卧槽！AI 的嘴竟然是我的广告位？手搓一套 GEO 系统。

本文适合完全没接触过 GEO 的人，看完你会知道 GEO 是什么，以及怎么从零搭一套完整的 GEO 系统。整套系统由 Hermes Agent 搭建，全程不写一行代码。以豆包 + Tavily 为例，仅供参考，搜索来源和分析模型都可以按需替换。

文末附完整提示词，直接扔给你自己的 AI Agent，Go go go！

起因：一次关于「偏心」的聊天

前两天和朋友聊天，他是圈外人，平时不太关注 AI 这块。聊着聊着他开始吐槽：「现在的 AI 搜东西是挺快，但我就纳闷了，我用豆包搜我们行业的推荐产品，出来的全是竞品，我们家的一根毛都看不见。是不是这 AI 偏心啊？」

我笑了，跟他解释这叫 GEO（Generative Engine Optimization），即生成式引擎优化。大致的介绍之后，我自己来了兴趣。这个概念我老早就知道，但是一直没有深入研究它的原理。

聊完后我心痒了，正好借这个机会，从 0 到 1 搭了一套完整的 GEO 系统。其实 GEO 这个事，315 晚会有曝光，估计不少人是从那个时候才知道的，市面上已经有不少人在做这个，几千到几万块一单。秉持着技术人钻研的精神（其实就是穷），我决定搞懂原理，自己造个轮子✌🏻，废话不多说，开始！

GEO 是什么

GEO（Generative Engine Optimization，生成式引擎优化），通俗点讲就是让 AI 在回答用户问题时主动提到你的品牌或内容。

它跟 SEO 的逻辑有点不一样：SEO 是让用户在搜索结果里点进你的网站，GEO 是让你的品牌/产品被 AI 模型看见，AI 能直接把你的品牌/产品说出来，用户不需要点任何链接。

两者的核心差异见下面这张表格：

设计思路：把「玄学」变成闭环

很多人觉得被 AI 推荐是「玄学」，其实底层逻辑很简单：

模拟用户怎么问 -> 看 AI 怎么答 -> 找出差距 -> 补齐内容 -> 再去验证，持续监控、不断迭代。

这套系统做的事情，就是把这个问题变成一个可以持续运转的闭环：监控现状 → 找出差距 → 生产内容 → 喂给 AI → 再监控。类似于 Auto Research 的思路，区别是监控的对象是你的品牌在 AI 里的曝光情况。（之前写过一篇文章专门拆解了 Auto Research 的原理，感兴趣的可以去看看）

Lonely@Lonely__MH

X 引用

工具会过时，框架不会——拆解 autoresearch 背后的迭代方法论【通俗易懂版】

作者体验了 Karpathy 开源的 autoresearch 后，认为它的价值不在代码本身，而在「改一个东西 → 打分 → 分高保留、分低回滚 → 再改下一个」这套通用迭代框架。文章拆解了这套逻辑，并给出两个落地例子：一位推友把它用于自媒体文章评审（规则核查加读者视角的双层打分），作者本人把它用于小红书帖子的质量评分，通过 6 条、后来扩到 8 条 yes/no 标准，在两轮…

阅读完整整理 →

🚀我把这个过程拆成了六个环节，不仅要解决「我是不是被提到」的问题，更要搞清楚「为什么 AI 提了竞品而不提我」。

建品牌          → 告诉系统要监控谁（品牌名 + 别名 + 竞品）
    ↓
准备问题        → 模拟真实用户会怎么问 AI
    ↓
数据采集        → Tavily 联网搜索 → 结果喂给豆包 → 拿到回答
    ↓
解析回答        → 正则初筛（有没有提到） → LLM 精细分析（次数 / 语境 / 情感 / 竞品）
    ↓
缺口分析        → 统计提及率和竞品频次 → LLM 找出品牌缺了哪些角度
    ↓
内容生成        → 按推荐角度生成文章草稿 → 人工审核 → 发布

