AI提取。

关联术语：Snippet Optimization、Answer Extraction、Structured Data

28. Authority Signal（权威信号）

定义：权威信号是向生成式搜索引擎传达内容、作者或品牌权威性的各种指标和标记。

技术细节：权威信号包括：作者资质标注（学位、职称、行业经验）、专家审稿声明、引用来源的权威性、域名整体权威性、外部引用数量和质量、社交媒体验证标识、行业认证标记。在GEO中，权威信号是生成式引擎选择引用来源的关键决策因素，因为AI需要确保引用的内容可信可靠。

应用场景：医疗健康网站标注文章由执业医师审核，提高被AI Overview引用的概率。

关联术语：E-E-A-T、Citation、Brand Mention、Source Attribution

29. FAQ Content Strategy（FAQ内容策略）

定义：FAQ内容策略是指系统性地创建和优化问答格式内容，以覆盖用户在生成式搜索中的查询需求。

技术细节：有效的FAQ策略包括：基于搜索意图和AI搜索数据识别高频问题、创建结构化的问答内容（使用FAQPage Schema标记）、确保每个答案独立完整（不依赖上下文即可理解）、覆盖问题的多种表达方式、定期更新FAQ内容以保持时效性。FAQ内容是GEO优化中投入产出比最高的内容类型之一。

应用场景：SaaS公司创建覆盖产品功能、定价、技术支持等维度的FAQ知识库。

关联术语：Question Optimization、Schema Markup、Long-tail Question

30. Content Freshness Signal（内容时效性信号）

定义：内容时效性信号是向生成式搜索引擎传达内容更新频率和时效性的各种指标，影响内容在时效性敏感查询中的引用概率。

技术细节：生成式引擎对时效性敏感的查询（如新闻、价格、统计数据）倾向于引用最新更新的内容。时效性信号包括：明确的发布和更新日期标记、定期内容更新频率、Last-Modified HTTP头、结构化数据中的dateModified字段。对于快速变化的领域（如科技、金融），内容时效性是GEO成功的关键因素。

应用场景：科技新闻网站确保文章更新时间标注准确，使AI搜索引用最新信息。

关联术语：Authority Signal、Structured Data、Citation

三、技术架构与核心算法（18个术语）

31. LLM — Large Language Model（大语言模型）

定义：大语言模型是基于Transformer架构、在海量文本数据上训练的超大规模神经网络，是生成式搜索的核心引擎。

技术细节：主流生成式搜索引擎使用的LLM包括Google Gemini、OpenAI GPT系列、Anthropic Claude等。LLM的参数规模从数十亿到数万亿不等，训练数据涵盖网页、书籍、代码等多类型文本。LLM的能力包括文本生成、理解、翻译、总结、推理等。在生成式搜索中，LLM负责理解查询意图、综合检索信息、生成自然语言回答。LLM的局限包括知识截止日期、幻觉问题、推理能力限制等。

应用场景：Google使用Gemini模型驱动AI Overview的生成。

关联术语：Transformer、Attention Mechanism、RAG、Hallucination

32. Transformer Architecture（Transformer架构）

定义：Transformer是2017年提出的神经网络架构，基于自注意力机制处理序列数据，是所有现代大语言模型的基础架构。

技术细节：Transformer的核心创新是自注意力机制，允许模型在处理每个token时关注序列中的所有其他token，捕捉长距离依赖关系。Transformer由编码器和解码器组成（虽然现代LLM通常只使用其中一种）。编码器将输入序列转换为上下文化表示，解码器基于这些表示生成输出序列。Transformer的并行计算能力使其能够高效利用GPU进行大规模训练。

应用场景：GPT、Gemini、Claude等所有主流LLM均基于Transformer架构。

关联术语：LLM、Attention Mechanism、Tokenization、Embedding

33. Attention Mechanism（注意力机制）

定义：注意力机制是神经网络中用于动态分配不同输入元素权重的技术，是Transformer架构的核心组件。

技术细节：注意力机制计算查询（Query）、键（Key）和值（Value）三组向量之间的点积，得到注意力权重，再用这些权重对值向量加权求和。多头注意力允许模型同时关注不同子空间的信息。在生成式搜索中，注意力机制使模型能够在生成回答时关注检索到的最相关信息片段，是实现高质量RAG的关键技术。

应用场景：AI搜索引擎在生成回答时，注意力机制帮助模型聚焦于最相关的检索段落。

关联术语：Transformer、LLM、Self-Attention、Multi-head Attention

34. Tokenization（分词）

定义：分词是将文本分割为模型可处理的最小单元（token）的过程，是LLM处理文本的第一步。

技术细节：不同模型使用不同的分词策略：GPT系列使用BPE（Byte Pair Encoding），Gemini使用SentencePiece。中文通常按字符或子词分词，英文按子词分词。分词直接影响模型的处理效率和成本——同一文本不同分词器产生的token数量可能差异显著。在GEO中，了解分词机制有助于优化内容的可读性和可提取性。

