方法论
先定义怎么量，再谈怎么优化
第一部分
四项核心指标
四个指标都有不同的侧重点，单独看一项，很难说 GEO 策略是否全部奏效。
先从 AI 是否认识你开始：输入品牌名字问 AI，看他知不知道你。
AI 有没有张冠李戴，信息是否一致——成立年份、资质、产品能力说错，比不被提到更糟。
即 AI 观察到你的程度：你的公司相关信息有多少他能看到、有多少他会引用、关于你的信息出现在答案的什么位置。
被提到时排第几——进没进前三，商业价值完全不同。永远排第三，商业价值远低于排第一。
第二部分
五条测量口径纪律
这五条不是风格偏好，是让数字具备可复核性的必要条件。任何一条被破坏，整份报告就失去比较价值。
同一格子只能被计入一个类别：提及 / 未提及 / 未测。不允许出现「部分提及」这种模糊状态，边界情形用规则而非直觉裁决。
若某引擎在某类问题上全部拒答或全部超时，分母为 0。此时报「未测」，绝不报「0.0%」。把「测不到」写成「得零分」，是最常见的失真。
未测，并附原因字段每一条判定都必须能回到原始证据：答案原文片段、提问时间戳、完整答案截图、引擎与账号环境信息。缺任一要素，该格子作废。
引擎/轮次/题号 层级归档，随报告一并交付一轮采集开始后，问题集、判定规则、引擎版本三者不得变更。跨轮若必须变更，则该轮视为新基线，不与历史轮次直接比较。
报告分「整体」与「分引擎」两层，两层都具备方向与细节——整体看趋势方向，分项看哪些格子变了、为什么变。再给跨引擎合计时，必须注明是按格子加权还是按引擎平均，两种算法的结论可能相反。
第三部分
五阶流程详解
每一阶有明确入口条件与出口门槛。上一阶未过门槛不进入下一阶——这是控制交付质量的方式。
先线下把业务逻辑、产品资料与采购决策链过一遍，确认客户实际会怎么问、为什么这么问； 再据此按五层意图（品类认知、供应商筛选、技术选型、价格与交付、售后与风险）构建探针问题集。 做法是五引擎首轮全量采集。诊断结论作为后续全部工作的基准。
把品牌作为一个「实体」在所有渠道上对齐：法定名称与常用别称、成立年份、注册地、 核心资质、产品线命名、关键经营数字。凡是引擎说错的，逐条列出正确表述与出处。
内容的标准不是"写得好"，而是"能被一句话摘走且摘走后仍然准确"。 每篇内容都对应语料地图上的一个缺口，写之前先确定它要回答哪个探针问题、 由哪个来源承载、摘录后会是什么句子。
站点技术层改造：抓取放行、JSON-LD 实体声明、FAQPage 问答结构、定义式段落、 llms.txt、可引用数据块、多语言标注、无 JS 可读性。全部改造以「不破坏现有业务」为前提。
按轮次重复同一问题集，比较轮间差异，把变化对应到上一轮所做的具体动作上。 对无法归因的变化明确写「原因未知」，不硬编故事。
第四部分
归因原则：什么算我们的功劳
复测结果变好，不一定是我们做对了什么。引擎换模型、竞品撤稿、 行业新闻爆发，都会让数字跳动。我们把归因分成三档：报告分「整体」与「分项」两层，每层都具备方向与细节，并标明每项变化属于哪一档。
变化格子与所做动作在目标问题、来源、时间三方面均对应。
时间吻合，但无法排除同期其他因素。
无对应动作，或引擎侧发生版本更新。