# GEO
别名:生成引擎优化、Generative Engine Optimization、AI搜索优化、AI引擎优化
定义:GEO(Generative Engine Optimization,生成引擎优化)是让你的内容被豆包、DeepSeek、元宝、Kimi、文心、秘塔、ChatGPT等AI引擎在生成答案时引用的优化方法论。
GEO 是 SEO 在 AI 搜索时代的延伸。SEO 优化的目标是"在搜索结果列表里排前面",GEO 优化的目标是"被 AI 答案直接引用"。核心做法包括:答案前置(把结论写在文章开头)、结构化数据(Schema.org JSON-LD)、llms.txt 入口、AI 爬虫白名单(robots.txt)、实体一致性(同一作者多平台 sameAs 信号)。GEO 不是 SEO 的替代,而是叠加 —— 技术 SEO 的根基(robots/sitemap/canonical)对 GEO 仍是必备前置。
- 在文章开头用 TL;DR 块给出 50 字内的明确答案
- 为每篇文章写 3-5 组 FAQPage Schema
- 用 BlogPosting + Person + BreadcrumbList 三件套结构化
# 生成式 AI
别名:Generative AI、GenAI、AIGC、生成式人工智能
定义:生成式 AI(Generative AI)是能根据用户输入自动生成文本、图片、代码等内容的人工智能技术。GEO 优化的对象就是生成式 AI 驱动的搜索引擎(豆包、ChatGPT 等)。
生成式 AI 基于大语言模型(LLM)和扩散模型等技术,通过学习海量数据中的模式来生成新内容。与传统的"检索式 AI"(只返回已有内容)不同,生成式 AI 会"创造"新文本。GEO 的核心逻辑就是:当用户向生成式 AI 提问时,让你的内容成为 AI 生成答案的参考信源。截至 2026 年,主流生成式 AI 产品包括豆包、DeepSeek、元宝、Kimi、ChatGPT、Claude、Gemini 等。
- ChatGPT 写文章、豆包回答问题、Midjourney 生成图片都是生成式 AI
- GEO 优化的目标:让生成式 AI 在回答时引用你的内容
# AI 引擎
别名:AI 搜索引擎、生成式 AI、LLM 应用
定义:AI 引擎是基于大语言模型(LLM)的对话式信息获取工具,代表产品包括豆包、DeepSeek、元宝、Kimi、文心、通义、秘塔、ChatGPT、Claude、Perplexity 等。
截至 2025 年,中文用户主要使用的 AI 引擎按用户量级:豆包(字节,月活破亿)>DeepSeek(深度求索,2025 现象级)>元宝(腾讯,微信生态加持)>Kimi(月之暗面,长文本擅长)>文心(百度,搜索协同)>通义(阿里,B 端强)>秘塔(秘塔科技,学术搜索专精)。出海则是 ChatGPT、Claude、Perplexity、Gemini。GEO 优化要全引擎覆盖 —— Schema/llms.txt/robots 是公因子,改一次全引擎收益。
# AI 爬虫
别名:AI Crawler、AI Bot、AI 抓取器
定义:AI 爬虫是 AI 引擎用于抓取网页内容的自动化程序,常见的有 GPTBot(OpenAI)、ClaudeBot(Anthropic)、Bytespider(字节豆包)、Baiduspider(百度文心)等。
AI 爬虫与传统搜索引擎爬虫(如 Googlebot)的抓取目的不同:传统爬虫为"建立搜索索引",AI 爬虫为"构建训练数据和实时检索知识库"。GEO 站点必须在 robots.txt 中显式 Allow 这些 AI 爬虫,否则内容根本无法被 AI 引擎引用。部分 CDN 或 WAF 默认屏蔽非主流爬虫 UA,需要手动加白名单。AI 爬虫通常遵循 robots.txt 协议,但部分爬虫有独立的爬取频率控制方式。
- GPTBot: OpenAI 的爬虫,用于 ChatGPT 搜索功能
- ClaudeBot: Anthropic 的爬虫,用于 Claude 的网页检索
- Bytespider: 字节跳动的爬虫,用于豆包的内容抓取
- Baiduspider: 百度的爬虫,用于文心一言的搜索增强
# SEO
别名:搜索引擎优化、Search Engine Optimization、百度SEO、Google SEO
