零基础怎么学习 GEO 优化？有推荐的学习路径吗？

我在 SEO 和 SEM 这行干了八年，从建站、写文、投放到带人，都做过。这两年「零基础怎么学 GEO」这个问题，我被问了不下几十次。问的人里有一部分是想转行的年轻人，也有一部分是做了多年 SEO 的老同行——后者问得更焦虑，因为他们发现自己熟的那套东西还在，但考核的标尺换了。

我先把一个不太讨喜的判断放在前面：市面上绝大多数「GEO 速成课」，教的是技巧清单，而不是判断方法。清单不能迁移，判断能。你学会「加统计数字能提升引用」，换一个行业、换一个引擎、换一年之后，这条可能就不成立了；你学会「什么样的句子 AI 抽得走、什么样的数字值得信」，十年后还在用。这篇文章按后者写。

一、零基础最容易走错的第一步：把 GEO 当成一堆技巧

打开任何一个卖 GEO 课程的落地页，你大概会看到这些词：九大技巧、三十个提示词模板、七天起量、一键生成结构化内容。这套话术之所以有效，是因为它符合人对「学习」的直觉——买一份清单，照做。可惜它和官方文档说的方向是反的。

2026 年 5 月 15 日，Google 在 Search Central 发布了第一份专门讲生成式 AI 功能的优化指南（6 月做过一次更新）。这份文件里有一句话，我建议每个准备学 GEO 的人背下来：从 Google 搜索的角度看，为生成式 AI 搜索做优化，就是在为搜索体验做优化，所以它仍然是 SEO。指南里还专门设了一节，逐条否定几种正在被当课程卖的「技巧」：不需要创建 llms.txt 这类 AI 专用文件，不需要把内容切成「适合 AI 读」的小块，不需要为 AI 单独加一套结构化数据，不需要把文章改写成「AI 友好的语气」。刻意制造大量不真实的品牌提及，被它直接归为有害做法。

微软那边的动作更早一点。2026 年 2 月，微软重写了 Bing 的站长指南，第一次在搜索引擎的官方政策文件里把 GEO 写成独立条目，定义是「内容获得在 AI 回答中被 grounding（作为事实依据）与被引用（reference）的资格」。同一份文件里还有一句很关键的话：GEO 不保证被引用，就像 SEO 不保证排名。

把这两份文件放在一起看，结论很清楚：GEO 不是一套新技巧，它是同一条工程链路在新出口上的延伸。所以学习的正确起点，是把这条链路画出来，而不是背清单。链路长这样：

这张表你不用背，但你要能指着其中任意一行说出「这一环我能做什么」。学 GEO 的整个过程，就是把这六行逐个填满的过程。

二、四阶段学习路径：每一阶段都要有验收标准

下面这条路是我按自己的项目经验排的，时间假设是每周投入 5 到 8 小时、有至少一个能改的站点（自己的、朋友的、公司闲置的都可以）。行业里没有权威的「GEO 学习时长」统计，所以这个时间表请你当参考值，不要当承诺。

阶段 0：先搞懂机制，别急着动手（3 天）

这三天只做一件事：把三份材料读完，然后合上电脑，用自己的话写 300 字。写不出来，说明还没读懂，回去再读。

第一份是 Google 那份生成式 AI 优化指南。它不长，但信息密度高，重点看三处：它对 RAG 和 query fan-out 的解释、它的「不需要做」清单、它对「独特内容」的定义。它对独特内容的举例很到位——「首次购房者的 7 个提示」属于任何人都能写的常识拼接，而「我们为什么放弃了房屋检查、还省了钱：下水管道内部实录」这种带着第一手经验的，才是它说的非大路货内容。

第二份是 Bing 站长指南。微软在这份文件里给出了四条可以直接照着改的选源规则：事实要直接陈述、不要暗示（因为 AI 需要能独立核验）；实体名称要清晰一致，同一个产品每次都用同一个名字，不要一会儿叫全称一会儿叫「这个工具」；一个 URL 聚焦一个主题，单主题页面更容易被选为 grounding 来源；关键信息放在页面上方。这四条是全网最容易执行、也最容易被忽略的官方指导。

