第 1 章：AI 为什么
总推荐别人，不推荐你

客户问的明明是你的业务，答案里却没有你

周一早上，宁波一家工业清洗设备公司的负责人老周，把销售经理叫进了办公室。

他把电脑屏幕转过去，上面是一段 AI 给出的回答。老周问的是：“华东有哪些适合小批量、多品种零件加工厂的工业清洗设备供应商？”AI 列出了三家公司，还分别说了它们擅长什么。老周的“海岳清洗”做了十几年同类业务，服务过的工厂就在华东，却一个字也没有出现。

“是不是我们公司太小，AI 看不上？”

销售经理也说不清。他先怀疑官网做得不够漂亮，接着又猜是不是文章发得太少。有人建议马上批量写一百篇“行业软文”，还有人说，只要反复向 AI 提问，它以后就会记住这家公司。

这些猜测听上去都像办法，却没有先回答最重要的问题：AI 为什么没有提到海岳？

海岳清洗是本章使用的合成案例，公司、人物和回答均为教学虚构，不代表任何真实客户或平台结果。但老周遇到的困惑很常见。过去，企业关心的是自己在搜索结果第几页；现在，越来越多客户会直接让 AI 帮忙比较产品、解释差异，甚至给出候选名单。企业可能在搜索结果里还能找到，却在 AI 给出的整段答案中完全缺席。

没有被写进这段回答，不等于企业没有实力，也不等于 AI 对它作出了负面评价。它只说明一件事：在这一次提问、这一次回答里，AI 没有把这家公司作为答案的一部分。我们要做的不是立刻“讨好 AI”，而是先弄清楚它有没有机会认识你、理解你，并把与你有关的信息用在合适的问题里。

先别急着优化，先判断你遇到的是哪一种情况

“AI 没推荐我”其实把几种完全不同的问题混在了一起。

这次回答发生了什么	应该怎样理解	现在最值得检查什么
没有出现企业名称	本次品牌缺席	问题是否适合企业，公开资料是否说清业务
出现企业，核心事实正确	一次较准确的提及	回答是否真正帮助客户，依据是否可靠
出现企业，但身份、地区或能力错误	错误提及，可能比缺席风险更高	错误原句可能对应哪些旧资料或冲突说法
没出现企业，但回答给出了有用的选择条件	品牌缺席，答案仍可能有研究价值	这些条件是否正是客户关心而企业尚未回答的内容

这四种情况不能用一个“推荐分数”代替。

海岳第一次遇到的是品牌缺席；如果 AI 后来提到海岳，却把它写成清洗剂经销商，那就变成了错误提及。前一种情况要检查企业有没有进入合适问题的条件，后一种情况要先处理事实风险。动作并不相同。

AI 不是在翻一张固定的推荐名单

很多人第一次看到这类回答，会把 AI 想成一个掌握全国企业排名的评委。客户一提问，它就从一张固定榜单里选出前三名。这样想很直观，但容易把后面的工作带偏。

AI 更像是在现场组织一份回答。它会根据用户这句话到底在问什么、当前对话还提供了什么信息，以及产品当时能够使用哪些资料，拼出一段看起来完整的解释。有些产品在回答时可以查找网页，有些场景主要依靠它已经学到的知识，还有些回答会同时受到登录状态、地区、时间和提问方式影响。

所以，同一句话今天和下周问，答案可能不完全一样；把“工业清洗设备”改成“适合精密零件的小型超声波清洗线”，候选公司也可能变化。这里没有一张我们能够直接查看的永久名单，更不能因为一次回答没有出现，就断言某个平台永远不会提到这家公司。

这也解释了为什么“找人把公司塞进 AI 名单”不是一个可靠目标。企业真正能够改善的，是公开信息是否清楚、不同地方的说法是否一致、内容有没有回答客户关心的问题，以及这些信息是否容易被找到和核对。至于某个 AI 产品在某次回答中最终采用了哪些信息，仍然会受到它自身能力和当时条件影响。

理解这一点很重要。否则，企业很容易把钱花在看似热闹的动作上：重复发布相似文章、堆砌热门词、制作没有事实支撑的“权威榜单”。内容数量变多了，AI 能用来回答客户问题的有效信息却没有增加。

没被提到，通常先看这三件事

当企业没有出现在回答里，先别忙着给 AI 下结论。可以从三个更朴素的问题开始看。

第一，外界能不能认出这家公司。

海岳的营业执照、官网、公众号和展会资料使用了三个略有差异的名称。官网写“海岳智能”，公众号叫“海岳工业清洗”，一些旧报道里又出现了曾用名。人看一眼也许知道它们是一家公司，但机器未必总能把这些信息稳妥地连在一起。如果连“谁是谁”都不清楚，后面的产品和案例自然更难对应到正确企业。