定义:SEO（Search Engine Optimization,搜索引擎优化）是通过技术、内容、外链让网页在百度、Google等搜索结果列表里获得更高排名的优化方法。
SEO是1990年代末出现、2000-2010年代成为主流的获客方法。核心做法包括：关键词研究、Title/Meta/H1优化、外链建设、内容质量、页面性能（Core Web Vitals）、移动适配。SEO优化的对象是"搜索结果列表的排名"，用户路径是"搜→翻链接→进站"，靠点击获客。SEO是GEO的技术地基——Schema.org/canonical/sitemap/页面性能对GEO仍是必备前置。SEO与GEO的关键差异：SEO等客户来百度翻链接，GEO让AI主动把客户带到你面前；决策周期从1-2周压到几分钟；资产性质从消耗品转为可沉淀的内容。
- 用百度站长工具查收录
- 用Google Search Console看点击和展现
- 关键词研究用5118/爱站长尾词工具
# 语义搜索
别名:Semantic Search、语义理解、向量搜索
定义:语义搜索是 AI 引擎理解用户查询"意图"而非仅匹配关键词的技术。GEO 时代，内容优化从"堆关键词"升级为"覆盖用户真实意图"。
传统 SEO 时代，搜索引擎靠关键词匹配——用户搜"GEO"，就返回包含"GEO"的页面。语义搜索时代，AI 引擎通过向量化技术理解查询的语义含义：用户搜"AI 搜索怎么优化"，AI 知道这和"GEO 怎么做"是同一个问题，即使页面里没有"AI 搜索优化"这个词也会被引用。这对 GEO 的启示是：不要堆关键词，要系统性地覆盖用户可能的各种提问方式，用 FAQPage Schema 把问题和答案结构化。
- "GEO 怎么做"和"AI 搜索怎么优化"在语义搜索中指向同一意图
- 用 FAQPage Schema 把用户的各种问法都结构化，提升语义匹配率
# 向量数据库
别名:Vector Database、向量检索、embedding 数据库
定义:向量数据库是将文本/图片转为数学向量后存储和检索的数据库，是 AI 引擎实现语义搜索和 RAG（检索增强生成）的底层技术。
向量数据库的工作原理：将一段文本通过 embedding 模型（如 OpenAI text-embedding-3）转成一个高维向量（如 1536 维的浮点数数组），语义相近的文本向量距离也近。当用户提问时，AI 引擎把问题也转成向量，在向量数据库中找"距离最近"的文档作为答案参考。GEO 不需要你搭建向量数据库，但理解这个原理有助于理解：为什么内容要结构化、为什么 FAQPage 引用率高——因为结构化内容更容易被向量化后精准匹配。
- Milvus、Pinecone、Weaviate 是主流向量数据库产品
- AI 引擎用向量数据库实现"搜 GEO 怎么做"也能找到讲"AI 搜索优化"的文章
# 信源
别名:信息源、引用源、AI 信源
定义:信源是 AI 引擎生成答案时所参考的内容来源。GEO 的核心目标就是让你的内容成为 AI 引擎的优先信源。
AI 引擎生成答案时，不是"自己想出来的"，而是从信源中提取、整合、改写。信源包括：网页（通过爬虫抓取）、知识库（维基百科、百度百科等）、结构化数据（Schema.org JSON-LD）、授权内容（新闻合作、API 接入）。GEO 要做的就是：让 AI 引擎的爬虫能抓到你的内容（robots.txt 白名单）→ 让 AI 引擎能理解你的内容（Schema.org 结构化）→ 让 AI 引擎优先引用你的内容（答案前置 + E-E-A-T 信号）。不同 AI 引擎的信源策略不同：豆包优先引用字节系内容（头条、抖音）、元宝优先引用腾讯系（公众号、视频号）、DeepSeek 偏好学术和技术内容。
- 豆包的信源包括字节系内容（头条文章、抖音字幕）和全网公开网页
- 微信公众号文章是元宝（腾讯）的优先信源
- 要让你的网站成为 AI 信源，必须做好 robots.txt + Schema + llms.txt 三件套
# 答案前置
别名:Answer First、倒金字塔结构、TL;DR
定义:答案前置是 GEO 写作的核心原则:把结论、定义、关键数字放在文章开头(通常 TL;DR 块或首段),AI 引擎抓取时只需读前 200 字就能拿到可引用片段。