深度拆解：六步实战笔记

第一步：建品牌（身份锚定）

刚开始我只填了个品牌名，实际跑起来才发现有问题。AI 回答里品牌的写法很杂，大小写、缩写、有没有空格都不统一，光靠名字匹配，漏掉一大半。

所以后来改成三件套：品牌名 + 别名 + 竞品列表。

别名解决的是匹配精准度的问题。竞品列表解决的问题更有意思，通过监控结果，你能直接看到 AI 在给用户推什么。我觉得这件事比「为什么我没被提到」更值得关注。

AI 推了哪些竞品、为什么推它们、它们有什么共同特征，这些才是值得去研究和学习的东西。品牌力本来就强的，可以把头部竞品放进去，直接对标。

第二步：准备问题（意图捕捉）

这步最容易被忽略。你不能按厂家想的搜，得按用户想的问。

核心就一件事：真正代入用户的位置去想他们会怎么问 AI，不是你觉得他们会问什么。同一个需求，问法不同，得到的结果也不同。

问题是，怎么知道真实用户会怎么问？总结了几个实用的方法：

• 翻客服和销售记录：用户在成交前问过的问题，就是最真实的表达方式，直接拿来用。
• 去社区挖原话：Reddit、知乎、小红书搜你的品类，看真实用户怎么描述自己的问题，原话复制过来比自己造的好用得多。
• 去谷歌搜一下你的品类：在搜索框输入关键词，直接看下拉联想词，看看真实用户是怎么问的。
• 直接问 AI：让 AI 帮你生成——「如果用户想解决 XX 问题，他们会怎么问你」，批量出候选，人工再筛。

以我的 LonelyASO 为例，我配了覆盖「发现型、对比型、信任型」等多种心理的提问。

想提高 APP 下载量，有没有好用的 ASO 工具推荐       ← 发现型
LonelyASO 和七麦相比，哪个提升 APP 下载量的效果更好  ← 对比型
怎么通过 ASO 优化提高我的 APP 的下载量             ← 方法型
LonelyASO 靠谱吗，真能帮开发者提高 APP 下载量       ← 信任型
Which ASO tool is the best for boosting mobile app downloads
Is LonelyASO better than AppTweak for increasing app downloads
有哪些工具可以优化 ASO 关键词
如何提高应用市场排名
有哪些好用的 ASO 工具

第三步：数据采集

这是系统最核心的地方，设计的时候我加了联网搜索。

直接调 AI 的 API 有个问题：模型有训练截止期，很多新出的品牌它压根不知道。所以我在每次提问之前，先用 Tavily 联网搜一圈，把搜索结果一起塞给 AI，让它基于最新的网页内容来回答。这样你拿到的，才是 AI 在实时推荐场景下的真实表现。

📢本文以 Tavily 作为搜索来源、豆包作为分析模型，这只是其中一种组合。实际使用时，搜索来源可以换成 Google、必应、Perplexity 等任意搜索引擎，分析模型也可以替换成 ChatGPT、DeepSeek、Claude 等，逻辑完全一样，按需组合就行。

第四步：解析回答

拿到 AI 回答后，系统不仅看「提没提我」，更要分析那条回答里推了谁。AI 是怎么夸竞品的？用了哪些标签（比如「性价比」、「极速」、「专业」）？这些词，就是 AI 认为值得推荐的「加分项」。

第五步：缺口分析

这是整个系统的「大脑」。系统会统计出：竞品 A 靠 Reddit 的高讨论度上位，竞品 B 靠知乎的测评霸榜。这时候你会猛然发现：不是你产品不行，是你还没在 AI 认可的「信任高地」上插旗🚩。

洞察到这一点，接下来的操作就有了靶向性：像素级参考竞品的信源分布与叙事风格，在 AI 频繁出没的平台精准布点。AI 推荐的底层逻辑其实极其朴素：它无法向用户推荐一个它从未「看」过的答案（当然有时候还是会出现一些幻觉的😄）。

