SEO 解决"在搜索结果里排第几"，GEO（生成式引擎优化）解决的是另一件事：当用户直接问 AI 拿答案时，你的品牌和内容会不会被它提及、引用、当作可信来源。流量从"点链接"变成"问 AI"，内容如何在生成式回答里不被淹没，就是 GEO 要回答的问题。
先搞清楚用户在"问"什么
GEO 的第一步不是发内容，而是还原意图。不同行业、不同区域的人，问同一个话题的方式千差万别。我们做多行业区域意图分析，就是把这些"提问分布"画出来——哪些问题高频、哪些被竞品占据、哪些还是空白。
看不见意图，就谈不上优化。GEO 的本质是意图覆盖。
行业画像是地基
以教育培训行业为例，光喊"我们很专业"没用。要先把行业里被反复问到的子话题、权威信源、常见误区梳理成画像，再据此组织内容结构——让 AI 在回答相关问题时，有理由优先引用你。
- 哪些概念必须被准确解释；
- 哪些数据/案例能撑起可信度；
- 哪些竞品回答里存在可被补强的空隙。
生成规则配置：把"该写什么"变成"可执行的规则"
意图和画像确定后，不能靠人肉写。我们把生成规则配置成可复用的模板与约束，批量产出结构清晰、可被 AI 抓取和理解的内容。规则越明确，产出越稳定，越容易被生成式引擎采信。
怎么知道做没做对：AI 可见性分析
GEO 没法只看排名——因为根本没有"排名"。我们做 AI 可见性分析报告，直接在豆包、DeepSeek、ChatGPT 等引擎上提问，记录品牌是否被提及、以什么姿态出现、引用了谁。这是 GEO 的"仪表盘"。
# 简化思路：对一组意图问题，跑多个引擎，统计品牌出现率 for q in intent_questions: for engine in ["doubao", "deepseek", "chatgpt"]: answer = ask(engine, q) report[q][engine] = brand_mentioned(answer)
技术底座
这套系统底层用 Node.js / Prisma / NestJS 搭建：意图库与画像存 Prisma，生成与调度走 NestJS 服务，脚本化地跑可见性评测。架构不花哨，关键是把"意图—内容—度量"这条链路跑通。
一句话
GEO 不是又一套排名游戏，而是学会用 AI 的方式，把自己的内容讲清楚、讲可信。