改结构涨 22%，改表达掉 9%
有一个实验细节值得先看。
研究者把一批网页文档的正文改写得更"专业"，把 eating 换成 alimentary routines，把 sleeping 换成 somnolence。改写的动机是让内容显得更权威、更可被引用。
结果是在检索阶段，这批文档的命中率下降了。BM25 检索器上，前 20 名的命中率从 0.58 降到 0.53，降了 9 个百分点；平均名次后退了 4.54 位。原因写在论文里，很直白：用户的提问用的是常见词汇，把常见词换成生僻词会直接降低词面重合度，于是检索器给出更低的匹配分。
这个实验属于 SAGEO Arena（Kim 等，KDD 2026）。它做的事情是给生成式搜索搭了一条完整流水线，让文档被真实地检索、重排、再送进生成模型，而不是像早期实验那样直接把文档塞进上下文。它也是第一个把"优化信号在各阶段的传导"分开测量的工作。
结论比上面那一条更完整。
两道关卡，而不是一道
把生成式搜索当成一次排序会漏掉很多东西。它是一条流水线。至少有三个阶段，每个阶段都会淘汰文档：
| 阶段 | 做什么 | 淘汰逻辑 |
|---|---|---|
| 检索 | 从候选池里找相关文档 | 相关度打分低于阈值就出局 |
| 重排 | 对检索结果精排 | 只有前若干名会传给生成模型 |
| 生成 | 模型写答案并标注来源 | 只有拿到上下文的文档才可能被引用 |
关键在第二到第三阶段的衔接：只有排进前列的文档会被送进生成模型。 一篇文档如果掉在这个门槛之外，它在生成阶段是不可见的，无论它的内容写得多好。
所以一篇文档要拿到 AI 回答里的位置，必须连着过两道关卡。而这两道关卡对不同动作的反应方向相反。
同一个优化，在两个阶段反着走
SAGEO Arena 把优化范围分成三类，分别测：只改正文、只改结构信息、两者都改。
只改正文的结果是负的。上面已经给出 BM25 上的数字，另外两种检索器也一致：
| 检索器 | 优化前命中率 | 优化后 | 变化 | 平均名次变化 |
|---|---|---|---|---|
| BM25（词面） | 0.58 | 0.53 | 降 9% | 后退 4.54 位 |
| Dense（向量） | 0.68 | 0.66 | 降 2% | 后退 0.95 位 |
| Hybrid（混合） | 0.67 | 0.64 | 降 5% | 后退 2.81 位 |
三种检索器都受损，而且受损最重的是词面检索器。这一点很重要，因为它和机制解释完全吻合：如果损害来自词面重合度下降，那么依赖词面匹配的检索器就应该受损最重。实验数据支持这个机制，而不只是相关性。
只改结构信息的结果是正的：命中率提升 22%，平均检索名次前进 2.72 位。
而两者同时改，收益反而低于只改结构。论文的解释是，正文改写带来的负面检索效应会部分抵消结构优化的收益。
这就是这篇要说的事情：GEO 的动作有强弱之分，但更被忽略的是方向之分：不同的动作可以指向相反的方向。
改结构（把信息组织方式改得更可被机器解析）是正收益。改正文表达（把话说得更专业、更有数据感、更像"权威内容"）是负收益，至少在检索这一关上是负的。
为什么这件事很难被察觉
正文改写确实能带来收益，这一点有实验支持，而且是这个领域的奠基性结论。
GEO 的原始论文（Aggarwal 等，KDD 2024）跑了 10,000 个查询，测试内容改动对"答案是否引用这一页"的影响。它发现最有效的动作是加入机器可提取的来源标记：引语、统计数据、引用，每一项大约值 25% 到 40% 的可见度提升。这个结论至今仍是现代 GEO 方法论的核心。
问题在于它的实验条件。
这些收益是在文档已经被放进上下文的条件下测出来的。也就是说，实验回答的问题是："如果这一页已经在模型眼前了，改一改，模型会不会更愿意引用它？"答案是会。
但真实世界里还有一个更前面的问题："这一页会不会被放在模型眼前？"这个问题，早期实验没有回答。
后续的工作指出了这个缺口有多严重。一篇 2026 年的综述（Martinez，2026）系统回顾了 45 项研究，给出的结论是：
已经被检索到的内容可以因果地改变它是否被引用或被使用；但没有任何一项被回顾的技术，展示出对"自然可发现性"或下游行为的稳定、纵向、跨平台的因果效应。
换一句话说：第二道关卡上的收益是被证明的，第一道关卡上的收益没有被证明。
