社区 发现 AI 跨境电商人/品牌人可以从零开始的GEO实...
跨境电商人/品牌人可以从零开始的GEO实验（一）
发帖1次
被置顶1次
被推荐0次
质量分0星
回帖互动7次
历史交流热度0
历史交流深度0%
如果你现在也在做电商、运营品牌、或者对AI时代的营销感到困惑，我觉得这个系列可能对你有帮助。
最近⼏个⽉，我陆续接触了20多个号称可以做“GEO”（Generative Engine Optimization）的国内外团队和个⼈。说实话，⼀开始我是真的有点好奇的，会不会他们真的掌握了什么⿊科技，能直接把我的宠物品牌塞进ChatGPT和Google AI Overview的回答⾥？
结果，我发现这些GEO团队给出的建议⼏乎都⼀样：
等等…这些不就是传统SEO吗？
没错，传统SEO的基本功对GEO也有⽤，但它们是必要条件，不是充分条件。GEO和SEO的本质逻辑完全不⼀样。⽤SEO的排名思维卖GEO服务，其实是「旧瓶装新酒」。
排名靠后的⽹站，AI照样可以引⽤它。排名第⼀的⽹站，AI可能完全忽视它。我认为真正的GEO需要做三件事：
这三件事，传统SEO根本帮不了多少忙。
我们决定⾃⼰验证⼀遍。我们⽤⼀个具体的商品——狗床（Dog Bed），来从零开始做⼀遍真正的GEO优化。
为什么是狗床？因为这是⼀个理想的“实验品”：
我们打算全程透明地分享怎么做的。不是理论，不是最佳实践，⽽是真实的、⼀步步的、可复制的操作过程。
如果做对了，你能直接copy我的⽅法到你的品类⾥。如果做错了，咱们⼀起吸取教训。我希望证明：真正的GEO优化，核⼼不是排名，⽽是被AI看⻅，让AI把你视为⼀个「可信的信息源」。
（一）如何科学地监测GEO效果?
搜罗了一圈，有企业级的Profound，价格较亲民的Otterley，前TTD团队打造的Evertune，宣称监测用户UI的ZipTie，以及最常被提名的老牌SEO 巨LSEMrush推出的AI Visibility.
我本想用大家都熟悉的SEMrush建立我的实验baseline，然而事与愿违。耗$99巨资启用了AIVisibility功能后，我发现了几个难以忽视的硬伤
1.数据准确性存疑
SEMrush很大程度上依赖于真实搜索数据和Clickstream建模，而不是直接查询LLM。对于数据点丰富的大品牌，模型尚可一战;但对于数据稀疏的新品牌或垂直领域，这种基于推测的模型往往会产生严重的偏差。
我用SEMrush报告中的prompt去和ChatGPT/Gemini 的用户界面输出做对比，从提及品牌到引用来源，多数时候都不一致。一些小品牌的AI可见度得分不低，但仔细查看被mentioned的topics，基本都围绕着自己的品牌词展开--这明显没有反映真实的AIVisibility情况，更像是在看一份品牌词报告。
2.方法论黑盒
SEMrush文档并没有明确说明是查询live用户界面还是静态API。要知道，API返回的结果与用户在真实UI中看到的结果，几乎是两个世界。首先有来源偏好的差别。真实UI倾向于引用主流媒体和行业权威网站，而 API 更多返回结构化的知识源。这意味着，如果你只看 API 数据做决策，你的 PR 和媒体策略方向可能会完全选错。
德国就有一项针对 ChatGPT 的研究，在 Web UI 中，welt.de 和 bild.de 分别是排名第一和第五的引用来源，而在 API 中，它们分别下降到了第 61 位和第 158 位。
其次是个性化因素和实时性的差异。真实 UI 会根据用户的位置、历史记录等动态调整答案，并进行实时搜索获取最新信息。API 则返回缓存的或更保守的回答。对于需要时效性的内容，比如“Best Dog Bed in 2025”，这个差异特别明显。