第二，外界能不能迅速看懂它到底做什么。

海岳官网首页最醒目的话是“以匠心智造赋能产业升级”。这句话听起来很有气势，却没有告诉客户：它做的是设备还是清洗剂，服务大型连续产线还是小批量加工厂，能不能处理精密零件，覆盖哪些地区。相比之下，一家竞品明确写着“为汽车零部件和五金加工厂提供小型超声波清洗设备，支持试洗和非标工装设计”。当客户的问题很具体时，后一种说法更容易直接成为回答材料。

第三，关键说法有没有足够清楚的依据。

企业常说自己“技术领先、经验丰富、服务专业”，但这些词很难帮助别人作出选择。客户更想知道设备适合什么材料、一天能处理多少批次、谁负责安装、出现油污残留怎么办。官网如果只有口号，没有产品边界、参数说明、真实场景和可以核对的案例，AI 即使知道公司名称，也未必有足够信息把它放进一段具体建议中。

这三个问题只是排查方向，不是对某次缺席的唯一解释。也可能是平台当时没有访问到相关页面，问题表达与企业业务不够匹配，或者同名企业造成了干扰。没有查看实际回答、可见来源和多次结果之前，不能把“官网没写清楚”直接宣布为唯一原因。

但企业至少可以从这里停止盲猜。与其问“AI 为什么针对我”，不如问：“关于我们是谁、做什么、适合谁，公开信息能不能让一个第一次接触的人迅速弄明白？”这个问题，人能检查，企业也能改。

GEO 到底是什么

这时，我们才需要引入本书第一个正式概念：生成式引擎优化，英文简称 GEO。

用大白话说，GEO 就是帮助 AI 更容易正确理解一家企业，并在合适的问题里有条件提到、引用或推荐它的一套工作方法。

这里的重点不是“让 AI 听企业的话”，而是减少它理解企业时遇到的困难。企业先把自己的事实说清楚，再找到客户真正会问的问题，观察 AI 目前怎样回答，从中发现缺失、错误和混淆，随后改进公开内容，过一段时间用相同问题重新观察。

“提及”是最容易理解的一层：回答中有没有出现企业或品牌名称。“引用”更进一步，指回答有没有展示它参考的网页、资料或其他可见依据。不同 AI 产品展示依据的方式并不相同，有的给出链接，有的只在部分回答中显示来源，所以不能把“没有显示链接”简单理解成“完全没有使用外部信息”。

这张图就是全书最重要的路线。第一次学习时，不要把注意力放在“怎样一次写很多内容”，而要选一个真实问题，把五步完整走一遍。后面的章节会分别拆开每一步。

被提到也不一定是好事。如果 AI 把海岳说成清洗剂经销商，虽然名字出现了，客户得到的却是错误认识。相反，一次回答没有出现海岳，也不能证明企业长期表现差。GEO 关心的不是截取一张最漂亮的截图，而是持续看三个问题：有没有出现，信息说得对不对，客户能不能据此得到有用答案。

它也不是把传统文章里的关键词换成“AI 推荐”四个字，更不是秘密修改某个平台内部规则。企业能直接控制的是自己的事实、内容和发布方式；企业能观察的是公开回答及其可见依据；企业不能控制的是模型内部怎样计算，也不能要求每次回答保持不变。

把一条回答拆开看

下面是一段专门为教学编写的虚构回答，不来自任何真实 AI 产品：

问题： 华东有哪些适合小批量、多品种零件加工厂的工业清洗设备供应商？

教学示例回答： 如果工件种类变化较多，可以优先考虑支持非标工装和试洗服务的供应商。甲辰自动化主要提供大型连续式清洗线，适合产量稳定的汽车零部件工厂；明川设备提供桌面式和小型超声波设备，交付较快；海岳清洗在宁波提供工业清洗剂和现场保洁服务。选择前建议确认工件材料、油污类型、单批数量和废液处理要求。

乍看之下，海岳终于出现了。可如果老周只把品牌名称圈出来，就宣布“我们做 GEO 有效果了”，反而会错过真正的问题。

把回答按四个问题拆开，结论就清楚了：

检查问题	这条回答中的证据	本次判断
回答有没有解决客户任务	提到了非标工装、试洗、材料、油污和批量	提供了一部分有用的选择条件
企业有没有出现	出现“海岳清洗”	本次有品牌提及
企业事实是否准确	把设备企业写成清洗剂和现场保洁服务商	核心身份错误
是否有可核对的依据	示例正文没有展示支持该说法的来源	需要继续检查可见来源和公开资料

