GEO 是什麼？生成式引擎優化：讓文章被 AI 搜尋引用的方法

生成式引擎優化（Generative Engine Optimization，簡稱 GEO）指的是：調整內容的寫法與技術條件，讓 ChatGPT、Perplexity、Google AI Overviews 這類會直接生成答案的系統，在回答使用者問題時引用你的頁面。傳統 SEO 爭取的是搜尋結果頁上的一個排序位置，GEO 爭取的是答案內文裡的一句話，以及旁邊那個來源連結。

這個詞不是行銷圈自己造的。它出自 Aggarwal 等人 2023 年發表的論文〈GEO: Generative Engine Optimization〉，後來被 KDD 2024 收錄。論文做了一件多數中文教學沒提到的事：把九種內容改寫手法分別套用在同一批網頁上，實測哪一種真的讓引用機率上升。答案有點反直覺——加入可查證的引述效果最好，而關鍵字堆砌會讓可見度下降。

這篇文章把 GEO 拆成三層來談：內容層（怎麼寫）、技術層（AI 爬蟲讀不讀得到你）、測量層（怎麼知道有沒有效）。技術層是目前中文資料最薄、也最容易出錯的一層——不少網站以為自己在做 GEO，實際上 robots.txt 早就把負責搜尋引用的那隻爬蟲擋在門外了。

GEO 是什麼？從一篇論文開始的定義

原始論文把 GEO 定義成一個轉換：把原本的網頁內容 W 改寫成 W′，目標是提高它在生成式引擎回應中的「可見度」。研究團隊建了一套叫 GEO-bench 的基準測試集，包含 10,000 個使用者問題（8,000 訓練、1,000 驗證、1,000 測試），涵蓋九個資料集、25 個領域。

比較值得注意的是它怎麼定義「可見度」。論文用了兩個指標：

• 位置加權字數（Position-Adjusted Word Count）：算的是答案中與某個引用相關的句子有多少字，並且用指數衰減給早出現的引用更高權重。簡單說——被引用在答案開頭的第一段，價值遠高於被塞在最後一句。
• 主觀印象（Subjective Impression）：用語言模型從七個面向評分，包括相關性、影響力、獨特性、位置、出現次數、被點擊的可能性與多樣性。

這兩個指標本身就說明了 GEO 跟排名邏輯的差異。搜尋引擎的排名是離散的名次，生成式引擎的「可見度」是連續的：同一個來源可能被引用一整段，也可能只被借走半句話帶過。

為什麼現在需要做生成式引擎優化？先看三個數字

談方法之前，先確認問題有多大。這裡刻意只放有明確方法論與時間範圍的數據：

• 零點擊搜尋來到 68.01%。 SparkToro 使用 Similarweb 的桌機與行動裝置流量面板資料，分析 2026 年 1 月到 4 月的美國 Google 搜尋，發現 68.01% 的搜尋結束時沒有產生任何點擊，2024 年這個數字是 60.45%，兩年間增加 7.56 個百分點。
• AI Overviews 出現在兩成以上的搜尋。 同一份分析指出，AI Overviews 在觀察期間出現在略超過 20% 的 Google 搜尋上，而它出現時，點擊率下降接近 60%。
• 但 AI Mode 只佔 0.34%。 同一份研究裡，真正轉進 Google AI Mode 的搜尋只有 0.34%。Google 則在 2026 年 I/O 表示 AI Mode 月活躍使用者已突破 10 億。

第三個數字很重要，它是這篇文章的第一個誠實聲明：AI 搜尋還沒有吃掉一切。把預算全部從 SEO 搬到 GEO，在 2026 年這個時間點是過度反應。比較合理的判斷是——傳統搜尋的「點擊紅利」正在縮水，而生成式答案是一個新增的、需要另外爭取的曝光面。

GEO 和 SEO 差在哪？一張表看清楚

← 左右滑動看完整表格 →

但兩者不是取代關係。Google 官方在〈AI features and your website〉文件裡寫得很直接：要出現在 AI Overviews 或 AI Mode，「沒有額外要求，也不需要其他特殊優化」，頁面只要被索引、且有資格顯示摘要片段就具備資格。換句話說，以 Google 這一側來說，GEO 的地基就是 SEO 的地基。基本的 HTML 語意結構如果沒做好，後面談再多技巧都是空的（可以回頭看為什麼 HTML 標籤是 SEO 最被忽略的基本功）。

