一、基础概念层（8个核心术语）
本节列出GEO领域最基础的8个核心概念，是理解后续所有术语的基石。
GEO（Generative Engine Optimization）
生成式引擎优化，指针对生成式AI搜索引擎和AI问答系统进行的内容优化方法论，目标是让品牌内容被AI高频引用。
AEO（Answer Engine Optimization）
答案引擎优化，是GEO的子集，专注于AI问答场景下的答案引用优化。
LLM（Large Language Model）
大语言模型，AI回答生成的核心技术，如GPT-4、Claude 3、Gemini 2.0、文心一言、通义千问等。
RAG（Retrieval-Augmented Generation）
检索增强生成，AI回答前先检索相关文档再生成答案的机制，是GEO的核心技术背景。
SERP（Search Engine Results Page）
搜索引擎结果页，AI时代演变为AI答案面板（AEO Panel）。
NER（Named Entity Recognition）
命名实体识别，从文本中识别出人名、地名、机构名、专有名词的技术，是GEO的底层技术之一。
KG（Knowledge Graph）
知识图谱，由实体、关系、属性组成的三元组语义网络，是AI推理的核心数据结构。
Embedding
嵌入，将文本、图像等非结构化数据转换为高维向量的表示方法，是语义相似度计算的基础。
二、检索与索引层（10个核心术语）
本节列出AI检索与索引相关的10个核心概念。
Vector Search
向量检索，基于语义相似度而非关键词匹配的信息检索方式，AI时代的主流检索范式。
Semantic Search
语义检索，理解查询意图与文档含义的检索技术，超越字面匹配。
Dense Retrieval
稠密检索，使用稠密向量表示文档与查询的检索方法，适合复杂语义匹配。
Sparse Retrieval
稀疏检索，使用关键词稀疏向量（如BM25）的传统检索方法，适合精确匹配。
Hybrid Search
混合检索，融合稠密与稀疏两种检索方式的综合方案，兼顾精度与召回。
Re-ranking
重排序，对初检结果做二次精细排序以提升相关性，是AI回答质量的关键步骤。
Chunking
分块，将长文档切分为适合检索的小段文本，通常200-500字一块。
Index
索引，AI为加速检索建立的倒排索引或向量索引数据结构。
Crawler
爬虫，AI主动抓取互联网内容建立语料库的机器人程序，如GPTBot、ClaudeBot、CCBot等。
Citation
引用，AI回答中明确标注信息来源的行为，是GEO的核心目标之一。
三、内容结构化层（12个核心术语）
本节列出内容结构化相关的12个核心概念，是GEO优化的实施工具。
Schema.org
Schema.org是由Google、Microsoft、Yahoo、Yandex共同维护的结构化数据词汇表。
JSON-LD
JSON-LD是Schema.org推荐的JSON格式结构化数据部署方式，最易维护。
FAQPage
FAQPage是Schema.org定义的常见问题页面类型，AI特别偏爱此结构，引用率提升35-50%。
HowTo
HowTo是Schema.org定义的操作步骤类内容结构，对教程类内容尤其友好。
Organization Schema
组织Schema，标注公司主体的结构化数据，是品牌实体的核心标识。
Product Schema
产品Schema，标注产品信息的结构化数据，对电商类GEO至关重要。
Article Schema
文章Schema，标注文章作者、发布时间、所属组织的结构化数据。
BreadcrumbList
面包屑导航结构化数据，帮助AI理解网站层级结构。
Markup
标记，泛指在HTML中嵌入的结构化语义信息。
Microdata
Microdata是HTML5规范的结构化数据表示方式，部署较复杂。
RDFa
RDFa是资源描述框架在HTML中的扩展，适合复杂语义场景。
Rich Snippet
富摘要，搜索结果中带有图片、评分、价格的增强展示。
四、评估与监测层（10个核心术语）
本节列出GEO效果评估相关的10个核心概念。
AI Citation Rate
AI引用率，品牌内容被AI回答引用的频率，是GEO的核心指标。
Mention Rate
提及率，品牌名在AI回答中出现的频率（不一定是引用）。
Position Bias
位置偏置，AI回答中靠前的引用位通常获得更多用户点击。
Source Authority
源权威度，AI评估引用源可信度的算法，影响引用优先级。
Factuality Score
事实性得分，评估AI回答准确性的指标。
Hallucination
幻觉，AI生成看似合理但实际错误内容的现象。
Grounding
接地，AI回答与事实对齐的程度，是高质量引用的关键。
Prompt Engineering
提示工程，优化输入提示以获得更好AI输出的技术，是GEO监测的基础。
A/B Test for GEO
GEO A/B测试，对比不同内容版本的AI引用效果。
GEO Analytics
GEO分析，监测AI引擎流量、引用率、引用位置的数据平台。
五、关系与语义层（10个核心术语）
本节列出语义关系与图谱相关的10个核心概念。
Triplet
三元组，（头实体, 关系, 尾实体）是知识图谱的基本单位。
Entity Linking
实体链接，把文本中提到的实体与知识库中具体实体绑定的过程。
