78条AI回答复测：SEO、RAG与GEO到底有什么区别？

我们用同一组 12 个企业相关问题，分别测试 DeepSeek、Kimi 和豆包，共得到 78 条有效回答。

测试对象是优珩科技。修正评分器中的两类假阳性后，结果是：

• 品牌被主动提及：0 次
• 官网被引用：0 次
• 被明确推荐：0 次

这次复测最有价值的地方，不是分数，而是暴露了三个经常被混在一起的问题：传统搜索能搜到、私有知识库能答对、公共 AI 会主动提到品牌，并不是同一件事。

先修评分器：业务词不能当成品牌词

最初的评分结果并不是 0，而是 4.23。进一步检查原始回答后，发现了两类假阳性。

第一类是把业务词当成品牌词。回答里出现“GEO 智能收录监测”，评分器就认为品牌被提及；但这只是泛业务描述，并没有出现企业名称。

第二类是脱离主体判断情感。回答里出现“推荐”“适合”等正向词，评分器就加分；但如果正向词附近根本没有品牌，这个分数没有意义。

修正后的核心逻辑可以简化为：

BRAND_ALIASES = {"优珩科技", "湖北优珩", "youheng"}
BUSINESS_TERMS = {"GEO", "AI搜索", "收录监测"}


def has_brand(answer: str) -> bool:
    return any(alias.lower() in answer.lower() for alias in BRAND_ALIASES)


def is_positive_brand_context(answer: str) -> bool:
    if not has_brand(answer):
        return False
    positive_words = {"推荐", "适合", "优先", "可靠"}
    return any(word in answer for word in positive_words)

业务词仍可用于分类，但不能参与品牌提及计分。正向词也必须和品牌实体出现在同一语义范围内。

重新计算 78 条回答后，均分从 4.23 回到 0。数字不好看，但比假高分更可靠。

GEO 不是 GIS

这里的 GEO 指 Generative Engine Optimization，生成式引擎优化。它关注的是用户向生成式 AI 提问时，品牌是否被提到、引用或推荐，以及回答中有没有错误信息。

GIS 是 Geographic Information System，地理信息系统，处理的是地理空间数据。

两个缩写相同，但任务完全不同。本次复测中，DeepSeek 曾把“GEO 智能收录监测”理解成 GIS 相关系统，这也是评分器产生假阳性的原因之一。

因此，在做 GEO 监测前，至少要把以下词表分开：

1. 品牌实体：公司全称、简称、域名、产品名；
2. 业务术语：GEO、AI 搜索、生成式引擎优化；
3. 易混淆术语：GIS、地理信息系统；
4. 竞品实体：需要单独统计，不能和品牌实体混算。

SEO、RAG与GEO的目标不同

SEO：让公开页面更容易被搜索系统找到

SEO 常见指标包括收录、关键词排名、点击、页面结构和站内链接。

它解决的是公开页面能否被抓取、理解和排序。稳定的官网结构、明确的标题、可访问的正文和一致的实体信息，既是 SEO 基础，也是后续 AI 引用公开资料的前提。

但搜索排名较好，不等于生成式 AI 一定会在答案中提到品牌。

RAG：让指定应用基于私有资料回答

把公司资料放入阿里百炼、火山方舟、Coze、Dify 或 FastGPT，可以改善自有机器人和内部应用的回答。

RAG 的典型验收指标是检索命中率、引用片段、答案正确率、权限控制和文档更新机制。

它影响的是接入这套知识库的应用，不会自动改变公共 DeepSeek、豆包或 Kimi 的回答。

本次测试中，资料进入私有知识库后，自有应用可以回答企业业务；但当文档没有明确写清“GEO 与 GIS 的区别”时，模型仍会依赖通用知识补充答案。这说明关键概念和禁止误解项必须直接写入资料源。

GEO：观察公共AI最终生成了什么

GEO 的观测对象不是单个网页排名，也不是某个私有机器人，而是公共 AI 的最终回答。

需要记录的至少包括：

• 是否出现品牌实体；
• 是否引用官方页面；
• 是否给出明确推荐；
• 是否出现错误描述或实体混淆；
• 同一批问题在不同时间复测时是否变化。

因此，GEO 不能只看一个总分。每个分数都应该能回到原始回答、命中的实体和引用 URL。

三者的数据边界

方向	主要数据源	主要观测结果	不能直接证明什么
SEO	公开网页、站点结构、搜索结果	收录、排名、点击	公共 AI 一定会推荐品牌
RAG	私有文档、向量库、应用提示词	指定 Bot 的命中与回答	全网模型已经学习该资料
GEO	公共 AI 回答、引用来源、复测记录	品牌提及、引用、推荐、错误信息	单次结果能代表长期变化

这三类工作可以互相支撑，但不能互相替代。

一套可复测的流程

这次实践采用的流程是：

问题集固定 → 多模型采样 → 保存原始回答 → 实体匹配 → 引用检查 → 人工复核假阳性 → 记录基线 → 定期同题复测

其中有几个关键点。

1. 问题集必须固定

每次换问题，就很难判断结果变化来自内容优化，还是来自提问方式变化。

2. 原始回答必须保留

只存总分无法排查问题。至少要保存模型、问题、回答、时间、命中的品牌词、引用 URL 和人工复核结果。

3. 品牌实体和业务术语分开

“GEO”可以说明回答主题相关，但不能证明回答提到了某家公司。

4. 私有知识库与公共回答分开统计

自有 Bot 的正确率和公共 AI 的品牌提及率属于两套指标，混在一起会产生虚假的改善。

5. 用同一批问题做周期复测

可以按 T+7、T+14、T+30 复测，并比较品牌提及、官网引用和错误信息的变化。

常见误判

发过内容，就认为AI已经收录

内容公开只是必要条件之一。页面是否可访问、是否被抓取、实体是否清晰、回答是否实际引用，都要单独验证。

私有知识库答对，就认为公共AI也会答对

私有 RAG 只对接入该知识库的应用生效，不能代表公共模型的回答发生变化。

出现“推荐”二字，就给品牌加分

如果回答里没有品牌实体，正向词没有明确主体，不应计入品牌推荐。

总分上升，就认为优化有效

总分可能被别名误匹配、业务词误匹配或错误引用抬高。必须回到原始回答检查。

结论

78 条回答均分为 0，并不意味着测试没有价值。它建立了一个可复查的真实基线，也找到了评分器中业务词误判和无主体情感加分的问题。

SEO 解决公开页面的抓取和排序基础，RAG 解决指定应用的私有知识问答，GEO 观察公共 AI 最终如何理解、引用和描述品牌。

把三者分开统计，再用固定问题持续复测，比追求一个好看的总分更重要。