AI推荐正在形成一门叫做GEO的新生意。 你试过让AI推荐产品吗？看似客观中立的AI回答，背后实际有很多门道。 "请帮我推荐一款适合游泳时戴的耳机。"当第一财经记者向DeepSeek提出这个问题时，AI很快给出了回 答，提及"已阅读8个网页"。很少有人会进一步点开链接，但如果深入探究，用户会发现这些链接大多 指向搜狐、网易、新浪这样的门户网站，而具体的创作者可能是0赞0粉丝的新账号。 以DeepSeek这样的AI聊天机器人为中心，背后正在形成一门叫做GEO（生成引擎优化）的新生意。在 AI搜索时代，品牌营销或许不再拼搜索排名，而是拼"AI记不记得你"。 很多从业者已关注到这一趋势，都很焦虑，怕错过商业机会。但目前花钱投入的，仍是大品牌，以及投 资回报周期更短的金融、软件行业等。 需求已吸引了更多创业者和资本加入。就在8月，知名风投红杉资本领投了GEO公司Profound，对其估 值超过1亿美元。在国内，豆包大模型前市场负责人创立的GEO公司PureblueAI清蓝，刚刚完成了首轮 融资。 AI成为新的流量入口后，围绕于此的变革也在慢慢发生，行业认为GEO或许正在爆发前夜，不过，大 模型格局未定，这个生意也可能 ...

GEO概念与背景 - GEO是AI搜索和LLM时代的SEO，但与传统SEO在效果监控、内容策略等方面存在差异[2][3] - 行业对GEO的商业价值存在争议，部分观点认为其仅是SEO变体，但共识是需要投入布局[4][5] - LLM使搜索行为碎片化，查询平均长度增至23词（传统搜索4词），会话时长增至6分钟，响应呈现个性化多源特征[14] GEO技术原理 - 核心是从内容生产侧逆向优化RAG/LLM/Agent工作机制，实现"可检索+可引用+可概括"三位一体[10] - 与传统SEO差异体现在三方面：1) Ranking需应对LLM嵌入式引用结构 2) 优化方法不明确 3) 黑盒特性导致控制困难[9] - RAG工作流包含文档加载、分块（200-1000字）、向量化、检索、生成五个环节，需针对性优化chunk可读性和引用性[20] 内容优化策略 RAG优化 - 结构优化：使用H1/H2标题分级，段落控制在2-4句，避免上下文依赖叙述，采用项目符号/表格呈现数据[20] - 向量友好：明确主题词，降低冗余，通过近义词扩展覆盖用户query变体[26] - 引用曝光：嵌入品牌名、自引用语句（如"根据LangChain文档"），采用Schema.org标注结构化数据[27] Agent优化 - 任务导向设计：围绕"退货流程"、"附近店铺推荐"等具体场景结构化内容[33] - Action友好：定义清晰Tool Schema，采用语义对齐命名（如orderFood而非triggerService），编写prompt-friendly文档[34] 行业现状与数据 - 当前LLM推荐流量占比普遍低于5%，占网站总流量不足1%，但存在平台差异（Reddit达11%，Wikipedia达23%）[15][38] - 代表案例Ramp通过GEO优化实现：1) 月增300次AI引用 2) AI可见性从3.2%跃升至22.2% 3) 行业排名上升11位至第8名[63] 代表产品矩阵 - Athena：基于公司邮箱的竞品AI搜索分析工具[52] - ProSEO.ai：Shopify专属AI-commerce优化工具，强化商品描述可读性[53] - Profound：全栈AI可见性平台，提供实时曝光监控和Conversation Explorer功能，2025年获2000万美元A轮融资[57] - Byword：批量生成适配AI搜索的长文，自动部署至CMS系统[55] 未来演进方向 - 可能突破点：1) 构建GEO强化学习系统 2) 整合点击流数据优化反馈闭环 3) 开发统一测量标准[68][69] - 与SEO分散生态不同，GEO存在集中化机会，但需解决数据采集和实时分析的技术瓶颈[66][67]