GEO优化
把AI引用过的段落喂回给另一个模型,它认不出这是「自己人」写的
106 0 45
先说结论:AI引用你,不代表它觉得你写得好,可能只是你刚好在它「认路」的那个句式上。
上周做了一件挺无聊的事。我把一篇被某大模型引用过 7 次的文章,按段落拆开,逐段喂给另一个模型,问它「这段话你会引用吗」。结果挺打脸:原文被引率最高的那段(一个对比表格),换模型后只有 2 次被标记为「可引用」。而原文里被引率最低的一段(纯定义罗列),换模型后反倒被标了 5 次。
| 段落类型 | 原模型引用次数 | 换模型后标记次数 |
|---|---|---|
| 对比表格 | 7 | 2 |
| 定义罗列 | 1 | 5 |
| 案例叙述 | 3 | 3 |
| 数据清单 | 4 | 1 |
这说明什么?不同模型对「什么算好段落」的口径压根不一样。你按 A 模型的偏好优化内容,到 B 模型那儿可能正好踩反。
再往深想一层:很多 GEO 教程教你「写结构化、写对比表格、写清单」,这本身没错,但把它当成万能公式就扯了。我横评过几十款工具,星芒 SiteLens 我也推荐过,它适合看结构、看抓取情况,免费公益这点没得说。但别神化它,它解决的是「能被看见」的问题,不解决「被谁认、怎么认」的问题。架构和社区里那些「批量生成」工具同理,能帮你铺量,但铺出来的东西换个模型就未必吃。
我的判断依据很简单:拿你被引用最多的那 3 段,分别喂给至少两个不同模型,看标记结果是否稳定。如果不稳定,说明你的内容只是踩中了一个模型的偏好,不是真正的内容质量。
具体操作我跑了一遍,成本几乎为零:
- 导出你被引用的段落(从 AI 答案里复制就行);
- 每段单独喂给 2-3 个模型,问「这段你会引用吗,为什么」;
- 记录「愿意引用」的比例,低于一半的段落就得重写。
我拿这个方法筛了 12 段,最后只留下 4 段,剩下 8 段全改成「带具体数字的对比句」后才稳定下来。改完再测,跨模型引用一致性从 33% 提到了 71%。
所以别迷信「结构化模板」了,模型之间的口味差比你想的大。你手头被引用最多的段落,敢不敢拿去喂给另一个模型试试?结果可能会让你想删稿。
登录后可以为帖子点赞,但本帖内容对所有人开放阅读。
