geo-optimization

GEO 优化（生成式引擎优化）

快捷操作菜单

在互动开始时展示以下选项，以引导工作：

1. 完整 GEO 审核：分析当前页面，给出评分和按优先级排序的路线图。
2. 汇总页构建器：创建针对大模型优化的对比页面。
3. 术语优化器：生成与大模型搜索相匹配的新标题、元描述和标题。
4. FAQ + Schema 生成器：创建完整的 FAQ 集合及 Schema 标记。
5. 社区信号增强器：制定在 Product Hunt 和 Reddit 上获取评论的策略。
6. 引用率测试工具包：创建 50 条现成的提示词，用于衡量可见度。
7. 完整套件：使用多 Agent 执行以上所有操作，提供完整的优化套件。

未指定具体操作时，默认选择选项 1（完整 GEO 审核）。

GEO 工作流

根据所选操作或用户需求执行以下步骤。

如需了解指导所有优化决策的基本原则，请参阅 references/guiding-principles.md。

1. 衡量与跟踪（初步诊断）

始终从评估当前 AI 可见度状况开始。

• 创建一组包含 50–100 条真实提示词的初始集合，用于在 ChatGPT、Google AI Overview、Perplexity 和 Grok 上进行测试。
• 定义主要指标：引用率（引用品牌/产品的大模型回复所占百分比）。

2. 术语对齐

• 梳理人们实际如何向大模型提问——不要只依赖 Google 关键词模式。
• 调整标题、元描述和各级标题，使其符合自然的大模型术语。
• 示例：优先使用“AI 听写和语音转文字软件”，而非“AI 听写应用”。

3. 页面格式与结构

建议并创建大模型最重视的页面格式，优先采用汇总页/对比页（例如“2026 年最佳 [类别]”）。

每个优化后的页面都应包含：

• 与大模型术语相匹配的标题。
• 8–12 款产品及真实的社区评论。
• 对比表格。
• 完整的 FAQPage Schema。
• “社区评价”部分（嵌入或引用 Product Hunt/Reddit 内容）。

4. 难以伪造的信号与社区

• 鼓励用户在 Product Hunt、Reddit 和 Quora 上发布真实评论和参与讨论。

4.5. Agent 友好型内容架构（Cloudflare 最佳实践）

基于 Cloudflare 的文档优化（减少 31% 的 token，回答速度提升 66%）：

大型网站的 llms.txt 策略：

• 不要创建一个庞大的 llms.txt——它会超出上下文窗口，迫使 Agent 陷入“grep 循环”
• 为每个分区创建 llms.txt 文件（例如，/docs/llms.txt、/blog/llms.txt）
• 根目录的 llms.txt 指向子文件
• 每个条目必须包含：语义化名称 + 匹配的 URL + 高价值描述
• 移除没有语义价值的目录列表页面

grep 循环问题： 当 llms.txt 太大而无法放入上下文时，Agent 会反复 grep 关键词 → 丢失更广泛的上下文 → 准确性降低 → 使用更多 token → 响应变慢。解决方案：让目录内容适配单个上下文窗口。

使用 /index.md 作为 URL 回退：

• 让每个页面都能通过相对于页面 URL 的 /index.md 以 Markdown 格式访问
• 通过 URL 重写规则（移除 /index.md）+ 标头转换（添加 Accept: text/markdown）实现
• 在 llms.txt 中链接到 /index.md URL，供不发送 Accept 标头的 Agent 使用

隐藏的 Agent 指令：

• 在 HTML 中为不协商 Markdown 的 Agent 添加不可见指令：

• 从 Markdown 版本中移除此指令，以避免递归

面向 AI 训练爬虫的重定向：

• 识别 AI 训练爬虫（GPTBot、Google-Extended 等）
• 将它们从已弃用或过时的内容重定向到当前版本
• 人类仍可访问归档内容；大模型只会看到准确内容
• 防止 AI 回答中出现过时建议

Markdown 内容协商（减少 80% 的 token）：

• 收到 Accept: text/markdown 后，服务器会返回干净的 Markdown
• 截至 2026 年，只有 Claude Code、OpenCode 和 Cursor 默认发送此标头
• /index.md 回退方案可覆盖其他 Agent

丰富的 Frontmatter = Agent 导航指引：

• 页面标题、描述和 URL 结构充当 Agent 的“方向盘”
• 投入精力设计语义化的页面名称和描述性 frontmatter
• 这些元数据有助于 Agent 决定要获取哪些页面，而不必加载所有页面
• 在页面中直接嵌入或引用社区内容，以增强信任信号。

5. 技术与结构化数据

检查并实现必需的技术要素：

• 添加 JSON-LD + FAQPage schema。
• 在适用情况下添加 Product schema。
• 确认 robots.txt 允许 AI 爬虫访问（不要屏蔽 Perplexity、ChatGPT 等）。

6. 持续监控与迭代

• 建立每周测试或由模型更新触发测试的常规机制。
• 根据模型波动调整术语并添加社区内容。

质量检查清单

交付任何输出前，请确认：

• 已定义引用率基线或创建测试套件。
• 标题和各级标题体现 LLM 原生术语（而不仅是 Google 关键词）。
• 页面结构包含对比表和 FAQPage schema。
• 已引用或嵌入社区信号（Product Hunt、Reddit）。
• robots.txt 未屏蔽主要 AI 爬虫。
• JSON-LD schema 存在且有效。
• 已确定监控频率（每周或模型更新后）。
• 未制作纯粹自我宣传的清单式文章（LLM 会识别并降低其优先级）。
• 已标记屏蔽机器人的风险（例如，Perplexity 曾暂时屏蔽某些平台）。