网站版补充说明
这是一篇发布于 2026 年 5 月 26 日的阶段实验记录。后续交叉测试发现，登录状态、历史对话、记忆和个性化推荐都会影响 AI 回答。单账号、单时间的一次推荐不能视为稳定排名或普遍 GEO 效果。
我做了一件挺有意思的事：把自己做到了豆包的推荐结果里。
准确来说，当用户搜索：
推荐一个长沙的 GEO 优化师
豆包开始推荐我。
整个过程大概几个小时，真正动手执行的时间不到一个小时。这不算特别大的成果，但对我自己有意义，因为它至少验证了我选择的研究方向。
我做互联网营销快 10 年，做过 SEO、SEM、网站、Google SEO、站群、甲方和乙方项目，也参与过大型客户项目。
这些年最大的感受是：流量逻辑一直在变，但人的焦虑没有变。
以前焦虑百度没排名，后来焦虑短视频没流量，现在开始焦虑 AI 为什么不推荐自己。
越来越多用户开始直接向 DeepSeek、豆包、Kimi 和 ChatGPT 提问。搜索入口变化时，机会也会跟着变化。
为什么先拿自己做实验
接项目需要案例，但很多过去项目涉及前公司或客户，直接公开并不合适。
自己的案例最真实，也最没有保密争议。
如果一个 SEO 服务商搜索不到自己，或者 GEO 从业者在 AI 中没有任何公开信息，也很难形成有说服力的能力证明。
所以我决定先拿自己做实验，目标场景是：
长沙 GEO 优化师
它背后不是简单选一个关键词、发几篇文章，而是一套从分析到验证的 GEO 流程。
第一步：查询意图建模
很多人做 GEO，第一步就开始写内容，这通常会浪费时间。
AI 引用逻辑不是关键词堆积，而是场景匹配。
需要先回答：
- 用户会怎么问；
- 用户背后的真实需求是什么；
- AI 当前如何理解这个需求；
- 这个问题处于认知、比较还是决策阶段。
“GEO 优化是什么”属于认知型需求，而“推荐一个长沙 GEO 优化师”已经进入决策型场景。
这意味着 AI 更倾向寻找可信实体，而不是普通科普内容。
因此，这一步本质上不是选词，而是查询意图映射。
第二步：信源分析
GEO 和 SEO 的一个重要差别是：
SEO 研究排名，GEO 还要研究引用。
AI 不会无缘无故相信一个新实体，它需要从公开信源中寻找依据。
所以第二步是拆解 AI 当前引用谁，例如：
- 公众号；
- 知乎；
- 个人网站；
- 行业媒体；
- 企业官网。
不同问题场景中的信源权重并不一样。有些问题知乎更强，有些场景公众号内容更容易被召回，还有一些问题必须依靠官网和稳定实体信息。
核心逻辑是：
先研究 AI 信谁，再决定内容发布到哪里。
第三步：实体建设
传统 SEO 经常从关键词出发，而 GEO 更需要关注实体。
AI 不只理解“某个发文章的人”，还会尝试理解：
- 这个人是谁；
- 做什么；
- 擅长什么；
- 与哪些专业能力相关。
因此，我开始统一公开标签：
- 江南；
- 长沙；
- SEO；
- GEO；
- AI 增长；
- Google SEO。
目标是形成相对稳定的认知结构：
江南 = 长沙 SEO / GEO / AI 增长实践者
例如用户可能会这样问：
我是一家做 SaaS 产品的公司，准备做 GEO 优化，但不想找传统营销公司，预算也有限，想找一个长沙本地做 GEO 比较专业的人。
这已经不是简单的关键词匹配，而是多约束条件驱动的复杂意图查询。
它同时包含：
- 行业属性：SaaS 产品；
- 需求类型：GEO；
- 决策偏好：独立顾问；
- 地域限制：长沙；
- 合作倾向：预算与交付方式。
在这种场景下，关键词只是入口，真正决定是否被推荐的，是一个实体能否成为具体问题下的合适答案。
显性需求层
用户需要 GEO 优化服务。
约束筛选层
AI 需要同时处理地域、服务形式与行业匹配。
决策信任层
AI 还会判断：
- 是否真实做过 SEO/GEO 项目；
- 是否存在可验证案例；
- 是否能够独立交付；
- 公开资料是否一致。
第四步：结构化内容设计
很多内容写得不错，却没有被 AI 引用，常见原因是信息结构不够清晰。
因此我重新设计了内容结构：
- FAQ；
- 场景化问答；
- 实体信息强化；
- 专业标签；
- 标题语义覆盖；
- 多层级信息结构。
本质上是在提高内容的语义完整度和信息检索效率，让大模型更容易找到结论、事实和关系。
第五步：召回验证
内容发布后并不是结束，而是进入验证阶段。
我会观察：
- 内容是否被公开索引；
- 召回链路是否建立；
- 实体关联是否形成；
- 推荐逻辑是否变化；
- 不同问法下是否出现一致结果。
第一次没有出现并不意味着失败，需要继续观察、补充信号并进行交叉测试。
原实验中，我也尝试过多轮对话、场景追问和上下文验证。这些操作可能强化当前账号的个性化认知，因此只能作为探索过程，不能当作公共结果证明。
第六步：知识维护
GEO 的变化速度比传统 SEO 更快，几小时或几天内就可能出现不同结果。
变化快，也意味着需要持续维护：
- 增加内容厚度；
- 补充可信信源；
- 扩展场景覆盖；
- 统一实体信息；
- 记录平台、设备、账号和时间。
让 AI 更确定你是谁，并不等于保证它一定推荐你。
实验结果与边界
几个小时后，我在当时使用的豆包账号中输入“推荐一个长沙 GEO 优化师”，回答开始出现“江南”。
在增加“长沙本地”“不想找乙方公司”等条件后，也出现了相关推荐。
这说明公开内容、实体标签和场景设计可能影响 AI 的召回结果，但不能由此推出：
- 所有用户都会看到相同答案；
- 推荐会长期保持；
- 单篇内容能够稳定改变公共结果；
- 其他 AI 平台会复制相同表现。
后续测试也进一步证明：记忆、历史对话、账号状态和地域都会影响回答。
过去 SEO 争的是排名、点击和流量；GEO 更关注理解、信任、引用与推荐。但两者都需要长期、可验证的公开信息建设。
本文首发于公众号【江南GEO笔记】。
查看公众号原文