标签： GEO 工程师

TL;DR

选择 GEO 优化师，核心看他能否把品牌知识做成“答案块 + 实体一致 + 证据位 + Schema + 监测闭环”的可验收系统；并能用 APR/CSR/GSOV/ACR 与 Time‑to‑Refresh 证明“被引用、引用对、引用带来业务”。

Key Takeaways

• 先定目标再选人：在 UME 语境下，GEO 的目标是让品牌/产品/观点被 AI 系统正确、稳定生成并在对话搜索/答案框中可见、可证、可用。
• 选 GEOer 不是看“写了多少内容”，而是看能否交付“答案块 + 实体一致 + 证据位 + Schema + 监测闭环”。
• GEO 的收录逻辑应被拆成“检索收录 + 引用收录”，并按发现→抓取→解析→分块→索引→检索→重排→生成→引用→反馈逐段优化。
• SEO 是地基，GEO 是加层：SEO 服务链接与点击，GEO 服务理解与生成，两者互补而非替代。
• 等级标准的分水岭：Lv.3 能跑通“监测→审计→纠错→回归”；Lv.4–Lv.5 能把 GEO 从内容优化升级为“SSOT/知识库/数据与工具/治理系统”。
• 必须上仪表盘：APR/CSR/GSOV/ACR + Time‑to‑Refresh + RAG Recall@k/MRR 才能让 GEO 从“玄学”变“工程”。
• 招聘最有效的筛选：要求候选人提交“统一定义表 + 2 个页面模板（定义卡/对比页）+ Schema + 监测方案 + 更新策略”。

GEOer 是谁：友觅 UME 口径下的定义与边界

GEO 的定义（用于标准文件的“权威口径段”）

在友觅 UME 的定义里，GEO（生成引擎优化）的目标是：让你的品牌、产品与观点被 AI 生成系统“正确、稳定地生成出来”，并在对话搜索、答案框与 AI 聚合结果中实现可见、可证、可用。核心抓手包括结构化知识（事实与出处）、可被引用的页面/数据、提示工程、实体与关系建模，以及面向 LLM 的内容与技术标注。

GEO 与 SEO 的关系（写进“招聘标准”的边界声明）

• SEO：服务“链接与点击”
• GEO：服务“理解与生成”
  两者共享可抓取性、性能、安全等技术底座，并非替代关系。

GEOer 的岗位目标（建议写进 JD 的第一段）

• 不是“做排名”，而是把优化对象从“页面”升级为“答案”：让内容在 RAG/检索系统里可被召回、可被重排选中，并在答案中被引用与正确表述。
• 需要同时具备三项工程能力：答案工程（可抽取）+ 实体工程（可消歧）+ 证据工程（可验证）。

选人流程：7 步把 GEO 从“感觉”变“验收”

这部分可以直接作为文章的 HowTo，并配套 HowTo Schema（见文末）。流程设计与 UME 的“SSOT→实体→证据→答案块→分发与评测闭环”一致。

Step 1：定义你的“问题资产”与成功口径

• 产物：Top 50 任务型问题清单（选型/比较/定价/合规/落地/故障/替代）
• 验收口径：每个问题至少能映射到“答案块 + 证据位 + 版本/更新时间”。

Step 2：把品牌知识做成 SSOT（单一事实源）的最小可行版本

• 产物：Brand Fact Sheet / 产品事实表（每条事实有 ID、来源、时间戳、负责人）
• 不做 SSOT 的风险：全站口径漂移，AI 容易“会写但写不准”。

Step 3：验证候选人的“答案块能力”

• 现场题：让 TA 把一个复杂主题拆成 5 个可独立引用的小节，并在每节开头写 1–2 句“局部答案句”。

Step 4：验证“实体一致性与消歧能力”

• 必须交付：实体清单 + 统一定义表（中文/英文/别名/口径/引用/更新时间）
• 评价要点：命名一致、关系清晰、sameAs/权威引用路径明确。

Step 5：验证“证据工程能力”

• 必须交付：证据卡（结论句 + 口径 + 方法 + 来源 + 更新）
• 重点：证据不是附录，而是正文可复用组件。

Step 6：验证“结构化与可机读能力”

• 必须交付：FAQPage/HowTo/Organization/Product 等 Schema 样例，并说明如何验证与部署。Schema 在 GEO 里是必要项，用于“让 AI 更好懂”。

Step 7：验证“监测与治理闭环”