应用场景：API调用按token计费，优化分词可降低生成式搜索应用的成本。

关联术语：Transformer、LLM、Embedding、Context Window

35. Embedding（嵌入/向量化）

定义：嵌入是将文本（词、句子、段落）映射为高维稠密向量的技术，使语义相似的文本在向量空间中距离更近。

技术细节：嵌入是现代语义搜索的基础。主流嵌入模型包括OpenAI text-embedding-3、Google Gecko、Cohere Embed等。嵌入向量的维度通常为768到4096维。在RAG管道中，文档和查询分别被编码为向量，通过计算向量相似度（如余弦相似度）进行检索。嵌入质量直接影响检索精度，进而影响生成式搜索的回答质量。嵌入模型的领域适配性是GEO技术选型的重要考量因素。

应用场景：生成式搜索引擎将网页内容向量化存储，用户查询时通过向量相似度检索相关内容。

关联术语：Dense Retrieval、Vector Database、Semantic Search、RAG

36. Vector Database（向量数据库）

定义：向量数据库是专门用于存储、索引和检索高维向量的数据库系统，是RAG架构的核心基础设施。

技术细节：向量数据库使用近似最近邻（ANN）算法实现高效向量检索，主流方案包括Pinecone、Weaviate、Milvus、Qdrant、Chroma等。索引算法包括HNSW（Hierarchical Navigable Small World）、IVF（Inverted File Index）、ScaNN等。向量数据库的性能指标包括检索速度、召回率和内存效率。在生成式搜索中，向量数据库存储网页内容的嵌入向量，支持实时语义检索。

应用场景：生成式搜索引擎使用向量数据库存储千亿级网页嵌入向量，支持毫秒级语义检索。

关联术语：Embedding、Dense Retrieval、ANN、RAG

37. Dense Retrieval（稠密检索）

定义：稠密检索是使用嵌入向量进行语义相似度匹配的检索方法，能够理解查询的语义含义而非仅匹配关键词。

技术细节：稠密检索通过将查询和文档编码为稠密向量，计算向量间的相似度（通常为余弦相似度或内积）来排序文档。与稀疏检索（如BM25）相比，稠密检索能够处理同义词、上下文理解和隐含语义，但在精确关键词匹配上可能不如稀疏检索。现代生成式搜索通常采用混合检索策略，结合稠密和稀疏检索的优势。

应用场景：用户搜索”如何让网站更快”，稠密检索能找到讨论”网页性能优化”的文档。

关联术语：Sparse Retrieval、Hybrid Retrieval、Embedding、Semantic Search

38. Sparse Retrieval（稀疏检索）

定义：稀疏检索是基于词项匹配的检索方法，如BM25和TF-IDF，通过关键词重合度排序文档。

技术细节：BM25是当前最主流的稀疏检索算法，基于词频（TF）、逆文档频率（IDF）和文档长度归一化计算相关性分数。稀疏检索的优势在于精确关键词匹配、可解释性和计算效率。在生成式搜索中，稀疏检索通常作为混合检索管道的一个组件，与稠密检索互补使用。稀疏检索还用于初步过滤大规模文档集，缩小稠密检索的范围。

应用场景：生成式搜索引擎先用BM25检索候选文档，再用稠密检索精细排序。

关联术语：Dense Retrieval、Hybrid Retrieval、BM25、Re-ranking

39. Hybrid Retrieval（混合检索）

定义：混合检索是结合稠密检索和稀疏检索优势的检索策略，同时利用语义匹配和关键词匹配提高检索质量。

技术细节：混合检索的常见实现方式包括：并行检索后融合（分别用稠密和稀疏检索获取候选，然后合并排序）和级联检索（先用稀疏检索快速过滤，再用稠密检索精排）。融合方法包括RRF（Reciprocal Rank Fusion）和加权分数融合。混合检索在生成式搜索引擎中被广泛采用，因为它能够同时处理精确匹配和语义匹配需求，显著提高检索的召回率和精确率。

应用场景：用户搜索特定产品型号（需要精确匹配）和产品评价（需要语义理解）的混合查询。

关联术语：Dense Retrieval、Sparse Retrieval、Re-ranking、RRF

40. Re-ranking（重排序）

定义：重排序是在初步检索后使用更精细的模型对候选文档进行二次排序的过程，提高最终检索结果的质量。

技术细节：重排序模型通常使用Cross-Encoder架构，将查询和文档作为一对输入，输出相关性分数。与Bi-Encoder（双编码器，用于初步检索）相比，Cross-Encoder能够捕捉查询和文档间的细粒度交互，精度更高但计算成本也更高。主流重排序模型包括Cohere Rerank、bge-reranker等。在RAG管道中，重排序是提高生成质量的关键步骤。

应用场景：生成式搜索引擎对初步检索的100篇文档使用重排序模型精选最相关的5篇用于生成回答。

关联术语：Dense Retrieval、Hybrid Retrieval、Cross-Encoder、RAG

41. Context Window（上下文窗口）

定义：上下文窗口是LLM在单次推理中能够处理的最大token数量，决定了模型一次性能”看到”多少信息。

技术细节：2026年主流LLM的上下文窗口已大幅扩展：Gemini支持100万token以上，GPT-4 Turbo支持128K token，Claude支持200K token。上下文窗口大小直接影响RAG管道能注入多少检索上下文。更大的上下文窗口允许模型综合更多信息源，但也带来更高的计算成本和潜在的”中间信息丢失”问题（模型可能忽略上下文中部的信息）。GEO优化需要考虑内容的哪些部分最有可能被纳入有限的上下文窗口。

