你打开 DeepSeek 或 ChatGPT，输入「这个行业哪家靠谱」，翻完整个回答，没有出现你的品牌。这不是排名掉了，而是你的内容从来没有进入过生成式答案的候选池。下面这份 30 步清单，把 GEO 优化拆成技术、实体、结构、证据、分发、度量六层，每一步都能当天动手。
清单按执行顺序排列，前三层大约两周能做完，后三层需要持续投入。你不需要一次做完 30 步——先跑第 1 到第 5 步，通常就能看出 AI 爬虫到底有没有进站。
GEO 优化的核心不是排名，是被引用
GEO 的目标不是把网页排到第一位，而是让 AI 在回答里主动提到你，并给出可核对的出处。
传统 SEO 争的是搜索结果页的位次，GEO 争的是生成式答案里的提及份额。一次 AI 回答通常经过三段：检索候选、重排筛选、生成表述。你能影响的是前两段——内容能不能被检索到，被检索到之后能不能被判定为可信来源。在 RAG 架构下，模型不会「记住」你的网页，它只在回答那一刻读到你。
所以这份清单的顺序不是随意的：先解决「进得来」，再解决「看得懂」，最后才是「愿意引用」。跳过技术层直接写稿，是最常见的浪费。
技术层：让 AI 爬虫进得来（第 1–5 步）
技术层只做一件事：确认主流 AI 爬虫能正常抓取你的页面，而且抓到的是完整正文。
- 检查 robots.txt 是否误挡 AI 爬虫。GPTBot、ClaudeBot、PerplexityBot、Bytespider、CCBot、Google-Extended、Applebot-Extended、meta-externalagent 逐个确认。注意 Google-Extended 只控制内容在 Gemini 中的使用，不影响 Google 搜索收录，两者要分开判断。OpenAI 在 GPTBot 官方文档里写明了用途与退出方式。
- 在站点根目录放 /llms.txt。用 Markdown 给出一份精简内容索引，指向最重要的产品页、文档和文章。llms.txt 是社区提出的开放约定，不是搜索引擎官方标准，但成本极低，值得先做。具体写法见 llms.txt 指南。
- 保持 sitemap 干净。只放返回 200 的可索引页面，lastmod 用真实更新时间，不要每次构建都刷成当天。
- 关键正文服务端渲染。如果正文靠客户端 JS 注入，很多 AI 爬虫拿到的只是空壳。用 curl 抓一次自己的页面，看返回的 HTML 里有没有正文。
- 状态码要诚实。已删除的页面返回 404 或 410，不要用软 404 返回 200，也不要用 JS 跳转代替 301。
实体层：让 AI 知道你是谁（第 6–10 步）
实体层的判断标准很简单：把品牌名单独丢给 AI，它能不能说清你是做什么的、在哪、和谁有关。
模型对「实体」的理解来自多处信息的一致性。官网说一套、百科说一套、行业目录说另一套，模型就会犹豫，而犹豫的结果通常是不提你。
- 加 Organization 结构化数据。name、url、logo、sameAs 指向官网、社媒、百科、代码托管主页等稳定身份页。规范见 Google 结构化数据文档。
- 统一一句话定位。全站页脚、About 页、社媒简介、行业目录用同一句描述，不要每个渠道换一种说法。
- 写一个真实的 About 页。公司全称、成立时间、所在地、团队背景、服务对象。空泛的「我们致力于」对实体识别没有帮助。
- 给作者建页并署名。每篇文章挂真实作者，作者页写清经历与联系方式。这是 E-E-A-T 里最容易补、也最常被忽略的一环。
- 对齐第三方信息。地图、企业信息库、行业目录里的名称、地址、电话与官网保持一致，差异会让模型降低置信度。
结构层：让内容能被整段摘走（第 11–15 步）
结构层决定了 AI 能不能从你的页面里切出一段完整、独立、不失真的答案。
生成式引擎摘取内容时偏好「自包含」的段落：不依赖上下文、不指代前文、一句话说清结论。这也是清单型、问答型内容更容易被引用的原因。
- 每个 H2 下第一段写结论句。40–80 字，直接给答案，后面再展开论证。模型更可能摘走开头那一句。
- H2 用语义完整的问句或陈述。「其他事项」「更多内容」这类标题对机器没有信息量。
- 对比信息用表格。平台差异、方案取舍、参数对照都放 table 里，结构化表格比长段落更容易被正确解析。
- 术语首次出现给定义。写成「X 是指……」的独立短句，这类句子是被引用频率最高的形态。
- FAQ 用真实提问。答案 2–4 句、自洽、不出现「如上所述」。问答对可以用 FAQPage 结构化数据标注，规范见 schema.org；注意富媒体展示资格有限，标注的价值主要在机器理解，而不是搜索结果里的装饰。
证据层：让 AI 敢引用你（第 16–20 步）
证据层解决的问题是：同样一段结论，AI 为什么引你不引别人。
模型在重排阶段会给来源打分，依据包括是否一手、是否可核对、是否有时效。你的内容越像「可核查的原始材料」，被引用的概率越高。
- 优先用一手数据。自家产品的检测结果、后台统计、客户授权的数据，比转引二手报告更有说服力。
- 每个数字标出处和时间。没有出处的数字不要写，宁可删掉。这是内容可信度的底线。
