市面上的GEO建议,多数是”经验之谈”——听起来有道理,但没人验证过。我们决定用实验说话:设计六个可复现的对照实验,每个验证一个GEO领域的流行假设,全部用真实站点、真实引擎、公开记录。本文是完整实验报告——包括两个我们预期会成立、结果被打脸的假设。实验时间跨度2026年3月至8月,全部原始数据可应要求提供。
实验设计总则
# 实验方法论
原则1: 每个实验有明确的假设、对照组、判定标准
原则2: 采样必须多轮(每个测量点≥6次取样,跨3天)
原则3: 引擎覆盖豆包/DeepSeek/元宝/Kimi四个(中文主战场)
原则4: 实验站使用真实备案域名+真实内容,
不用临时域名(避免新站效应污染结论)
原则5: 所有实验预先登记判定标准,防止事后找理由
局限声明: 样本量小、引擎策略持续变化,
结论代表"当前时点的观察"而非永久规律
实验一:结论前置真的提高引用率吗?
流行假设:首段直接给结论的内容,被AI引用的概率显著高于铺垫式开头的内容。
设计:同一主题(工业设备选型的五个参数)写两个版本:A版结论前置(首段三句话给出核心判断),B版传统铺垫(背景→意义→逐步展开,结论在第四段)。发布在两个主题无关的实验站(避免站内权重干扰),页面结构、字数、表格数量、Schema完全一致。8周后测量两版在12个相关问法中的被引用情况。
| 测量项 | A版(结论前置) | B版(铺垫式) |
|---|---|---|
| 被引用问法数(12个中) | 7 | 4 |
| 被直接摘引首段的比例 | 5/7次 | 0/4次(引用的是文中段) |
| 首次被引用的周数 | 第3周 | 第5周 |
结论:假设成立,且幅度超预期。有意思的细节:B版被引用时,AI引用的都是文中部的表格和列表——即使文章开头是废话,AI也会跳到干货部分摘取;但A版的首段被整段转述了5次。结论前置的收益不在”能不能被引”,在”被引用时的呈现位置与完整度”。
实验二:作者署名影响采信度吗?
流行假设:有实名作者(含资质背景)的内容比匿名机构号内容更容易被AI采信。
设计:同一篇医疗科普内容(虚构但合规的通用知识),三个版本发布在三个实验站:V1匿名(无作者信息)、V2机构署名(”XX健康编辑部”)、V3实名+资质(”李XX,执业医师,从业12年”+Person Schema+作者页)。10周后测8个医疗问法中的引用情况。
| 版本 | 被引用次数 | 引用时的表述 |
|---|---|---|
| V1 匿名 | 2 | “有健康资讯提到……”(模糊归因) |
| V2 机构署名 | 4 | “某健康平台指出……” |
| V3 实名+资质 | 9 | “执业医师李XX的解释是……”(带身份转述) |
结论:假设强成立。实名+资质的引用次数是匿名的4.5倍,且转述方式质变——AI会带着作者身份转述,这等于每次引用都附带一次专业背书。对医疗、法律、财税等专业服务业,署名不是可选项,是内容资产的一半价值。
实验三:数据表格 vs 文字描述,谁更容易被摘引?
流行假设:同样的事实,表格形态比段落文字形态更容易被AI提取和引用。
设计:同一组产品对比事实(5个产品×6个参数),A页用HTML表格呈现,B页用流畅的段落文字描述(信息量完全一致)。8周后测10个对比类问法。
| 测量项 | A(表格版) | B(文字版) |
|---|---|---|
| 被引用问法数 | 8 | 5 |
| 引用时参数完整度 | 平均5.2/6个参数被转述 | 平均2.8/6 |
| 参数转述错误率 | 3% | 17% |
结论:假设成立,但最重要的发现是错误率差异——文字版的参数被AI转述时错误率17%(数字张冠李戴、单位丢失),表格版只有3%。表格不只是提高引用率,更是在保护你信息的准确性。对于参数即卖点的行业(制造、3C、医疗器械),这一条足够构成全站内容规范的改版理由。
实验四:负面内容会被”正面稀释”吗?