3. SEO 基因的局限
SEMrush 的 AI 功能给人的感觉，更像是用它强大的 SEO 基因去套 AI 的壳——用关键词去推测 Prompt，用排名去推测可见性（它的报告中，AI Overview 数据远超 ChatGPT 几十倍，就很能说明问题）。并且，它只能监测到 Domain Level 的模糊数据，无法监测 URL Level，这对于内容优化来说基本没用。
那我该用什么来监测？
因为无法相信SEMRush的数据，在找到更科学的方法之前（Profound和ZipTie的Demo还在路上），我们选择 GA4和Shopify 后台的 Traffic Source 报告，虽然偏用户触点的后端，监测不到“被提及但未点击”的情况，但可贵的是，这是来自真实用户的真实点击，并且GA4会告诉我哪个Landing Page获得了这些AI流量。
如上图，结合GA4的真实流量数据(Gemini和Perplexity 流量不多，就集中看 ChatGPT好了)、SEMrush的可见度评分(虽然有问题但仍有参考价值的)、以及我在Web AI中的真实对话测试，我得出了针对新品“Dog Bed”的GEO实验Baseline：
建立完Baseline后，我产生了一个疑问：我跟AI对话去验证的“产品核心prompt”，是我作为品牌方希望被AI引用的问题，但不代表用户真的会这么问AI呀！
我能直接问GPT“关于狗床，用户都问你什么问题？”——不行，因为用户的实时搜索logs、prompt历史数据都不公开，AI只能基于训练数据和网络公开信息提供答案。
那么，我该如何发现真实用户在问什么？
回到第一性原理。一个狗主人想知道“我应该选什么床给有髋关节问题的德牧”，这个信息需求不会因为工具改变而消失，只是表达方式会发生改变。
基于这个逻辑，我开始从多个真实数据源交叉验证：
用以上方法，我生成了20条狗床相关的产品核心prompts，作为AI可见度测试的代表性样本。
确定了监测工具和Prompt列表后，接下来的问题是：我能通过优化哪些内容来提升AI可见度？
跳过网站速度、Schema数据和Backlinks这些常规建议，我想把重点放在内容优化。作为品牌方，我能通过正当操作掌控的内容渠道无外乎三种：
我准备先从优化官网的产品页着手，之前咨询过的 GEO团队建议我“以自然语言回答用户问题的方式，融入相关产品话题和长尾关键字”。停顿。这不还是keyword思维吗？
摸索碰撞中，我又学到了一个关键的知识点——LLMs是通过知识图谱来理解世界的，而不是关键词库，而知识图谱就是由无数个Entity和它们之间的关系组成的一个网络。
所以，我们的内容优化 →
应该用 Entity 思维，而非 Keyword 思维
Keyword是字符串，比如“dog bed”。你可以在你的页面中重复这个词100次，Google搜索引擎会注意到。
Entity是具有唯一身份的概念。AI知道“Hip Dysplasia”是一种与特定犬种相关、需要特定的床支撑、有医学研究支持的健康状况；或者“Memory Foam”是一种有特定的密度、热感应性能、耐久性的材料。
这两者之间的差异，决定了内容优化的整个方向。当 AI 看到一个页面时，它不是在数有多少个“dog bed”关键词，而是在问：“这个页面包含了哪些关键的 Entity？这些 Entity 之间的逻辑关系是什么？”
比如，当用户在 AI 中提问：“My 100-pound German Shepherd has hip dysplasia. He‘s a heavy chewer. I need a supportive bed, something washable.”
