GEO、LLMO、AEO……它们都只是 SEO

作为一名营销人，我想知道是否有某些具体做法专门用来提升 LLM 可见度，而我日常的营销和 SEO 工作里还没做。

到目前为止，似乎并没有。

SEO 与 GEO 之间存在大量重叠，把它们看作两套不同的流程并不实用。

那些有助于在搜索引擎中获得良好可见度的因素，同样有助于在 LLM 中获得良好可见度。GEO 似乎是 SEO 的副产品，并不需要专门或单独投入。如果你想提升品牌在 LLM 输出中的存在感，那就雇一个 SEO 吧。

如何提升 LLM 可见度

这一点值得展开谈谈。依我看，提升 LLM 可见度主要有三种方式：

1. 提升你在训练数据中的可见度

大语言模型是在海量文本数据集上训练的。你的品牌在这些数据中出现的频率越高，且看起来与所关注的主题关联越紧密，你在这些主题的 LLM 输出中就越显眼。

我们无法影响 LLM 已经训练过的数据，但可以在核心主题上创作更多内容，以供纳入未来几轮的训练，既包括自家网站，也包括第三方网站。

在相关主题上创作结构良好的内容，是 SEO 的核心原则之一；鼓励其他品牌在其内容中引用你同样如此。结论：仍是 SEO。

2. 提升你在用于 RAG 和 grounding 的数据源中的可见度

LLM 越来越多地使用外部数据源来提升输出的时效性和准确性。它们可以搜索网络，并使用来自 Bing、Google 等公司的传统搜索索引。

可以说，在这些数据源中越显眼，就越有可能提升在 LLM 回复中的可见度。而在“传统”搜索索引中变得更显眼的过程，正是 SEO。

3. 滥用对抗样本（adversarial examples）

LLM 容易被操纵，有可能诱使这些模型在本不该推荐你时推荐你。这些是有害的作弊手段，能带来短期利益，但很可能会在长期反噬你。

这（只说一半是玩笑）就是黑帽 SEO。

为什么 GEO 等同于 SEO

综合这三点，提升 LLM 输出可见度的核心机制是：围绕你希望品牌与之关联的主题创作相关内容，无论是在自家网站上还是站外。

这就是 SEO。

当然，这也许不会永远成立。大语言模型时刻在变化，随着时间推移，搜索优化与 LLM 优化之间可能出现更多分化。

但我怀疑会发生相反的情况。随着搜索引擎在搜索体验中融入更多生成式 AI，以及 LLM 继续使用“传统”搜索索引来为其输出提供 grounding，我认为分化很可能减少，SEO 与 GEO 之间的界限会变得更小，甚至消失。

只要“内容”仍是 LLM 和搜索引擎的主要媒介，影响的核心机制很可能保持不变。或者，正如有人在我最近一篇 LinkedIn 帖子下评论的那样：

GEO 与 SEO（略微）不同之处

我在一篇 LinkedIn 帖子中分享了这个观点，并收到了一些精彩的回应。

大多数人认同我的看法，但也有人分享了 LLM 与搜索引擎之间值得理解的细微差别，即便它们（在我看来）并不足以支撑创立一门名为 GEO 的新学科：

1. 未链接的品牌提及更重要

这大概是 GEO 与 SEO 之间最大、最清晰的差别。未链接的提及（其他网站上关于你品牌的文字）对 SEO 影响甚微，但对 GEO 的影响要大得多。

搜索引擎有许多方法来判断一个品牌在某个主题上的“权威性”，而反向链接是其中最重要的因素之一。这正是 Google 的核心洞见：来自相关网站的链接，可以作为对被链接网站权威性的一张“选票”（也就是 PageRank）。

LLM 的运作方式不同。它们对品牌权威性的理解源自页面上的文字，源自特定词语的出现频率、不同术语和主题的共现，以及这些词被使用的语境。未链接的内容能加深 LLM 对品牌的理解，而这种效果对搜索引擎毫无帮助。

正如 Gianluca Fiorelli 在他那篇精彩的文章中所写：

许多公司已经重视站外提及，只不过附带一个条件：这些提及应当带有链接（而且是 dofollow）。如今，我可以想象品牌会放宽对“好的”站外提及的定义，也更乐意接受那些在传统搜索中几乎带不来什么好处的平台上的未链接提及。

正如 Eli Schwartz 所说，

2. 不相关的链接和排名影响更小

我认为上述观点反过来也成立。如今许多公司在与其品牌几乎不相关的网站上建立反向链接，并发布与其业务毫无关联的内容，纯粹是为了它带来的流量（我们现在称之为站点声誉滥用）。

