所有生意的尽头，都是流量的争夺。AI to B 让我深入市场腹地，知道市场会为什么买单，也知道怎么把东西卖出去，当然更理解赚钱的不易；
AI to C 让我深刻的了解了如何做流量、如何获取免费流量。而流量这东西可太重要了；
我见证了许多公司，从SEO、公众号再到短视频，一路跟随平台做流量策略迁徙，与平台算法持续“斗争”。
如果你要问每个阶段的流量有什么特点：那么，一定是毫无特点，所以他们都有一个专门的流量团队在一直和平台“斗争”，而他们在流量侧每年的预算投入可能高达60%+，不可谓不高！这也导致这些团队会很焦虑。
最近一段时间他们更焦虑了，因为流量分配逻辑正在发生巨变，比如我最近咨询的一家企业，他们流量团队就反馈：
现在各个公司在百度广告投放（SEM）相关的费用已经很少了（效果也不好），甚至整个浏览器SEO份额萎缩得很厉害，各个公司当前最主要的去处是微信、抖音、小红书生态。
他们认为：后续预测GEO会吃很大的流量，所以他们成立了专门的团队在研究这块。
只不过，GEO也没有规律可言，他们之前所有的研究或者实操经验都有一定时效性，搞不好过2个月就不适用了，所以他们很想更了解GEO的本质，再做长远布局。
所以，我们今天来说说什么是GEO：
GEO的本质
讨论GEO，就一定离不开SEO，因为他们只差一个单词：
SEO的核心是能被搜索出来，对应的优化策略是在TDK（标题、描述、关键词）模块的优化，外加在各个权重高的网站交换链接…
GEO的话，直接依赖于模型输出能力，模型输出依赖于两个数据源：第一个是内置数据源（训练数据）、另一个是外部数据源（会去各个网站上爬取数据）。
所谓GEO，也就是让你的（产品）内容成为模型的首选输出，更确切来说是首选知识来源。如图所示：
LLM是一套标准的输入输出系统，GEO的目标是通过影响LLM训练时候的语料或者回答问题时候的外部知识库，最终达到影响输出的目的。
进一步，GEO的优化动作也就是去影响LLM的两个数据源，其本质是RAG：
首先，内置数据源是很难被影响的，基模的训练数据核心是解决模型在各个领域的推理能力，所以其很难把一些不太重要的品牌数据囊括进去，这些对模型来说是负担甚至是垃圾；
所以，各个公司的核心就会放在如何“污染”模型外部数据源了，这里和一般的筛选逻辑很类似：
-
第一步是让模型能够找到你，这要求你的内容要足够多、足够新； -
第二步是让模型能够相信你，这要求你的内容出现的平台要有基本保障； -
第三步就是模型黑盒了，他到底是如何判断你的内容是不是优质，各个基模厂商都不一样；
综上，现阶段各个团队在GEO这件事上能做的就只有1、2两点：在全网发布足够多的内容、尽量往好的平台发。
接下来我们简单聊聊如何做。
如何做GEO
首先大家需要了解下正派路线E-E-A-T（经验、专业度、权威度、可信度），他是源自 Google《Search Quality Rater Guidelines》中的评估框架，用于判断网页/内容的可信质量。
简单来说是 我真干过（E1）+我很专业（E2）+大家承认我（A）+我值得信任（T），这个东西正好可以映射到模型的可溯源性：模型输出明确出处、可验证数据、署名清晰的内容。
遵循E-E-A-T模型是为了让模型更好的理解和相信，他属于一种模型知识源编写范式，只不过现在模型能力强大范式多了去了，我们实际动作不需要那么复杂，直接量大出奇迹，用AI做批量内容生成，不同的格式在全网疯发即可，这个效果奇好，唯一不好的是容易被各平台封号…
这里给大家举个例子（我们自己的产品）：
除此之外，与之类似的做法是污染基座模型，比如用多账号不停的去问基模一些问题，在一段时间之后他有概率会收录：
这里还有些其他技巧，但都很邪性就不拿出来说了，比较正派的策略的话我随便提两点：
一、猜一猜策略
大模型时代的流量获取会更有技术含量一些，他需要我们去猜用户喜欢如何问问题。
尤其是那些长尾的提示词，我们提供的内容应该如何被优先选出来，这个会是关键。
所以，这里的工作量从买关键词到了穷举用户的提问方式。
二、权威矩阵
无论国内还是国外，稳定后一定会更愿意从权威渠道获取信息，所以如果我们能够成为某个垂直领域的流量入口，或者我们能在各种权威渠道发布信息，这个内容会更容易让AI采用，比如我们在做医疗AI的时候就会有一些信源偏好：
-
S级：权威指南 → -
A级：顶级期刊 → -
B级：医学教材 → -
C级：临床专家经验补充 → -
D级：医院疑难杂症病例库
检测平台
