如何做好 GEO：把吴恩达的智能体工作流用到 AI 搜索优化

过去做 SEO，我们关心网页能不能排进前十。现在越来越多用户先看 ChatGPT Search、Google AI Overviews、AI Mode 或 Bing Copilot 给出的答案。新的问题变成了：当 AI 组织答案时，它会不会找到、理解并引用你的内容？

这就是 GEO（Generative Engine Optimization，生成式引擎优化）要解决的问题。

先澄清一个容易混淆的地方：GEO 这个概念不是吴恩达提出的。2023 年发表、后来收录于 KDD 2024 的 GEO 论文系统定义了这套方法。吴恩达的价值在另一处：他总结的反思、工具使用、规划和多智能体协作，为持续做 GEO 提供了一套很合适的工作流。本文把两者连接起来，属于我的方法论推演，不是对吴恩达观点的直接转述。

我写这篇文章的起点，就是上面这张搜索摘要。它把吴恩达、智能体工作流和 GEO 放在了一起，但搜索摘要本身只能当线索，不能直接当来源。下面所有涉及平台能力和研究结论的内容，都回到了原始论文或官方文档。

GEO 到底在优化什么

传统搜索结果给出链接列表，生成式搜索会先检索多个来源，再合成一段答案。网站不只要被收录，还要让系统判断：这一页与问题相关，信息可信，段落可以被准确摘取，引用之后不会歪曲原意。

GEO 原始论文提出了 GEO-bench，并测试了引用来源、加入统计数据、使用权威表述、改善流畅度等策略。论文报告，在其实验设置中，表现较好的策略可让来源可见度提高最多约 40%；单纯堆关键词效果并不好。这个数字来自特定基准和当时的生成式引擎，不能当作所有网站都能复制的承诺。

Google 2026 年发布的官方指南又把边界讲得更清楚：面向 AI 搜索并不需要一套神秘的新技术。传统 SEO 的抓取、索引、页面质量和用户体验仍然是基础；Google 也明确表示，不需要为了它的生成式搜索专门制作 llms.txt、特殊 AI Schema 或 Markdown 版页面。

我的理解是：SEO 解决「能不能被找到」，GEO继续解决「这段内容是否值得进入答案」。两者重叠很多，GEO 不是把 SEO 推倒重来。

借用吴恩达的四种模式，建立 GEO 工作流

吴恩达在 DeepLearning.AI 的智能体课程中，把常用模式归纳为反思、工具使用、规划和多智能体协作。把它们放进内容生产流程，比「让 AI 一次写完一篇文章」可靠得多。

1. 规划：先画问题地图，不急着写正文

先确定用户真正会问什么。例如「新手如何做 GEO」可以拆成这些问题：

GEO 与 SEO 有什么区别？
网站要允许哪些爬虫？
什么样的段落更容易被引用？
如何知道 ChatGPT 或 Google 是否引用了自己？
GEO 做多久能看到结果？

接着把问题分成信息型、比较型和操作型，并为每个问题指定证据。需要数据的地方找原始论文，需要平台规则的地方看官方文档，自己的经验则明确写成经验，不要混成行业事实。

这一步的产物不是关键词表，而是一张「问题—答案—证据」表。每篇文章只覆盖一个清楚的主题，相关问题再用内部链接连起来。

2. 工具使用：让 AI 去查资料，而不是凭记忆补全

生成式模型很擅长整理，却可能把旧资料、二手说法和自己的推断揉在一起。研究阶段应该允许它使用网页搜索、站内搜索、Search Console、Bing Webmaster Tools 和分析工具。

资料优先级可以按这个顺序排：

官方文档、标准和原始论文；
可复核的数据、产品页面与公开案例；
有方法说明的行业研究；
论坛和社交媒体讨论，只用来发现问题，不拿来证明普遍结论。

引用时直接链接到支持该结论的页面。不要为了看起来权威，给一句话挂上并不支持它的来源。

3. 多角色协作：研究、写作和事实核查分开

这里不一定真的需要四个不同模型，也可以让同一个模型分阶段工作。关键是职责不要混在一次提示词里。

研究角色负责收集问题和证据；编辑角色负责把材料写成人能读懂的文章；事实核查角色逐句检查数字、日期、产品能力和引用；技术角色检查抓取、结构化数据、链接与页面性能。最后仍由人决定哪些内容值得发布。

这种分工能减少一种常见错误：文章写得很顺，但依据经不起点击。

4. 反思：发布前后都要做评估

发布前，让审校角色只回答几个具体问题：

开头 150 字内是否直接回答了主题？
每个重要判断能否找到原始来源？
是否把实验结果写成普遍规律？
小标题下的段落能否脱离上下文独立理解？
有没有重复解释、空洞形容词和关键词堆砌？

发布后再做一次反思。用一组固定提示词在 ChatGPT、Google 和 Bing 中定期测试，记录是否出现、被谁引用、引用的是哪一页。若没有出现，先检查抓取和索引，再看内容缺口，不要立刻批量改写标题。