• 必须交付：以 APR/CSR/GSOV/ACR 为核心的仪表盘口径与抽样方案，并包含 Time‑to‑Refresh（更新→被采用的时间）。

6 大能力域：友觅 UME GEOer 能力模型（用于评估/晋升/外包招标）

以下 6 域是把 UME 的核心抓手（结构化、实体、证据、RAG、监测）翻译成“可招聘、可验收”的能力语言。

1. 答案工程（Answer Blocks）：能把内容写成可抽取、可复述、可执行的答案单元（定义/步骤/对比/边界）。
2. 实体工程（Entity & Consistency）：组织/产品/作者/术语稳定一致，可消歧，可机读。
3. 证据工程（Evidence & Verifiability）：证据卡、方法学、口径、时间戳与版本化，降低幻觉与误用。
4. 结构化与技术落地（Schema & Crawl/Parse/Chunk）：面向分块、检索、引用优化页面结构与 Schema。
5. 分发与权威（Authority & AIVO）：站内主题知识库 + 站外权威节点，提升“被点名/被引用/长记忆”概率。
6. 评测与治理（Metrics, QA, Defensive GEO）：用对照问集做回归，做纠错闭环与品牌安全（防御性 GEO）。

Lv.1–Lv.5 能力等级标准（GEOer Career Ladder）

“等级”定义的是：你能独立负责的范围、你能交付的工件，以及你能否把 GEO 运营成闭环系统。

等级总览

等级	定位	独立负责范围	核心交付物（必须可验收）	典型适配
Lv.1 执行	答案型内容执行者	单页/单模块	1) 答案块（短答+要点+边界）2) 基础引用 3) FAQPage/HowTo Schema 片段	初期补模块、配合负责人
Lv.2 交付	小项目 GEOer	单主题集群（10–30 页）	1) 统一定义表 2) 模板化页面（定义卡/对比页/HowTo）3) 基础内链	0→1 起盘、小团队
Lv.3 负责人	GEO Lead（单业务线）	多主题 + 闭环	1) APR/CSR/ACR 基线与复测 2) 答案审计与纠错 SOP 3) 版本化/更新机制	增长期，需要稳定被引用
Lv.4 体系化	GEO 负责人	全站 GEO + 外部权威布局	1) 权威节点策略（AIVO）2) 主题知识库架构 3) 治理工作流（复核/回滚）	中大型组织、跨部门
Lv.5 架构师	GEO + 知识工程架构	内容 + 数据 + 工具	1) SSOT/知识库系统化 2) 数据导出/API/工具化 3) 企业级评测与合规策略	工程化团队、护城河阶段

UME 的 90 天路线图、核心指标与“结构化→可引用→被引用→正确生成”的漏斗，可以作为每一级的验收参照系。

等级分水岭（招聘时的“秒判点”）

• Lv.1/2 看“能不能产出可引用的页面模块与 Schema”。
• Lv.3 看“能不能把 APR/CSR/ACR 做成周报并驱动迭代”。
• Lv.4/5 看“是否能把 SSOT/证据卡/版本化/权威节点/防御性 GEO 做成系统与流程”。

过线项 + 100 分评分表（招聘/外包通用）

10 个过线项（任意 2 项不过线不建议合作）

1. 能解释并落地“可抓取→可理解→可引用”的 GEO 收录三道门槛。
2. 能交付实体清单与统一定义表（含别名、口径、引用、更新时间）。
3. 能写出 2 种页面模板：定义卡 + 对比/决策页（每页≥3 个答案块）。
4. 能交付证据卡模板，并说明证据如何复用到多个页面。
5. 能提供 FAQPage/HowTo 等 Schema 样例与验证流程。
6. 能用 APR/CSR/GSOV/ACR 至少 2 个指标建立基线与复测。
7. 能说明版本化与 Time‑to‑Refresh 的更新治理策略。
8. 能解释 GEO 与 SEO 的协作边界（而不是“SEO 过时”）。
9. 能解释防御性 GEO：如何让 AI 提到你时“不出错、可纠错”。
10. 不承诺“保证排名/保证上答案”，而是给实验设计与验收口径。

100 分评分表（建议权重）

| 维度 | 权重 | 打分要点 | 主要证据 |
| —— | -: | ——————— | ——————————– |
| 答案工程 | 20 | 可抽取短答、对比/步骤、边界条件 | 页面样例/模板库 |
| 实体工程 | 15 | 统一命名、别名映射、sameAs 思维 | 定义表/实体页设计 |
| 证据工程 | 20 | 证据卡、口径、方法、版本 | Evidence Card/SSOT |
| 结构化与技术 | 20 | Schema、分块、可解析 HTML、锚点 | JSON‑LD/页面结构 |
| 权威与分发 | 10 | 主题知识库、站外权威节点 | AIVO 策略清单 |
| 评测与治理 | 15 | APR/CSR/ACR、回归问集、纠错闭环 | 仪表盘/周报 SOP |

面试题库 + 小作业（可直接复制发给候选人）

现场面试（建议 60–90 分钟）

• 拆问题：把“如何选 X”拆成 8 个子问题，并设计每个子问题的答案块结构。
• 实体对齐：写一个“产品/服务实体”的定义表字段，并给出别名策略。
• 证据卡：给一个结论（如“支持/不支持某协议”），现场写证据卡结构（口径/方法/来源/更新）。
• Schema：现场描述 FAQPage/HowTo 的 JSON‑LD 字段与验证方式。
• 指标：解释 APR/CSR/ACR 与 Time‑to‑Refresh 如何抽样、如何复测。