应用场景：AI搜索引擎在生成复杂回答时，需要在上下文窗口内放入多个检索文档和用户对话历史。

关联术语：Tokenization、LLM、RAG、Chunking

42. Prompt Engineering（提示工程）

定义：提示工程是设计和优化输入给LLM的提示文本的技术，以获得更准确、更相关的生成结果。

技术细节：在生成式搜索中，提示工程用于设计系统提示（System Prompt），指导模型如何综合检索信息生成回答。关键提示技巧包括：Few-shot Learning（提供示例）、Chain-of-Thought（引导逐步推理）、Instruction Tuning（精确指令设计）。生成式搜索引擎使用精心设计的提示模板来控制回答的风格、长度、引用格式等。提示工程也用于GEO工具中，模拟不同措辞的查询以追踪品牌可见度。

应用场景：搜索引擎设计提示模板，要求AI在回答中必须标注来源链接。

关联术语：LLM、Few-shot Learning、Chain-of-Thought、Fine-tuning

43. Fine-tuning（微调）

定义：微调是在预训练模型基础上使用领域特定数据进行进一步训练的技术，使模型在特定任务或领域上表现更好。

技术细节：微调方法包括全参数微调、LoRA（Low-Rank Adaptation）、QLoRA等。在GEO语境中，微调用于定制化的生成式搜索应用——企业可以使用内部知识库微调模型，使其更擅长回答领域特定问题。但主流生成式搜索引擎使用的是通用模型加RAG的架构，而非为每个领域微调。微调的成本和效果需要与RAG方案进行权衡。

应用场景：法律科技公司微调LLM，使其更擅长理解和生成法律术语密集的回答。

关联术语：LLM、RLHF、Prompt Engineering、LoRA

44. RLHF — Reinforcement Learning from Human Feedback（基于人类反馈的强化学习）

定义：RLHF是通过人类反馈训练奖励模型，再用强化学习优化LLM行为的对齐技术，使模型输出更符合人类偏好。

技术细节：RLHF流程包括：训练奖励模型（人类标注员对模型输出进行偏好排序）、使用PPO（Proximal Policy Optimization）或DPO（Direct Preference Optimization）算法优化模型。RLHF使LLM更倾向于生成有帮助、无害、诚实的回答。在生成式搜索中，RLHF影响模型如何综合信息、如何引用来源、如何处理有争议话题。

应用场景：LLM通过RLHF学习在回答中优先引用权威来源，减少低质量信息的引用。

关联术语：LLM、Fine-tuning、DPO、Alignment

45. Hallucination（幻觉）

定义：幻觉是指LLM生成看似合理但事实上不正确或虚构内容的现象，是生成式搜索面临的核心挑战之一。

技术细节：幻觉的成因包括：训练数据中的错误信息、模型的知识外推倾向、上下文信息不足、查询超出模型知识范围。缓解幻觉的技术包括RAG（提供事实基础）、Grounding（锚定外部事实）、输出验证（使用另一模型检查生成内容的准确性）。在GEO中，幻觉问题意味着品牌信息可能被AI错误引用——需要通过持续监控和纠正来管理。

应用场景：AI搜索错误地将某产品的功能归因于另一品牌，需要品牌方进行GEO纠正。

关联术语：Grounding、RAG、Source Attribution、LLM

46. Chunking（分块）

定义：分块是将长文档分割为较小文本块的过程，是RAG管道中检索前处理的关键步骤。

技术细节：分块策略直接影响检索质量和生成效果。常见分块方法包括：固定长度分块（如每512 token一块）、语义分块（按句子或段落边界分割）、递归分块（层次化分割）。分块大小需要平衡：太小的块可能丢失上下文，太大的块可能包含无关信息。高级策略包括滑动窗口分块（块间有重叠）和基于标题层级的结构化分块。GEO优化需要确保关键信息在分块后仍保持完整性。

应用场景：生成式搜索引擎将长文章分块后向量化存储，用户查询时检索最相关的块用于生成。

关联术语：RAG、Embedding、Context Window、Re-ranking

47. Semantic Search（语义搜索）

定义：语义搜索是理解查询的自然语言含义和意图来进行检索的技术，超越了传统关键词匹配的局限。

技术细节：语义搜索使用嵌入模型将查询和文档编码为语义向量，通过向量相似度进行匹配。语义搜索能够处理同义词（”手机”和”智能手机”）、上下文理解（”苹果”在科技语境vs食品语境）和隐含意图。在生成式搜索中，语义搜索是检索阶段的核心技术，使引擎能够找到与查询语义相关但措辞不同的文档。语义搜索的效果取决于嵌入模型的质量和领域适配性。

