LLM 不是「找出最好的網頁」再引用，而是先撈出一批語義夠近的段落，再從裡面挑一段最好複製貼上的答案。這代表決定你會不會被引用的，往往不是整篇文章的品質，而是某一段能不能被乾淨地抽出來、獨立回答問題。看懂這兩層機制，你才知道該優化什麼。
引用是兩道關卡，不是一次評分
目前 ChatGPT 搜尋、Perplexity、Gemini、Google AI Overviews 這類生成式引擎，多半走檢索增強生成（RAG）的路子。使用者問一句話，引擎先即時搜尋或從索引撈出數十段候選內容，再讓模型讀完、重寫成一段答案，並在後面標上引用來源。你的內容想被引用，得先在「檢索」這關被撈出來，再在「生成」這關被判定值得放進答案。
這兩關看的東西不一樣，這也是很多人做 GEO 卡住的地方。檢索關看的是語義相關度與段落好不好切；生成關看的是這段能不能直接回答問題、可不可信、跟其他來源說的一不一致。一篇塞滿關鍵字卻繞圈子的文章，可能連檢索都過不了；一篇被撈到、卻把答案埋在第八段的文章，則常在生成關被跳過。把兩關混為一談，你就會在錯的地方使力。
檢索關：模型先「找得到」你嗎
檢索靠的是向量比對。引擎把問題和你的每個段落都轉成一組數字（embedding），再算哪些段落跟問題的語義距離最近。這裡的重點是：它比的是「意思像不像」，不是「有沒有出現同一個詞」。所以你不需要在頁面上硬塞關鍵字，反而要確保每個段落把一個概念講清楚、講完整，語義才夠濃、夠好比對。
- 語義相關度：段落要正面回答某個具體問題，而不是泛泛談一個主題。主題模糊的段落，向量也模糊，容易被更精準的競爭段落擠掉。
- 段落切分（chunking）：引擎是一段一段撈，不是整頁撈。用清楚的小標題、短段落、問答結構，讓每個段落都能被獨立切出來、獨立成立。
- 索引覆蓋率：內容要能被爬到、被索引。被 JavaScript 擋住、藏在需要登入的頁面、或塞進圖片裡的文字，模型根本看不到。
- 新鮮度：牽涉時效的問題，引擎偏好近期更新的來源。長期不動的頁面，在這類查詢會被降權。
生成關：模型「敢不敢」引用你
通過檢索只是入圍。模型手上有一疊候選段落，最後只會引用其中幾段。它怎麼選？我們替客戶盤點過大量 AI 回答的引用來源，歸納下來，被穩定選中的段落幾乎都同時具備幾個特徵，而且愈是高風險、需要準確的問題，這些特徵愈關鍵。
- 答案在最前面：把結論、定義、數字放在段落第一句，模型偏好能直接複製的句子，而不是要它自己從三句鋪陳裡歸納。
- 跨來源被佐證：同一個主張若在多個可信來源被重複提到，模型更敢引用。單一網站自說自話的分量，遠低於被第三方印證過的說法。
- 可信任的訊號：清楚的作者、出處、發布與更新日期、外部連結，都是模型判斷能不能信的依據。匿名、無日期的內容會被打折。
- 前後一致：同一份內容裡數字與說法不能自相矛盾，也不宜和公認事實明顯衝突，否則模型會選一個「比較安全」的來源，而不是你。
為什麼「被引用」和「排名」是兩件事
傳統 SEO 你優化的是整個頁面在結果頁的名次；GEO 你優化的是頁面裡「某一段」被抽走的機率。這帶來一個反直覺的結果：一篇 Google 排在第五名的文章，可能因為第二段答得又快又乾淨，反而比排第一名、卻把重點藏在中段的頁面更常被 AI 引用。模型不看你在藍色連結裡排第幾，它看的是撈出來的這批段落裡，哪一段最適合貼進答案。
排名爭的是點擊，引用爭的是那段被念出來的話。同一批內容資產，最佳化的終點不一樣。— Tenten GEO
實務上，你可以先動的三件事
知道機制之後，優化方向其實很收斂。不必重寫整站，先挑流量或商機最相關的幾個問題，針對那幾頁動手。
- 把每個關鍵問題各給一個能獨立成立的段落：小標題就是使用者會問的那句話，第一句就把答案說完，後面才補脈絡。
- 補上可信任訊號：作者、發布與更新日期、資料出處、對外連結，讓生成關有理由選你。
- 追蹤引用而非只看流量：定期問 AI 引擎那些關鍵問題，記錄它引用了誰、有沒有提到你，這正是 Brand Radar 這類能見度追蹤在做的事——沒有這層數據，你根本不知道自己在 AI 的答案裡缺席。
引用不是玄學，它是一連串可以拆解、可以優化的訊號：撈得到、答得快、有人佐證、可以信。多數 B2B 網站不是內容不夠多，而是段落切法與答題方式對人不對機器。想知道自己的內容在這兩關各卡在哪，可以預約一次 30 分鐘 GEO 診斷，我們用你真正在乎的幾個問題，實測 AI 現在引用的是誰。