而 SAGEO Arena 补充了更麻烦的一半：那些为第二道关卡做的改写，可能会损伤第一道关卡。
证据要分档，因为它们不在一个层级
这个领域最容易被误读的地方，是把不同条件的实验放在一起比较。
按证据强度分，现在能说的话大致是三层：
第一层，比较扎实。文档已经进入上下文时，不同表述方式会影响它被引用的概率。这类实验可重复，条件明确。
第二层，部分可复现，但依赖场景。结构信息的优化、来源标记的加入，在某些设置下有一致的增益。但综述明确指出通用启发式迁移性差，而且竞争会侵蚀个体收益：你改好了，竞争对手也改好了，相对位置没变化。
第三层，还没有被证实。任何技术对"让一篇文档自然地、稳定地被检索到"的因果效应。
2019 年之后做内容的人对 "SEO 排名第一" 有直觉，所以很容易把第三层当成理所当然。但在生成式搜索里，第三层恰恰是空白的。
真实的杠杆不在单页改写上
如果第一道关卡的操控空间有限，那么实际起作用的杠杆在哪？
有几组测量数据给了不太乐观但很有用的答案。
在一项覆盖 102 个品牌、十万多条提问响应的测量里（Ranqo，2026，arXiv:2606.20065），研究者追踪了五个 AI 引擎的回答和被引用的来源。三件事值得看：
品牌地位是第一位的解释变量，而且差距很大。 第一次追踪时，全球知名品牌出现在相关 AI 回答中的比例是 72.9%，中型品牌 43.6%，小众品牌只有 11.4%。每一级差大约 30 个百分点。
AI 引用的绝大多数内容不是你写的。 在 149,912 条引用里，只有 2.9% 指向品牌自己的域名；75.2% 指向同行业其它公司的页面。机制是生成式引擎倾向于构建"替代方案"式的回答，支持这类回答的信源是同业页面。
榜单是被引用最集中的内容形态。 排名式的"最佳 X 清单"占内容类引用的 35.7%，折算到全部引用约 21%。一篇榜单被纳入之后，会跨很多不同提问被反复使用。
B2B 软件领域的一项测量（Broadcastwell，2026，860 条买家提问答案）得到了同方向的结论：中位公司只在自己品类 20% 的 AI 回答里被提到，35% 的公司一次都没被提到；而在被引用最多的 100 个域名里，77.4% 是厂商自己写的内容。
把这些放在一起，方向是清楚的：在单页上做可提取性优化，杠杆有限；进入被引用的那些信源类别，杠杆大得多。
这也是一个视角上的调整。第一道关卡的关键在你的页面是否出现在那批会被检索到的信源里。单页的可提取程度不是决定因素。
再往下一层：什么是稳定的，什么是混乱的
两组看着矛盾的数据，其实指向同一件事。
Ranqo 的测量发现，品牌是否被提到几乎是稳定的：在追踪了至少三次的（品牌，提问，引擎）单元里，77.5% 是"始终提到"或"始终不提"，只有 6.8% 会来回翻。
而信源层面则非常混乱。Schulte 等（2026）在四个引擎、45 天上测到的日间信源重合度（Jaccard）大约是 0.34 到 0.42，一天之内重复运行也是这个水平。Kirsten 等（2026）用 4,706 个查询测得：AI Overview 的信源在两月之间的重合度是 18%，而 Google 自然结果是 45%；在可以控制温度的表面，把温度设为 0 重复运行，仍有 9% 到 28% 的决策会改变。
所以是这么一回事：要不要提到你，是一个接近固定的属性；拿哪些信源来支撑这个回答，是一场持续的混乱。
这解释了为什么"排名第一"在 GEO 里不是一个稳定目标。第一道关卡的输出是一个分布，不是一个位置。
它也直接决定了测量方法。Schulte 等的建议是每个提问重复 7 到 8 次起步。单次测量的结果在信源层面没有意义。
还有一个前置条件：这道关卡存不存在
在讨论优化之前，有一件事要先确认：在你的品类里，AI 回答这道关卡本身是否被触发。
Xu 等（2026）分析了 40 天内 55,393 个趋势查询：AI Overview 的整体激活率是 13.7%，但当查询以问句形式表达时，激活率上升到 64.7%。Grossman 等（2026）在他们的代表性样本里观察到的激活率是 51.5%。
这两个数字不矛盾，因为查询分布不同。它正好说明了一件事：一个脱离样本描述报告的比率，没有迁移性。
对具体品牌来说，这个前置条件是可测的：拿你的目标提问集，看引擎有多大概率真的给出生成式回答。如果这个概率很低，那么你在优化一个不存在的关卡。