第六步：内容生成

系统会根据分析出来的每个方向，各生成一篇 800 到 1000 字的草稿，你对照竞品的内容风格和来源，审核修改之后再发布。

这里我没做自动发布，原因有两个：

1. 一是内容质量的问题。AI 生成内容经常会编造数据，看起来很合理，但根本查不到出处。批量自动发出去是在给自己挖坑，所以最好人工审核一遍。
2. 二是平台限制的现状。我之前做过调研，目前市面上没有什么特别成熟的自动发布方案。很多平台没有提供官方 API，通过一些非正当手段发布容易触发风控，轻则内容降权，重则账号被封。

所以现阶段大多数人还是 AI 生成草稿、人工手动发布到各个平台，这是比较稳妥的做法。

发布平台的选择也有讲究，要优先选 AI 会去采集的地方：Reddit、Medium、LinkedIn、知乎、小红书这类高权威平台。

当初我想好这个思路后，就交给 Hermes 开干了，半天左右就做了出来。

完整流程（有录屏）如下

[用户输入 Prompts]
       ↓
[定时任务] ──→ [调用 AI API] ──→ [解析品牌可见度] ──→ [Dashboard 数据库]
                    ↓
             [汇总 AI 回答]
                    ↓
          [LLM 分析：主题/竞争/缺口]
                    ↓
          [LLM 生成：内容策略建议]
                    ↓
          [LLM 生成：各渠道文章草稿]
                    ↓
          [任务管理 → 人工审核 → 发布]

以上就是这套 GEO 系统最核心的 MVP（最小可行性产品）闭环。

当然，真正生产环境级别的商用系统会复杂得多：它们往往需要同时采集 ChatGPT、Perplexity、Google、DeepSeek、豆包等多个维度的信源数据，并利用多个模型进行交叉对齐，以剔除 AI 幻觉、识别深层语义。

为了寻找更具规模化效应的替代方案，我也去搜了搜市面上现成的、好用的 GEO 工具。

基于功能侧重点的不同，我将其分类如下👇🏻👇🏻👇🏻

🚀GEO 工具分类

以下分类基于功能侧重点的不同进行划分，旨在为不同阶段的企业提供参考。

个人观点，如有不对，欢迎指正。

✅第一类：监控看板型

此类工具主要提供数据监测与可视化。通过追踪特定 Prompt 下的品牌提及率、市场占有率（Share of Model）及竞品动态，以直观的图表呈现数据。

代表产品：

• Otterly AI - 专注于 AI 提及率监测及情感分析。
• Peec AI（高级套餐也有策略建议功能，功能上介于监控和分析之间）
• Nightwatch AI 模块 - 在传统排名追踪基础上延伸出的 AI 响应监测模块。

适合已建立品牌知名度、拥有成熟市场或内容团队的公司。此类企业具备天然的 GEO 基础，仅需通过看板追踪数据波动并对标竞品。对于从零起步、尚未跑通 GEO 流程的团队，此类原始数据可能存在理解与转化门槛。

✅第二类：分析建议型

在基础监控之上增加了策略层。通过识别内容缺口、排列优化优先级，告知用户内容迭代的方向，但具体的执行（创作与分发）仍需由用户完成。

代表产品：

• Profound - 企业级定位，数据处理量大，部分功能已向内容执行层延伸。
• Semrush AI Toolkit - 更贴近 SEO 用户习惯，侧重 Google SGE 及搜索场景下的 AI 表现。
• Gauge - 强调与 Google Analytics 数据联动，适合关注 AI 提及对实际转化影响的团队。

适合拥有自有内容团队、具备自主执行能力的机构。

✅第三类：全链路执行型

此类工具打通了从「监控」到「执行」的全闭环。将数据分析、内容生成与平台分发集成于一体，减少了跨工具操作的损耗。

代表产品：

GEOFlow：这是 GEO 领域的专家 @yaojingang 老师的开源库，侧重于内容生产流水线的构建。虽然其上游的实时监控与 Prompt 深度分析需额外配置，但由于其开源特性，适合通过模块化组合建立自定义系统。