第三份是论文，KDD 2024 的《GEO: Generative Engine Optimization》（arXiv:2311.09735）。第一遍读摘要和实验表格就够了，不用啃公式。你要从里面拿走的是一个分类方法：九种改写手法里，真正起作用的是「往内容里加可核验的外部证据」这一族，而不是「把话说得更漂亮」那一族。

阶段 1：把九种手法拆成「有用」和「没用」两堆（2 周）

这张表是论文实验结果的整理。我把「是什么」写清楚了，你可以直接拿去对照自己的稿子。

这张表最值得注意的不是前三行，而是最后一行。关键词堆砌这个 SEO 时代的老动作，在 2024 年的论文里被实测为负面，到 2026 年已经被写进国内的团体标准，列为禁止行为。这条线很清楚：能被机器识别为「为优化而优化」的动作，正在从无效变成违规。

所以这个阶段的练习，只做三件事：给每个 H2 下面至少加一个带来源的定量数据；把至少一处论断改成「有署名、有身份、有日期」的引语；把每段的第一句改成能独立成句的答案。三件事做完再去测，别一次改十处，改多了你根本不知道是哪一处起了作用。

顺便说一句：这套改写逻辑和我以前在方法论栏目写的内容结构化是同一套骨架，只是那边的落点在「人怎么读得下去」，这边的落点在「机器怎么抽得走」。

阶段 2：技术加固，只学四件事（1 周）

零基础的人一听「技术」就发怵，其实要动的地方很少。按优先级只有四件：

1. 确认管道通。看 robots.txt 有没有挡住搜索型爬虫，看页面有没有误加会掐断引用的 meta 指令。Bing 的指南把每一条指令的后果都写明了：NOARCHIVE 会让内容完全无法进入 Copilot 的回答与 grounding 结果，NOCACHE 只允许使用网址、标题和摘要。站内的AI 爬虫验证工具可以先做一遍初筛。
2. 补齐结构化数据。用 JSON-LD 写 Article、FAQPage，规则只有一条：标记的内容必须和页面上看得见的文字一致。这一条 Google 在指南里强调过，Bing 也在指南里把「误导性结构化数据」归进滥用类别。
3. 把关键内容做成服务端渲染。这条最容易被忽略。有公开实测发现，当页面的价格由 JavaScript 渲染时，模型的抓取接口读到的正文里根本没有价格——也就是说，它看你的页面，和你看到的不是同一个页面。
4. 一个 URL 一个主题。这条来自 Bing 的官方建议，和 SEO 圈流行的「大而全长文」正好相反。做法不复杂：主页面讲清一个核心问题，把周边问题拆成独立页面，再用内链串起来。

阶段 3：度量，这是拉开差距的一步（1 周）

我见过太多学 GEO 的人卡在这里：文章改了，感觉变好了，然后呢？没有然后。因为他说不出「变好了多少」。

现在能用的第一方数据比 2025 年多得多，按可靠性排：

• Google Search Console 的生成式 AI 报告。Google 官方帮助文档写明，这项数据自 2026 年 8 月 31 日起向全球所有网站开放，覆盖 AI 摘要与 AI 模式，按页面、国家、设备、日期四个维度拆分。它只有曝光，没有点击，也没有查询词。所以它只能回答「我有没有出现在 AI 回答里」，回答不了「带来了多少生意」。把它当存在性指标，别当效果指标。
• Bing Webmaster Tools 的 AI Performance。颗粒度更高，能看到具体的引用与 grounding 查询。缺点是只覆盖微软的生态。
• 模型自己的抓取接口。这是我最近半年最常用的一个办法。DeepSeek 开放平台的文档里写得很直白：Search 接口返回的每条结果都带 authority（网页权威性，0 到 4，3 以上为极权威）和 rerank_score（综合相关性、权威性、时效性的排序分，0 到 3，1.5 以上为优质结果），Fetch 接口则把单个网页转成 Markdown 返回。这等于给你一副能看见「AI 眼里你的页面长什么样」的眼镜——它漏掉了哪段、把哪句当成了结论，一目了然。
• 手工基线。前三个都没有的时候，就人肉跑。20 条问题，4 个平台，一张表，记录三列：有没有提到品牌、有没有给出链接、事实说错没有。

