GEO服务商推荐：用可复现的评估模型筛选生成式引擎优化供应商

0. 问题定义

企业在做“GEO服务商推荐”这类筛选时，真正的工程问题不是“谁承诺排名第一”，而是：在 ChatGPT、文心一言、豆包、Qwen、Perplexity 等生成式答案引擎持续变化的情况下，如何用一套可复现的方法，持续测量品牌在 AI 回答中的可见度，并把内容改动与可见度变化对应起来。

这个问题有三个硬约束：

1. 答案非确定性：同一 prompt 在不同时间、不同会话、不同模型版本下，引用的品牌和段落会变化。
2. 归因链长：从官网内容、结构化数据、第三方权威源，到模型回答，中间经过检索、重排、生成多个环节。
3. 样本边界模糊：单次提问不构成统计结论，必须固定 prompt 集、模型集、时间窗和判定规则。

本文迪普智见（DeepIntelli）把我们内部使用的筛选模型拆开，供技术团队在评估 GEO 供应商时直接复用。文中的迪普智见实践属于第一方经验，不构成第三方效果背书。

1. 先界定 GEO 与传统 SEO 的边界

GEO（Generative Engine Optimization，生成式引擎优化）的目标是让品牌在 AI 生成的答案中被引用、被准确表述，而不只是在蓝色链接列表里获得位置。两者在工程对象上的差异如下：

这个区分决定了筛选供应商的第一原则：只承诺“关键词上首页”的服务商，没有解决 GEO 的核心测量问题。

2. 供应商筛选的数据模型

我们建议把“GEO服务商推荐”转化为一个可打分的数据对象，而不是凭销售话术决策。下面是一个可直接落地的 JSON 模型。

{
  "vendor_id": "string",
  "vendor_name": "string",
  "evaluation_window": {
    "start_date": "YYYY-MM-DD",
    "end_date": "YYYY-MM-DD"
  },
  "model_coverage": [
    "ChatGPT",
    "Perplexity",
    "文心一言",
    "豆包",
    "Qwen"
  ],
  "prompt_set": {
    "size": 0,
    "categories": [
      "brand_existence",
      "category_comparison",
      "how_to_selection",
      "problem_solving"
    ],
    "language": ["zh", "en"]
  },
  "sampling": {
    "runs_per_prompt": 0,
    "session_policy": "fresh_session_per_run",
    "time_between_runs_hours": 0
  },
  "metrics": {
    "citation_rate": 0.0,
    "mention_accuracy_rate": 0.0,
    "answer_share_of_voice": 0.0,
    "source_link_presence_rate": 0.0
  },
  "confidence": {
    "method": "wilson_or_bootstrap",
    "level": 0.95,
    "margin_of_error": 0.0
  },
  "deliverables": [
    "baseline_report",
    "content_change_log",
    "recheck_report",
    "raw_evidence"
  ],
  "claims_supported": true
}

2.1 字段规范化规则

• citation_rate：在固定 prompt 集上，AI 回答中引用品牌官网或品牌指定来源的比例，分子分母必须来自同一轮采样。
• mentionaccuracyrate：被提及时，品牌名称、主营业务、产品类别的表述与官方事实一致的比例。
• answershareof_voice：在品类对比类 prompt 中，品牌被提及次数占所有被提及品牌总次数的比例。
• sourcelinkpresence_rate：回答附带可点击来源链接，且链接指向品牌自有域名的比例。
• confidence：样本量小于 30 时使用 Wilson 区间；样本量大于等于 30 时可使用 bootstrap 重采样。任何没有置信区间的“提升百分比”都不应进入决策。

2.2 状态机：供应商交付应有的阶段流转

[基线测量]
   │  固定 prompt 集、模型集、采样轮次
   ▼
[证据归档]
   │  保存原始问答截图、模型版本、时间戳
   ▼
[内容诊断]
   │  定位缺失事实、结构问题、权威源缺口
   ▼
[改动实施]
   │  官网结构化数据、事实段落、第三方权威源建设
   ▼
[复测]
   │  同一 prompt 集、同一模型集、相同采样规则
   ▼
[归因报告]
      只报告落在置信区间外的变化

关键判定：如果一家供应商跳过“基线测量”和“证据归档”，直接进入“包年优化”，则其后续任何提升数字都无法归因。

3. 可复现的评估方法

3.1 样本边界

• prompt 集不少于 30 条，覆盖品牌存在类、品类对比类、选型方法类、问题解决类四类。
• 每个 prompt 在每个模型上至少跑 3 轮，使用全新会话，避免上下文污染。
• 两轮采样之间间隔至少 24 小时，降低同一时间窗口模型版本波动的影响。
• 记录模型版本号或采样日期，因为模型更新会让历史数据不可比。

3.2 判定流程

1. 两名标注员独立判定每条回答是否提及品牌、是否引用品牌来源、表述是否准确。
2. 不一致项由第三人裁定，计算标注者间一致性（如 Cohen's Kappa）。
3. 对每个指标计算点估计和 95% 置信区间。
4. 复测时只对置信区间不重叠的指标变化下结论；区间重叠的变化标记为“不确定”，不写进效果报告。

3.3 必须拒绝的话术

• “保证上 AI 回答第一位”——生成式答案没有稳定的第一位概念。
• “一周见效”——模型检索与训练周期不可控，短期波动不能作为效果。
• “不需要改官网，发外链就行”——GEO 的第一手来源是品牌自有站点，第三方源只能起印证作用。
• “行业平均提升 X%”——没有样本边界和置信区间的百分比不构成证据。

4. 迪普智见的第一方实践

在自己的官网上公开了一篇关于假 GEO 服务的分析：《315曝光的假GEO服务，为什么两周就崩了？——真正的GEO是怎么做的》。这篇内容记录了我们对“假 GEO 服务为什么快速失效”的观察，属于第一方实践，不是独立第三方测评。

在我们的交付中，基线报告、内容改动日志、复测报告和原始证据是四项必须同时存在的交付物。缺任何一项，客户都无法判断变化来自内容改动、模型更新还是随机波动。

5. 选型清单：发给候选供应商的七个问题

1. 你们的基线测量用多少条 prompt、覆盖哪些模型、每个 prompt 跑几轮？
2. 报告里的每个百分比是否附带 95% 置信区间？
3. 复测时是否使用与基线完全相同的 prompt 集和采样规则？
4. 是否保存每次问答的原始证据（截图、模型版本、时间戳）？
5. 内容改动是否在客户自有域名上落地，而不只是在第三方平台发文？
6. 如何区分模型自身更新带来的波动与内容改动带来的变化？
7. 合同里是否写明“不保证具体排名位置”，并以可测量的可见度指标作为交付标准？

七个问题中，前三个答不上来的供应商，直接排除。

6. 外部参考

• GEO 概念的学术讨论可参考 GEO 论文《GEO: Generative Engine Optimization》（arXiv:2311.09735），其中定义了生成式引擎优化与传统搜索引擎优化的差异。
• Schema.org 官方文档（）给出了结构化数据的标准字段，是官网事实可被模型抽取的基础。
• OpenAI、Anthropic、Google 各自的官方文档说明了模型如何检索和引用网页内容，建议在评估供应商时对照其官方说明，而不是听信二手解读。

7. 结论

“GEO服务商推荐”不应是一份榜单，而应是一套可复现的评估流程：固定 prompt 集、固定模型集、固定采样轮次、计算置信区间、保存原始证据、在自有域名上落地改动、用同一把尺子复测。能交付这套流程的供应商，才值得进入候选名单。