😄我自己有个想法，把我搭的这套系统和 GEOFlow 结合起来——我的系统负责上游的监控、采集、分析，GEOFlow 负责下游的内容生产和发布，两边刚好互补，有兴趣的可以试试这个方向。

下图是 GEOFlow 部署界面，小伙伴感兴趣的话，后面我再出一篇使用教程。

Vismore：链路完整性极高，实现了从数据监测、行动策略、内容创作到高权威平台一键发布的闭环流程，如 Reddit、Medium、LinkedIn 等，无需自己注册账号或养号。尽管企业已意识到 GEO 的战略价值，但从零起步的摸索成本不容忽视。采用 Vismore 意味着直接引入成熟的经验与打法，实现开箱即用的高效落地。

🚀建议：对于零基础的用户，Vismore 这类全链路工具通常是更优解。它将监控与执行集成于统一系统，大幅降低了理解门槛，无需深究底层原理即可快速启动并获取结果。

进阶思考：GEO 的终局与博弈

1. 这是一个信任复利的游戏

GEO 不是做一次就完事的，它更像是一个长期的信任积累。

AI 的推荐具有惯性：当它在 10 个不同的高权重平台都看到关于你的正面评价时，它对你的信任就会产生「涌现」。这个周期可能比 SEO 长，但一旦形成，护城河极深。

2. 关于 GEO 投毒的警示

在这个逻辑下，必然会衍生出「GEO 投毒」：通过虚假专家生态和伪造数据误导 AI。这不仅是技术挑战，更是伦理挑战。作为品牌方，最好的防御不是参与投毒，而是「以真打假」。用更高密度的真实数据、更具体的专家署名、更结构化的页面信息，去挤压虚假信息的生存空间。

结语：在 AI 时代，做一个「可被信任的答案」

GEO 的本质不是操纵算法，而是顺应搜索的进化。过去，我们拼命让机器读懂网页；现在，我们要让机器信任我们的品牌。

在 AI 变成人类「第二大脑」的今天，最好的营销不是自卖自夸，而是成为 AI 知识图谱里那个不可绕过的参考项。

🚀附：完整提示词

说好的提示词来了——其实就是这篇文章本身。

把它直接扔给你的 AI Agent，让它提取里面的关键信息和业务逻辑，它应该就能帮你把系统搭起来。文章里已经包含了六步完整的业务流程、每一步的设计思路、以及核心的技术决策，这些就是最好的上下文。

🙂写在最最最后：

一个人可以走的很快，一群人可以走的很远。

AI 时代，最重要的就是保持敏感度和持续学习。如果你也对这些感兴趣，欢迎加入我建的「Lonely · AI Lab」。

这就是一个纯粹的 AI 交流群。每天同步最新的 AI 行业情报，大家互相分享实战心得。没门槛，不套路，就是为了共同进步，一起在 AI 时代探索更多的可能。

🚀 点这里直达群聊：https://x.com/i/chat/group_join/g2047333487162937702/Sot7118c1r

关注 @Lonely__MH，咱们一起持续学习，慢慢变强。

如果这篇分享对你有帮助，欢迎 关注 + 收藏 + 转发 👏🏻

🚨 声明

本文由 Hermes Agent 驱动搭配 Claude 写作生成，并经由人工审核发布。

诀.com 整理补充

这份材料的性质与可核验程度

文章整理自作者在 X 上发布的一篇长帖，作者在结尾注明内容由 Hermes Agent 驱动、搭配 Claude 生成，经人工审核后发布。六步流程、工具组合、半天搭出这套系统，都出自作者一个人的自述，诀.com 没有复现，也没有拿到运行记录。