应用场景：用户搜索”减肥运动”，语义搜索能找到讨论”有氧燃脂训练”的内容。

关联术语：Dense Retrieval、Embedding、Vector Database、Query Understanding

48. ANN — Approximate Nearest Neighbor（近似最近邻）

定义：近似最近邻是向量数据库中用于高效检索最相似向量的算法族，在可接受的精度损失下大幅提高检索速度。

技术细节：ANN算法通过牺牲少量精度换取数量级的速度提升，主流算法包括HNSW（基于图的索引）、IVF（基于聚类的索引）、LSH（局部敏感哈希）、ScaNN（Google的ANN框架）。HNSW因其出色的检索性能和召回率成为当前最流行的ANN算法。ANN算法的关键参数（如HNSW的efSearch、M）需要在速度和精度之间平衡。在生成式搜索中，ANN使引擎能够在毫秒级检索千亿级向量。

应用场景：生成式搜索引擎在数十亿网页嵌入向量中实时检索最相关的文档。

关联术语：Vector Database、Dense Retrieval、Embedding、HNSW

四、评估指标与效果衡量（15个术语）

49. Citation Rate（引用率）

定义：引用率是衡量品牌或内容在生成式搜索回答中被引用为信息来源的比例，是GEO的核心KPI。

技术细节：引用率的计算方式为：被引用次数/总查询次数。不同GEO工具的计算方法略有差异——有的统计域名级引用率，有的统计页面级引用率。引用率受查询样本选择影响较大，需要建立标准化的查询集进行追踪。引用率是比传统搜索排名更直接的品牌可见度指标，因为它反映了品牌内容被AI”采纳”为权威来源的频率。

应用场景：品牌追踪在100个行业相关查询中，AI Overview引用其内容的比例变化趋势。

关联术语：Mention Rate、Share of Voice、Generative Rank、Citation

50. Mention Rate（提及率）

定义：提及率是衡量品牌名称在生成式搜索回答中被提及（不一定带引用链接）的比例。

技术细节：提及率与引用率的区别在于：提及不要求附带来源链接，品牌可能在AI回答的正文中被提到但没有可点击的引用。提及率通常高于引用率，是更宽泛的品牌可见度指标。提及率还需要考虑提及的情感倾向（正面/中性/负面），这引出了情感得分的概念。GEO工具通常同时追踪提及率和引用率，提供全面的品牌可见度分析。

应用场景：品牌在AI搜索中被推荐为”最佳选择”但未附带链接，仍计入提及率。

关联术语：Citation Rate、Brand Mention、Sentiment Score、Share of Voice

51. Share of Voice — SOV（声量份额）

定义：声量份额是品牌在生成式搜索回答中的可见度占所有竞争对手可见度的比例，反映品牌在AI搜索中的相对市场地位。

技术细节：GEO中的SOV计算方式为：品牌被引用/提及次数/所有品牌被引用/提及总次数。SOV可以按行业、查询类别、搜索引擎等维度细分。与传统搜索的SOV（基于展示量或点击量份额）不同，GEO的SOV基于AI回答中的品牌出现频次。SOV是衡量GEO竞争态势的核心指标，能够直观显示品牌在AI搜索生态中的相对地位。

应用场景：某手机品牌在”最佳手机”相关查询的AI回答中占据35%的声量份额，领先竞争对手。

关联术语：Citation Rate、Mention Rate、Brand Mention、Generative Rank

52. Answer Visibility（答案可见度）

定义：答案可见度是衡量品牌内容在生成式搜索回答中出现位置、篇幅和显著程度的综合指标。

技术细节：答案可见度不仅关注”是否出现”，还关注”如何出现”——出现在回答的开头还是末尾、是作为主要推荐还是补充信息、描述篇幅多少、是否附带正面评价。答案可见度的评估通常结合人工审核和自动化分析，形成0-100的可见度分数。高可见度意味着品牌在AI回答中获得了显著且有利的展示位置。

应用场景：品牌不仅在AI回答中被提及，而且出现在回答开头且描述详尽正面。

关联术语：Citation Rate、Mention Rate、Sentiment Score、Position Zero

53. Position Zero（零位）

定义：零位原指传统搜索中精选摘要的位置（自然结果之上），在GEO语境中引申为AI回答中首先被提及的品牌或信息源。

技术细节：在生成式搜索中，”零位”概念演化为AI回答中首先推荐的品牌或信息源。由于生成式回答通常以总结性语句开头，出现在开头位置的品牌获得最高的用户注意力。GEO优化的高级目标之一就是争取”零位”——即在AI回答的开头被作为首要推荐提及。这需要在相关查询中拥有最强的权威信号和最优的内容质量。

应用场景：用户问”推荐一款降噪耳机”，AI回答开头即推荐某品牌，该品牌即占据”零位”。

关联术语：Featured Snippet、Answer Visibility、Generative Rank、AI Overview

54. CTR — Click-Through Rate in GEO（GEO中的点击率）

定义：GEO中的点击率指用户在看到AI回答中的品牌引用后，点击引用链接访问品牌网站的比例。

技术细节：生成式搜索改变了传统CTR的生态：零点击搜索比例上升导致整体CTR下降，但AI引用带来的点击通常具有更高的意图匹配度和转化率。GEO中追踪CTR的挑战在于AI搜索引擎不一定传递referer信息，使得传统分析工具难以追踪AI来源的流量。解决方案包括使用UTM参数、自定义落地页和GEO专用追踪工具。