一篇适合 GEO 的文章应该怎么写

先给答案，再展开证据

用户问「GEO 和 SEO 有什么区别」，第一段就给出区别。后面再解释检索、合成和引用机制。把结论藏到文章末尾，会同时增加读者和系统提取信息的成本。

用可核查的信息代替形容词

「这款工具非常强大」没有引用价值。「它支持哪些输入、在哪个版本上线、测试条件是什么」才有。数字要写清时间、样本和口径。数据过期时更新正文与 dateModified，不要只改发布日期。

保持段落边界清楚

一个小标题解决一个问题。段落可以有长有短，但不要把定义、步骤、例外和广告塞在同一块。表格适合比较确定字段，FAQ 适合回答真实的后续问题，不必为了 Schema 硬凑十个问答。

提供别人无法批量复制的内容

Google 的最新指南把这类内容称为非同质化内容。实际项目数据、失败记录、原创截图、测试方法、计算过程和清楚的个人判断，都比重新排列公开资料更有价值。

AI 可以帮助整理原始材料，但如果一百个网站输入同一条提示词，输出也很接近，生成式搜索没有理由特别引用其中一个。

技术层面要做的基础工作

内容写得好，页面却抓不到，GEO 仍然从零开始。

允许目标搜索爬虫访问

检查 robots.txt、CDN、防火墙和验证码策略。OpenAI 的发布者说明指出，若希望内容进入 ChatGPT 搜索摘要与引用，不应阻止 OAI-SearchBot。是否允许用于模型训练的 GPTBot 是另一项独立选择，不要把两者混为一谈。

Google 的生成式搜索功能仍依赖其搜索索引，因此按正常方式允许 Googlebot 抓取即可。限制预览的 nosnippet、max-snippet 和 data-nosnippet 等设置，也会影响内容在相关 AI 功能中的呈现。

维护 sitemap 和更新时间

XML sitemap 应包含规范 URL，并给出准确的 lastmod。Bing 建议同时使用 sitemap 保证覆盖，用 IndexNow 通知新增或更新的单页。changefreq 和 priority 不会左右 Bing 的抓取或排名，不必反复调数值。

结构化数据必须和页面可见内容一致

文章可使用 Article 或 BlogPosting，产品和 FAQ 则选择对应类型。Schema 的作用是帮助系统理解页面，不是购买排名。Google 要求标记内容必须与页面上用户能看到的内容一致，并建议使用 Rich Results Test 验证。

保持规范链接、作者和更新时间清楚

每页使用唯一 canonical。作者介绍要能说明真实经验或专业背景，正文给出首次发布时间和最近更新时间。旧文章有实质更新再改日期，别制造虚假新鲜度。

如何衡量 GEO 是否有效

GEO 不能只看传统关键词排名，也不能只凭一次聊天结果判断。

可以先建一个简单表格，每周或每两周记录：

指标	记录方式
AI 引用率	固定提示词中，引用本站的次数 ÷ 总测试次数
引用页面	哪些 URL 被引用，引用了哪一段
品牌提及	有提及但没有链接的次数
AI 推荐流量	分析工具中的 `utm_source=chatgpt.com` 等来源
收录与抓取	Search Console、Bing Webmaster Tools 的状态
结果质量	AI 是否准确转述，是否把旧信息当成现状

OpenAI 表示 ChatGPT 的外链会带上 utm_source=chatgpt.com，因此可在分析工具里单独观察这部分访问。Google 则把 AI 功能带来的流量计入 Search Console 的 Web 搜索类型。平台输出会波动，固定测试问题、地区、登录状态和记录日期，趋势才有参考意义。

一个可直接执行的 30 天方案

第一周先做技术审计：检查 robots.txt、sitemap、canonical、索引状态、页面速度和结构化数据。列出 20 个客户或读者真的会问的问题。

第二周挑出其中 4 个问题，各写一篇有原始证据的内容。不要追求篇数，先把定义、步骤、案例和限制写完整。

第三周补内部链接、作者信息、原创图片和必要的 Schema。用 ChatGPT、Google AI Mode 与 Bing Copilot 测试固定问题，保存日期和结果。

第四周看哪些页面已被抓取、哪些回答引用了竞争来源。分析对方补上了什么证据，而不是照抄措辞。更新文章后提交 sitemap 或通过 IndexNow 通知，并把这套检查变成每月流程。

目前最容易踩的坑

把「AI 写内容」误当成「为 AI 搜索优化内容」。批量生成并不会自动带来引用，低价值规模化页面还可能触发垃圾内容政策。
迷信 llms.txt 或所谓 AI 专用 Schema。它们可能在特定生态中有用途，但 Google 明确说其生成式搜索不需要这些特殊文件或标记。
编造统计数据和专家引语。GEO 论文发现数据与引用有效，前提是它们真实、相关、可核查。
只追踪品牌有没有出现，不看答案是否准确。错误引用也许带来曝光，却会留下更难修复的认知。
把某一次实验的 40% 提升写成行业保证。平台、查询和领域不同，结果会变。

最后

GEO 目前没有一条稳定的「排名公式」。能长期做的，还是把网页变成可靠的信息源：可抓取，有原始内容，事实能核查，结论容易理解，更新也能被及时发现。

吴恩达的智能体工作流给了这件事一个实用框架：先规划问题，再调用工具找证据，把研究、写作和审校分开，发布后根据真实结果反思。重点不在于让 AI 多写几篇，而是让整个内容系统少犯错、能迭代。