AI 会立即识别出这个提问包含的 Entity：
然后，AI 会在互联网上寻找哪个页面同时覆盖了这些 Entity，并且它们之间的逻辑清晰。
理解了这个原理后，我的自有内容优化思路就清晰了，我要做的是：分析竞争对手被 AI 频繁引用的页面 → 找出我的页面缺失的 “Entity” → 围绕这些 Entity 来构建页面内容，让 AI 确信我的内容是专业的、权威的、完整的。
有趣的是，Entity 思维与 Google 最看重的 E-E-A-T 框架是一致的。那就意味着，Entity内容优化不仅仅是为了AI可见度，理论上它也能同时提升传统SEO中的可信度。这倒是我一开始没想到的协同效应。
综合以上，我的 GEO 实验第一步包括三项确定：
这不是一篇最佳实践指南，只是一个营销人的真实实验记录。我在摸索，也在犯错。如果你也在做 GEO，或者正在质疑现有的 GEO 工具和方法，欢迎分享你的发现。让我们一起把GEO从”SEO 换皮“做成一个真正有科学基础的营销实践
最近⼏个⽉，我陆续接触了20多个号称可以做“GEO”（Generative Engine Optimization）的国内外团队和个⼈。说实话，⼀开始我是真的有点好奇的，会不会他们真的掌握了什么⿊科技，能直接把我的宠物品牌塞进ChatGPT和Google AI Overview的回答⾥？
结果，我发现这些GEO团队给出的建议⼏乎都⼀样：
- 1. 优化网站速度和移动端适配
- 2. 加Scheme结构化数据
- 3. 写高质量内容
- 4. 做外链和权重性建设
- 5. 关键词优化和内容布局
等等…这些不就是传统SEO吗？
没错，传统SEO的基本功对GEO也有⽤，但它们是必要条件，不是充分条件。GEO和SEO的本质逻辑完全不⼀样。⽤SEO的排名思维卖GEO服务，其实是「旧瓶装新酒」。
- SEO的逻辑：我要让你的⽹⻚在Google搜索结果的排名越前越好，因为搜索⽤户会沿着排名往下扫。
- GEO的逻辑：我要让你的品牌、数据、观点被AI看⻅，被AI引⽤，融⼊AI⽣成的答案⾥。排名已经没那么重要，因为⽤户与搜索结果的互动⽅式已经改变。
排名靠后的⽹站，AI照样可以引⽤它。排名第⼀的⽹站，AI可能完全忽视它。我认为真正的GEO需要做三件事：
- 被第三⽅引⽤的频次：你在Reddit,社媒，YouTube被提及多少次（注意，不包括付费⼴告内容）
- 信息密度和独特性：你有没有独特的产品、案例、数据、观点
- ⽹络整体信誉：你在整个⽹络⽣态⾥的评价和权威性信号
这三件事，传统SEO根本帮不了多少忙。
我们决定⾃⼰验证⼀遍。我们⽤⼀个具体的商品——狗床（Dog Bed），来从零开始做⼀遍真正的GEO优化。
为什么是狗床？因为这是⼀个理想的“实验品”：
- 搜索量稳定
- 竞争不算疯狂
- 电商属性明确
- ⾜够垂直
- 我们⾃⼰有独⽴站和平台店铺的真实数据
我们打算全程透明地分享怎么做的。不是理论，不是最佳实践，⽽是真实的、⼀步步的、可复制的操作过程。
如果做对了，你能直接copy我的⽅法到你的品类⾥。如果做错了，咱们⼀起吸取教训。我希望证明：真正的GEO优化，核⼼不是排名，⽽是被AI看⻅，让AI把你视为⼀个「可信的信息源」。
（一）如何科学地监测GEO效果?
搜罗了一圈，有企业级的Profound，价格较亲民的Otterley，前TTD团队打造的Evertune，宣称监测用户UI的ZipTie，以及最常被提名的老牌SEO 巨LSEMrush推出的AI Visibility.