应用场景：品牌在AI Overview中获得引用后，追踪从AI搜索到网站的流量和转化。

关联术语：Zero-click Search、Citation、Answer Visibility、Generative Rank

55. Brand Mention Sentiment（品牌提及情感）

定义：品牌提及情感是指AI搜索回答在提及品牌时的情感倾向（正面、中性、负面），是GEO声誉管理的核心指标。

技术细节：情感分析使用NLP模型对AI回答中提及品牌的上下文进行情感分类。在GEO中，不仅关注品牌是否被提及，更关注被如何提及——是作为”推荐选择”还是”需要避免的选择”。情感分析需要考虑上下文中的修饰词、比较语句和总结性评价。负面情感的品牌提及即使数量增加也是GEO问题，需要通过内容优化和声誉管理来纠正。

应用场景：AI搜索在提及某品牌时频繁使用”虽然…但是存在质量问题”的句式，表明情感倾向偏负面。

关联术语：Mention Rate、Sentiment Score、Brand Mention、Authority Signal

56. Precision（精确率）

定义：精确率是检索结果中相关文档占所有检索文档的比例，是评估生成式搜索检索质量的指标。

技术细节：精确率 = 相关检索结果数/总检索结果数。在RAG管道中，高精确率意味着检索到的文档大部分与查询相关，减少了生成模型处理无关信息的负担。但仅追求高精确率可能导致召回率不足（遗漏了相关文档）。GEO工具在评估内容检索效果时需要同时关注精确率和召回率，使用F1分数进行综合评估。

应用场景：评估GEO工具的查询模拟精度——检索出的相关品牌内容占全部检索内容的比例。

关联术语：Recall、F1 Score、NDCG、Dense Retrieval

57. Recall（召回率）

定义：召回率是所有相关文档中被成功检索到的比例，衡量检索系统的覆盖能力。

技术细节：召回率 = 检索到的相关文档数/所有相关文档总数。在生成式搜索中，高召回率确保引擎不会遗漏重要的信息来源。召回率与精确率通常存在权衡关系——提高召回率往往降低精确率。混合检索策略的一个重要目标就是在保持高精确率的同时提高召回率，确保生成回答能够综合所有相关信息源。

应用场景：评估AI搜索引擎是否遗漏了重要的品牌内容源——低召回率可能导致品牌在AI回答中”隐身”。

关联术语：Precision、F1 Score、Hybrid Retrieval、NDCG

58. F1 Score（F1分数）

定义：F1分数是精确率和召回率的调和平均值，提供检索系统性能的综合评估。

技术细节：F1 = 2 × (Precision × Recall)/(Precision + Recall)。F1分数平衡了精确率和召回率，当两者都很高时F1才高，避免了仅追求单一指标的偏差。在GEO评估中，F1分数用于评估检索管道的整体质量，也可以用于评估GEO工具（如品牌可见度追踪工具）的准确性。

应用场景：对比不同RAG配置的F1分数，选择最优的检索参数组合。

关联术语：Precision、Recall、NDCG、Re-ranking

59. NDCG — Normalized Discounted Cumulative Gain（归一化折损累计增益）

定义：NDCG是评估排序质量的指标，考虑了相关文档在结果列表中的位置（越靠前越好），是搜索排序评估的黄金标准。

技术细节：NDCG的计算基于DCG（Discounted Cumulative Gain），通过对排序位置进行对数折损，使靠前的相关结果贡献更大分数。NDCG是归一化后的值（除以理想DCG），范围0-1，1表示完美排序。在生成式搜索中，NDCG用于评估检索阶段和重排序阶段的排序质量，也用于评估GEO工具中品牌可见度排名的准确性。NDCG@k（如NDCG@10）是常用变体，只评估前k个结果。

应用场景：评估AI搜索引擎的检索排序质量——品牌内容在结果列表中排名越靠前，NDCG越高。

关联术语：Precision、Recall、F1 Score、Re-ranking

60. BLEU Score（BLEU分数）

定义：BLEU分数是评估机器生成文本与参考文本之间相似度的指标，原用于机器翻译评估，在GEO中用于评估生成回答的质量。

技术细节：BLEU通过计算n-gram精确率（生成文本与参考文本的n-gram匹配比例）来评估生成质量。BLEU-1到BLEU-4分别评估1-gram到4-gram的匹配。在GEO中，BLEU可用于评估AI生成的回答与人工编写的”标准答案”的吻合度，帮助衡量生成式搜索的回答质量。BLEU的局限在于仅关注精确率而非召回率，且对语义等价但措辞不同的文本评分偏低。

应用场景：评估不同GEO优化策略下，AI回答质量的改善程度。

关联术语：ROUGE Score、F1 Score、Generative Answer、LLM

61. ROUGE Score（ROUGE分数）

定义：ROUGE分数是评估文本摘要质量的指标集，衡量生成摘要与参考摘要的重合度，在GEO中用于评估AI摘要的质量。

技术细节：ROUGE-N计算n-gram的召回率，ROUGE-L基于最长公共子序列。与BLEU关注精确率不同，ROUGE主要关注召回率——即生成文本覆盖了多少参考文本的内容。在生成式搜索评估中，ROUGE用于衡量AI Overview是否涵盖了参考答案的关键信息点。ROUGE的局限与BLEU类似，都基于表面文本匹配而非语义理解。