其实大家也看出来了，上述策略全部是E-E-A-T框架的一些实践。但这里也有一个问题，这里只有投放没有检测，而没有检测就很难评估效果，比如：就算你的内容被引用了，很可能你也是不知道的。
所以现阶段是需要很需要一个GEO检测平台的，他至少需要告诉我们被引用了多少次，是以什么形式被引用的，只不过这个检测平台设计隐私和平台安全，很难真正存在，如果做出来，他很可能长这样：
来源：《7亿人都是如何使用ChatGPT的》
这里总结一下，GEO现在还有点“玄学”，但底层逻辑是清晰的，他本质上是一场针对AI数据源的“供给侧改革”。
在这个阶段邪修、正派的做法都可以，能获取流量就行，并且很可能不同阶段也有不同的侧重，总之正派恒长久，邪修必可存。
实操经验
接下来，我们举个实践案例，来看看具体公司流量团队做了什么，取得了什么成绩。
只不过GEO首先不稳定，其次客户公司也不希望我们乱说太多，这块不好说得太具体，大家感受下即可：
公司做GEO的目标很明确：让全球各地的AI，在用户询问相关产品时，能优先、准确地将他们推荐为“标准答案”。
要特别注意的是：GEO相关事项只占这个流量团队工作任务的1/4，流量是个很大的课题。
这个流量团队在SEO时代，就已经完成了从“内容、信任、渠道、生态”的生态建设，总之是个对流量非常有研究的团队，以下是关于GEO大方向的做法：
一、找到并信任
这种一定会使用邪修做法，先把内容基础量提起来再说，之前批量内容产生依赖内容团队，现在AI提升了不小效率。
比如，海量多语言、多语义覆盖按时更新，解决“找得到”的问题。
其次是权威渠道切入，解决”信任“问题。AI与用户一样，需要信任背书。
在官网及所有对外内容中，他们会给出很多理性标签内容，比如：FCC等国际认证，AEO海关认证，承诺“48小时全球速达”…
这些偏理性的内容未必会吸引人类（我们更喜欢情绪化的决策），但AI是很吃专业度和权威性的。
二、内容预测
这部分属于找得到、信得过的延续，光有静态信息还不够，他们花了不小的成本构建了一个能主动预见并回答用户各种问题的动态内容矩阵：
首先，结构化问答对。这种高度结构化的内容，完全是为了吸引AI。
他们在产品FAQ中，大量设置诸如“问：电池续航多久？答：连续播放10小时视频”这类直白的问答模块。
其次，场景化内容。他们尽力穷举了产品使用场景的内容，如“户外旅行如何充电”、“办公生产力配件推荐”等。
每篇文章解答一个场景下的用户疑问，确保无论用户从何种角度提问，AI都能在其内容库中找到匹配的答案。
最后，多模态素材辅助。
他们为所有演示视频、评测短片配备了精准的字幕、对视频进行摘要提炼。显然他们不相信AI的多模态理解能力，他们信AI能够理解文字…
这个东西的意义肯定是有的，但是ROI不好评价…
最终他们做到了：用户可能会问20个问题，他们准备了100个答案的效果。
三、内容网络化
再好的内容，也需要被AI“吃到”。但是当前模型是否使用这件事是后置的，所以他们必须在分发上做很多策略，形成一套网络：
首先依旧是量大出奇迹，只不过这里就不是我们之前粗暴的“产生AI垃圾污染全网”了，他们是在各种平台会同步发相关内容，比如官网、抖音、YouTube等，目的是形成多源共识效应；
其次，他们向AI开放了部分知识库API，意思有块专业内容，模型是直接调用的他们的知识库，这块我难以确定，也没看到任何证据链，多问两句对方就笑而不语了。
内容层面的操作也就是上述这些，最后依旧是ROI测算问题。
四、ROI问题
在SEO时代，他们有一套清晰的评估体系。
但那套评估体系不好用了，他们能测算ROI的方式就比较土了：通过在各大AI平台模拟用户提问，监测品牌内容的引用率、排名及引流转化…
最后的结果是：虽然不知道原理是什么，但实际表现成果显著。
以上就是我亲历的一个实际GEO案例了，大家可以感受下，其实跟之前说的差不多，盯着E-E-A-T框架搞就行！
最后详述下什么是邪修路线：
邪修路线
邪修不会在乎“互联网道德”，整体就一个思路：
生产“垃圾” → 投毒平台 → 污染基模
目标：不惜一切代价，以最低的成本和最高的效率，将品牌信息尽可能多地植入到大模型可能爬取的外部数据源中。
这里的核心是量大出奇迹，不关注文章的深度、不在意单篇内容的质量，而在于整个内容网络的规模效应与自动化程度。
实操起来最好的方式是代码，但甲方后续不想麻烦（求着）研发人员做迭代，所以最好的选择是Coze（多维表格），这个业务人员上手门槛低（他们有人会）。