传统 SEO 时代鼓励"层层铺垫、悬念引导";GEO 时代相反 —— AI 引擎在生成答案时只取最相关的 1-3 句,如果你把答案藏在第 5 段后,大概率不会被引用。最佳实践:开头写 50-80 字 TL;DR,用 blockquote 包裹,标记 strong 突出核心词,后面再用 H2/H3 分主题展开背景、案例、争议。
# 答案块
别名:Answer Capsule、答案单元、可引用片段
定义:答案块(Answer Capsule)是 40-75 词的标准答案单元，将核心结论浓缩为 AI 引擎可直接整段引用的独立段落。是答案前置原则的具体落地形态。
答案块是 V哥 GEO 写作方法论的核心实操概念。它不是"写一段话"，而是刻意设计一个"AI 可以直接复制粘贴到答案里"的完整单元。标准：40-75 词（中文约 60-120 字）、包含核心结论+关键数据（如有）、独立成段不依赖上下文、用 strong 标签标记核心词、以 blockquote 包裹提升 AI 识别度。一篇 GEO 文章通常有 2-3 个答案块，分布在文章开头（TL;DR）、中间核心段落、结尾总结。
- TL;DR 答案块："GEO 是让你的内容被 AI 引擎引用的方法，不是 SEO 改名。核心做法：答案前置 + Schema.org + llms.txt + robots.txt 白名单。"
- 中间答案块："实测数据：加 FAQPage Schema 的文章，被豆包引用概率提升约 3 倍。"
# 叙事流
别名:Narrative Flow、因果叙事、递进式写作
定义:叙事流是 V哥 GEO 写作的核心哲学：先构建因果递进的叙事逻辑（因果链 5 节点），再在叙事骨架中嵌入 GEO 要素，而非用模板填充。
叙事流与模板化写作的根本区别：模板化是"先搭好框架，往里面填内容"，叙事流是"先想清楚你要讲什么故事、按什么逻辑推进，再在关键位置嵌入 GEO 要素"。V哥的叙事流方法论以"因果链 5 节点"为骨架：问题 → 原因 → 方法 → 验证 → 结论。每两个节点之间必须通过"所以"测试——读者读完上一段，能自然得出"所以"下一段的结论。这种递进式结构比并列式模板更能留住读者，同时让 AI 引擎更容易提取完整的因果逻辑链。
- 并列式（模板）:"GEO 有三个要点：1.XXX 2.XXX 3.XXX"
- 递进式（叙事流）:"先搞清楚 AI 引擎怎么引用内容（所以）→ 再审视你的内容哪里不符合引用标准（所以）→ 然后针对性地改"
# 因果链
别名:Causal Chain、因果链5节点、所以测试
定义:因果链是 V哥 GEO 写作的叙事骨架，用"问题→原因→方法→验证→结论"5 个节点构建递进逻辑，每两个节点之间通过"所以"测试验证连贯性。
因果链 5 节点是 V哥从 13 年营销写作中提炼的核心方法论：1) 问题——读者/用户遇到了什么痛点；2) 原因——为什么会有这个问题，根因是什么；3) 方法——怎么解决，具体步骤；4) 验证——凭什么说这个方法有效（数据、案例、逻辑）；5) 结论——总结 + 行动建议。关键检验标准是"所以"测试：节点 1 和节点 2 之间，读者能自然得出"所以"吗？如果能，因果链成立；如果跳了，需要补过渡。因果链是叙事流的骨架，叙事流是因果链的落地。
- "问题:做了 GEO 但没客户咨询（所以）→ 原因:引用和咨询之间隔着三层漏斗（所以）→ 方法:从等引用升级到设计漏斗"
- 每篇文章写完后，逐段做"所以"测试，找到逻辑断裂处补过渡
# 七段骨架
别名:七段黄金骨架、7-Section Framework、GEO 文章结构
定义:七段骨架是 V哥 GEO 课程的入门文章结构模板：标题→导语→分点→案例→总结→CTA→标签，帮助学员快速上手 GEO 写作。
七段骨架是 V哥为 GEO 课程学员设计的入门级写作框架，目的是让零基础学员有章可循。七个段落依次为：1) 标题——核心问题+时间锚点+品牌词；2) 导语——TL;DR 答案块，50 字内给出明确结论；3) 分点——2-3 个核心要点，每点配答案块；4) 案例——真实场景或数据佐证；5) 总结——回扣开头，强化核心结论；6) CTA——引导行动（咨询/关注/阅读下一篇）；7) 标签——关键词标签辅助 AI 分类。注意：七段骨架是入门模板，V哥实际写作中用的是更高级的"叙事流+因果链 5 节点"方法论。
- 课程学员用七段骨架写第一篇文章，有模板可依
- 进阶后从七段骨架升级到叙事流+因果链，写出更有说服力的内容
# 引用漏斗
别名:Citation Funnel、GEO 转化漏斗、三层漏斗