应用场景：评估AI Overview生成的摘要是否涵盖了网页内容的关键信息。

关联术语：BLEU Score、F1 Score、AI Overview、Generative Answer

62. Generative SERP Analysis（生成式SERP分析）

定义：生成式SERP分析是对生成式搜索结果页面的系统分析，包括AI回答内容、引用来源、品牌可见度和竞争态势。

技术细节：与传统SERP分析不同，生成式SERP分析需要处理非结构化的AI生成文本，提取品牌提及、情感倾向、引用来源、回答结构等信息。分析工具使用NLP技术（命名实体识别、情感分析、文本分类）对AI回答进行自动化分析。生成式SERP分析通常需要跨多个AI搜索引擎（Google AI Overviews、Bing Copilot、Perplexity、ChatGPT Search）进行，因为各引擎的回答和引用逻辑差异显著。

应用场景：品牌定期分析行业核心查询在多个AI搜索引擎中的SERP表现，调整GEO策略。

关联术语：Citation Rate、Share of Voice、Brand Mention、Generative Rank

63. GEO Audit（GEO审计）

定义：GEO审计是系统评估网站或品牌在生成式搜索中的表现和优化潜力的全面检查过程。

技术细节：GEO审计的维度包括：内容可引用性评估（内容结构、事实密度、引用友好度）、结构化数据审计（Schema标记的完整性和正确性）、AI可见度分析（在目标查询中的引用率和提及率）、竞争对比分析（与竞品的SOV对比）、技术基础检查（爬取可访问性、渲染兼容性）。GEO审计通常结合自动化工具扫描和人工专家分析，输出优先级排序的优化建议清单。

应用场景：企业季度GEO审计，评估GEO策略执行效果并制定下一阶段优化计划。

关联术语：Generative SERP Analysis、Citation Rate、Content Structure Optimization、Authority Signal

五、行业应用与前沿趋势（12个术语）

64. E-commerce GEO（电商GEO）

定义：电商GEO是针对在线零售场景的生成式搜索优化策略，目标是让产品在AI搜索的购买建议中获得推荐和引用。

技术细节：电商GEO的关键策略包括：产品评论优化（确保评论内容被AI提取为推荐理由）、产品规格结构化（使用Product Schema）、价格和库存信息实时更新、多产品对比内容的创建。生成式搜索中，用户常问”推荐最好的XX”或”XX和XX哪个好”，电商GEO需要确保品牌产品在这些比较型查询中获得有利推荐。电商GEO还需要管理用户评价对AI推荐的影响——负面评价可能被AI提取为不推荐的理由。

应用场景：用户在AI搜索中问”2026年最佳无线吸尘器”，品牌希望其产品出现在推荐列表中。

关联术语：Brand Mention、Sentiment Score、Structured Data、Authority Signal

65. Local GEO（本地GEO）

定义：本地GEO是针对本地搜索场景的生成式搜索优化，目标是让本地商家在AI搜索的本地推荐中获得曝光。

技术细节：本地GEO的策略包括：Google Business Profile优化（确保商家信息准确完整）、本地评论管理（积极引导正面评价）、本地结构化数据标注（LocalBusiness Schema）、本地媒体覆盖（获得本地新闻网站的报道和引用）。生成式搜索在处理”附近的XX”或”XX城市最好的XX”等查询时，会综合商家信息、评论和本地内容进行推荐。本地GEO还需关注AI搜索对地图和位置服务的整合趋势。

应用场景：用户在AI搜索中问”上海最好的本帮菜馆”，本地餐厅希望获得AI推荐。

关联术语：Knowledge Panel、Review Optimization、LocalBusiness Schema、Brand Mention

66. Voice Search Optimization（语音搜索优化）

定义：语音搜索优化是针对语音交互场景的搜索优化策略，生成式搜索与语音助手的融合使其重要性日益增加。

技术细节：语音搜索的查询模式与文本搜索不同——更口语化、更简洁、更多使用完整句子。语音搜索优化需要关注内容的口语可读性（简短直接的回答、避免复杂术语）、Speakable Schema标记（标注适合语音播报的内容段落）、本地搜索优化（语音搜索中本地查询比例高）。随着Siri、Google Assistant、Alexa等语音助手整合生成式AI，语音搜索优化已成为GEO的重要子领域。

应用场景：用户通过语音助手询问”今天适合穿什么”，AI基于天气和时尚内容生成语音回答。

关联术语：Conversational Query、Long-tail Question、Schema Markup、Semantic Search

67. Multimodal Search（多模态搜索）

定义：多模态搜索是支持文本、图像、音频、视频等多种模态输入的搜索方式，是生成式搜索的重要发展方向。

技术细节：多模态搜索使用统一的多模态嵌入模型（如CLIP、ALIGN）将不同模态的内容映射到同一向量空间，实现跨模态检索。用户可以用图片搜索相关文本，用语音搜索视频，或用文本搜索图像。在GEO中，多模态搜索要求内容优化覆盖所有模态——图像的alt文本和元数据、视频的字幕和描述、音频的转录文本。Google Lens和Google’s Multisearch是多模态搜索的典型产品。