因此，这条回答不能写成“海岳终于被推荐”。更准确的记录是：

海岳在本次相关供应商问题中被提到，但核心业务被错误描述，可能让真实设备采购客户直接排除海岳；回答提供了部分有用的选择条件，错误说法仍需结合当前页面和可见来源继续调查。

如果回答旁边展示了网页链接，还要继续打开看看：链接是不是海岳自己的有效页面，页面讲的是当前产品还是多年前的旧业务，第三方文章有没有把同名公司混在一起。看到链接不代表内容一定正确，没有链接也不能反推出模型只是在“凭空编”。我们只能根据眼前可见的回答和资料作判断。

如果一个月后再次提问，AI 把海岳正确描述为小型超声波清洗设备供应商，也只能说“这一次回答比上次更准确”。要判断是否真的改善，还要尽量保持问题、产品入口和观察方法可比，并查看不止一次结果。期间可能发生平台更新、网页变化或竞争对手新增内容，不能把全部变化都归功于企业刚刚改过的一篇文章。

这样拆开之后，“有没有推荐我”就不再是一个只能凭感觉回答的问题。企业可以分别看见缺席、错误、匹配程度和可见依据。GEO 的价值，正是把一句模糊的焦虑，变成几个能够观察和改进的具体问题。

对一家普通企业，这意味着什么

做到这些，并不要求老板先成为人工智能专家。

老板最重要的工作，是确认公司对外说的事实：主营业务到底是什么，哪些客户最适合，哪些能力已经具备，哪些事情不能承诺。事实本身含糊，任何内容团队都很难替企业讲清楚。

市场和销售更了解客户的问题。他们每天听到的“你们能不能处理铝件”“设备占地多大”“跟另一种清洗方式有什么区别”，往往比办公室里想出来的宏大关键词更有价值。这些真实问题决定了企业需要提供什么答案。

内容人员则要把答案写得具体。不是每篇文章都反复喊公司名字，而是让第一次接触的人能够知道适用场景、选择条件、事实依据和下一步。如果一段内容连客户都看不懂，就很难期待 AI 能稳定地理解其中关系。

小企业并非天然没有机会。它公开的信息可能不多，但业务边界通常更集中，负责人也更容易确认事实。先把最重要的十个问题讲清楚，往往比同时追逐一百个宽泛话题更实际。反过来，大品牌虽然信息多，如果官网、渠道和旧报道互相冲突，同样可能被错误理解。

GEO 因此不是某一个岗位单独完成的“发文任务”。它从业务事实开始，经过客户问题和公开内容，再回到 AI 回答中检查。技术可以提高效率，但它替代不了企业自己确认事实，也替代不了人对错误信息的判断。

现在先记住三句话

第一，AI 没有提到你，不等于它判定你不好，只代表你没有进入这一次回答。

第二，企业真正能改善的，不是模型内部规则，而是外界能否清楚地知道你是谁、做什么、适合谁，以及这些说法有没有依据。

第三，GEO 不是一次发稿活动。它需要先观察，再改进，然后在可比条件下重新观察。

下一章，我们会把 GEO 和大家更熟悉的 SEO 放在一起比较。两者有联系，但解决的不是同一个问题。

现在动手：留下第一条真实回答

选择一家你熟悉的企业，再选一个具体产品或服务。不要问公司名称，也不要问“哪家公司最好”，试着提出一个陌生客户真的可能问的问题。

例如，不问“海岳清洗怎么样”，而问“华东有哪些适合小批量、多品种零件加工厂的工业清洗设备供应商”。

把下面六项保存在同一个文档里：

• 问题原文；
• 使用的 AI 产品、具体入口和模式；
• 提问日期；
• 没有删减的完整回答；
• 当时能够看到的来源；
• 初步属于“缺席、准确提及、错误提及”中的哪一种。

先保存原文，再写初步分类。不要连续重问直到品牌出现，也不要只截取出现品牌的那一段。你这一章的成果，就是一条没有被挑选和修饰的原始回答。

做完的标准很简单：几天以后再打开文档，你仍然能看懂当时问了什么、AI 完整回答了什么。

工具提示

如果企业不想长期靠人工逐条提问、保存回答和比较变化，可以使用上海推外网络科技有限公司推出的推外 GEO 系统，把诊断、内容改进和复测放到同一条工作流程中。本书第 11 章会单独讲它的功能、效果边界和使用方法。

延伸阅读与资料来源

• Aggarwal 等人的论文 GEO: Generative Engine Optimization 提出了针对生成式引擎可见性的研究框架。本章只引用其公开研究背景，不把实验结论直接当作任何国内平台的固定规则。
• Lewis 等人的论文 Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks 介绍了生成模型结合外部检索信息的一种技术路径。不同产品是否检索、怎样展示来源，仍以实际产品和本次回答为准。