論文實測：哪些改寫手法真的提高被引用機率

這是原始論文最有價值、卻最常被中文文章省略的部分。研究團隊用語言模型把同一批網頁按九種策略各自改寫一次，再送進生成式引擎測量可見度變化。以下是相對於「未優化版本」基準值的變化：

← 左右滑動看完整表格 →

三個值得停下來想的結論：

1. 關鍵字堆砌在位置加權字數上是唯一的負值。把關鍵字塞滿頁面不只沒用，在這份實驗裡還讓內容被引用得更少、更靠後。這對「GEO 就是換一套關鍵字玩法」的想像是個直接反駁。
2. 權威語氣是少數主觀印象高於位置加權字數的手法。它在主觀印象上拿到 +19%，在位置加權字數上只有 +10%。合理的解讀是：語氣能提升模型對來源的評價，但真正決定「被引用多少字」的還是內容本身有沒有可摘的東西。純粹把語氣寫得很篤定，效果有限。
3. 排名越低的網站，受益越大。論文特別提到，原本排在第 5 位的來源在採用「標註來源」策略後，可見度提升達 115.1%。這對小網站是好消息——生成式引擎的來源選擇，沒有搜尋排名那麼贏者全拿。

誠實補一句限制：這份實驗完成於 2023 年，測的是當時的生成式引擎；生成模型與檢索管線這兩年變化很大，GEO-bench 也是以英文語料為主。這些數字適合當成「方向的證據」，不適合當成「保證的倍率」。

被 AI 引用不等於排名前十：兩份數據與它們的分歧

很多人以為「排名做上去，AI 自然會引用」。實際數據比這複雜。

Ahrefs 在 2025 年 7 月公布的研究分析了 100 萬則 AI Overviews、190 萬筆引用，結果是 76.10% 被引用的頁面確實排在自然結果前 10 名，86% 落在前 100 名內；被引用的第一個網址，自然排名中位數是第 2 名。

但 BrightEdge 用另一套方法（Generative Parser，橫跨 9 個產業）追蹤 2024 年 5 月到 2025 年 9 月，得到的圖像不同：AI Overview 引用來源中「在自然結果有排名」的比例從 32.3% 一路升到 54.5%，然而其中只有 16.7% 來自前 10 名。

兩份研究的數字差很多，原因在於量測對象與判定標準不同（一份看「引用頁面是否排在前 10」，一份看「引用來源是否在自然結果中出現」），不能直接相減得出「重疊度崩盤」的結論。網路上流傳的「從 76% 掉到 38%」這類說法，多半就是把不同波次、不同工具的數據硬接在一起，Ahrefs 自己也提過後期的變化有一部分來自引用偵測能力改善，而非 Google 選源邏輯的改變。

可以合理下的結論是兩句：排名仍然高度相關，但排名不是門票。沒有進第一頁的頁面也可能被引用，只要那一段內容剛好是模型需要的答案。這也是為什麼小站值得投入 GEO——內部連結佈局、主題覆蓋這些基本功依然有用（參考內部連結怎麼佈局？文章少的新站這樣串內鏈不浪費權重），但不必等到排名做到前三才開始想被引用這件事。

內容層：讓段落有資格被抓走的七個寫法

生成式引擎不是整篇讀完再決定要不要推薦你，它是把內容切成片段（chunk）後檢索，再挑幾段組進答案。所以 GEO 的內容工作，本質上是讓每一個段落都能單獨成立。

1. 每個 H2 底下的第一段就把答案講完

倒金字塔寫法：先給結論，再補脈絡。如果一個段落必須先讀完前三段才看得懂，它被單獨抓出來時就是無效資訊。標題用疑問句、第一段用完整句子回答，是最低成本的調整。

2. 把「說法」換成「數字加出處」

論文裡加入統計數據拿到 +31%，這一項最容易執行。「效果顯著提升」改成「在 10,000 題的基準測試中提升 31%」，資訊密度完全不同。找不到數字時，寧可寫「目前沒有公開數據」，也不要用模糊的形容詞填空。