应用场景：用户拍照搜索商品，AI综合图像和文本信息生成购买建议。

关联术语：Visual Search、Embedding、Semantic Search、AI Agent

68. Visual Search（视觉搜索）

定义：视觉搜索是以图像为输入的搜索方式，用户上传或拍摄图片进行搜索，AI返回相关产品、信息或答案。

技术细节：视觉搜索使用计算机视觉模型（如CNN、ViT）提取图像特征，与图像库进行匹配检索。在生成式搜索中，视觉搜索的结果可以与文本检索结果融合，生成综合性的回答。GEO中视觉搜索的优化包括：产品图片的高质量和多角度拍摄、图像文件名和alt文本优化、图像结构化数据标注（ImageObject Schema）。视觉搜索在电商、旅游、家居等领域的GEO中日益重要。

应用场景：用户上传一张家具照片，AI搜索返回购买链接、价格比较和搭配建议。

关联术语：Multimodal Search、E-commerce GEO、Embedding、Semantic Search

69. AI Agent Search（AI智能体搜索）

定义：AI智能体搜索是指AI智能体（Agent）代替用户执行搜索、信息筛选和决策的搜索模式，是生成式搜索的前沿发展方向。

技术细节：AI Agent搜索与传统生成式搜索的区别在于：Agent能够自主执行多步骤搜索、跨网站信息收集、比较分析和决策推荐。Agent搜索使用工具调用（Tool Use）能力，可以访问API、填写表单、执行交易。在GEO中，Agent搜索意味着优化对象不仅是搜索引擎结果页，还包括Agent调用的各种API和数据源。内容需要同时对人类用户和AI Agent可读可理解。

应用场景：用户让AI Agent”帮我找最便宜的北京到东京机票并预订”，Agent自主搜索、比较和下单。

关联术语：Multimodal Search、Conversational AI、RAG、LLM

70. Knowledge Graph in GEO（GEO中的知识图谱）

定义：知识图谱在GEO中指搜索引擎使用的结构化知识库，存储实体及其关系，为生成式回答提供事实基础。

技术细节：Google Knowledge Graph包含数十亿实体和数千亿关系。在生成式搜索中，知识图谱为AI回答提供经过验证的事实信息——如实体属性（人物生日、公司总部）、实体关系（某人是某公司CEO）。GEO优化需要确保品牌相关实体在知识图谱中的信息准确完整，这通过Wikipedia/Wikidata编辑和结构化数据标记实现。知识图谱的准确性直接影响AI回答中关于品牌的事实陈述。

应用场景：AI搜索在介绍某公司时，从知识图谱提取成立时间、总部位置、CEO姓名等事实信息。

关联术语：Entity Optimization、Knowledge Panel、Knowledge Grounding、Structured Data

71. Conversational AI Search（对话式AI搜索）

定义：对话式AI搜索是支持多轮对话的生成式搜索，用户可以追问、细化查询和调整需求，AI基于对话上下文生成回答。

技术细节：对话式AI搜索使用对话管理技术维护对话状态和上下文。关键技术包括：对话历史编码、意图追踪、上下文消解（如”它”指代什么）、主动澄清（AI主动询问不明确的需求）。对话式搜索对GEO的影响在于：品牌内容需要覆盖用户追问链中的各种问题，而不仅仅是初始查询。多轮对话还意味着品牌在不同对话轮次中的可见度可能不同，需要全链路优化。

应用场景：用户先问”推荐笔记本电脑”，再追问”预算8000以内呢”，最后问”哪款续航最长”。

关联术语：Conversational Query、Context Window、Prompt Sensitivity、AI Agent Search

72. Intent Recognition in GEO（GEO中的意图识别）

定义：意图识别是AI搜索引擎理解用户查询背后真实信息需求的技术，是生成式搜索准确回答的前提。

技术细节：意图识别使用分类模型将查询映射到意图类别（信息型、导航型、交易型、比较型等）。在生成式搜索中，意图识别比传统搜索更复杂——需要理解多轮对话中的动态意图、隐含意图和混合意图。GEO优化需要为不同意图类型创建相应的内容策略：信息型意图需要知识性内容，比较型意图需要对比表格，交易型意图需要产品规格和购买信息。意图识别的准确性直接影响内容是否被AI选择用于特定类型的查询回答。

应用场景：用户搜索”iPhone 17″，AI识别意图可能是购买（展示产品和价格）或了解（展示规格和评测）。

关联术语：Query Understanding、Conversational Query、Semantic Search、NLU

73. NLU — Natural Language Understanding（自然语言理解）

定义：自然语言理解是AI理解和解释人类语言含义的技术，包括语义理解、意图识别、情感分析等能力。

技术细节：在生成式搜索中，NLU贯穿整个搜索流程：查询理解（理解用户在问什么）、文档理解（理解网页内容的含义）、回答生成（用自然语言表达综合信息）。现代NLU基于预训练语言模型，通过大规模文本训练获得语义理解能力。NLU的进步使生成式搜索能够处理复杂的自然语言查询，而非仅匹配关键词。GEO优化需要确保内容的语义清晰性，使NLU系统能够正确理解内容含义。

