从 GEO 热潮到冷静转身：一个半月调研带来的七条实战笔记

——写给正在考虑 AI 搜索优化的你

作者按：过去十五天，我把市面上所有能找得到的 GEO（Generative Engine Optimization）团队聊了一遍，也亲手跑了十来个真实客户案例。结论很简单：纯做 GEO 产品创业，现在还不是时候。以下内容全部来自一手调研，没有外部引用，也没有夸张包装。如果你正打算把营销预算挪到 AI 搜索上，不妨先读完这七条笔记。

1. 把概念先聊透：GEO 与 SEO 到底差在哪？

一句话总结：SEO 追求“排名”，GEO 追求“被提到”。二者核心都是提升被发现率，但手段和衡量标准已经分化。

2. 产品化困境：为什么市面上没有“一招鲜”的 GEO SaaS？

过去两周，我测试了 7 家付费平台，订阅价全部落在 200–400 美元/月 区间，功能却出奇一致：

1. 趋势监测：用自研或半公开接口，反向估算 ChatGPT、Gemini 的“提及率”。
2. 网站优化：给出“信息密度评分”，提示你在 H2 下加 3 行 FAQ，或把长段落拆成子弹符号。

除此之外，没有惊喜。原因有三点：

• 算法黑箱：大模型不会公布权重，任何“模拟”都只能是概率逼近，客户很难感知差异。
• 效果难归因：你无法证明 7 月环比 6 月流量上涨 18% 是因为用了某款工具，还是市场本身回暖。
• 续费天然脆弱：一旦客户觉得“好像没效果”，第二个月就会砍掉预算，流失率远高于传统 SaaS。

因此，真正赚得到钱的团队，基本都退回到“人工服务”：

• 代写结构化 FAQ
• 批量生成 llms.txt
• 按月出“品牌提及率”报告

这些生意现金流不错，但天花板肉眼可见，且高度依赖“请客吃饭”式销售，与 VC 喜欢的“可扩张模型”南辕北辙。

3. 两条唯一被验证的需求

如果一定要在产品里做功能，就锁定这两条：

3.1 趋势监测：用外部手段“猜”大模型在想什么

• 技术实现：把目标关键词喂给 ChatGPT 与 Gemini，记录返回里出现客户品牌的次数与位置，再跑回归模型估算“权重”。
• 交付形式：周报或月报，格式示例：

• 难点：样本量必须够大，否则波动会把客户吓跑；还要持续更新 prompt，防止模型版本升级导致数据跳变。

3.2 网站优化：让 AI 一眼看懂你

• 信息简洁性因子：大模型在实时检索阶段，会优先抓取“能在 512 token 内讲清楚”的片段。
• 落地方法：

  1. 每个核心页面增加 3–5 条 FAQ，直接回答“谁适合用、多少钱、如何开始”。
  2. 使用有序列表描述复杂流程，减少长段落。
  3. 在根目录放置 llms.txt，写法参考 robots.txt，但列出最重要 5–7 条 URL 及一句话摘要。
• 早期红利：目前 ChatGPT 官方插件会在检索结果里优先引用 llms.txt 中的 URL，实验站点在两周内“被提到率”提升 2–3 倍。

4. 玩家地图：谁在牌桌上、谁已经悄悄离席？

一句话：现在还没有出现只靠 GEO 单一产品就能年收过亿的公司。

5. 估值迷思：为什么万亿美元故事讲不通？

早期我也被“GEO 就是下一个 Google”的叙事打动。

• 假设 AI 搜索未来接管 30% 流量，GEO 市场等于再造一个 SEO 行业，千分之一份额就是十亿美元。
• 但逻辑漏洞在于：新时代的 Google 是 AI 搜索本身，而 GEO 只是新时代的 SEO——一个依附层，而非平台层。

把 SEO 历史翻出来看，你会发现：

• 2000 年 SEO 工具公司市值总和 < Google 市值的 1%。
• 同理，2030 年 GEO 工具公司市值大概率 < OpenAI 或 Gemini 母公司的 1%。

所以，纯 GEO 产品公司估值天花板天然受限，除非能横向扩展到广告、交易、数据平台，否则 VC 很难继续加码。

6. 国内市场现状：水帖与“代运营”仍是主流

与海外相比，国内连像样的监测工具都少见。多数团队沿用老路径：

• 在知乎、小红书、CSDN 发“测评”软文，增加品牌曝光量。
• 用脚本把同一答案批量提交给不同大模型问答入口，提升命中概率。
• 按条计费，一条回答 50–200 元，客户多为教育、医疗、金融等高客单价行业。

效果确实有——毕竟中文语料相对稀缺，大模型很容易把新内容当作“新证据”。但过程毫无技术美感，也很难规模化。

7. 我的下一步：回到视频，把 GEO 当作调味剂

2021 年 OpenAI 发布 CLIP 后，我们内部训过一个 Video-CLIP，可惜当时硬件太贵，商业场景也不成熟。
现在成本降到原来的十分之一，且大模型开始支持多模态检索，我想重新验证：

• 用 GEO 方法优化视频元数据（标题、字幕、章节），让 AI 问答里更频繁地引用我们的片段。
• 把 llms.txt 升级为 video-llms.txt，专门列出视频关键帧描述与时间戳。
• 最终目标不是卖 GEO 工具，而是用“可被 AI 搜索到”的优质视频内容，带动自有会员业务。

换句话说，GEO 不再是全部，而是视频业务的一道护城河。

附录：如何立刻动手试验

A. 5 分钟生成你的第一条 llms.txt

# llms.txt 示例
# 放置于 https://yourdomain.com/llms.txt

User-agent: *
Allow: /
# 最重要的 3 个页面
https://yourdomain.com/product  一句话描述：低代码平台，最快 10 分钟上线内部系统。
https://yourdomain.com/pricing  一句话描述：按席位计费，每月 29 美元起。
https://yourdomain.com/docs     一句话描述：公共 API 文档，支持 Webhook 与 SDK。

B. 用免费脚本跑第一次“品牌提及率”监测

以下示例用 Python 3.10 + OpenAI 官方库，每月可免费跑 500 次左右查询：

import os, openai, itertools, pandas as pd
openai.api_key = os.getenv("OPENAI_API_KEY")

keywords = ["低代码平台", "无代码开发"]
brand = "YourBrand"
prompt_tpl = "请列出 5 个值得推荐的{}，并用一句话说明理由。"

records = []
for kw in keywords:
    resp = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt_tpl.format(kw)}]
    )
    text = resp["choices"][0]["message"]["content"]
    mention = 1 if brand in text else 0
    records.append({"keyword": kw, "mentioned": mention})

df = pd.DataFrame(records)
print(df.groupby("keyword")["mentioned"].mean())

把结果写进 Google Sheets，四周后就能画出第一张环比图。

写在最后

如果你读到这里，还记得开头那张 AI 搜索示意图，那么我们已经完成了一个完整循环：

• 先用外部工具监测“被提到率”；
• 再用结构化内容提升“被提到率”；
• 最后把 GEO 作为更大业务版图里的一个模块，而不是孤注一掷地 All in。

愿这份半月调研笔记能帮你省下一笔学费，也祝你在 AI 搜索的浪潮里，找到真正属于自己的船票。