Entity Disambiguation
实体消歧，区分同名不同实体的过程，对品牌名保护尤其重要。
Coreference Resolution
指代消解，判断文本中代词、缩写指代哪个实体的技术。
Relation Extraction
关系抽取，从文本中自动提取实体间关系的技术。
Ontology
本体，定义领域概念及概念间关系的语义模型。
Taxonomy
分类法，层级化的概念分类体系，用于内容组织。
Semantic Triple
语义三元组，与Triplet同义，更强调语义含义。
Context Window
上下文窗口，LLM一次能处理的最大token数，影响长内容处理。
Few-shot Learning
少样本学习，用少量示例让AI学会新任务的方法。
六、术语速查表与实务应用
本节把50个核心概念做汇总速查，按字母顺序排列，方便读者快速查阅。
- A/B Test for GEO：GEO A/B测试，对比不同内容版本的AI引用效果。
- AEO（Answer Engine Optimization）：答案引擎优化，是GEO的子集，专注于AI问答场景下的答案引用优化。
- AI Citation Rate：AI引用率，品牌内容被AI回答引用的频率，是GEO的核心指标。
- Article Schema：文章Schema，标注文章作者、发布时间、所属组织的结构化数据。
- BreadcrumbList：面包屑导航结构化数据，帮助AI理解网站层级结构。
- Chunking：分块，将长文档切分为适合检索的小段文本，通常200-500字一块。
- Citation：引用，AI回答中明确标注信息来源的行为，是GEO的核心目标之一。
- Context Window：上下文窗口，LLM一次能处理的最大token数，影响长内容处理。
- Coreference Resolution：指代消解，判断文本中代词、缩写指代哪个实体的技术。
- Crawler：爬虫，AI主动抓取互联网内容建立语料库的机器人程序，如GPTBot、ClaudeBot、CCBot等。
- Dense Retrieval：稠密检索，使用稠密向量表示文档与查询的检索方法，适合复杂语义匹配。
- Embedding：嵌入，将文本、图像等非结构化数据转换为高维向量的表示方法，是语义相似度计算的基础。
- Entity Disambiguation：实体消歧，区分同名不同实体的过程，对品牌名保护尤其重要。
- Entity Linking：实体链接，把文本中提到的实体与知识库中具体实体绑定的过程。
- FAQPage：FAQPage是Schema.org定义的常见问题页面类型，AI特别偏爱此结构，引用率提升35-50%。
- Factuality Score：事实性得分，评估AI回答准确性的指标。
- Few-shot Learning：少样本学习，用少量示例让AI学会新任务的方法。
- GEO Analytics：GEO分析，监测AI引擎流量、引用率、引用位置的数据平台。
- GEO（Generative Engine Optimization）：生成式引擎优化，指针对生成式AI搜索引擎和AI问答系统进行的内容优化方法论，目标是让品牌内容被AI高频引用。
- Grounding：接地，AI回答与事实对齐的程度，是高质量引用的关键。
- Hallucination：幻觉，AI生成看似合理但实际错误内容的现象。
- HowTo：HowTo是Schema.org定义的操作步骤类内容结构，对教程类内容尤其友好。
- Hybrid Search：混合检索，融合稠密与稀疏两种检索方式的综合方案，兼顾精度与召回。
- Index：索引，AI为加速检索建立的倒排索引或向量索引数据结构。
- JSON-LD：JSON-LD是Schema.org推荐的JSON格式结构化数据部署方式，最易维护。
- KG（Knowledge Graph）：知识图谱，由实体、关系、属性组成的三元组语义网络，是AI推理的核心数据结构。
- LLM（Large Language Model）：大语言模型，AI回答生成的核心技术，如GPT-4、Claude 3、Gemini 2.0、文心一言、通义千问等。
- Markup：标记，泛指在HTML中嵌入的结构化语义信息。
- Mention Rate：提及率，品牌名在AI回答中出现的频率（不一定是引用）。
- Microdata：Microdata是HTML5规范的结构化数据表示方式，部署较复杂。
- NER（Named Entity Recognition）：命名实体识别，从文本中识别出人名、地名、机构名、专有名词的技术，是GEO的底层技术之一。
- Ontology：本体，定义领域概念及概念间关系的语义模型。
- Organization Schema：组织Schema，标注公司主体的结构化数据，是品牌实体的核心标识。
- Position Bias：位置偏置，AI回答中靠前的引用位通常获得更多用户点击。
- Product Schema：产品Schema，标注产品信息的结构化数据，对电商类GEO至关重要。
- Prompt Engineering：提示工程，优化输入提示以获得更好AI输出的技术，是GEO监测的基础。
- RAG（Retrieval-Augmented Generation）：检索增强生成，AI回答前先检索相关文档再生成答案的机制，是GEO的核心技术背景。
- RDFa：RDFa是资源描述框架在HTML中的扩展，适合复杂语义场景。