定义:引用漏斗是 V哥提出的 GEO 流量分析框架：引用层→点击层→咨询层，每层都有流失，优化目标是逐层减少漏损。
很多 GEO 从业者的误区是"被引用=有客户"，但引用到咨询之间隔着三层漏斗：1) 引用层——你的内容被 AI 引擎引用了，但如果引用片段不吸引人，用户不会点；2) 点击层——用户点了引用链接进入你的网站，但如果页面体验差、内容不匹配，用户立刻跳出；3) 咨询层——用户看了内容觉得有道理，但如果没有清晰的 CTA 和信任信号，不会主动咨询。每层都有"漏损"，GEO 不是"等引用"，而是"设计漏斗"——优化引用片段的吸引力、优化落地页的转化力、优化 CTA 的触发力。
- 引用层漏损：AI 引用了你的文章，但只摘了一段无关紧要的话，用户不感兴趣
- 点击层漏损：用户点进来了，但页面加载慢或内容太浅，3 秒跳出
- 咨询层漏损：内容很好，但页面没有联系方式或 CTA 不够明显
# 内容矩阵
别名:Content Matrix、多平台矩阵、内容生态
定义:内容矩阵是指在多个平台(网站、公众号、知乎、抖音等)系统性布局内容，形成互相引证、共同提升 AI 引用权重的网络效应。
GEO 时代的"内容矩阵"不是简单的一稿多发，而是：1) 品牌官网作为"权威信源"，发最完整、最结构化的版本（Schema.org + FAQPage）；2) 各平台（公众号、知乎、头条、搜狐、小红书等）发适配版本，每篇都指向官网作为 canonical 或引用源；3) 同一作者在各平台使用一致的 Person Schema（sameAs 字段），让 AI 引擎能"认出"多平台是同一个人，提升实体可信度。内容矩阵的 GEO 效果是网络效应：1+1>2，AI 引擎在多平台看到同一实体、同一主题的互证内容，引用权重显著上升。
- V哥在官网发完整文章 → 知乎发精简版并链回官网 → 公众号发叙事版并链回官网
- Person.sameAs 列出 10 个平台链接，AI 引擎确认"多平台是同一个人"
# 内容分发
别名:Content Distribution、多平台分发、一稿多发
定义:内容分发是将同一主题内容适配不同平台格式后发布，扩大内容覆盖面，同时为品牌官网构建 AI 信源引用网络。
GEO 时代的内容分发与 SEO 时代的"外链建设"逻辑不同。SEO 时代的重点是在高权重网站发外链指向官网，提升官网排名；GEO 时代的重点是让每个平台都成为 AI 引擎的"信源节点"——AI 引擎在多个平台看到同一作者讲同一主题，就会认为这个作者在该领域有权威性。分发策略：官网首发完整版（带完整 Schema）→ 24 小时内分发到 6 大必发平台（公众号、知乎、搜狐、头条、小红书、抖音）→ 72 小时内分发到行业垂直平台（CSDN、掘金、腾讯云社区等）。每个版本都做平台适配（字数、语气、格式），但核心观点、数据、案例保持一致。
- 一篇 3000 字博客 → 知乎改 2000 字问答体 → 公众号改 1500 字叙事体 → 抖音改 180 秒口播稿
- 所有平台版本都保留"本文首发于 vipke.com.cn"的来源声明
# llms.txt
别名:LLM 站点地图、AI 友好索引文件
定义:llms.txt 是放在网站根目录的 Markdown 索引文件,告诉 AI 引擎站点结构与核心内容。由 Jeremy Howard 在 2024 年 9 月提出,部署在 yourdomain.com/llms.txt。
llms.txt 解决的是"LLM 上下文窗口有限,但需要快速理解站点全貌"的问题。它不替代 sitemap.xml(给搜索爬虫看的全量 URL 清单),而是给 LLM 看的"精选目录":H1 是站点名,blockquote 给一句话定位,二级标题分类(关于/教程/产品/Optional),每条 - 用 [标题](URL): 描述 格式。Optional 部分允许 LLM 在上下文紧张时跳过。
- 本站的 llms.txt: vipke.com.cn/llms.txt
- Anthropic 官方: docs.anthropic.com/llms.txt
# Schema.org
别名:结构化数据、JSON-LD、知识图谱标记
定义:Schema.org 是 Google、Microsoft、Yahoo、Yandex 联合维护的结构化数据词汇表,用 JSON-LD 嵌入网页,告诉搜索引擎和 AI 这个页面"是什么"。