词库怎么建，站内有个品牌问题生成器可以先出草稿，但一定要人工过一遍——真实用户的问法比机器造的更碎、更具体、更常带场景。建库的完整字段和加权方法，我写在《AI 可见度诊断：企业自查的完整流程》里。

阶段 4：国内做项目，得额外补两天课（2–3 天）

如果你的目标客户在国内，光读英文文档不够用。国内这套体系有自己的规范文件。

2026 年 9 月 9 日，中国商务广告协会发布五项团体标准，9 月 10 日起实施，编号是 T/CAACCHINA 001 到 005—2026，分别管术语与通论、服务商评估、计价与测量、可信语料、服务流程合规。这套文件我建议至少读第 1 部分和第 3 部分：前者给出 GEO 的技术框架和它与 SEO、AEO 的边界，后者给出计价单元和测量指标的官方口径——将来你和甲方谈验收标准，用这套词汇比用「曝光量」有用得多。

另外要建立的一个习惯是「信源分级」。行业里通行的做法是把信源分四级：央媒、政务、国标、官方百科这一层最硬；门户、垂媒、技术社区次之；普通用户内容只能做补充；没有备案的采集站、洗稿站、批量软文站，一律不碰。为什么这件事重要？因为不同国内平台的信源偏好差得很远——有的重官媒和学术材料，有的重认证公众号长文，有的重结构化问答。把同一篇稿子投到所有平台，是最常见也最贵的错误。（这一段是我按项目经验总结的判断，平台偏好会随版本变化，请以你自己实测为准。）

三、那个「提升 40%」，为什么必须先学会看它

讲到这里得插一段硬话。学 GEO 的人几乎都会在某个课程页上看到「可见度提升 40%」，然后把它当成目标。这个数字确实出自论文，但它有三层限定，课程页一般不讲。

第一层，它是上界，不是平均。论文自己在多个版本里都说明了，40% 是按不同方法与领域算出来的最高值，不是所有内容照做都能拿到。

第二层，它是再分配，不是普涨。论文的表格里有一组数据很少被引用：当所有候选页面同时被优化时，「标注来源」这个手法让原本排第 5 的页面可见度提升了 115.1%，却让原本排第 1 的页面下降了 30.3%。加引语、加统计数字这两项，形状也一样——第 5 名附近大幅上升，第 1 名附近小幅下降。原因不难理解：一个答案能给的注意力是固定的，大家都在改，涨的必然是原来最弱的那些。这对小站是好消息，对大站是提醒。

第三层，它的实验环境和今天的引擎已经不一样了。2026 年 4 月，南京信息工程大学的两位研究者提交了一篇论文（arXiv:2604.19113），在 GPT-4o-mini、Gemini 2.5 Flash、Qwen-plus 三个引擎上重跑了同类实验。他们的结论是：词句级的改写（也就是那九种手法）在今天的引擎上不再稳定有效，某些设置下甚至低于完全不改的基线；相比之下，文档层面的内容属性对是否被引用影响更大。

这三层合起来，给零基础的人一个很实际的提示：先学「什么算文档级的好内容」，再学「句子怎么写」。顺序反了，你会把大量时间花在最不可迁移的那一层上。上一篇文章讨论「GEO 是不是智商税」时，我给的是同一套判断——方法不是税，承诺才是税，而把上界当承诺，正是这个行业最普遍的误导方式。

四、三个练手项目：不用等有客户才能开始

学东西最快的路子是有一个真实的对象可以改、可以测。下面三个项目我按难度排了，每个一周左右，全部零成本。

项目一：给一个站点做「引用体检」（第 1 周）

选一个你熟悉的站点，最好是内容型或有明确产品页的。挑 20 条问题，其中至少一半不能带品牌名——只测品牌词的体检等于没做，因为品牌词被提及是理所当然的。四条渠道各跑一遍：Google 的 AI 摘要、ChatGPT、豆包或元宝、DeepSeek。每条记三列：有没有提到品牌、有没有给出链接、事实有没有说错。

