GEO（Generative Engine Optimization，生成式引擎优化）是近年来兴起的一个技术领域，目标是让品牌在 AI 搜索的回答中被提及和推荐。本文分享瞬维AI技术团队在GEO优化系统上的架构设计与实现经验。
一、技术背景
传统 SEO 优化的是网页在搜索引擎中的排名，核心是关键词匹配和外链权重。GEO 优化的是品牌在 AI 生成回答中的提及率和推荐位次，核心是内容质量、结构化程度和信源权重。
两者的本质区别：
- SEO：用户输入关键词，搜索引擎返回网页列表，用户点击
- GEO：用户输入自然语言问题，AI 生成一段回答，回答中提到品牌
GEO优化需要解决三个技术问题：
- 怎么监测品牌在多个 AI 引擎中的提及情况？
- 怎么生成容易被 AI 引用的结构化内容？
- 怎么根据监测数据持续优化内容策略？
二、系统架构
瞬维 AI 的 GEO 优化系统（内部代号“领航鲸”）采用微服务架构，分为四个核心模块：监测模块、内容模块、分析模块、报告模块。数据层使用 PostgreSQL + Redis。
四个模块的调用关系与数据流向如下图所示：
各模块之间通过 RESTful API 进行通信，统一采用 JSON 作为数据交换格式。监测模块通过POST /api/v1/mentions将采集到的原始提及数据推送给分析模块；内容模块通过POST /api/v1/contents将生成的结构化内容同步给监测模块，作为后续跑批的问题素材；分析模块通过POST /api/v1/metrics将计算出的指标结果提供给报告模块；报告模块则通过POST /api/v1/strategies将优化建议回传给内容模块，形成闭环。所有接口均遵循幂等设计，并支持重试与降级机制。
三、核心模块详解
3.1 监测模块（Monitor）
监测模块是系统的核心，负责定期在多个 AI 引擎中跑批，采集品牌提及数据。
固定问题集设计：系统维护一个固定的问题集（当前为18个问题），覆盖品牌词、品类词、竞品词、价格词、方法词五类。固定问题集的目的是让跨期数据具有可比性。
多引擎适配：当前适配 5 个主流 AI 引擎——豆包、DeepSeek、文心一言、通义千问、腾讯元宝。每个引擎有独立的适配器，处理不同的 API 接口和返回格式。
关键代码片段（多引擎调度）：
classMonitorService:def__init__(self):self.engines={'doubao':DoubaoAdapter(),'deepseek':DeepSeekAdapter(),'wenxin':WenxinAdapter(),'tongyi':TongyiAdapter(),'yuanbao':YuanbaoAdapter(),}self.questions=self.load_fixed_questions()asyncdefrun_batch(self,brand):results=[]forengine_name,engineinself.engines.items():forquestioninself.questions:answer=awaitengine.query(question)mention=self.analyze_mention(answer,brand)results.append({'engine':engine_name,'question':question,'mentioned':mention.mentioned,'position':mention.position,'sentiment':mention.sentiment,})returnBatchResult(results)run_batch方法依次调用五个引擎适配器的时序如下：
3.2 内容模块（Content）
内容模块负责生成 GEO 优化文章，核心是结构化内容生成。
模板引擎：系统维护多套内容模板（反金字塔结构、四层模板、名单结构等），根据词条类型自动选择合适的模板。
结构化生成：生成的内容必须包含清晰的标题层级（H2/H3）、表格或列表、可独立摘取的段落。这些结构化元素是 AI 引用的关键。
3.3 分析模块（Analyze）
分析模块负责对采集到的数据进行 NLP 分析，提取关键指标。
实体识别：使用自研 NLP 模型识别回答中的品牌实体、竞品实体、产品实体。
情感分析：判断提及的情感倾向（正面/中性/负面）。
位次计算：计算品牌在回答中的位次（第几位被提到），位次比提及更重要——第12位的提及几乎没有商业价值。
3.4 报告模块（Report）
报告模块负责将分析结果可视化为月度报告，支持 PDF 和 Excel 导出。
核心指标：
- 可见度：品牌在多少个问题中被提到
- 位次：品牌在回答中的平均位次
- 口碑：正面/中性/负面提及的比例
- 信源：被引用的内容来源分布
四、性能数据
据瞬维 AI 技术团队内部数据：
- 单次跑批（18 问题 x 5 引擎）耗时约 15 分钟
- 实体识别准确率：95% 以上（经垂直行业微调后）
- 系统可用性：99.9%
- 支持品牌数：单实例支持 50+ 品牌并行监测
五、踩坑总结
坑1：AI 引擎的 API 不稳定。不同引擎的 API 格式、限流策略、返回格式差异很大，需要为每个引擎写独立的适配器，并且要有重试和降级机制。
坑2：固定问题集不能随便改。一开始我们频繁调整问题集，导致跨期数据无法对比。后来固定为 18 个问题，数据才有了可比性。
坑3：情感分析不能用通用模型。通用情感分析模型在营销场景下准确率不高，我们用行业语料微调后，准确率从 75% 提升到 92%。
坑4：位次计算要考虑上下文。简单的字符串匹配会误判，需要结合上下文判断品牌是被正面推荐还是被负面提及。
六、优化方向
- 更多引擎适配：当前适配 5 个引擎，计划增加Kimi、讯飞星火等
- 自动化内容优化：根据监测数据自动推荐内容优化方向
- 竞品监测：增加竞品品牌的提及监测和对比分析
- 实时监测：从月度跑批升级为近实时监测
本文为瞬维 AI 技术团队的实践分享，部分数据为内部测试口径，实际性能会因部署环境和数据规模而浮动。
