一句話速查表
| 名詞 | 一句話白話 | 詳細釋義 |
|---|---|---|
| 被 AI 推薦這件事，市面上有三種叫法這幾個常被綁在一起賣。差別在於，只有 GEO 找得到公開的學術論文和可以重跑的測試基準；LLMO 講的幾乎就是 GEO，但查不到對應的研究，各家用的是自家定義。你可能還會看到第四個字：AEO。它常被算進這一組，但它的本業是搶搜尋結果上的答案框，比生成式 AI 早好幾年，所以我們把它收在搜尋最佳化那張表——拿它來指 AI 推薦是後來的挪用，不是它的出身。 | ||
| GEO（生成式引擎最佳化）Generative Engine Optimization | 讓你的內容被 AI 生成的回答引用到的做法。 | 使用者問 AI 一個問題，AI 會讀一批來源、綜合成一段回答，再標上出處。GEO 要做的就是讓你的內容進到那批來源裡、而且被指名。手段集中在內容本身：答案寫完整、附得上可查證的來源與數字、頁面結構讓機器讀得懂。生成式回答沒有名次，所以也沒有「保證第幾名」這種東西可以承諾。 |
| LLMOLLM Optimization | 工程上指把模型本身弄小弄快，行銷業借來當 GEO 的別名。 | 這四個字母在工程領域指的是把語言模型本身弄得更小更快——量化、蒸餾、推論加速那一類的事，跟你的內容會不會被引用毫無關係。行銷業借過去之後，它賣的東西幾乎就是 GEO。同一個詞在兩個圈子裡意思完全岔開，所以聽到這個詞，先問對方指的是哪一種。 |
| AI 摘要（AIO）AI Overviews (AIO) | 搜尋結果最上方那塊 AI 生成的摘要。 | Google 在搜尋結果最上方生成的一段摘要，段末或側邊會列出幾個引用來源。它把原本第一名的位置整個往下推，使用者看完摘要就可能不再往下捲。對網站的直接影響是曝光還在、點擊變少，所以只看流量數字會誤判成內容變差。 |
| AI 怎麼拿到你的資料、怎麼判斷你可不可信前一個是機制，後一個是準則。把準則當成機制，就會去買根本不存在的服務。 | ||
| RAG（檢索增強生成）Retrieval-Augmented Generation | AI 先查資料、再根據查到的東西回答的機制。 | 模型本身的知識停在訓練完成那一刻。RAG 是在回答之前先去外部資料庫撈一批相關片段，連同問題一起餵給模型，要它照著這些片段作答。好處是資料可以隨時更新、答案標得出處；限制是檢索沒撈到的東西，模型一樣答不出來，或是回頭去憑印象編。 |
| E-E-A-T（經驗、專業、權威、可信）Experience, Expertise, Authoritativeness, Trustworthiness | 判斷內容出自可信的專家還是路人的四個面向。 | Google 寫給人工評分員的品質準則，四個字母分別是經驗、專業、權威、可信。經驗是有沒有親自做過這件事，專業是懂不懂這個領域，權威是同行認不認你，可信是前面三項加起來能不能讓人放心。它不是演算法裡的某個分數，是用來校準評分員判斷的框架。 |
| AI 產出的內容，與網路上關於你的聲音這一組是你自己會用到、或是會反過來影響你的東西。 | ||
| AI 生成內容（AIGC）AI-generated Content | 用生成式 AI 產出的文字、圖片或影音素材。 | 用生成式模型產出的文字、圖片或影音。產能不是問題，問題在事實：模型會把不確定的事寫得跟確定的一樣，而且整篇語氣一致到看不出哪一句是編的。用它大量生成、主要目的是衝排名而不是幫到讀者的頁面，Google 明列為大規模內容濫用，屬於黑帽。拿它當草稿、事實與來源由人補上再發佈，才是安全的用法。 |
| AI 內容浮水印AI Content Watermarking | 在 AI 生成的內容裡嵌入可偵測的訊號，用來辨識來源。 | 在生成的當下把一組可偵測的訊號嵌進內容裡，事後用工具就能判斷這是不是 AI 產出的。文字的浮水印靠選字機率的偏移，改寫幾句就可能失效；圖片與影音多半改走 C2PA 這類把來源資訊寫進檔案的規格，但檔案一經轉存或截圖也會掉。 |
| 對話機器人（AI 客服）Chatbot | 用自動回覆處理顧客提問的程式，現在多半接上生成式 AI。 | 早期是關鍵字比對加固定腳本，問法一換就答不出來；現在多半接上生成式模型，聽得懂不同問法，但也可能編出你沒說過的規則與價格。實務上會把它的回答範圍限制在自家資料裡，答不出來的直接轉真人，而不是讓它硬答。 |
