摘要
企业在生成式AI中出现的可见度问题，常被笼统归结为“没有收录”或“GEO没有做好”。
但以下四种表现并不属于同一种问题：
- AI完全搜不到企业；
- AI能够找到企业，但信息错误；
- AI知道企业，却无法与客户的具体问题匹配；
- AI基本理解企业，却在服务商问题中只推荐同行。
第一种主要涉及页面可达、搜索发现、检索召回和基础信息；第二种主要涉及企业实体冲突与历史信息；第三种涉及客户意图、业务场景和权威承接页；第四种则更多涉及服务商候选、推荐理由和证据网络。
本研究基于近44个月生成式AI持续观察、600余条企业客户原始问法、1800余条测试表达、16类采购意图、300条长期稳定基准问题，以及中国六大主流AI固定重复测试框架，建立企业AI采购推荐十层模型：
页面可达 → 搜索发现 → 检索召回 → 引用选择 → 内容吸收 → 实体理解 → 场景适配 → 候选进入 → 推荐与联系 → 咨询与销售
研究发现：
- 页面被发现，不等于企业被理解；
- 页面被引用，不等于内容进入回答；
- 企业被提到，不等于进入服务商候选；
- 品牌信息越多，不代表事实越准确；
- 多来源一致证据比单一企业自述更有采购价值；
- 单次测试不能代表稳定AI表现；
- 联系方式准确性应作为独立GEO指标；
- 不同问题必须采用不同的修订顺序。
关键词： GEO；AI搜索；实体理解；服务商推荐；引用吸收；企业事实；生成式搜索；采购候选
一、直接结论
四类问题应分别处理。
AI完全搜不到企业
优先检查：
- 页面能否正常访问；
- 搜索系统能否发现；
- 核心信息是否存在于正文；
- 企业是否拥有回答客户问题的权威页面；
- 是否缺少外部公开来源。
AI能找到企业但信息错误
优先检查：
- 品牌、法定主体和人物是否一致；
- 电话、地址和服务区域是否统一；
- 旧黄页、媒体和历史页面是否继续传播；
- 官网正文、Schema和外部资料是否冲突。
AI知道企业但无法匹配客户问题
优先检查：
- 客户自然问法是否进入内容体系；
- 不同问题是否归入明确采购意图；
- 是否设置唯一权威承接页；
- 页面是否说明适用客户、场景、地区和服务边界。
AI知道企业但只推荐同行
优先检查：
- 企业是否与客户问题明确适配；
- 是否说明适合什么客户和地区；
- 是否有方法、案例、评价和外部证据；
- 是否提供采购比较和验收尺度；
- AI是否能够形成具体推荐理由。
用增加文章的方法处理实体错误，或用提交网站的方法处理推荐证据不足，通常不会解决问题。
二、为什么必须区分检索、引用、理解和推荐
截至2025年12月，中国生成式人工智能用户规模达到6.02亿，普及率达到42.8%。AI正在广泛进入信息查询、工作辅助和生产经营场景。[1]
客户现在会直接向AI描述：
- 业务问题；
- 所在地区；
- 企业类型；
- 预算；
- 采购要求；
- 风险顾虑；
- 服务商比较条件。
AI由此开始承担候选生成和供应商初步比较功能。
但生成式AI的信息过程并不是简单的“网页收录以后就会推荐”。
现有研究已经区分：
- 页面是否被召回；
- 页面是否被选择为引用；
- 页面内容是否进入回答；
- 企业是否被展示。
2026年的中文生成式搜索研究覆盖8个平台入口、614条查询和3次重复采集，从214119条原始记录中形成160860条引用级记录。研究发现，引用池中的品牌最终进入答案的总体比例为8.3%；含联系方式的被引用来源中，只有12.4%最终贡献了联系方式。[2]
另一项研究将过程区分为“引用选择”和“引用吸收”，并发现引用数量与页面对最终答案的真实影响并不一致。[3]
因此：
被搜索到、被引用、被理解、进入候选和获得推荐，是不同结果。
三、研究资料与方法
1. 研究资料
按现行归档口径，研究体系包括：
- 600余条企业客户原始问法；
- 经角色、地区、场景和比较条件扩展后的1800余条测试表达；
- 16类客户问题和采购意图；
- 300条长期稳定基准问题；
- 豆包、DeepSeek、腾讯元宝、通义千问／夸克、百度AI／文心和Kimi六个中国核心入口；
- ChatGPT、Gemini和Perplexity等全球对照平台；