我本想用大家都熟悉的SEMrush建立我的实验baseline，然而事与愿违。耗$99巨资启用了AIVisibility功能后，我发现了几个难以忽视的硬伤
1.数据准确性存疑
SEMrush很大程度上依赖于真实搜索数据和Clickstream建模，而不是直接查询LLM。对于数据点丰富的大品牌，模型尚可一战;但对于数据稀疏的新品牌或垂直领域，这种基于推测的模型往往会产生严重的偏差。
我用SEMrush报告中的prompt去和ChatGPT/Gemini 的用户界面输出做对比，从提及品牌到引用来源，多数时候都不一致。一些小品牌的AI可见度得分不低，但仔细查看被mentioned的topics，基本都围绕着自己的品牌词展开--这明显没有反映真实的AIVisibility情况，更像是在看一份品牌词报告。
2.方法论黑盒
SEMrush文档并没有明确说明是查询live用户界面还是静态API。要知道，API返回的结果与用户在真实UI中看到的结果，几乎是两个世界。首先有来源偏好的差别。真实UI倾向于引用主流媒体和行业权威网站，而 API 更多返回结构化的知识源。这意味着，如果你只看 API 数据做决策，你的 PR 和媒体策略方向可能会完全选错。
德国就有一项针对 ChatGPT 的研究，在 Web UI 中，welt.de 和 bild.de 分别是排名第一和第五的引用来源，而在 API 中，它们分别下降到了第 61 位和第 158 位。
其次是个性化因素和实时性的差异。真实 UI 会根据用户的位置、历史记录等动态调整答案，并进行实时搜索获取最新信息。API 则返回缓存的或更保守的回答。对于需要时效性的内容，比如“Best Dog Bed in 2025”，这个差异特别明显。
3. SEO 基因的局限
SEMrush 的 AI 功能给人的感觉，更像是用它强大的 SEO 基因去套 AI 的壳——用关键词去推测 Prompt，用排名去推测可见性（它的报告中，AI Overview 数据远超 ChatGPT 几十倍，就很能说明问题）。并且，它只能监测到 Domain Level 的模糊数据，无法监测 URL Level，这对于内容优化来说基本没用。
那我该用什么来监测？
因为无法相信SEMRush的数据，在找到更科学的方法之前（Profound和ZipTie的Demo还在路上），我们选择 GA4和Shopify 后台的 Traffic Source 报告，虽然偏用户触点的后端，监测不到“被提及但未点击”的情况，但可贵的是，这是来自真实用户的真实点击，并且GA4会告诉我哪个Landing Page获得了这些AI流量。
如上图，结合GA4的真实流量数据(Gemini和Perplexity 流量不多，就集中看 ChatGPT好了)、SEMrush的可见度评分(虽然有问题但仍有参考价值的)、以及我在Web AI中的真实对话测试，我得出了针对新品“Dog Bed”的GEO实验Baseline：
- 流量现状：AI来源月访问Session 27，转化0。
- 可见度现状：在产品核心Prompts中提及率仅为 0%，SEMRush AI Visibility 总体得分 23/100，报告暂无覆盖Dog Bed产品。
- 竞争现状：被频繁引用的竞品包括Bed sure、Big Barker、FurHaven、Bully Beds 等 7 个品牌。
建立完Baseline后，我产生了一个疑问：我跟AI对话去验证的“产品核心prompt”，是我作为品牌方希望被AI引用的问题，但不代表用户真的会这么问AI呀！
我能直接问GPT“关于狗床，用户都问你什么问题？”——不行，因为用户的实时搜索logs、prompt历史数据都不公开，AI只能基于训练数据和网络公开信息提供答案。
那么，我该如何发现真实用户在问什么？
回到第一性原理。一个狗主人想知道“我应该选什么床给有髋关节问题的德牧”，这个信息需求不会因为工具改变而消失，只是表达方式会发生改变。
基于这个逻辑，我开始从多个真实数据源交叉验证：
- 用 Google Trends 发现需求热度：如果某个 topic/keyword 的搜索量大或激增，说明有真实的、规模化的需求；