| 社群聆聽（網路海巡）Social Listening | 持續蒐集網路上關於品牌或議題的討論，用來判斷該不該回應。 | 用工具持續抓 PTT、Dcard、社團與新聞留言裡提到你的內容，看量的變化，也看語氣的變化。價值不在「有人在罵你」這件事本身，而在你能不能在事情變大之前先看到。私密社團與 LINE 群多半抓不到，所以看到的數字永遠是低估的。 |
| 想知道自己現在被找不找得到？先分清楚你在量哪一邊健檢問「你準備好了沒」，回測問「AI 實際上怎麼講你」。網站做得很好但 AI 還沒學到你，這種情況完全可能發生，所以兩邊都要看。 | ||
| GEO 健檢（生成式引擎最佳化稽核）GEO Audit | 把網站掃一遍，看它的體質適不適合被 AI 引用。 | 檢查的是你自己這一側：頁面爬得到嗎、結構化資料齊不齊、內容有沒有寫成可以整段被引用的形式、來源與作者資訊在不在。它給的是體質報告，不會告訴你 AI 現在怎麼講你——那要靠回測。兩件事常被綁在一起賣，付錢前要問清楚交付的是哪一種。 |
| 回測AI Backtesting | 把一批問題實際丟給各家 AI，看它們怎麼回答你。 | 準備一組使用者真的會問的問題，固定丟給幾家 AI，記錄回答裡有沒有你、講得對不對、語氣如何。同一題問兩次結果就可能不同，所以單次結果不能當結論；要固定題目、固定頻率、累積成趨勢才有意義。 |
| 回測那一側量的八個指標前四個看你被不被看見，後四個看 AI 講你講得對不對、好不好、是不是你要的那一套。 | ||
| AI 能見值AI Visibility Score | 各家工具自己算出來的 AI 能見度分數的統稱。 | 它不是某個官方指標，是各家工具把自己的回測結果加權成一個分數的統稱——跟 SEO 圈的 DR（Ahrefs）與 DA（Moz）是同一種東西：搜尋引擎從來沒有發過那種分數，是工具商自己做的。所以同一個品牌在兩套工具上的能見值不一樣是正常的，題庫與權重都不同。用法只有一種：在同一套工具裡跟自己的上個月比。 |
| AI 點名率AI Mention Rate | 問 AI 一輪問題，它有幾次主動講到你。 | 一批問題問完，回答裡出現你名字的比例。它量的是「AI 認不認識你」，不管它講得好不好、有沒有推薦你。這是最底下的一層：點名率接近零的話，後面的推薦率、好感度都不用談。 |
| AI 推薦率AI Recommendation Rate | 使用者問「該選哪家」時，AI 把你列進建議名單的比例。 | 限定在有選擇意圖的問題上——「推薦哪一家」「該找誰做」——看你有沒有被列進那份名單。它跟點名率差在多了一層信任：AI 知道你存在，跟 AI 敢把你講給正要花錢的人聽，是兩件事。 |
| AI 首推率AI First-Choice Rate | AI 的推薦名單裡，你被排在第一個的比例。 | 在你有被列進名單的前提下，被放在第一個的比例。名單通常只有三到五個，第一個的份量明顯比後面重，因為使用者常常看到第一個就停下來。這個數字樣本小、波動大，看趨勢比看單次結果有意義。 |
| AI 引用率AI Citation Rate | AI 回答時，有沒有把你的網站當成來源附上去。 | 回答裡附上你的網址、使用者點得進來的比例。被提到只是嘴上講到，被引用是把出處白紙黑字寫出來——後者會實際帶流量，也代表 AI 是讀了你的頁面才這樣講，而不是憑印象湊出來的。 |
| AI 答對率AI Accuracy Rate | AI 講到你的時候，講的資訊對不對。 | 在有講到你的那些回答裡，資訊正確的比例。最常錯的是營業項目、服務範圍、地點與價格區間，來源多半是舊頁面、過期報導，或是同名的另一家公司。講錯比不被講到更麻煩，因為使用者會把它當成查證過的事實。 |
| AI 好感度AI Sentiment | AI 談到你時的語氣：正面、中立，還是負面。 | 同一件事可以講成「這家專做小型客戶」，也可以講成「這家只接得了小案子」。好感度看的是 AI 用哪一種說法，多數品牌落在中立。負面很少憑空出現，追下去通常會找到某一篇負評或某一則舊新聞被當成了主要來源。 |
| AI 口徑一致度AI Message Consistency | AI 講到你時，講的是不是你要它講的那一套，0 到 100 分。 | 拿 AI 的說法跟你官網現在的說法對照，看兩邊重疊多少。分數低通常不是 AI 亂講，是它讀到的是舊版本：改過的服務項目、換掉的定位、早就不做的產品，還留在別的網站或幾年前的報導上。 |