3. 引用可辨識來源的第三方原話

效果最好的一項（+41%）。重點是「可辨識」——引述要能追回一個具名的人、機構或文件。沒有出處的漂亮句子，對模型來說跟自說自話沒有差別。

4. 比較型問題一律用表格

「A 和 B 差在哪」這種問題，表格的結構化程度遠高於一段散文。模型抽取欄位對應關係比抽取長句容易，而且表格天生就是自足的資訊單位。

5. 每一段都把主詞寫完整

「它的價格是 990 元」在段落被單獨切出來時毫無意義。代詞、「上述」、「前面提到的」這類指涉會在切片時斷開。同一個專有名詞在一篇文章裡重複寫出全名，在傳統寫作裡叫囉唆，在 GEO 裡是必要成本。

6. FAQ 對準真實的提問句

使用者對 AI 提問的句子比對 Google 下的關鍵字長得多，也更接近口語。FAQ 的題目直接寫成完整問句（「GEO 需要多久才看得到效果？」而不是「GEO 效果時間」），命中率會比較高。

7. 不要堆關鍵字

論文裡唯一的負值。目標關鍵字自然出現在標題、開頭與段落標題就夠了，剩下的力氣拿去補數據和出處。內容品質的整體做法，可以搭配 SEO 實戰篇【下】：網站內容－讓 Google 和讀者都看得懂一起看。

技術層：先確認 AI 真的爬得到你

這一層是多數 GEO 教學跳過的地方，也是最容易出現「做了半天其實被自己擋住」的地方。關鍵認知是：同一家公司的爬蟲不只一隻，而且角色完全不同。

三家主要業者的爬蟲對照

← 左右滑動看完整表格 →

從這張表可以讀出三件實務上的事：

1. 擋訓練不等於擋引用。把 GPTBot 擋掉，內容不會進 OpenAI 的訓練資料，但 OAI-SearchBot 仍可讓網站出現在 ChatGPT 搜尋結果裡。Anthropic 那邊也一樣，擋 ClaudeBot 不會影響 Claude-SearchBot 建索引。想「不被拿去訓練、但要被引用」是做得到的，只是必須把 user-agent 一隻一隻寫清楚。
2. 常見的複製貼上 robots.txt 是風險來源。網路上流傳的「一鍵封鎖 AI 爬蟲」範本，通常把 OAI-SearchBot、Claude-SearchBot、PerplexityBot 一起擋掉——這等於主動退出生成式搜尋。做 GEO 的第一步，是去看自己的 robots.txt 到底寫了什麼。
3. 使用者發起的抓取，各家立場不一致。Anthropic 說三隻機器人都遵守 robots.txt；OpenAI 對 ChatGPT-User 註明規則可能不適用；Perplexity 直接說 Perplexity-User 通常忽略 robots.txt。這代表 robots.txt 並不是完整的控制手段。

Cloudflare 的預設值改變（2026 年 9 月 15 日）

如果網站掛在 Cloudflare 後面，這件事必須確認。Cloudflare 把爬蟲分成 Search、Agent、Training 三類，並宣布自 2026 年 9 月 15 日起，對新網域、既有客戶新增的網站與所有免費方案客戶，在有顯示廣告的頁面上預設封鎖 Training 與 Agent 類爬蟲，Search 類維持放行。網站主可在該日期前於安全性設定中調整。

這裡有個容易踩到的細節：混合用途的爬蟲（同時做搜尋與訓練）如果訓練用途被關閉，可能整隻被擋。設定完之後，值得實際看伺服器紀錄確認 OAI-SearchBot、PerplexityBot、Claude-SearchBot 還進得來。

內容要在 HTML 裡

檢索型爬蟲不保證會執行 JavaScript。如果主要內文是前端渲染出來的，抓到的可能是一個空殼。這個問題跟「網站沒被 Google 收錄」的排查邏輯高度重疊，可以直接沿用網站沒被 Google 收錄？6 個檢查步驟的流程：用純文字方式取得頁面原始碼，確認答案段落確實出現在 HTML 裡。

llms.txt 要不要做？先看它實際被誰請求

llms.txt 是一份提案中的檔案格式，構想是放在網站根目錄、用 Markdown 告訴大型語言模型網站有哪些重要內容。過去兩年被大量文章推薦成「GEO 必做」。實際數據不太支持這個說法。