- 用 Reddit/Quora 等用户论坛以及 Amazon、Trustpilot 等网站的 Q&A 了解真实的表达方式和在意的细节：这里的真实语言，应该比关键字搜索更接近 AI 用户会问的问题；
- 用竞品被 AI 引用的内容做需求验证：验证被引用的内容是否回答了有需求热度的话题；
- 用自己的用户数据获得最真实的反馈：用户通过搜索什么关键词找到我，用户真实问客服的问题，产品评价。
用以上方法，我生成了20条狗床相关的产品核心prompts，作为AI可见度测试的代表性样本。
确定了监测工具和Prompt列表后，接下来的问题是：我能通过优化哪些内容来提升AI可见度？
跳过网站速度、Schema数据和Backlinks这些常规建议，我想把重点放在内容优化。作为品牌方，我能通过正当操作掌控的内容渠道无外乎三种：
- Owned Media 自有内容：官网的产品页、Blog、社媒主页、YouTube频道
- Paid Media 付费内容：虽然AI不会直接引用广告，但广告可能间接影响网站的权威性信号
- Earned Media 寄生内容：虽然无法左右权威媒体的内容，但可以重新分配PR和Partnership的营销预算
我准备先从优化官网的产品页着手，之前咨询过的 GEO团队建议我“以自然语言回答用户问题的方式，融入相关产品话题和长尾关键字”。停顿。这不还是keyword思维吗？
摸索碰撞中，我又学到了一个关键的知识点——LLMs是通过知识图谱来理解世界的，而不是关键词库，而知识图谱就是由无数个Entity和它们之间的关系组成的一个网络。
所以，我们的内容优化 →
应该用 Entity 思维，而非 Keyword 思维
Keyword是字符串，比如“dog bed”。你可以在你的页面中重复这个词100次，Google搜索引擎会注意到。
Entity是具有唯一身份的概念。AI知道“Hip Dysplasia”是一种与特定犬种相关、需要特定的床支撑、有医学研究支持的健康状况；或者“Memory Foam”是一种有特定的密度、热感应性能、耐久性的材料。
这两者之间的差异，决定了内容优化的整个方向。当 AI 看到一个页面时，它不是在数有多少个“dog bed”关键词，而是在问：“这个页面包含了哪些关键的 Entity？这些 Entity 之间的逻辑关系是什么？”
比如，当用户在 AI 中提问：“My 100-pound German Shepherd has hip dysplasia. He‘s a heavy chewer. I need a supportive bed, something washable.”
AI 会立即识别出这个提问包含的 Entity：
- 犬种 = German Shepherd
- 健康问题 = Hip Dysplasia
- 行为特征 = Heavy Chewer
- 特别需求 = Machine Washable
然后，AI 会在互联网上寻找哪个页面同时覆盖了这些 Entity，并且它们之间的逻辑清晰。
理解了这个原理后，我的自有内容优化思路就清晰了，我要做的是：分析竞争对手被 AI 频繁引用的页面 → 找出我的页面缺失的 “Entity” → 围绕这些 Entity 来构建页面内容，让 AI 确信我的内容是专业的、权威的、完整的。
有趣的是，Entity 思维与 Google 最看重的 E-E-A-T 框架是一致的。那就意味着，Entity内容优化不仅仅是为了AI可见度，理论上它也能同时提升传统SEO中的可信度。这倒是我一开始没想到的协同效应。
综合以上，我的 GEO 实验第一步包括三项确定：
- 监测工具：暂定GA4，抛弃SEMrush，等待其他工具的Demo
- 产品核心Prompt列表：生成20条“Dog Bed”产品核心prompts
- 内容优化方向：用Entity思维主导的内容优化（具体操作会在下一篇细说）
这不是一篇最佳实践指南，只是一个营销人的真实实验记录。我在摸索，也在犯错。如果你也在做 GEO，或者正在质疑现有的 GEO 工具和方法，欢迎分享你的发现。让我们一起把GEO从”SEO 换皮“做成一个真正有科学基础的营销实践
倒计时：
0 个回复