这些手法能带来足够的 SEO 收益，以至于许多人仍认为值得一做，但它们对 LLM 可见度的帮助会更小。这些链接或文章周围缺乏任何相关语境，对加深 LLM 对品牌的理解、或提升品牌出现在输出中的概率，都毫无帮助。

3. 不同内容类型对可见度的影响不同

有些内容类型对 SEO 可见度影响相对较小，但对 LLM 可见度影响更大。

我们开展了一项研究，探索最有可能从 LLM 获得流量的页面类型，对比了来自 LLM 和非 LLM 来源的页面浏览量样本，并比较这些页面浏览量的分布。

我们发现了两大差异：LLM 对网站核心页面和文档表现出“偏好”，而对列表集合页和清单页表现出“不喜欢”。

对 LLM 而言，引用（citation）比搜索引擎更重要。搜索引擎通常会把信息与其来源一起呈现，而 LLM 将两者解耦，从而额外产生了证明所提主张真实性的需求。

从这些数据看，大多数引用似乎都落入“网站核心页面”这一类别：网站首页、定价页或关于页。这些是网站至关重要的部分，但并不总是搜索可见度的主要贡献者，它们对 LLM 的重要性似乎更大。

反过来，列表页（想象那种带面包屑导航、罗列产品的大型名录页）主要是为站内导航和搜索可见度而创建的，它们从 LLM 获得的访问量要少得多。即便这些页面类型不常被引用，也有可能因为不同产品实体的共现而加深 LLM 对品牌的理解。但考虑到这些页面通常语境稀薄，其影响可能微乎其微。

最后，网站文档对 LLM 而言似乎也更重要。许多网站把 PDF 和其他形式的文档当成二等公民，但对 LLM 来说，它们和其他内容一样都是内容来源，并会经常在输出中引用它们。

实际上，我可以想象公司会更加重视 PDF 和其他被遗忘的文档，因为它们能像任何其他网站页面一样影响 LLM 的输出。

4. LLM 受益于独特的文档结构

LLM 能够访问网站文档这一点引出了一个有意思的观点。正如 Andrej Karpathy 所指出的，优先为 LLM 而结构化、对人则相对不易访问的文档，可能会带来越来越大的收益：

这与那条 SEO 格言（我们要为人类而非机器写作）正好相反：把精力集中在让信息对机器可访问、并依靠 LLM 把信息呈现为更易于用户理解的形式，或许会带来好处。

从这个角度看，有一些特定的信息结构可以帮助 LLM 正确理解我们提供的信息。

例如，Snowflake 提到了“global document context（全局文档上下文）”这一概念。（感谢 HubSpot 的 Victor Pan 分享这篇文章。）

LLM 的工作原理是把文本拆分成“块（chunk）”；通过在文本中通篇加入关于文档的额外信息（比如财务文本中的公司名称和申报日期），LLM 就能更容易地理解并正确解读每一个孤立的块，“将问答准确率从约 50%-60% 提升到 72%-75% 的区间。”

5. LLM 会训练那些对 SEO 没有影响的数据

LLM 还会在传统上不属于 SEO 范畴的新颖信息源上进行训练。正如 X 上的 Adam Noonan 与我分享的：“公开的 GitHub 内容肯定会被用于训练，但它对 SEO 没有任何影响。”

编程可以说是 LLM 最成功的应用场景，而开发者必然在 LLM 总用户中占了相当大的比例。

对一些公司，尤其是面向开发者销售产品的公司来说，通过加入关于品牌或产品的额外语境来“优化”开发者最可能接触到的内容（知识库、公开代码仓库和代码示例）或许会有好处。

6. LLM 不渲染 JavaScript

最后，正如 Elie Berreby 所解释的：

这更像是脚注，而非重大差异，原因很简单：我认为它不会长期成立。这个问题已经被许多非 AI 的网络爬虫解决了，AI 网络爬虫也会很快解决它。

但就目前而言，如果你严重依赖 JavaScript 渲染，那么网站内容的很大一部分可能对 LLM 不可见。

最后总结

但问题在于：管理索引与抓取、以机器可读的方式组织内容、建设站外提及……这些感觉都属于 SEO 的经典职责范围。

而这些独特的差异，似乎并未在大多数品牌的搜索可见度与 LLM 可见度之间体现出根本性的不同。总体而言，在其中一个领域表现好的品牌，在另一个领域也表现得好。

即便 GEO 最终真的演化出需要新战术的阶段，SEO 从业者（那些以调和机器与真人需求为职业的人）也是最善于采用这些新战术的人。

所以，就目前而言，GEO、LLMO、AEO……它们都只是 SEO。