产出是一张表加一页结论。结论只写三句话：哪几条问题我完全缺席、哪几条我被提到但没给链接、哪几条 AI 说错了。这三句话就是你后面所有工作的靶子。

项目二：一篇稿子的对照实验（第 2–3 周）

挑一篇你自己写的旧文，只改三个地方：每个 H2 下加一个带来源和年份的数字；加一处真实署名的人或机构的原话；把每段第一句改成能独立成立的答案句。改完不要马上发，先记下改动清单，然后在同一批问题上再跑一轮，对比改前改后的记录。

这个练习真正的价值不在结果，在过程：你会第一次亲眼看到「同一篇内容，改完之后 AI 引用的那句话变了」。看见过一次，你对「抽取」这件事的理解会永久改变。

项目三：用模型的抓取接口审自己的页面（第 4 周）

这一步稍微技术一点，但只要会看 JSON 就行。用 DeepSeek 的 Fetch 接口抓自己的一个页面，看返回的 Markdown 里有什么、缺什么。常见的问题有三种：正文被导航和推荐位淹没、关键数据根本没出现（因为由脚本渲染）、标题层级乱到看不出哪句是主结论。

看清之后再让模型复述这个页面讲了什么。它漏掉的，往往就是它不会引用的。这个动作我建议养成习惯，每次改完重要页面都跑一遍，成本几乎为零。

五、不用学的东西：一份省钱省时间的反向清单

零基础的人很容易在两个地方花冤枉钱：买了不需要的工具，学了不该碰的手艺。下面这份清单，每一条都有出处。

至于「要不要会编程」，我的答案是：不用会写程序，但要会三件小事——改 robots.txt 并验证结果、看懂一个页面的 HTML 结构、在 Search Console 和 Bing Webmaster Tools 里找到对应的报告。这三件事加起来不到一天。真正难的是判断力：哪句话值得被抽走、哪个数字必须带来源、哪段话删掉反而更好。这些和代码没关系。

六、几个被追问最多的问题

「学 GEO 一定要先有 SEO 基础吗？」

不一定要，但有基础的人省时间。抓取、索引、结构化、内容质量这四块完全复用，大概七成能力可以直接迁过来；需要重新建立的是关键词密度思维之外的那部分——从「争位次」换成「争被引用」。能力逐项对照我写在《SEO 转 GEO：哪些能力可迁移，哪些会失效》里。完全没有基础的人，反而少了一些要戒掉的习惯，只是补技术那一周会慢一点。

「学了怎么证明自己会？」

拿一份报告，不要拿证书。具体长这样：一个真实站点、20 条问题、四个引擎、两个时间点的对比、明确的改动清单，以及一句「哪些变了、哪些没变、我判断原因是什么」。这份东西的说服力，比任何培训证书都强——因为它可复现，而证书只能证明你交过钱。

「学完之后要一直跟吗？」

要，但不用天天跟。引擎的版本迭代速度已经快到按周算，一次改版就可能改变引用分布。我的节奏是：核心词库每月跑一次，重要改版后单独补一次，季度做一次完整复盘。把「监测」当固定成本，别当项目收尾动作。

七、写在最后

回到最初那个问题：零基础怎么学 GEO？我的答案一直是同一句：先把链路搞明白，再把证据补齐，最后用数据说服自己。这三步里没有一步需要天赋，也没有一步能靠买课跳过。

这行现在最吵的地方是「怎么让 AI 推荐我」，最缺的地方是「怎么确认 AI 到底有没有推荐我、推荐得对不对」。前者是话术，后者是手艺。手艺长得慢，但它不会因为一次算法更新就归零。