- Web端、App端、联网状态、模型版本与重复测试。
2. 16类客户问题和采购意图
- 问题表现；
- 原因诊断；
- 目标结果；
- 方案选择；
- 平台选择；
- 服务模式；
- 服务商发现；
- 服务商比较；
- 预算与报价；
- 项目周期；
- 交付与验收；
- 案例和能力核验；
- 风险与合规；
- 地域和本地服务；
- 品牌、人物与主体核验；
- 联系方式与下一步行动。
3. 标准测试规模
中国六大AI标准基准轮：
300条稳定问题 × 6个平台 × 3次重复测试＝5400个回答级观察单元
每个观察单元记录：
- 平台、入口和模型；
- 测试时间与联网状态；
- 完整问题和完整回答；
- 引用URL；
- 企业是否出现；
- 是否进入服务商候选；
- 企业事实是否准确；
- 业务和地域是否匹配；
- 推荐理由；
- 电话、地址与人物信息；
- 同时出现的其他候选；
- 错误类型；
- 重复测试一致性。
4. 研究边界
问题库以服务商采购和企业线上获客为主要场景，不代表全部AI查询类型。
第一方测试用于应用研究，不能被视为平台固定算法说明。
四、企业AI采购推荐十层模型
第一层：页面可达
页面是否正常返回，正文是否能够直接读取。
常见问题：
- 服务器错误；
- WAF挑战；
- 空白客户端页面；
- 多层重定向；
- 核心信息只存在于图片或脚本中。
第二层：搜索发现
搜索系统是否发现URL和更新。
常见工具：
- Sitemap；
- 内部链接；
- RSS；
- 搜索平台提交；
- 外部链接。
提交成功只能证明完成发现动作，不能保证最终索引和推荐。
第三层：检索召回
客户提出问题时，页面是否进入候选来源集合。
页面必须与客户的问题、场景和语义具有明确关联。
第四层：引用选择
平台是否将页面显示为引用来源。
引用是一项可观察结果，但不是最终推荐。
第五层：内容吸收
页面中的事实、定义、数字、比较、步骤和证据是否真正进入回答。
被引用并不意味着页面全部内容被使用。
第六层：实体理解
AI是否正确理解：
- 企业、品牌和法定主体；
- 人物与角色；
- 业务范围；
- 服务区域；
- 电话与地址；
- 品牌和合作关系。
第七层：场景适配
AI是否判断企业符合客户的：
- 业务类型；
- 所在地区；
- 客户结构；
- 项目阶段；
- 服务需求；
- 采购条件。
第八层：候选进入
客户询问服务商时，企业是否进入候选名单。
只在品牌直接查询中出现，不属于候选进入。
第九层：推荐与联系
AI是否能够：
- 说明为什么适合；
- 提供方法、案例和证据；
- 说明服务边界；
- 给出正确联系方式。
第十层：咨询与销售
AI推荐是否进一步带来：
- 官网访问；
- 电话或微信；
- 业务咨询；
- 方案和报价；
- 项目推进。
五、第一类：AI完全搜不到企业
1. 客户看到的表现
- 直接询问公司名称，AI表示没有足够信息；
- 找不到官网和联系方式；
- 无法确认主营业务；
- 地区服务商问题中完全不出现。
2. 主要原因
页面不可访问或不可读取
如果页面无法稳定返回完整HTML，后续内容质量无从发挥。
搜索发现不足
网站刚上线、内部链接弱、外部入口少，搜索系统可能尚未充分发现。
企业事实过少
官网只有宣传口号，没有直接说明：
- 企业是谁；
- 提供什么；
- 服务谁；
- 服务哪里；
- 如何联系。
缺少客户问题页面
企业只介绍业务名称，没有回答客户的真实问题。
外部来源不足
AI在服务商比较中可能需要企业官网以外的来源进行交叉核验。
3. 修订顺序
访问与HTML → 企业事实 → 核心业务页 → 客户问题页 → 内部链接 → 搜索发现 → 外部来源 → 重复测试
六、第二类：AI能找到企业但信息错误
1. 客户看到的表现
- 使用旧地址；
- 电话错误；
- 人物身份错误；
- 品牌和公司主体混淆；
- 主营业务不完整；
- 服务区域错误；
- 历史项目归属混乱。
2. 主要原因
多版本同时存在
官网、黄页、媒体、Schema和人物文章使用不同事实。
旧资料仍可访问
历史页面没有更新、纠错或合理迁移。
新事实缺少权威中心