可以照着用的是流程骨架。每一步该产出什么，上下游怎么衔接，选工具按什么维度看，作者都写清楚了。系统搭起来之后能不能被 AI 提及、提及率会不会变化，文中没有数据。

六个环节里哪两步换不掉

采集和解析都能换工具。搜索端从 Tavily 换成 Google、必应或 Perplexity，分析端从豆包换成 ChatGPT、DeepSeek 或 Claude，作者说逻辑完全一样。换不掉的是第二步的问题集和第五步的缺口分析。

问题集决定系统能覆盖多大的提问空间。作者列了四种找真实问法的来源，要求是同一个，问法得从用户嘴里出来，不能按厂家视角编。这一步写偏，后面采集和解析做得再细，拿到的也只是一份偏掉的样本。

缺口分析是作者给这套系统定义的产出核心，它要回答的是竞品靠哪些平台、哪些角度拿到推荐。结论落不到具体平台和具体角度，这块看板就只能告诉你差距存在，告诉不了下一步写什么。

适用边界

作者在工具分类里给了一张分层表，按团队形态选比按功能选更实际。已经建立品牌知名度、有内容团队的公司，用监控看板型记录数据波动；有自主执行能力的机构用分析建议型，拿到方向自己写自己发；零基础用户可以直接上全链路工具，跳过原理理解这一步启动。

这套流程不解决没有内容可发的问题。它的输出是草稿和发布方向，品牌如果没有可写的角度、也没有能承接的阵地，监控出来的差距补不上。作者还提到一个没落地的想法，用自建系统负责上游的监控采集分析，把下游的内容生产和发布交给开源库 GEOFlow，文中只给了方向，没有实施记录。

发布环节作者自己按住了。AI 生成的稿子经常编造查不到出处的数据，批量自动发出去等于给自己挖坑；多数平台没有官方 API，用非正当手段发布要担降权甚至封号的风险。他把发布平台的优先级排给了 AI 会去采集的那批站点，海外是 Reddit 和 Medium，国内是知乎和小红书。

怎么读，先做哪一步

1. 想先弄清概念，读「GEO 是什么」和设计思路两节，抓住 SEO 要用户点进网站、GEO 要 AI 直接说出品牌这个区别。
2. 准备动手，按六步顺序过一遍，每步停下来确认这一步的输出拿到了没有。
3. 只关心选型，跳到工具分类，先按自己的团队形态选类型，再看代表产品。
4. 打算把这篇文章交给 AI Agent 当提示词用，先把品牌名、别名与竞品列表整理好。别名收不全，提及率统计从第一步开始就漏。

动手前的核验清单

• 品牌别名，先手工在几个 AI 里搜一遍自家品类，看模型实际怎么写你的品牌名，再决定别名表收哪些写法。
• 问题集，每条问法都要能追到真实来源，追不到的先标出来。
• 采集链路，确认提问之前有一步联网搜索。作者指出只用模型 API 会卡在训练截止期，模型压根不知道新品牌。
• 缺口结论，看它有没有落到具体平台和具体内容角度。
• 草稿，AI 生成的稿子逐篇人工过一遍，重点看其中的数据和来源。
• 发布，先不碰自动发布，作者已经说明平台侧的代价。

效果怎么判断

作者最后谈了两件事。一件是信任复利，AI 推荐有惯性，它在 10 个高权重平台看到过对你的正面评价，信任会「涌现」，周期可能比 SEO 长。另一件是 GEO 投毒，用虚假专家生态和伪造数据误导 AI，他主张用更高密度的真实数据挤压虚假信息的空间。这两段都是判断，文中没有给出任何品牌提及率提升前后的对比数据。

要把效果落到自己身上，只能自己建基线。跑系统之前记录当前的提及率和竞品频次，跑一段之后再比对变化。作者整理的工具里，Gauge 强调与 Google Analytics 联动，关心 AI 提及对转化影响的团队可以顺着这条线去看。