流行假设:持续发布正面信源可以稀释存量负面在AI答案中的占比。
设计:这个实验用的是真实客户场景(已获授权,脱敏):某服务品牌有一条两年前的投诉帖,在验证类问法中被引用率约40%。干预:不删帖、不回应原帖,只做三件事——发布整改说明页、发布12篇含服务流程细节的正向内容、更新3个权威目录的信息。12周追踪验证类问法的答案变化。
| 时点 | 负面被引用率 | 答案框架 |
|---|---|---|
| 第0周 | 40% | 直接转述投诉内容 |
| 第4周 | 34% | 转述投诉+提及”官方有说明” |
| 第8周 | 21% | 投诉与整改说明并列呈现 |
| 第12周 | 13% | 多数答案以”曾有投诉、已整改、现状是……”的完整时间线呈现 |
结论:假设成立,且揭示了稀释的机制——正面内容不是”顶掉”负面,而是给负面接上了下文。第12周的答案里投诉帖还在被引用,但引用方式从”孤立指控”变成了”时间线的一环”。这验证了我们危机管理的核心原则:对抗删帖不如完整化叙事。
实验五:被我们打脸的假设——”更新频率越高越好”?
流行假设:内容更新频率与AI引用率正相关,日更优于周更。
设计:两个实验站,同一品类,A站周更1篇深度文(L3级,含一手数据),B站日更3篇资讯文(L2级,公开信息重组)。12周后对比。
| 测量项 | A站(周更深度) | B站(日更资讯) |
|---|---|---|
| 12周内容总量 | 12篇 | 252篇 |
| 被引用过的内容数 | 7篇(58%) | 6篇(2.4%) |
| 累计被引用次数 | 31 | 11 |
| 品类问法出现率(期末) | 37% | 14% |
结论:假设被推翻。12篇深度文的总引用量是252篇资讯文的近三倍。更深一层的发现:B站在第9周后出现率开始回落——我们怀疑高频低质更新触发了站点质量的重新评估,但样本太少不敢下结论,标记为”待进一步验证”。可确认的结论是:在AI信源的世界里,密度打败频率,深度打败数量。
实验六:第二个打脸——”FAQ越多越好”?
流行假设:FAQ页是引用利器,FAQ条目越多覆盖问法越广。
设计:同一实验站建两个FAQ页:A页30个问答(每题答案50-80字,覆盖广),B页10个问答(每题答案200-300字,含表格和步骤,覆盖窄但深)。10周后测30个相关问法。
| 测量项 | A页(30条短答) | B页(10条深答) |
|---|---|---|
| 被引用问法数 | 9 | 12 |
| 覆盖的问法范围 | 广(9个不同主题) | 窄但每题引用完整度高 |
| 被整段转述的比例 | 22% | 61% |
结论:假设半对半错。广覆盖的短FAQ确实在更多主题上”沾边”,但深FAQ在其覆盖的10个主题上引用率碾压(12/10>1,因为单个问法被多引擎引用),且整段转述率高三倍——深答案被AI当作”可直接使用的成品”,短答案只是”线索”。修正后的最佳实践:FAQ条目宁深勿多,每条答案按”独立解决问题”的标准写,200字起步。我们随即修改了内容生产规范。
六个实验的汇总结论
| 假设 | 结果 | 可操作结论 |
|---|---|---|
| 结论前置提高引用 | ✓ 成立 | 所有页面首段三句话给结论 |
| 实名署名提高采信 | ✓ 强成立(4.5倍) | 专业内容必须实名+资质+作者页 |
| 表格优于文字 | ✓ 成立(含错误率优势) | 参数对比一律表格化 |
| 正面信源稀释负面 | ✓ 成立(12周降至13%) | 负面治理用完整化叙事,不用删帖 |
| 更新频率越高越好 | ✗ 推翻 | 周更深度文>日更资讯文 |
| FAQ越多越好 | ✗ 半推翻 | FAQ宁深勿多,每条200字起 |
做这组实验的动机,是行业里”经验之谈”太多而”验证之谈”太少。两个假设被打脸恰恰是实验的价值所在——如果六个假设全部”验证成立”,那说明实验设计在迎合预期而不是检验预期。我们把自己的内容规范按实验结果改了两处(FAQ深度标准、署名强制要求),这就是实验文化的第一笔回报。
实验环境的可复现说明
# 复现要点(想自己验证的同行可参考)
引擎版本: 记录每次测试的引擎App/Web版本号
采样规则: 每问法每轮2次采样,间隔>30分钟
账号控制: 全部用无历史记录的新账号,测后弃用
地域控制: 固定城市IP(本地类实验另设对照组)
时间控制: 避开重大热点事件周(新闻会污染答案)
记录字段: 时间/引擎/版本/问法/答案全文/
引用信源清单/截图存档
# 六个实验共用这一套底层规程,
# 差异只在自变量与判定标准
六个实验里最让我们警醒的是被打脸的那两个:标题党式关键词堆砌确实短暂提升了命中率(虽然三周后被回落清算),而”越权威越好”在消费类问法上输给了”越真实越好”。实验的价值不在于证明我们对,而在于逼我们承认哪里错了。这份报告里保留全部打脸记录,也是想给行业立个规矩:说”我们测过”的人,应该经得起”怎么测的”三连问。
七个实验:被我们追加的第七个(读者要求)
前六个实验发布后,有读者追问一个我们本想跳过的问题,因为答案太”扫兴”——但它恰恰最重要,所以补做并公开:实验七,GEO的效果到底能不能和”自然增长”区分开?