Ahrefs 分析了 137,210 個使用其網站分析服務的網域在 2026 年 5 月的紀錄：其中 28%（38,360 個）放了有效的 llms.txt，而這些檔案裡 97% 在整個月內沒有收到任何一次請求，只有 3%（約 1,100 個網域）有被存取過。

更關鍵的是有請求的那一小部分裡，請求來自誰。AI 相關的 bot 合計佔 19.5%，其中 GPTBot 佔 4.51%；而真正的 AI 檢索型爬蟲（PerplexityBot、OAI-SearchBot）合計只佔 1.1%。研究還發現，沒有任何 AI bot 會主動去要一個不存在的 llms.txt——它們只在被明確指向時才存取。剩下的流量大宗是 SEO 稽核工具（21.7%）與各種來路不明的爬蟲。

Google 這一側的態度也很明確：John Mueller 表示沒有任何 Google 搜尋系統讀取或依據 llms.txt 行動，伺服器紀錄顯示 AI 爬蟲甚至不會去請求這個檔案。

所以合理的做法是：llms.txt 的成本很低，想放可以放，但不要把它當成 GEO 的主軸，更不要因為放了就認為工作完成。目前有明確價值的場景是 AI 程式開發工具——Cursor、Copilot、Claude 這類助理在讀技術文件時，llms.txt 能幫它們少繞路。這個用途跟「被 AI 搜尋引用」是兩件事。

結構化資料對 GEO 有幫助嗎？

誠實的答案：Google 官方沒有說 schema 會讓內容更容易被 AI 引用。〈AI features and your website〉明確寫著不需要新的 schema.org 標記、機器可讀檔案或任何 AI 專用標記。把「加 schema 就會被 AI 引用」當成事實陳述，目前沒有官方依據。

但這不代表不用做。結構化資料的既有價值仍然成立：它讓機器正確辨識作者、發布時間、產品規格、FAQ 這些欄位，是 rich result 的必要條件，也讓「這篇是誰寫的、什麼時候寫的」這種可驗證訊號變得明確。成本低、副作用小，做了不虧。實作可參考結構化資料怎麼加？Schema 標記新手實作指南。

同樣邏輯適用於 Author、Organization 這類標記。它們不保證引用，但能降低模型把品牌資訊搞錯的機率——而「AI 有沒有正確描述你的產品」本身就是 GEO 的一個成功指標。

測量層：怎麼知道 GEO 到底有沒有效

這是目前工具最不成熟的一環，但已經有幾個可以立刻用的來源。

1. Search Console 的生成式 AI 成效報告

Google 於 2026 年 6 月 3 日推出生成式 AI 成效報告，提供 AI Overviews 與 AI Mode 的曝光資料，可按頁面、國家、裝置與日期拆分，Discover 的生成式功能另有一份報告。

限制要說清楚：目前只有曝光，沒有點擊、CTR、查詢字詞、平均排名，也沒有引用位置或被引用段落的資訊。Google 表示仍在與網站主討論哪些指標有用。報告初期只開放給部分網站主。所以它能回答「有沒有被看見」，回答不了「值多少錢」。

2. GA4 的推薦流量來源

在流量獲取報告裡看 chatgpt.com、perplexity.ai、copilot.microsoft.com、gemini.google.com 這些來源網域。量通常不大，但它是唯一能直接對應到「有人真的從 AI 答案點進來」的訊號。如果儀表板還沒設定好，先補 SEO 實戰篇【零】：先裝好你的「儀表板」這一步。

3. 固定題組的人工抽查

列 10 到 20 個目標問句，每月在 ChatGPT、Perplexity、Google AI Mode 各問一次，記錄三件事：有沒有被提及、有沒有被連結、描述正不正確。這是土法煉鋼，但目前沒有更可靠的替代方案，而且第三項（描述正不正確）是任何自動化工具都給不了的。

4. 伺服器紀錄

直接看 OAI-SearchBot、Claude-SearchBot、PerplexityBot 有沒有進來、抓了哪些頁、回傳什麼狀態碼。這是唯一能確認「技術層真的通了」的方法。注意各家都公布了官方 IP 範圍，可以用來排除偽裝的 user-agent。