可以照着做的事
按证据强度排，优先级是这样的。
第一，先确认关卡存在。 用目标提问集测一次引擎的回答触发率。这一步花不了多少时间，但它决定后面所有投入是否有对象。
第二，把力气放在信源类别上，而不是单页改写上。 从测量数据看，值得进入的是三类：同业的对比与替代方案页面，排名式清单，以及第三方评测平台。前两类需要别人写，第三类需要维护。
第三，如果要动正文，不要动词面。 SAGEO Arena 的结论是只改正文有害，两者都改会互相抵消。风险最低的做法是保留原有用词，只在结构层面工作。
第四，结构层面的动作优先。 这是唯一在实验里被证明为正的方向，而且它的机制不依赖词面。
第五，测量必须重复。 每个提问重复 7 到 8 次起步，并且释义变化也要纳入。单次读数不要用于判断。
什么情况下上面的结论不适用
有三种。
第一，你已经处在品牌阶梯的上层。全球品牌第一次追踪就有 72.9% 的出现率，它们的第一道关卡基本不是问题，可以直接做第二道关卡的优化。这些结论对它们和对 11.4% 那一档的小众品牌，含义完全不同。
第二，引擎之间不可迁移。各引擎的信源重合度很低，一个引擎上的发现不能直接用到另一个。所以任何"跨平台通用"的 GEO 结论都要打折扣。
第三，行业结构不同。B2B 软件的信源集中在本行业页面上，这个结构和本地服务、消费品不一样。上面引用的测量都写明了样本，用之前要对一下自己的品类是否在范围内。
常见问题
问：那 Aggarwal 那个 +25% 到 40% 的结论还能用吗？
能用，但要知道它的条件。它说的是"文档已经在上下文里"时改动表述的效果。如果你的内容已经能被稳定检索到，这条建议是直接可用的。如果还不能，它解决的不是你当前的问题。
问：把内容交给 AI 改写，会不会正好踩到这个坑？
有这个风险。AI 改写倾向于替换词汇、提升表达密度，而这些动作恰好降低词面重合度。用 AI 辅助的时候，保留原始用词只改结构，是更安全的用法。
问：榜单和第三方页面不是我能完全控制的，怎么办？
能做的部分是让别人愿意写你。有一个不太直觉的推论：既然生成式引擎倾向构建"替代方案"式回答，那么被写进同业的对比页面的价值，可能高于自己写一页讲自己。这意味着维护同行关系和第三方关系，属于 GEO 工作的一部分。
问：既然第一道关卡的因果效应没被证明，是不是就不该做了？
不是。没有被证明，和没有效果，是两件事。当前的状态是方法还没被验证，而且已经有一些动作被证明是负的。合理的做法是在证据强的层面动手，在证据弱的层面保持测量。
参考资料
- Aggarwal 等，*GEO: Generative Engine Optimization*，KDD 2024
- Kim 等，*SAGEO Arena: A Realistic Environment for Evaluating Search-Augmented Generative Engine Optimization*，KDD 2026，arXiv:2602.12187
- Martinez，*Optimizing Visibility in Generative Engines: A Critical Survey of GEO (2023–2026)*，arXiv:2607.14035
- Ranqo Research，*Generative Engine Optimization at Scale*，arXiv:2606.20065
- Schulte 等，*Don't Measure Once: Measuring Visibility in AI Search*，arXiv:2604.07585
- Broadcastwell Research，*The 2026 State of GEO*
- 另引 Kirsten 等（2026）、Xu 等（2026）、Grossman 等（2026）、Watanabe 与 Nakayashiki（2026）
相关阅读
延伸阅读：GEO 内容优化指南：从结构到措辞的完整 Checklist、2026年最值得关注的10个AI Agent应用方向、官网流量被AI搜索截走？GEO的4个落地动作，提升品牌被引用概率。
如果你想知道 AI 现在怎么描述你的品牌、哪里说错了，可以从 一次免费的品牌可见度体检 开始。