GEO、AEO 和 LLMO 常被当成同一件事的 3 种热门说法，其实不然。它们分别对应 AI 搜索中的不同问题层级。术语一旦混用，团队很容易把精力花错地方——比如一味增加结构化数据，却没人检查品牌是否被 ChatGPT 引用。这份词典用简体中文讲清 40 个最容易混淆的概念，帮助你与工程师、管理层或代理商使用同一套语言沟通。
先分清最容易混淆的 3 个缩写
最快的区分方法，是看“优化对象”。SEO 优化搜索引擎排名；AEO 优化答案引擎提取内容的方式；GEO 是范围最大的上层概念，覆盖品牌在各类生成式答案中的曝光；LLMO 则进一步关注模型如何从语义层面理解品牌。实际工作中，这几类优化往往需要同时推进，但沟通时必须分清，否则很容易把“排名下降”和“AI 不引用我们”误判为同一个问题。
- “GEO（Generative Engine Optimization，生成式引擎优化）：一套帮助品牌被 ChatGPT、Gemini、AI Overview 等生成式答案引用和提及的优化方法。”
- “AEO（Answer Engine Optimization，答案引擎优化）：面向 Perplexity、语音助手等直接提供答案的引擎进行优化，重点是把内容组织成能够被准确提取的问答形式。”
- “LLMO（Large Language Model Optimization，大语言模型优化）：关注模型本身对品牌的认知，也就是在模型看来，你的品牌与哪些主题和语义相关联。”
- “SEO（Search Engine Optimization，搜索引擎优化）：传统的网页排名优化。GEO 以它为基础，但衡量重点从‘点击’转向‘引用’。”
- “AI Overviews：Google 在搜索结果顶部生成的摘要，只标注少量信息来源，也是零点击流量的重要来源之一。”
- “SGE（Search Generative Experience）：AI Overview 的前身名称，在旧版资料中仍很常见。”
- “零点击搜索（Zero-click search）：用户无需进入网站，直接在搜索结果页或 AI 答案中获得信息。GEO 要争取的正是这类场景中的品牌曝光。”
- “答案引擎（Answer Engine）：不再返回链接列表，而是直接给出答案的系统，Perplexity 就是典型代表。”
AI 引擎如何工作：模型与检索术语
你不需要了解如何训练模型，但需要知道答案是怎样生成的。如今大多数 AI 搜索并非只靠模型记忆作答，而是实时检索一批网页，再以这些内容为依据生成答案——这套架构叫作 RAG。理解这一点，也就抓住了关键：你的内容能否获得引用，首先取决于它能否进入检索候选范围。
- “LLM（Large Language Model，大语言模型）：使用海量文本训练、能够生成自然语言的模型，是 ChatGPT、Claude 和 Gemini 的底层基础。”
- “RAG（Retrieval-Augmented Generation，检索增强生成）：模型在回答前即时检索外部数据，再据此生成内容。多数 AI 搜索都会采用这种方式，因此你的内容才有机会被引用。”
- “Grounding（依据锚定）：让模型以可验证的外部来源为答案依据，从而减少编造。内容成为 Grounding 引用来源，也就意味着进入了答案。”
- “Embedding（嵌入向量）：把文本转换成数值坐标，使机器能够通过语义距离判断相关性，而不只是比对关键词。”
- “语义搜索（Semantic search）：根据含义是否相近进行匹配，而不是只看字面是否一致的搜索方式。”
- “Token（词元）：模型处理文本的最小单位，1 个汉字大约对应 1 到 2 个 token。”
- “上下文窗口（Context window）：模型一次能够读取的 token 数量上限，决定了它可以同时参考多少信息。”
- “幻觉（Hallucination）：模型以确信的口吻生成错误内容。品牌缺少权威信息来源时，更容易被错误描述。”
- “微调（Fine-tuning）：使用特定数据在现有模型基础上继续训练，以调整输出风格或知识表现。”
- “Prompt（提示词）：用户输入的问题或指令，决定模型检索与生成的大致方向。”
让 AI 读懂你：抓取、索引与来源引用