- Re-ranking：重排序，对初检结果做二次精细排序以提升相关性，是AI回答质量的关键步骤。
- Relation Extraction：关系抽取，从文本中自动提取实体间关系的技术。
- Rich Snippet：富摘要，搜索结果中带有图片、评分、价格的增强展示。
- SERP（Search Engine Results Page）：搜索引擎结果页，AI时代演变为AI答案面板（AEO Panel）。
- Schema.org：Schema.org是由Google、Microsoft、Yahoo、Yandex共同维护的结构化数据词汇表。
- Semantic Search：语义检索，理解查询意图与文档含义的检索技术，超越字面匹配。
- Semantic Triple：语义三元组，与Triplet同义，更强调语义含义。
- Source Authority：源权威度，AI评估引用源可信度的算法，影响引用优先级。
- Sparse Retrieval：稀疏检索，使用关键词稀疏向量（如BM25）的传统检索方法，适合精确匹配。
- Taxonomy：分类法，层级化的概念分类体系，用于内容组织。
- Triplet：三元组，（头实体, 关系, 尾实体）是知识图谱的基本单位。
- Vector Search：向量检索，基于语义相似度而非关键词匹配的信息检索方式，AI时代的主流检索范式。
七、术语间的关联与学习路径建议
50个术语不是孤立的，它们之间存在严密的逻辑关联。学习时建议按以下路径循序渐进。
- 入门路径：先掌握基础概念层的8个术语，理解GEO的整体框架
- 进阶路径：学习检索与索引层、内容结构化层的22个术语，掌握GEO的实施工具
- 高级路径：深入评估与监测层、关系与语义层的20个术语，建立GEO的优化方法论
- 实战路径：边学边用，用真实项目做练习，把术语转化为实操能力
本词典建议作为案头工具书使用，遇到不熟悉的术语随时查阅。完整掌握这50个术语需要1-2个月的持续学习，但一旦掌握，你将具备系统化的GEO能力，能在团队中承担专业角色，也能更有效地与AI工程师、数据分析师协作。
八、术语在不同场景的应用差异
同一个术语在不同应用场景下可能有不同含义，理解这些差异对GEO实践至关重要。下面列出10个容易混淆的术语场景。
- Embedding：在NLP中指词向量，在搜索中指文档向量，在推荐中指用户向量。GEO场景下主要指文档向量。
- Chunking：通用场景指任意分块，GEO场景特指为RAG优化的语义分块（按段落、章节、主题切分）。
- Citation：学术场景指参考文献引用，搜索场景指rich snippet引用，AI场景指AI回答中的来源标注。
- Index：通用数据库概念，搜索场景指倒排索引，AI场景指向量索引（HNSW、IVF等）。
- RAG：传统RAG仅做单次检索，Advanced RAG包含查询改写、HyDE、self-RAG等高级变体。
- Triplet：知识图谱场景是（头, 关系, 尾），机器学习场景是（anchor, positive, negative），含义不同。
- Token：LLM的token不等于字数，1个中文字通常对应1.5-3个token，预算评估时需注意。
- Context Window：不同模型的context window差异大，GPT-4 Turbo是128K，Claude 3是200K，需根据模型选择内容长度。
- Embedding维度：OpenAI text-embedding-3是3072维，开源bge-large-zh是1024维，维度不同影响存储与计算。
- Hallucination：完全捏造事实属于幻觉，事实正确但细节错误也属于幻觉，需严格区分。
九、术语演进与未来3年新趋势
GEO领域术语演进速度极快，未来3年将出现一批新术语，并淘汰一批旧术语。下面是预测的趋势。
- GEO 2.0：当前的GEO是基础版，未来3年将进化到GEO 2.0，重点是多模态、个性化、AI Agent自动优化
- Agentic SEO：AI Agent自动完成SEO/GEO优化，团队角色从执行者转向监督者
- RAG Optimization：RAG成为AI搜索主流技术后，针对RAG的优化将形成独立术语体系
- AI Brand Score：衡量品牌在AI生态中整体可见度的复合指标，可能成为行业标准
- Citation Engineering：内容创作的新学科，专门研究如何让内容被AI引用
- Multi-modal AEO：多模态AEO将成为独立子领域，覆盖文本、图片、视频、音频
- Vertical GEO：垂直行业GEO成为新赛道，医疗GEO、法律GEO、金融GEO等专业方向
- Real-time GEO：实时GEO优化，根据AI引擎算法变化实时调整内容策略
对GEO从业者而言，持续学习新术语、理解术语演进、跟踪技术前沿是核心能力要求。建议每季度更新一次个人术语库，每年参加2-3次行业会议，保持与前沿同步。
附录：本词典全部50个术语的速查清单已在前文第六节列出，建议保存为个人参考资料。所有术语均配有简短释义，可在实际工作中随时查阅。如对某个术语需要更深入了解，可参考相关论文、官方文档、行业报告等。GEO是一个快速演进的领域，术语体系本身也在持续更新，本词典将每季度更新一次，欢迎同行补充建议。
最后，希望本词典能成为你GEO学习路上的实用工具，也欢迎你把本词典分享给团队成员和同行，共同推动GEO领域的方法论沉淀与知识共享。