Schema.org 给 AI 引擎提供机器可读的实体类型 —— 一篇博客是 BlogPosting,一个人是 Person,一组问答是 FAQPage。AI 引擎在生成答案时,会优先引用有结构化数据的页面,因为它能直接拿到 headline、author、datePublished 等字段而不用从 HTML 里猜。GEO 站点必备的 5 类 Schema:WebSite、Person/Organization、BlogPosting、BreadcrumbList、FAQPage。
- BlogPosting:每篇文章必带,含 headline/author/datePublished/dateModified
- FAQPage:让文章被 AI 当作"答案库"引用,实测引用率提升 3 倍
- Person + sameAs:把作者多平台账号串起来,提升实体可信度
# JSON-LD
别名:JSON Linked Data
定义:JSON-LD(JSON for Linked Data)是 Schema.org 推荐的结构化数据嵌入格式,用 <script type="application/ld+json"> 标签写在 HTML head 里,与页面渲染解耦。
JSON-LD 相比 Microdata、RDFa 的优势:不污染 HTML 结构,可独立维护,Google/Bing/百度都强烈推荐。AI 引擎抓取时优先解析 JSON-LD,因为它是纯数据,无歧义。一个站点可以注入多个 JSON-LD 块(@graph 数组形式),覆盖 WebSite、Person、BlogPosting 等多个实体。
# FAQPage
别名:常见问题结构化、FAQ Schema
定义:FAQPage 是 Schema.org 的一种类型,标记页面包含的问答对(Question + Answer)。AI 引擎在用户提问时会优先引用 FAQPage 标记的内容。
FAQPage 是 GEO 时代单位字数引用率最高的 Schema 类型。每篇文章 frontmatter 写 3-5 组 Q&A,渲染时自动转 FAQPage JSON-LD —— 实测加 FAQPage 的页面被 ChatGPT、豆包、Kimi 引用概率提升 3 倍。问题要写成用户真实搜索短语(不是文档式陈述),答案 80-150 字一段。
- 问"GEO 是什么意思" 而不是 "概念定义"
- 答案首句直接给定义,后面再展开,符合答案前置原则
# robots.txt
别名:爬虫规则文件
定义:robots.txt 放在网站根目录,声明哪些 User-agent 可以抓取哪些路径。GEO 时代必须显式 Allow 主流 AI 爬虫(GPTBot、ClaudeBot、PerplexityBot、Bytespider 等)。
robots.txt 是 GEO 的"门票审核"。默认 User-agent: * Allow: / 看似全开,但部分 CDN 或防火墙会基于 UA 做次级拦截 —— 显式列出每个 AI 爬虫 + Allow / 是最稳的写法。GEO 站点应至少 Allow:GPTBot、OAI-SearchBot、ChatGPT-User、ClaudeBot、Claude-SearchBot、PerplexityBot、Google-Extended、Applebot-Extended、Bytespider(豆包)、Baiduspider(文心) 等 10+ 个。
- 本站 robots.txt 列了 18 个 AI/搜索爬虫白名单
- Bytespider 是字节豆包的爬虫,务必 Allow
# canonical
别名:规范 URL、rel=canonical
定义:canonical 是 HTML head 里的 <link rel="canonical" href="..."> 标签,声明当前页面的"规范版本 URL"。用于解决重复内容(同一文章多个 URL)被 AI 引擎和搜索引擎重复索引的问题。
GEO 时代 canonical 仍然必备 —— AI 引擎在引用时会回写 source URL,如果一篇文章有 /post/123、/post/123?utm=x、/post/123/ 三个 URL,没 canonical 的话引用流量会被分散。canonical 应该指向"无参数、带斜杠、HTTPS"的最权威版本。Astro 项目里通常通过 SEO 组件自动注入 new URL(Astro.url.pathname, Astro.site)。