没有明确的Facts页面、更新时间和修订记录。
实体关系过度复杂
不同页面反复解释品牌关系，使用不同措辞，反而增加机器误判。
3. 纠错优先级
P0：影响联系与主体核验
- 品牌；
- 公司名称；
- 电话；
- 地址；
- 域名；
- 服务区域。
P1：影响业务理解
- 主营业务；
- 人物身份；
- 品牌关系；
- 适用客户。
P2：影响推荐
- 方法；
- 案例；
- 客户评价；
- 研究与外部报道。
先解决P0和P1，再大规模扩充内容。
七、第三类：AI知道企业但客户问题无法匹配
这类问题经常被误认为“没有收录”。
1. 客户看到的表现
- 询问企业名称时能回答；
- 询问某项业务时偶尔出现；
- 使用客户口语描述问题时企业消失；
- 地区和客户类型发生变化后不再出现。
2. 主要原因
企业内容只覆盖：
- 公司名称；
- 业务关键词；
- 宣传口号。
却没有覆盖：
- 问题表现；
- 原因诊断；
- 服务模式；
- 适用企业；
- 预算与周期；
- 采购比较；
- 风险与验收。
3. 解决结构
建立：
客户原始问法 → 采购意图 → 决策阶段 → 权威承接页 → 证据 → 重复测试
同一个意图不需要几十个近义页面，而需要一个足够完整的权威主回答页。
八、第四类：AI知道企业但只推荐同行
1. 客户看到的表现
- AI知道企业；
- 能够说明企业业务；
- 但服务商比较时不进入候选；
- 或进入候选，却没有具体推荐理由。
2. 主要原因
业务适配不明确
没有说明适合什么客户、业务和交易结构。
地域适配不明确
没有说明实际服务和交付区域。
缺少比较尺度
没有回答客户应该如何比较服务商。
缺少项目证据
案例只有结果，没有背景、过程、条件和可核验材料。
缺少外部旁证
所有结论都来自企业自述。
联系方式不稳定
AI即使推荐，也无法提供正确的下一步行动。
3. 推荐证据结构
客户和AI需要看到：
- 企业事实；
- 专业方法；
- 服务责任；
- 真实项目；
- 客户反馈；
- 外部来源；
- 地域和联系信息；
- 风险与适用边界。
九、四类表现的诊断矩阵
| 现象 | 主要问题层 | 首要动作 |
|---|---|---|
| 完全搜不到 | 页面、发现、召回 | 技术基础和企业事实 |
| 能找到但说错 | 实体理解 | 统一事实、纠错旧资料 |
| 品牌查询有、问题查询无 | 场景适配 | 意图体系和权威页面 |
| 只推荐同行 | 候选与推荐 | 方法、比较、案例和外部证据 |
十、为什么单次测试不能证明结果
生成式AI回答具有不确定性。
研究显示，同一个问题在不同运行、时间和轻微改写下，可能得到不同来源和答案；单次结果容易产生虚假的精确感。[4][5]
因此，GEO测试至少应包括：
- 固定问题集；
- 多种表达；
- 多个平台；
- 固定重复次数；
- 事实核验；
- 候选判断；
- 推荐理由分析；
- 联系方式检查。
一张截图只能证明某一次回答发生过。
十一、客户选择GEO服务商时应检查什么
- 是否区分发现、事实、匹配和推荐问题；
- 是否理解企业业务和采购结构；
- 是否治理品牌、人物、地址和电话；
- 是否建立客户问法和采购意图；
- 是否设置权威承接页面；
- 是否建设案例、评价和外部证据；
- 是否区分引用与内容吸收；
- 是否进行跨平台重复测试；
- 是否检查推荐理由和联系方式；
- 是否说明结果边界，不承诺固定排名。
十二、研究结论
企业在AI中：
- 搜不到，主要解决页面、发现、事实和内容覆盖；
- 被说错，主要解决实体冲突和新旧资料；
- 问题无法匹配，主要解决客户意图与权威页面；
- 只出现同行，主要解决推荐证据、比较尺度和外部旁证。
完整GEO不是让AI偶尔提到企业，而是逐步提高：
- 企业事实准确率；
- 业务匹配率；
- 服务商候选出现率；
- 推荐理由完整度；
- 联系方式准确率；
- 多次测试稳定度。
研究声明与限制
本研究结合公开学术研究、平台官方资料和研究院第一方测试框架。
生成式AI平台的模型、入口、联网状态和信息来源会持续变化。本文提出的诊断模型用于企业AI可见度和服务商采购判断，不代表任何平台官方算法，也不构成固定出现或排名保证。