| 數字難看的時候，兩個病名用訊號來想最快：一個是訊號完全沒傳到，AI 那端根本沒有你；一個是訊號傳到了但中途走樣。兩個看起來很像，做法卻相反——診斷錯了，你會花好幾個月去撤一份根本不存在的舊資料。 | ||
| AI 隱形病AI Invisibility | AI 根本不認識你，開放問題從來不提到你。 | 點名率接近零的狀態。常見原因是內容全部放在社群或影音、官網只有幾頁形象頁沒有實質內容，或是頁面直接擋掉了 AI 爬蟲。在這個狀態下不必先談怎麼排前面，要先讓機器讀得到你的東西。 |
| AI 失真病AI Signal Distortion | AI 講的你，不是現在的你。 | AI 講得出你，但講的是舊版本或別人的版本：三年前的服務內容、已經離職的負責人、同名的另一家公司。這種狀況比隱形難發現，因為表面上能見度看起來很好，要逐題把回答讀完才會看出講的不是現在的你。 |
這些詞不是同一個年代生的
| 年份 | 誕生的詞 | 當時是為了解決什麼 |
|---|---|---|
| 1990 年代末 | SEO | 當年的搜尋結果是十條藍色連結、使用者自己點進去。整套邏輯建立在「排名越前面、點的人越多」。 |
| 2011 年 6 月 | Schema.org | Google、Bing、Yahoo! 共同發布的共通規範，同年 11 月 Yandex 加入。當年是為了做出複合式搜尋結果——就是那些評價星星、營業時間。 |
| 2010 年代中期 | AEO | 來自 Google 精選摘要（業界俗稱「第 0 名」）與語音搜尋那一波。當年的「答案引擎」指的是 Google 自己在搜尋頁上給的那個答案框。這個詞沒有可指認的單一起源事件，也查不到原始研究，跟下面的 GEO 不同。 |
| 2014 年 | E-A-T（只有三個字母） | 寫進 Google《搜尋品質評估指南》，給人工評分員判斷內容品質用的準則。 |
| 2020 年 | RAG | Meta（當時叫 Facebook AI）的論文提出，原本純粹是研究圈的技術名詞。 |
| 2022 年 12 月 | E-E-A-T（補上第一個 E） | 在最前面加上 Experience（親身經驗）——這件事你有沒有真的做過、用過。 |
| 2023 年 5 月 | SGE（AI 摘要的前身） | Google 在 I/O 把生成式 AI 摘要塞進搜尋結果頁最上方，先以實驗版亮相。 |
| 2023 年 11 月 | GEO | 普林斯頓大學等團隊的論文首次提出這個詞，2024 年正式發表於 KDD（資料探勘領域的頂尖會議）。這批詞裡最年輕的一個。 |
| 2024 年 5 月 | AI Overviews 正式上線 | SGE 改名，在美國對所有使用者開放。同年 10 月擴及 100 多個國家與地區。 |
| 2025 年 5 月 | 中文才被納入支援語言 | 這次擴充把 AI Overviews 推到 200 多個國家與地區、40 多種語言，中文在這一批才進來。 |
| 2025 年 10 月 8 日 | AI Mode 繁體中文版在台灣上線 | 這是離台灣使用者最近的一個時間點。 |
看年份最能破除誤會。很多人以為這是 ChatGPT 之後才冒出來的一整套新學問，其實只有 GEO 是——而且它到 2025 年才真的在中文世界具備條件。
最常見的誤會
「AEO 是新一代 SEO」
AEO 是舊詞，不是為 ChatGPT 發明的。它出自 2010 年代中期語音搜尋與精選摘要那個年代，這兩年才被借去泛指 AI 問答。所以「AEO 是新一代 SEO」這種說法是行銷話術，不是史實。
「SEO 已死」／「SEO 是 GEO 的地基」
這兩句話都各錯一半。
「SEO 已死」是錯的——AI 讀的還是同一批網頁，網站被爬得到、被收錄，這件事沒有變得不重要。
但反過來說「把 SEO 做好，AI 自然就會推薦你」也是錯的，而且對一半比全錯更危險，因為它讓人以為自己懂了。實際上要看那個 AI 是用哪種機制找到你的：
| AI 找到你的方式 | 你真正需要的 | 排名第一有用嗎？ |
|---|---|---|
| 能被爬取、被發現 | 開放爬蟲、可索引、內容是真文字而不是空殼 | 這只是最低門檻，不等於做整套 SEO |
| 進得了檢索池（AI 摘要） | 扎實內容，而且要有某一段精準回答到那個子問題 | 不。這裡要的是「段落被挑中」，不是「排名衝第一」 |