一份可以照做的 GEO 檢查清單

1. 打開 robots.txt，確認 OAI-SearchBot、Claude-SearchBot、PerplexityBot 沒有被封鎖。訓練用的 GPTBot、ClaudeBot 要不要擋，是另一個獨立決定。
2. 檢查 CDN／WAF 設定。Cloudflare 使用者確認 2026 年 9 月 15 日的預設值變更是否影響到自己的頁面。
3. 驗證內容在 HTML 裡。關掉 JavaScript 看原始碼，確認主要答案段落存在。
4. 改寫每個 H2 的第一段，讓它單獨讀也能成立、也能回答標題的問題。
5. 盤點形容詞。把「大幅提升」「效果很好」這類敘述，逐一換成有出處的數字，或直接刪掉。
6. 補出處。既有的每個主張問一次「這句話的依據是什麼」，查不到就改寫成不確定的說法。
7. 比較型內容改成表格，欄位標題寫成完整名詞。
8. 把代詞換回專有名詞，特別是段落開頭。
9. 加上針對真實問句的 FAQ，題目用完整疑問句。
10. 建立測量基線：GSC 生成式 AI 報告、GA4 的 AI 推薦流量、固定題組的人工抽查，三者同時開始記錄。

這份清單的順序是刻意的：前三項是技術層，沒通的話後面七項全部無效。

常見問題

GEO 會取代 SEO 嗎？

目前沒有數據支持這個說法。Google 官方文件明確表示要出現在 AI Overviews 與 AI Mode「沒有額外要求，也不需要其他特殊優化」，前提仍是頁面被正常索引；而 SparkToro 的分析顯示，真正轉進 AI Mode 的搜尋只有 0.34%。比較準確的描述是：GEO 是 SEO 之上多出來的一層，共用同一套地基。

排名沒有進前十，有可能被 AI 引用嗎？

有。BrightEdge 追蹤到 2025 年 9 月，AI Overview 引用來源中只有 16.7% 來自自然結果前 10 名。原始 GEO 論文也發現排名較低的網站受益更大——排在第 5 位的來源採用「標註來源」策略後，可見度提升 115.1%。排名仍然高度相關，但不是唯一入口。

應該封鎖 AI 爬蟲嗎？

這是商業決定，不是技術決定，而且要分開來看。封鎖訓練型爬蟲（GPTBot、ClaudeBot）保護的是內容不被用於模型訓練；封鎖檢索型爬蟲（OAI-SearchBot、Claude-SearchBot、PerplexityBot）等於放棄生成式搜尋的曝光。兩者可以只擋前者。要注意 Perplexity-User 與 ChatGPT-User 這類使用者發起的抓取，官方都表示 robots.txt 未必適用。

llms.txt 值得做嗎？

就「被 AI 搜尋引用」這個目的而言，證據很薄：Ahrefs 分析 137,210 個網域後發現 97% 的 llms.txt 檔案在 2026 年 5 月完全沒被請求過，AI 檢索型爬蟲只佔全部請求的 1.1%，Google 也表示搜尋系統不讀取它。成本低所以放了不虧，但不該排在檢查清單前面。它目前比較確定的用途是給 AI 程式開發助理讀技術文件。

GEO 需要多久才看得到效果？

沒有可靠的公開數據可以回答這題，各家官方文件也沒有說明生成式答案的來源多久更新一次。可以確定的是變化取決於檢索型爬蟲何時重新抓取頁面，所以伺服器紀錄裡的重抓頻率，是目前最接近的參考指標。任何給出明確天數保證的說法，都應該先問依據是什麼。

AEO、LLMO、AI SEO 和 GEO 是同一件事嗎？

指涉的問題高度重疊，但只有 GEO 有可追溯的學術定義（Aggarwal 等人，KDD 2024）。AEO（Answer Engine Optimization）較早出現，原本針對精選摘要與語音助理；LLMO、AI SEO 多半是行銷語彙。討論策略時，比起爭辯用詞，更實際的做法是問對方在測量什麼指標。

參考資料

1. GEO: Generative Engine Optimization（arXiv）
2. AI features and your website（Google Search Central）
3. We Analyzed 137K Sites: 97% of llms.txt Files Never Get Read（Ahrefs）
4. Introducing Search Generative AI performance reports in Search Console（Google Search Central）
5. Overview of OpenAI Crawlers（OpenAI）
6. Does Anthropic crawl data from the web and how can site owners block the crawler?（Anthropic）