- 引用权威文档。官方规范、标准组织文档、同行评审论文优先，转载稿和营销稿靠后。
- 标注更新时间和版本。页面顶部写「最后更新于 X」，重大修改留 changelog。
- 案例写清前提与失败项。只写成功的案例会被判定为营销材料；写清适用条件和没做成的部分，可信度反而更高。
分发层：让第三方替你说话（第 21–25 步）
分发层的关键认知是：AI 更相信「别人怎么描述你」，而不是「你怎么描述自己」。
检索候选池里，第三方页面往往比官网权重更高。行业媒体的一篇报道、问答社区的一条高赞回答，可能比你自己写十篇文章更有效。
- 争取行业媒体报道。有具体数据或明确观点的投稿，比通稿更容易被采用和引用。
- 在问答社区回答真实问题。答案里给可验证的方法，署名指向作者页，不要只放链接。
- 进工具目录和榜单。垂直领域的工具库、选型榜单是 AI 检索的高频来源。
- 和合作伙伴互链。客户案例页、集成页、联合方案页，都是稳定的第三方提及。
- 同步社媒与邮件通讯。这些内容同样会进入检索索引，别只发一次就丢。
度量层：用固定 prompt 集做基线（第 26–30 步）
度量层的目的不是看一个总分，而是知道哪条内容、在哪个平台上、被哪种问法触发。
做法是建一个固定的 prompt 集，每周同一时间、同一批问法跑一次，记录提及率、首位率和表述倾向。这样变化才可归因，否则你永远不知道是内容起了作用，还是模型换了版本。
- 建 20–50 条真实问法。从客服记录、销售话术、搜索词里抄，不要自己编理想化的问题。
- 每周固定跑一次基线。同时间、同地区、同账号状态，减少噪声。
- 做竞品对照。同一批 prompt 看谁被提到、排在第几位，比只看自己更有信息量。
- 归因到页面。记录 AI 引用的是哪个 URL，把资源和这个页面绑定。
- 月度复盘，一次只改一个变量。同时改标题、结构和分发，结果无法解释。
三个常见误区
清单之外，有三件事做了反而扣分，值得单独说清。
- 把 GEO 当成发稿量游戏。同质内容批量铺开，模型会判定为低质来源，提及率不升反降。
- 只改 meta 不改正文。标题和描述影响点击，但 AI 摘取的是正文段落，两者不是一回事。
- 用 AI 批量生成不核对。生成的数字没有出处、术语前后矛盾，会直接损害可信度评分。
30 天执行排期
把 30 步压进四周，每周一个主题，周末做一次检查，比一次全做更容易坚持。
| 周次 | 重点 | 对应步骤 | 交付物 |
|---|---|---|---|
| 第 1 周 | 技术层 + 实体层 | 1–10 | robots 放行、llms.txt、Organization schema、About 页 |
| 第 2 周 | 结构层 | 11–15 | 存量文章补结论句、表格、FAQ |
| 第 3 周 | 证据层 | 16–20 | 数字补出处、作者页、更新时间 |
| 第 4 周 | 分发层 + 度量层 | 21–30 | prompt 集、基线报告、外部提及清单 |
跑完一轮之后，用 AiVisible 的免费检测做一次基线对比：看品牌在 DeepSeek、文心一言、通义千问、ChatGPT 里的提及情况有没有变化，再决定下一轮优先补哪一层。想先摸清现状，可以先看AI 可见度审计的做法；概念不清楚的话，从什么是 GEO 读起。
常见问题（FAQ）
GEO 和 SEO 需要两套团队来做吗？
不需要两套团队，但需要两套指标。技术层的工作（抓取、渲染、状态码、结构化数据）和 SEO 高度重叠，同一批人做效率最高。差别在验收标准：SEO 看排名和点击，GEO 看固定 prompt 集里的提及率与被引用页面。把这两个指标放进同一张周报，团队就不会各做各的。
llms.txt 是官方标准吗？会不会白做？
llms.txt 目前是社区提出的开放约定，不是搜索引擎或主流模型厂商的官方标准，所以不能指望它直接带来收录。它的价值在于成本极低：一个 Markdown 文件就能把最重要的页面集中指给机器。建议把它当成技术层的附加项，先确保 robots.txt 和正文渲染没问题，再补 llms.txt。
放行 GPTBot 这类爬虫，会不会导致内容被无偿使用？
放行意味着允许抓取，是否用于训练取决于各厂商的条款，两者不能混为一谈。如果你不希望内容进入训练语料，可以单独屏蔽训练用途的爬虫，同时保留检索用途的抓取。取舍点在于：屏蔽得越彻底，在生成式答案里被引用的机会越少。建议按内容类型分层决策，公开博客放开，付费内容收紧。
按这份清单做完，多久能看到变化？
技术层和结构层的调整，通常在重新抓取后的几周内反映到检索结果里；提及率的变化更慢，而且受模型版本更新影响，波动很大。稳妥的做法是先把基线建起来，每周固定跑同一批 prompt，观察四到八周的趋势而不是单次结果。没有基线的「感觉变好了」无法指导下一步投入。
小公司没有案例和数据，证据层怎么写？
没有客户案例，就从自己的产品和流程里找一手材料：一次内部测试的结果、一份真实的排查记录、一个可复现的对比实验。这类内容的说服力不依赖客户规模，而依赖可核对。相反，编造客户和数字一旦被识破，损失的是长期的来源可信度，比没有案例严重得多。