这是个归因实验,设计难度最高,因为我们无法控制外部变量(季节、竞品、市场大盘)。最终用了”对照组”设计:选两个条件高度相似的客户(同行业、同城市层级、同规模),一个做GEO一个不做(后者是主动暂缓的),同步监测六个月。
| 指标 | 实验组(做GEO) | 对照组(不做) | 差异 |
|---|---|---|---|
| 品类问法出现率 | 12%→41% | 11%→13% | +26pp |
| 官网AI渠道流量 | 占3%→占19% | 占2%→占3% | +15pp |
| 询盘量同比 | +34% | +6%(大盘自然增长) | +28pp |
| 询盘质量(意向度评分) | 3.8/5 | 3.1/5 | +0.7 |
对照组那6%的自然增长很关键——它证明了”不做大盘也会涨一点”,所以实验组的34%里,约28%可归因于GEO动作,6%是市场红利。这个拆分不精确(样本量太小,n=2),但它给了一个诚实的归因下限:哪怕用最保守的减法,GEO的净贡献依然显著为正。
# 为什么这个实验"扫兴"却最重要
扫兴之处: 它承认了GEO效果里有一部分是
"就算不做也会有的自然增长",
打破了"所有增长都归功于GEO"的叙事
重要之处: 诚实的归因才能建立长期信任 ——
一个敢说"这6%不是我带来的"的服务商,
比一个把100%增长都揽功于己的,可信得多
# 方法论立场: 宁可少报功劳,不可多报功劳。
# 前者损失一个季度的续约话术,后者损失长期的专业信誉。
七个实验做完,最大的收获不是验证了哪些假设,而是学会了怎么设计”能证伪自己”的实验。一个只能证明自己正确的方法论是危险的——它意味着你已经在选择性看数据了。我们给团队定的规矩是:每个实验立项时,必须先写下”如果出现什么结果,就证明我这个假设是错的”。写不出证伪条件的实验,不准开工。这条规矩,可能比七个实验的所有结论加起来都值钱。
常见问题
Q1:实验站的”新站效应”怎么排除?
三个措施:实验站全部使用注册6个月以上、有历史内容的真实域名(非临时建站);同一实验的对照组在同类型域名上进行;测量从发布后第2周才开始计(跳过收录波动期)。新站效应无法完全消除,但对照组设计保证了它在A/B两组间的分布一致。
Q2:引擎更新会让这些结论失效吗?
会,这是所有GEO实验的宿命——结论的保鲜期可能只有6-12个月。所以我们把实验设计成可复跑的:原始题库、判定标准、测量脚本全部存档,每半年复跑一轮,追踪结论的漂移。本文是2026年8月时点的快照,引用时请注意时效标注——这本身就是我们提倡的内容规范。
Q3:小品牌能自己做这种实验吗?
简化版可以:单变量的A/B(比如同一内容的两种标题、两种首段结构),发布在不同页面,8周后看哪个被引用。成本几乎为零,只需要记录的习惯。企业做不了的是跨站对照(需要多个域名),但单站内的实验已经够指导内容规范的迭代了。
Q4:为什么不测”Schema对引用的影响”这类技术假设?
测过,但结果无法归因。Schema的影响与页面整体质量深度耦合,剥离单一变量的实验设计需要极大的样本量,超出我们的实验预算。技术类假设我们采用”跟随标准”策略:按W3C与引擎官方文档执行,不做投机性测试——这是实验精神的另一面:知道自己测不了什么。
Q5:这些实验结论会用在见山的服务里吗?
已经在用:内容生产规范(结论前置、表格化、实名署名、FAQ深度标准)全部按实验结果修订;负面治理SOP的”完整化叙事”原则来自实验四。我们承诺每轮复跑后公开更新结论——包括对自家方法论不利的发现。实验报告是比案例更硬的信任信源,这是我们做这件事的第二个动机。方法论详情见 /solutions/content-production,交流实验设计欢迎邮件 ddof@qq.com,电话 13632957375。