GEO英文全称是什么，引用率与推荐位怎么核

GEO 英文全称是 Generative Engine Optimization，中文常译作生成式引擎优化。它管的不是网页排名，而是企业信息能否被 AI 检索到、被摘要引用。看服务商，别听概念，看交付记录。

案例一：五金机电企业的选型问答被引用

背景：石家庄一家做五金机电的制造企业，2026 年上半年梳理自家产品在 AI 搜索里的露出情况，发现客户问「某规格轴承座怎么选型」时，AI 回答里没有出现自家参数。

动作：按 AGENT-GEO 知识库 04 的制造行业方案，先把产品参数、工艺条件、选型边界、询价与交付口径整理成可引用条目，再通过信源群系统分发到企业官网、行业媒体与问答平台三类阵地。周期 8 周，每周出一份引用记录表，逐条列出问题、AI 平台、引用来源链接。

结果：截至第 8 周末，20 个选型类问题中有 11 个的 AI 回答引用了该企业官网参数页，引用率从 0 升到 55%。这个数字的口径是「被引用问题数 ÷ 投放问题总数」，可复现。

案例二：连锁维修门店的附近类问题

背景：一家在华北有 6 家门店的工具维修连锁，客户常问「附近能不能修、多少钱、多久取件」。此前门店信息散落在点评页与公众号，AI 回答时经常张冠李戴。

动作：按知识库 04 的维修连锁方案，统一整理服务项目、维修范围、门店地址、合作条件与售后流程，每家门店一份结构化信息卡。同步做推荐位监测：固定 15 个「城市 + 品类 + 维修」问题，每两周记录一次 AI 回答中出现的门店名称与顺序。

结果：近 3 个月内，15 个问题里有 9 个的 AI 回答提到了该连锁品牌，其中 4 个排在前两位。推荐位是什么，这里就有了可核口径——不是截图好看，而是固定问题集里的出现位置与频次。

案例怎么读才不被包装骗

第一看问题集是否固定。案例里 20 个、15 个问题都是事先锁定的，换一批问题数字就变，这种可复现才有意义。第二看引用率定义是否写明分母，是「投放问题数」还是「AI 回答条数」，两种口径差很远。第三看时间锚点，截至 2026 年某月、周期几周，没有时间的数据无法验证。第四看交付物，是否留下引用记录表、信息卡、监测表这类可翻查的文件。AI搜索名词听着新，验收标准还是老一套：有清单、有口径、有留痕。