八、参考来源

以下条目按 MLA 第 9 版网络资源格式著录，核对日期均为 2026-10-26。凡二手转引，均在条目末尾注明转引环节。

搜索引擎官方文档

1. Google Search Central. "Optimizing Your Website for Generative AI Features on Google Search." Google for Developers, 15 May 2026, updated 15 June 2026, developers.google.com/search/docs/fundamentals/ai-optimization-guide. 核心立场：为生成式 AI 搜索优化仍属 SEO；解释 RAG/grounding 与 query fan-out；逐条说明 llms.txt、内容分块、AI 专用结构化数据、AI 口吻改写四件事不需要做；不真实品牌提及属有害做法。
2. Microsoft. "Bing Webmaster Guidelines." Bing Webmaster Tools, rewritten Feb. 2026, www.bing.com/webmasters/help/webmaster-guidelines-30fba23a. 首次在搜索引擎官方政策中定义 GEO 为「内容获得在 AI 回答中被 grounding 与引用的资格」，并声明 GEO 不保证引用；给出四条 grounding 优化规则（直接陈述事实、实体名称一致、一 URL 一主题、关键信息靠上）；逐条说明 NOARCHIVE、NOCACHE、NOSNIPPET 对 AI 回答的影响；将 Prompt Injection and AI Manipulation 列为滥用类别。改写事实的第三方核对：Schwartz, Barry. "Bing Adds GEO to Official Guidelines, Expands AI Abuse Definitions." Search Engine Journal, Feb. 2026, www.searchenginejournal.com/bing-adds-geo-to-official-guidelines-expands-ai-abuse-definitions/568442.
3. Google. "Generative AI Performance Report (Search)." Search Console Help, support.google.com/webmasters/answer/16984139. 该报告自 2026 年 8 月 31 日起向全球所有网站开放，覆盖 AI 摘要与 AI 模式，维度为页面、国家、设备、日期；仅有曝光数据，无点击、无查询词。
4. DeepSeek. "网页搜索与抓取." DeepSeek API Docs, api-docs.deepseek.com/zh-cn/guides/search. Search 接口返回字段含 authority（0–4，3 及以上为极权威）与 rerank_score（0–3，1.5 及以上为优质结果）；Fetch 接口将单页转为 Markdown；按请求次数计费。

同行评审论文与研究

5. Aggarwal, Pranjal, et al. "GEO: Generative Engine Optimization." Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '24), 2024, arXiv:2311.09735, doi:10.1145/3637528.3671900. 构建 GEO-bench（1 万条查询、25 个领域），实测九种改写手法；标注来源、加引语、补统计三项提升约 30%–40%，关键词堆砌为负效果；表格另显示同时优化时排第 5 的页面提升 115.1%、排第 1 的页面下降 30.3%。
6. Liu, Zikang, and Peilan Xu. "Think Before Writing: Feature-Level Multi-Objective Optimization for Generative Citation Visibility." arXiv, 21 Apr. 2026, arXiv:2604.19113. 在 GPT-4o-mini、Gemini 2.5 Flash、Qwen-plus 上重跑同类实验，结论为词句级改写不再稳定有效，引用行为更受文档层面内容属性影响；提出以结构、内容、语言三类特征做多目标优化的 FeatGEO 框架。

国内标准文件

7. 中国商务广告协会. 《生成引擎优化（GEO）第 1 部分：通论及术语与定义》. T/CAACCHINA 001—2026, 2026 年 9 月 9 日发布, 2026 年 9 月 10 日实施. 全国团体标准信息平台, www.ttbz.org.cn/standardDetail.html?id=0047401fbeff49148ed25291fc75c245. 建立 GEO 基础技术框架，统一术语，界定 GEO、SEO、AEO 三者边界。
8. 中国商务广告协会. 《生成式引擎优化（GEO）第 3 部分：计价、评估与测量规范》. T/CAACCHINA 003—2026, 2026 年 9 月 9 日发布, 2026 年 9 月 10 日实施. 五项标准同批发布的公告见 www.ttbz.org.cn/upload/1/cms/content/20260910/2097969430047064064.pdf. 给出计价单元与测量指标的官方口径，可作为项目验收依据。

官方媒体与统计

9. 王思北. 《我国生成式人工智能用户规模突破 7 亿人》. 新华社, 2026 年 9 月 29 日, www.news.cn/sci-tech/20261013/19bd6dfe8bb140c7881f9a69e999a1ec/c.html. 引用中国互联网络信息中心《生成式人工智能应用发展报告（2026）》：截至 2026 年上半年，我国生成式人工智能用户规模突破 7 亿人、普及率超 50%，76.0% 的用户会让生成式人工智能回答问题。