# sameAs
别名:实体一致性、Person.sameAs
定义:sameAs 是 Schema.org Person/Organization 的字段,值是该实体在其他权威平台的主页 URL 数组。AI 引擎用它判断"多平台是同一个人,且被认可"。
sameAs 是 GEO 时代的"信任证据链"。一个作者只在自己博客发文,AI 引擎很难判断权威性;但如果 Person.sameAs 列出 [知乎主页, B站主页, GitHub, 头条号, 小红书],AI 就有了多平台一致性证据,引用权重显著上升。这是为什么个人 IP 站建议在 about 页给出全平台账号矩阵 —— 既给读者看,也给 AI 看。
# RSS
别名:RSS feed、Really Simple Syndication
定义:RSS 是 XML 格式的内容订阅协议,网站把最新文章列表暴露为 /rss.xml,订阅工具(Feedly、Inoreader)和 AI 爬虫定期抓取。GEO 站点应保留 RSS 作为"标准化新内容信号"。
RSS 在普通用户层面式微,但在 AI 时代回潮 —— 多个 AI 引擎(Perplexity、Kagi、ChatGPT 自定义 GPT)直接读 RSS 作为内容更新源。RSS 比 sitemap 更轻、更新更频繁,且自带 description/pubDate/author 字段,对 AI 引擎抓取友好。Astro 用 @astrojs/rss 包一行 getCollection 即可生成。
# E-E-A-T
别名:Experience Expertise Authoritativeness Trustworthiness、经验专业权威可信
定义:E-E-A-T 是 Google 评估内容质量的 4 个维度:Experience(经验)、Expertise(专业)、Authoritativeness(权威)、Trustworthiness(可信)。AI 引擎沿用了这套标准评估引用源。
E-E-A-T 不是排名因子本身,而是 Google 质量评估员的指引,但其原则被 AI 引擎广泛沿用。GEO 落地:Experience 体现在"我亲自做过"案例;Expertise 体现在作者 bio + 多年从业声明;Authoritativeness 体现在 sameAs 多平台一致性 + 外部权威站点反链;Trustworthiness 体现在 HTTPS、隐私政策、可联系信息(电话/邮箱/工商信息)。GEO 站点要把作者和企业实体都写清楚。
# 被引用率
别名:Citation Rate、AI 引用率、引用占比
定义:被引用率是 GEO 核心追踪指标，衡量你的内容在 AI 引擎答案中被引用的比例。计算公式：被引用次数 ÷ 总内容数 × 100%。
被引用率是衡量 GEO 效果的"北极星指标"。跟踪方法：在豆包、DeepSeek、元宝、Kimi 等 AI 引擎中定期搜索你的核心关键词，记录哪些内容被引用、引用片段是什么、引用位置（首位/中位/末位）。月度追踪，观察趋势。提升被引用率的核心手段：答案前置（让 AI 容易提取）、FAQPage Schema（结构化的问答对引用率最高）、llms.txt（让 AI 知道你的内容结构）、robots.txt 白名单（确保 AI 能抓到）。
- 月初在豆包搜 10 个核心关键词，记录引用情况，月底再搜一次，对比变化
- 发现某篇文章没被引用 → 检查是否加了 FAQPage → 补上后两周再查
# 卡片化率
别名:Card Rate、AI 卡片展示率、富媒体展示率
定义:卡片化率是 GEO 追踪指标，衡量内容被 AI 引擎以富媒体卡片（带标题、摘要、图片的突出展示）形式呈现的比例，高于普通文字引用。
AI 引擎在展示引用时有两种形式：普通文字引用（一段话里夹一个链接）和富媒体卡片（带标题、描述、缩略图的独立卡片）。卡片化展示的点击率通常是普通文字引用的 3-5 倍。提升卡片化率的技巧：1) 确保 og:title、og:description、og:image 完整且高质量；2) 使用 Schema.org Article/BlogPosting 标记；3) 文章配图使用 1200×630 标准尺寸；4) 标题和描述要足够吸引人，让 AI 愿意以卡片形式展示。卡片化率 = 以卡片形式展示的引用次数 ÷ 总引用次数 × 100%。