应用场景：AI搜索理解”这手机信号怎么样”的查询意图是在询问手机信号质量评价，而非信号技术原理。

关联术语：Intent Recognition、Query Understanding、Semantic Search、LLM

74. Query Understanding（查询理解）

定义：查询理解是搜索引擎分析用户查询、确定搜索意图和检索策略的过程，是搜索管道的第一步。

技术细节：查询理解包括：查询改写（纠正拼写、扩展缩写）、查询分类（意图分类）、查询扩展（添加相关术语）、查询消歧（处理多义词）。在生成式搜索中，查询理解还涉及将查询转化为适合RAG管道的形式——生成嵌入向量用于稠密检索、提取关键词用于稀疏检索、识别实体用于知识图谱查询。GEO需要确保内容能够匹配查询理解后的多种查询变体。

应用场景：用户搜索”苹果手机”，查询理解系统判断为Apple iPhone（而非水果），触发相应的检索策略。

关联术语：Intent Recognition、NLU、Semantic Search、Query Expansion

75. Personalization in GEO（GEO中的个性化）

定义：个性化是生成式搜索引擎根据用户的历史行为、偏好和上下文定制搜索结果和AI回答的技术。

技术细节：生成式搜索的个性化维度包括：用户历史搜索和点击行为、地理位置、语言偏好、设备类型、时间上下文。个性化对GEO的影响在于：同一查询不同用户可能获得不同的AI回答，品牌可见度因用户而异。这使得GEO效果的评估更加复杂——需要在多个用户画像下测试品牌可见度。个性化也意味着GEO策略需要考虑用户画像定位——针对目标用户群体优化内容以获得更高的AI推荐概率。

应用场景：同一查询”推荐手机”，科技爱好者和技术小白的AI搜索结果可能推荐不同的品牌。

关联术语：Intent Recognition、Conversational AI Search、Query Understanding、Brand Mention

六、术语关系图谱

理解术语之间的关系是掌握GEO知识体系的关键。以下是核心术语间的关联关系梳理：

核心架构链

用户查询 → Query Understanding → Intent Recognition → Hybrid Retrieval（Dense Retrieval + Sparse Retrieval） → Re-ranking → RAG → LLM生成 → Generative Answer（附Citation）

这条链路构成了生成式搜索的完整技术流程。GEO优化的本质是确保品牌内容在这条链路的每个环节都能被正确识别、检索和引用。

GEO/AEO/SEO关系

SEO是搜索优化的总称，AEO是SEO针对答案引擎的子集，GEO是SEO/AEO针对生成式引擎的进一步细分。三者的优化策略有重叠但各有侧重：SEO关注排名和流量，AEO关注答案提取和零位，GEO关注AI引用和品牌提及。

技术依赖关系

• RAG依赖Grounding、Dense Retrieval、Chunking、Vector Database
• Dense Retrieval依赖Embedding和ANN算法
• Hybrid Retrieval组合Dense Retrieval和Sparse Retrieval
• LLM依赖Transformer和Attention Mechanism
• Generative Answer依赖RAG和LLM
• Citation依赖Source Attribution和Grounding

评估指标关系

• Citation Rate和Mention Rate是品牌可见度的两大基础指标
• Share of Voice基于Citation Rate和Mention Rate计算
• Answer Visibility综合Citation Rate、Mention Rate和Position Zero
• Brand Mention Sentiment扩展Mention Rate的情感维度
• Precision、Recall、F1 Score、NDCG评估检索质量
• BLEU和ROUGE评估生成质量

内容优化链

Structured Data + Schema Markup → Entity Optimization → Knowledge Graph → Content Structure Optimization → Snippet Optimization → Answer Extraction → Citation

这条链路展示了从内容标记到获得引用的优化路径。每个环节的质量都影响最终品牌在AI搜索中的可见度。

七、使用建议与学习路径

初学者路径（0-3个月）

建议从GEO基础概念组开始学习，重点掌握GEO、AEO、Generative Search、RAG、Citation五个核心术语。同时实践Structured Data和Schema Markup的部署，创建FAQ格式内容。使用GEO工具（如Profound、Goodie）开始追踪品牌的Citation Rate和Mention Rate。

进阶者路径（3-6个月）

在掌握基础概念后，深入学习技术架构组术语——理解Embedding、Vector Database、Hybrid Retrieval的工作原理。系统学习评估指标组，建立GEO效果衡量体系。开始进行Generative SERP Analysis和GEO Audit，形成数据驱动的GEO优化流程。

高级实践者路径（6个月以上）

深入研究行业应用组术语，将GEO策略应用到特定行业场景（电商、本地、语音等）。关注前沿趋势——Multimodal Search、AI Agent Search、Conversational AI Search的发展动态。建立跨AI搜索引擎的GEO监控体系，将GEO整合到整体数字营销策略中。

使用本手册的建议

本手册可作为GEO日常工作的参考工具。当遇到不熟悉的术语时，查阅其定义和关联术语，快速建立理解。术语关系图谱是理解GEO知识体系结构的导航工具，建议定期回顾以加深理解。随着GEO领域的快速发展，建议每季度关注新术语的出现和已有术语含义的演变，持续更新知识库。

GEO是一个快速演进的领域，2026年的术语体系可能在2027年就有显著变化。保持学习、持续实践、紧跟行业动态，是GEO从业者保持竞争力的关键。本手册将定期更新，力求反映GEO领域的最新术语发展。