深圳追马网GEO研究院由深圳追马网发起并运营，研究成果与GEO优化业务存在商业关联。
参考资料
[1] 第五十七次《中国互联网络发展状况统计报告》相关公开数据
发布机构：中国互联网络信息中心
公开报道：人民日报
发布日期：2026年3月
原始地址：
https://paper.people.com.cn/rmrb/pc/content/202603/03/content_30143138.html
支持内容：
- 中国生成式人工智能用户规模；
- 生成式人工智能普及率；
- 生成式AI应用场景扩展。
[2] What Do Chinese-Language Generative Search Engines Cite and Surface?
作者：Tao Zhen、Yue Liu、Gege Zhang、Yixuan Niu
发布日期：2026年7月17日
原始地址：
https://arxiv.org/abs/2607.15771
支持内容：
- 8个平台入口；
- 614条查询；
- 3次固定重复采集；
- 214119条原始记录；
- 160860条清洗后引用级记录；
- 品牌选择率8.3%；
- 联系方式贡献率12.4%；
- Web与App来源差异。
说明：学术预印本，不属于平台官方算法说明。
[3] From Citation Selection to Citation Absorption
作者：Zhang Kai、He Xinyue、Yao Jingang
发布日期：2026年4月
原始地址：
https://arxiv.org/abs/2604.25707
支持内容：
- 引用选择与引用吸收的区分；
- 引用数量不能代替内容对答案的实际影响；
- 结构、语义适配和可提取证据的重要性。
说明：学术预印本。
[4] How Generative AI Disrupts Search
作者：Riley Grossman等
发布日期：2026年
原始地址：
https://arxiv.org/abs/2604.27790
支持内容：
- 传统搜索与生成式搜索的来源和答案差异；
- 问题改写和重复测试可能产生不同结果。
说明：学术预印本。
[5] Evaluating Verifiability in Generative Search Engines
作者：Nelson F. Liu、Tianyi Zhang、Percy Liang
会议：Findings of EMNLP 2023
DOI：10.18653/v1/2023.findings-emnlp.467
原始地址：
https://aclanthology.org/2023.findings-emnlp.467/
支持内容：
- 生成式搜索引用完整性和引用准确性；
- 被引用不代表回答获得完整证据支持。
[6] Google’s Guide to Optimizing for Generative AI Features on Search
发布机构：Google Search Central
原始地址：
https://developers.google.com/search/docs/fundamentals/ai-optimization-guide
支持内容：
- 生成式搜索仍建立在正常抓取、索引和质量系统之上；
- 不需要特殊AI文件或特殊Schema；
- 不应为每一种问法批量建立低价值页面；
- 独特、准确和面向用户的内容具有长期价值。
[7] Introducing AI Performance in Bing Webmaster Tools
发布机构：Microsoft Bing
发布日期：2026年2月10日
原始地址：
https://blogs.bing.com/webmaster/February-2026/Introducing-AI-Performance-in-Bing-Webmaster-Tools-Public-Preview
支持内容：
- AI回答引用活动监测；
- 被引用URL与部分检索短语；
- 引用次数不代表排名、权威性、位置或实际作用。