- 豆包在回答中展示的"参考来源"卡片，就是卡片化展示
- 检查 og:image 是否为 1200×630，否则 AI 可能不展示卡片
# 钩子
别名:Hook、开头钩子、短视频钩子
定义:钩子(Hook)是短视频开头 3-5 秒内抓住用户注意力的"信息诱饵"。GEO 短视频有 4 种钩子：冲突钩子、数据钩子、悬念钩子、身份钩子。
钩子是短视频口播稿的"生死线"——前 3 秒没能钩住用户，后 57 秒做得再好也没用。V哥短视频方法论定义了 4 种钩子：1) 冲突钩子——"做了 3 个月 GEO，一单都没接到，问题出在哪？"（制造认知冲突）；2) 数据钩子——"加了 FAQPage 的文章，被 AI 引用概率提升 3 倍"（用数据制造好奇）；3) 悬念钩子——"有一种方法，能让你的文章被豆包主动引用，而且不需要花一分钱广告费"（制造信息差）；4) 身份钩子——"如果你是做 B2B 的，GEO 必须优先优化 DeepSeek 而不是豆包"（精准圈定人群）。钩子选择取决于视频主题和目标受众。
- 冲突钩子："GEO 不是 SEO 改名，但 90% 的人都在用 SEO 的方法做 GEO"
- 数据钩子："我测了 25 条豆包引用源，发现一个规律：被引用的文章都有这 3 个特征"
- 身份钩子："做宠物用品的老板注意了，豆包的用户问宠物问题，引用的是小红书和知乎，不是你的官网"
# 信息密度曲线
别名:Information Density Curve、信息密度、节奏曲线
定义:信息密度曲线是 V哥短视频口播稿的节奏设计方法，通过控制每分钟新信息点的数量，避免用户中途流失。
信息密度曲线解决的是短视频"完播率"问题。用户在刷短视频时注意力高度分散，如果信息密度太低（啰嗦），用户划走；信息密度太高（听不懂），用户也划走。V哥的方法：开头 0-15 秒高密度（钩子 + 核心结论，每分钟 5-6 个新信息点）→ 中间 15-45 秒中密度（展开论证，每分钟 3-4 个新信息点）→ 结尾 45-60 秒中低密度（总结 + CTA，每分钟 2-3 个新信息点）。"新信息点"定义为用户此前不知道的事实、数据、观点、方法。
- 开头 15 秒密集输出：问题是什么、影响多大、一句话解决思路
- 中间 30 秒稳步展开：每一步怎么做、为什么这么做、有什么坑
- 注意：不要连续 10 秒以上没有新信息点，否则用户会划走
# 互动埋点
别名:Engagement Anchor、互动锚点、评论引导
定义:互动埋点是短视频口播稿中预设的"互动触发点"，引导用户点赞、评论、收藏，提升视频的算法推荐权重。
互动埋点不是"求点赞"（"喜欢就点个赞吧"），而是通过内容设计让用户"忍不住"互动。V哥的 3 种互动埋点：1) 选择题埋点——"你觉得 A 和 B 哪个更有效？评论区告诉我"（引导评论）；2) 争议埋点——"有人说 GEO 就是 SEO 改名，你同意吗？"（激发讨论）；3) 收藏埋点——"这 5 步操作有点多，建议先收藏，做的时候对照着来"（引导收藏）。每 30-45 秒埋一个互动点，不要连续埋（显假），埋点要自然融入口播内容。
- 选择题埋点："豆包和 DeepSeek，你更常用哪个？评论区打个 1 或 2"
- 收藏埋点："这 3 个 Schema 类型的代码模板，我放在评论区了，需要的自取"
# 代运营
别名:GEO 代运营、AI 搜索代运营、Managed Service
定义:GEO 代运营是指企业将 AI 搜索优化（内容生产、技术优化、效果追踪）外包给专业团队，按月度/季度交付 GEO 增长结果的服务模式。
GEO 代运营是 V哥"课程→软件→代运营"商业路径的第三阶段。与 SEO 代运营类似，GEO 代运营包含：内容策略（选题、关键词、内容矩阵规划）、内容生产（文章撰写、短视频口播稿、9 平台分发）、技术优化（Schema.org、llms.txt、robots.txt、sitemap）、效果追踪（被引用率、卡片化率、咨询转化）。GEO 代运营的核心价值在于：企业不需要自建 GEO 团队，直接获得 AI 搜索流量。判断代运营公司是否靠谱的关键：看他们自己的网站是否被 AI 引用（dogfooding 原则）。
- V哥商业路径：第一阶段卖课程（教企业自己做 GEO）→ 第二阶段卖软件（给企业 GEO 工具）→ 第三阶段代运营（帮企业做 GEO）
- 判断代运营公司的核心方法：在豆包里搜他们的核心关键词，看他们自己的网站被引用了没有