- “GPTBot：OpenAI 面向 ChatGPT 的爬虫。在 robots.txt 中屏蔽它，就等于放弃被 ChatGPT 参考的机会。”
- “ClaudeBot：Anthropic 的网页爬虫，对应 Claude。”
- “PerplexityBot：Perplexity 用于抓取实时信息来源的爬虫。”
- “Google-Extended：用于控制内容能否被 Gemini 等生成式产品使用的设置项，可在 robots.txt 中单独配置。”
- “llms.txt：放在网站根目录、专门写给 AI 阅读的 Markdown 指引文件，用来标出最希望获得引用的内容。”
- “robots.txt：用于告知爬虫哪些页面可以抓取的文件。AI 爬虫能否访问网站，首先由这里决定。”
- “Citation（引用）：AI 答案中标注的信息来源链接，是 GEO 最直接的成果。”
- “Structured data / Schema.org（结构化数据）：通过机器可读的标记描述页面内容，帮助引擎准确理解并提取信息。”
- “知识图谱（Knowledge graph）：将实体及其关系连接成网络的结构。引擎借此判断你的品牌是什么，以及它与谁相关。”
- “实体（Entity）：知识图谱中的节点，例如公司或产品。让品牌成为定义清晰的实体，是 GEO 的长期目标。”
- “E-E-A-T（Experience、Expertise、Authoritativeness、Trustworthiness，即经验、专业性、权威性和可信度）：Google 用于评估内容质量的框架，也是引擎判断信息来源可信度的重要参考。”
- “Chunking（分块）：把长篇内容切分成较小片段，以便检索。标题清晰、段落信息完整的内容，更容易被准确切分。”
衡量品牌可见度：需要定期跟踪哪些指标
不先衡量，就无法优化可见度。传统 SEO 关注排名和点击，GEO 观察的却是另一套指标：品牌是否出现在 AI 答案中，以及以什么方式出现。以下几项值得持续跟踪。
- “Share of Model / Share of Voice（模型声量占比）：在一组目标提示词下，品牌提及量相对于竞品的占比，是 GEO 的核心 KPI。”
- “Prompt volume（提示词覆盖量）：纳入跟踪的相关问题数量，决定样本是否具有代表性。”
- “引用率（Citation rate）：针对特定问题生成的答案中，实际包含你网站链接的比例。”
- “Sentiment（情感倾向）：AI 提及品牌时呈现的是正面、中性还是负面语气。”
- “Position in answer（答案内位置）：品牌在生成式答案中被提及的先后顺序。位置越靠前，影响力通常越大。”
- “Passage retrieval（段落检索）：引擎将单个段落而非整个页面作为检索材料，因此每个段落都应具备独立表达完整信息的能力。”
- “Answer extraction（答案提取）：引擎从内容中截取一部分，直接用于回答问题。格式越清晰，成功提取的概率越高。”
- “Prompt injection（提示词注入）：通过恶意输入操纵模型行为的方法，需要重视由此带来的内容安全风险。”
- “Citation gap（引用缺口）：你已经发布某个主题的内容，却始终没有被任何 AI 答案引用。审计时应重点找出这类缺口。”
- “AI visibility monitoring（AI 可见度监测）：持续监测品牌在各个 AI 引擎中的可见度，并把上述指标整理成每周可查看的仪表盘。”
术语还会不断变化，但底层问题始终只有一个：当用户向 AI 询问你所在领域的问题时，你的品牌会不会出现，又会以怎样的方式出现？只有把这件事量化，后续优化才有明确方向。— Tenten GEO Consulting Team
从查询术语到采取行动
术语速查只是起点。真正需要看清的，是你以为品牌已经拥有的可见度，与 AI 实际如何描述品牌之间的差距。如果你想知道自己的品牌在 ChatGPT、Gemini 和 Perplexity 中被引用了多少次，又输给了哪些竞争对手，可以预约一次 30 分钟的 GEO 诊断。我们会使用你的真实目标提示词生成一份快照，并当场指出最需要补齐的 3 个缺口。