实际做起来要围绕：选题 -> 生成 -> 分发 -> 监测展开，最终希望是完全自动化，下面我们抽取一些简单模块为大家分享：
一、策略大脑
在多维表格中建立了几个核心视图：
-
关键词库：
包含了从“彩妆教程”、“护肤品推荐”到“干皮如何保湿”、“油痘肌夏天用什么”等数千个长短尾关键词。
每个词都标注了搜索意图（信息型、购买型）、竞争度、以及关联的产品线。
-
竞品动态
这个地方会去关注一些竞品的账号（公号、抖音），会对他们的信息进行收集，然后在多维表格中生成总结或者话术（后面一键爆文的时候会参考），这里不展开太多，下图是会用到的视频转文案插件：
这里有个点要注意：这些插件最好自己写，不要用平台插件，有些Coze插件提供者是为了卖课，所以插件经常会出问题，然后让我们转私域买课…
-
内容模板库
里存放的不是成文，而是“内容骨架”，我们为不同平台和内容形式预设了模板，不同平台对内容的偏好是不一样的，比如小红书就特别喜欢精致感，视频号喜欢大实话，抖音什么都可以…
-
账号管理
这个模块比较敏感，他管理着数十个各平台账号的Cookies、发布状态…
也会进行每日限额撒的，防止单个账号发布过频被封禁。
在这里也可以看到各个任务队列的执行情况。
二、内容血汗工厂（核心）
实际的工作台不是Coze而是多维表格，只不过多维表格会用到Coze的工作流。
系统会定时从多维表格的“任务队列”中拉取一个新任务，例如：关键词“夏季油皮护肤”，平台“小红书”。
工作流会首先调用联网搜索插件，抓取当前关于该关键词的热门内容，了解大家都在讨论什么。
而后就是关键一步了，系统会基于搜索结果和预设的“内容模板”，生成一篇符合平台调性、关键词密度高、并自然融入产品信息的草稿。下面是一小段提示词，大家可以体会下：
请以一名真实美妆博主的身份，创作一篇小红书笔记，核心讨论{关键词}
在文中自然提及我们的产品{产品名}及其{核心功效}
文风要求口语化、大量使用感叹号和emoji，并带上相关话题标签。
生成的草稿会连同配图建议，写回多维表格的“内容草稿”区，并标记“待发布”，等待另一个AI机器人(一般会换一个模型)进行审核…
三、全网投毒/效果反馈
接下来就是全网投毒了，这块没什么好说的，全部是些自动化脚本。
效果监测暂时没有太好的方法，也只有再搞一个AI机器人在各个平台不停去问模型，比如：请推荐适合夏季油皮的国产护肤品？
当不同账号问到一定阶段形成数据后，再次保存到多维表格即可…
简单小结
这套系统跑起来后，效果是很不错的。有一天系统没设置好，在全网生成了上万条内容…
对于那家化妆品公司而言，这相当于在AI的“外链知识库”里进行了一次饱和式的内容轰炸。
只不过，邪修路线有其明显的弊端：平台封禁风险！
大规模、同质化的内容发布极易触发各内容平台的反垃圾机制，账号矩阵需要不断补充。
事实上这套打法不存在内容同质化或者道德问题，只要做了，内容就一定有AI味，也就一定会对网络环境造成污染，这就是底层策略，只不过账号封禁是真的难受…
邪修打法就跟之前团藏用写轮眼一样，他妈的很耗写轮眼账号啊！
结语
据今年红杉AI闭门会信息：云时代的 OS 是微软、移动时代是 iOS/Android、AI 时代的 OS，将不再是装机软件，而是任务调度系统。
什么是任务调动系统，最近大家最为熟悉的Manus以及正在进行变革的AI浏览器就是。
如果沿着红杉的思路走，AI时代的操作系统本质是“任务调度系统”，那么GEO的策略核心就必须从“关键词排名”升级为“任务理解与介入”。
传统SEO追求的是在用户搜索时被看到；而GEO的目标，是让AI在用户执行任何任务的过程中，优先推荐你的产品、服务或内容作为解决方案。这不再是被动检索，而是主动嵌入工作流。
比如，当用户收到一句“帮我总结这篇论文”的指令时，AI可能会调用某个支持的文献工具（它已被深度集成），而不是简单返回一个网页链接了。
这些场景中，决策权交给了AI，而GEO要做的就是让你的服务成为AI决策时的“第一选择”。
因此，GEO的优化不再仅限于内容，能否提供标准化、可被AI识别和调用的接口，能否输出结构化、可信度高的实时数据，能否进入主流AI平台的“白名单”或知识插件库，将成为GEO更重要的手段。
这也是各个想要进入GEO的AI创业者所需要思考的几个核心了，要特别注意的是：表面看门槛很高，但实际上，很多细分领域还没有出现“被AI默认调用”的巨头，这恰是中小玩家凭借技术敏捷性抢占GEO高地的窗口期。
最后给大家个报告感受下吧：
