工具与项目
研究中
GEO · 生成式引擎优化
让信息进入
AI 的下一次回答。
当人们向 AI 寻找产品、工具或答案，你的信息，能不能被提及和推荐？
这个项目从真实回答出发，探索怎样让产品与信息被找到、被准确理解，再通过内容改进和复测，逐步验证。
从问题到回答概念示意
有什么适合我的工具？
产品说明
使用经验
对比内容
AI 整理信息
找到信息 · 组织答案相关产品，出现在回答中。
01 / 读懂一个回答
GEO 具体在看什么？
同一个回答里，有三个值得观察的地方：提到谁、怎样描述、依据什么。
02 / 实践方法
从观察到验证，持续改进。
看清 AI 现在怎样回答，才知道下一步该补充什么。
- 01
观察回答
围绕真实需求提问，记录 AI 的回答与推荐。
- 02
分析线索
检查提及、描述和引用，找到信息缺口。
- 03
改进内容
补充清楚的产品说明、适用场景与相关依据。
- 04
再次验证
回到同一组问题，比较变化，再调整下一步。
每次复测，都是下一轮探索的起点。
03 / 当前研究
正在学习，也在继续探索。
先补齐基础，再逐步走向检索与小模型的实验。
计划探索
小模型训练与检索相关实验
- 01
AI 检索查询拆解与预测
探索 AI 可能把用户问题拆成哪些搜索子问题，以及会使用什么检索词。
- 02
Embedding 语义与词群挖掘
了解问题与内容之间的语义联系，探索相关概念与不同表达。
- 03
Cross-Encoder 相关性与重排
了解相关性判断和重排方法，以及小模型训练在这些方向上的应用。
04 / 学习记录
记录每一次向前。
学习笔记、实践观察，以及还没想明白的问题。
什么是GEO？我为什么选择在这个方向深入学习？
从对AI时代的观察，到AI推荐与消费决策的变化，记录我选择深入学习GEO的原因、探索路径，以及对长期收获的思考。