教培 GEO 术语表：14 个词看懂 AI 搜索优化在做什么

一句话结论：和任何新领域一样，教培 GEO 的沟通障碍首先是词汇。下面 14 个词覆盖了一套 AI 搜索优化从建库到交付的完整链路——看懂它们，就能判断一份服务方案靠不靠谱。

先看全局：14 个词的位置

定义层

1. GEO（Generative Engine Optimization，生成式引擎优化）

优化对象是 AI 生成的答案，而不是网页在搜索结果里的排名。前者要回答的是"这段回答里有没有提到我"，后者要回答的是"我排在第几页第几位"。

2. 生成式引擎

泛指以豆包、DeepSeek、元宝、Kimi 等为代表的 AI 问答产品。它们的工作方式大体一致：先从可访问的网页中检索信源，再基于信源生成一段自然语言回答。

这一"先检索、后生成"的机制，是整个 GEO 方法论的立足点——能被作用于的只有检索环节。

观测层

3. 问法

家长向 AI 提出问题的具体表述。同一个意图会有多种说法："初中数学一对一哪家好""孩子数学跟不上报什么班""XX 区补习机构推荐"——它们对应的是同一个需求，但在 AI 那里是三次独立的检索。

4. 问法库

把真实提问原话系统收集后形成的固定清单，通常按意图分类（了解类、比较类、价格类、效果类、机构类、政策类）。问法库是可量化观测的前提——有多少条问法，就有多少个可追踪的观测点。

5. 基线

开始优化之前的那次完整记录：当前在几个 AI 里能被提到、被哪些网站承载、竞品是什么状态。没有基线，后面所有的"变化"都无从谈起。

计量层

6. 提及率

被提及的问法数 ÷ 问法总量。注意分母是问法的条数，不是提问的次数——同一问题问 100 遍，在分母里仍然只算 1 条。这个口径决定了不同服务商报出的数字能不能横向比较。

7. 首位率

机构被列在答案前列位置的问法占比。它反映的是"排在前面的概率"，同样只作趋势观察，不构成位置承诺。

8. 来源分布

答案里引用的域名构成，用来看 AI 实际在读谁。这是最容易被忽略、却最有行动价值的一项：如果答案引用的全是第三方聚合站，说明机构自有信源尚未进入对方的候选池。

执行层

9. 信源

AI 能够检索并可能引用的页面所在位置。按可检索程度大致分为：自有官网、行业垂媒、门户自媒体、问答社区、公众号（墙内，AI 基本取不到）。

10. 结构化数据（JSON-LD）

写在页面头部、供机器读取的标注代码，用来明确声明这一页是什么。机构侧最基础的三类是 Organization（主体信息）、Article（内容信息）、FAQPage（问答组）。

11. 答案前置

把结论写在小标题下的头一段，而不是先铺垫背景。这一条决定内容能否被直接摘用——多数机构的内容是先讲行业趋势，AI 抓不到可用信息。

12. 可引用摘要

在正文中显式给出的、可独立成句的要点段落。它的作用是降低模型的理解成本：不需要模型自己提炼，直接引用即可。由模型自行提炼，出错概率更高。

校验层

13. 独立信源主体

计算信源数量时的口径。同一篇内容被五个门户转载，若内容高度同质，通常被判定为同一个信源主体。这解释了为什么"换皮多发"在信源结构上几乎不产生增量。

14. 复测周期

两次完整观测之间的间隔。教招汇GEO 采用 14 天：短于 7 天，波动主要来自噪声；长于 30 天，调整的反馈太慢。

三个术语之间的关系，用一句话串起来

建好问法库、拿到基线之后，按复测周期观察提及率与来源分布的变化；如果来源分布里始终是聚合站，说明信源与结构化数据这两层执行还不到位；答案前置和可引用摘要则决定内容能被摘走的概率；而判断信源数量时，永远按独立信源主体计数。

常见问题

Q1：术语懂了，是不是就能自己做？

能判断，不等于能执行。理解口径解决的是"知道该看什么"，执行还需要内容生产、页面改造与周期性复测的持续投入。多数机构的瓶颈不在认知，而在人手与节奏。

Q2：这些指标在哪能看到？

每个周期结束时，由服务方以报告形式给出。判断报告是否可靠，看一条就够：它有没有把分母、平台、问法清单和复测日期写清楚。写不清的，数字无法复核。

Q3：不同服务商的数字能直接比吗？

不能直接比。统计口径（分母定义、平台范围、问法数量、观测时点）不同，数字之间没有可比性。要比就先比口径。

效果口径：AI 回答存在随机性，我们交付的是可验证的优化动作与月度可见度变化报告，提升被提及的可能性，不承诺具体排名。