| 不呼叫搜尋，純靠模型內建知識回答 | 進入訓練語料 ＋ 資訊長期一致 | 幾乎無關，得等下一輪訓練 |
三種情況沒有一種的答案是「去買一堆高分數的反向連結」。
下次有人跟你說「先把 SEO 做好就有了」，可以反問一句：你說的「SEO」，是把內容做扎實，還是去買一堆反向連結？這一問就分得出對方懂不懂。
「AI 摘要？我沒看過啊」
這很正常，因為它在中文世界真的很新。SGE 2023 年 5 月才以實驗版亮相，2024 年 5 月改名 AI Overviews 在美國正式上線，2024 年 10 月才擴及 100 多個國家，2025 年 5 月的擴充才把中文納入支援語言，同年 10 月 AI Mode 繁體中文版才在台灣上線。
換句話說，這件事在台灣真正成形不到一年。現在還在窗口期。
「我問 AI 我們公司，它都講得出來啊」
這句話證明不了什麼。你直接問「介紹某某公司」，名字是你自己餵給它的——它幾乎句句都會提到你，因為你已經把答案寫在題目裡了。
要看被不被找到，題目裡不能出現你的名字，例如「推薦三重的當舖」。帶名字的題目量的是另一件事：它講你講得對不對。
所以「它都講得出來」只代表一件事：AI 不好意思說不知道。
「首推率比推薦率低，是不是哪裡出錯了」
沒有出錯，定義本來就這樣。被講到、被推薦、被排第一，是一條漏斗，門檻一層比一層高，所以數字必然一層比一層小。
真正有訊息量的不是任何一層的數字，而是兩層之間的落差。常被講到卻很少被推薦，代表 AI 知道你存在，但不太敢把人交給你——那通常不是曝光不夠，是信任訊號不夠。
「AI 講的我們不太對，那應該是它拿到舊資料了」
不一定。把它想成訊號傳輸會比較清楚：你的訊息從官網傳到 AI 那一端，中途走樣了——可能是它收到的還是舊訊號，也可能是訊號太弱，它只好拿雜訊補滿。這兩種成因常常混在一起，不是二選一。
分辨方法不是看它講得像不像，是去找那段話的出處。找得到來源（某個舊頁面、舊報導、某個名錄），那是舊訊號；整段查無出處，那是雜訊補出來的。再做一次交叉確認：跑一輪不含你名字的開放題，從頭到尾都沒出現你，代表你的訊號本來就弱。
要分清楚，是因為兩種成因的做法相反。訊號舊了，要去把舊版本撤下來、把說法收斂成一套；訊號太弱，撤舊資料完全沒有用——根本沒有那份資料，你要解決的是讓 AI 那端收得到你。
「答對率、好感度、口徑一致度，不是差不多嗎」
是三件事，而且只看前兩個會得到「一切正常」的假象。用同一個例子跑一遍最清楚——假設 AI 說你是「一家行銷公司」，而你三年前就轉型做別的了：
| 指標 | 管的是 | 這個例子扣不扣分 |
|---|---|---|
| 答對率 | 有沒有講錯 | 不扣。你確實曾經是，這句話不算錯 |
| 好感度 | 講得正不正面 | 不扣。語氣中性，甚至偏正面 |
| 口徑一致度 | 講的是不是你要它講的那一套 | 扣。它介紹的是你早就不做的舊業務 |
三個要一起看，才知道問題出在哪一層。這也是為什麼一份只報「正確率 95%」的漂亮報告，可能完全沒講到重點。
一個容易講錯的細節：E-E-A-T 不是演算法參數
常常有人說「Google 演算法會計算你的 E-E-A-T 分數」——這是誤傳。
E-E-A-T 出自《搜尋品質評估指南》，那份文件是給人工評分員看的準則，用來評估搜尋結果好不好，不是演算法裡的一個欄位。所以沒有人有辦法幫你「把 E-E-A-T 分數拉高」，宣稱做得到的人，賣的是一個不存在的東西。
不過這不代表它不重要。它描述的那些信任訊號——你有沒有真的做過、有沒有人引用你、資訊前後一不一致——機器同樣在看，只是不是用「E-E-A-T 分數」這個形式在看。
下一步
- 拿自己的手機搜一次你最重要的那個關鍵字，看有沒有出現 AI 摘要，以及裡面有沒有你。這一步三十秒就做得完。
- 準備兩批題目去問 AI：一批不含你的名字（看你被不被提到），一批直接問你是誰（看它講得對不對）。兩批不能混用，這是最多人做錯的地方。
- 把客戶最常問的三個問題，各寫成一頁有來源、有數字、答得完整的內容。這正是 GEO 論文測出來確實有效的那一類做法，而且不必等誰來代做。
- 要找廠商的話，問這三題：你的方法從哪來、這些名詞你怎麼分、你要交付什麼且怎麼算成功。三題問完再決定要不要付錢，都來得及。
這裡收的是實際會影響決策的詞，純學術名詞我們不收。 少了什麼常用詞，來信告訴我們。