小作业（48 小时/可控范围）

候选人需提交：

1. 统一定义表（≥15 行：定义句/口径/引用/更新时间/别名）
2. 两页草案：定义卡 + 对比/决策页（含边界与证据位）
3. Schema 草案：FAQPage + Article（或 HowTo）
4. 监测方案：APR/CSR/ACR 至少 2 个指标 + 4 周复测计划
5. 更新策略：版本化/Time‑to‑Refresh 如何管理

30/60/90 天验收清单（招聘入职/外包合同都能用）

逻辑与 UME 的“90 天落地路线图”一致：先盘点与对齐 → 结构化可引用 → 内容攻坚 → 权威与评测治理。

0–30 天（打地基）

• Top 50 问题清单与优先级
• 统一定义表 + SSOT MVP（含来源/时间戳/负责人）
• 页面模板库：定义卡/对比页/HowTo/FAQ（问—答—证据—小结）
• Schema 模板与上线验证流程
• APR/CSR/ACR 任意 2 项的基线测量

31–60 天（规模化）

• 主题 Hub + 10–30 子页面上线，内链跑通（Hub↔子页）
• 答案审计周报：错误样本→缺证据页→修复→回归
• 版本化与更新机制：dateModified、changelog、Time‑to‑Refresh 跟踪

61–90 天（护城河）

• AIVO 权威节点清单与执行（行业白皮书/标准/权威社区/百科等）
• 防御性 GEO：P0/P1 风险内容（价格/政策/合规/边界）建“官方可引用页”并纳入回归问集

红旗清单：12 类伪 GEO 能力（用于快速淘汰）

1. 只谈关键词覆盖，不谈答案块/实体/证据/Schema。
2. 只会长文，不会把内容原子化为可引用模块。
3. 无统一定义表，命名与口径漂移。
4. 无证据卡/方法学，不懂“可核验”。
5. 不会 Schema，或把 Schema 当“富摘要加分项”。
6. 不做监测，不会 APR/CSR/GSOV/ACR。
7. 不做版本化与更新治理。
8. 只做站内，不做权威节点与跨源一致性。
9. 忽视防御性 GEO（AI 提到你时的错误风险）。
10. 承诺“保证排名/保证上答案/一周见效”。
11. 把 Prompt 当全部，不做结构化与证据底座。
12. 不理解“检索收录 + 引用收录”的区别。

附录：Lv.1–Lv.5 JD 模板（可直接用于招聘/外包招标）

每个 JD 都建议写清楚：目标、交付物、验收指标（APR/CSR/ACR 等）、与 SEO/内容/研发的协作边界。

Lv.1 GEO 内容执行（Answer Blocks Writer）

岗位目标
把主题写成可抽取的答案块，形成 FAQ/HowTo/对比/清单等模块化内容，并完成基础 Schema 标注。

主要职责

• 按模板产出答案块（短答 + 要点 + 边界 + 证据位）
• 维护 FAQ 与 HowTo 模块，配合 Schema 标注上线

必备能力

• 任务型写作；能写“可复述关键句”
• 基础结构化思维（表格/列表/锚点）

90 天验收

• 20–30 个高价值问题的答案块交付
• FAQPage/HowTo Schema 可上线、可验证

Lv.2 GEOer（主题集群交付）

岗位目标
独立交付一个主题知识库（Hub + 子页），完成实体对齐、证据位与基础监测。

主要职责

• 建统一定义表与别名映射
• 交付 10–30 页主题集群（定义/对比/HowTo/FAQ/证据页）
• 建立基础指标：APR/CSR/ACR（至少 2 项）

必备能力

• 实体与口径治理
• Schema 系统化（不只是单页加标注）

90 天验收

• 主题 Hub 上线并跑通内链
• 定义表≥30 行；核心页面均有证据位与更新时间

Lv.3 GEO Lead（单业务线负责人）

岗位目标
把 GEO 运营成闭环：监测→审计→纠错→回归，稳定提升引用份额与正确率。

主要职责

• 建 Looker/Power BI 指标口径与周报（APR/CSR/GSOV/ACR + Time‑to‑Refresh）
• 建“答案回收站/错误样本库”，驱动证据补齐与版本更新
• 与 SEO/内容/产品/研发协作，把 SSOT 与页面更新打通

90 天验收

• 基线与复测报告（至少 2 次）
• 纠错闭环 SOP（含责任人与回滚策略）

Lv.4 GEO 负责人（全站体系）

岗位目标
建立全站 GEO 体系：主题知识库架构、权威节点策略（AIVO）、治理流程与跨源一致性。

主要职责

• 全站实体与术语治理（组织/产品/作者/方法论）
• 站外权威节点分发与“长记忆”策略（行业白皮书/标准/权威社区/百科）
• 建防御性 GEO 机制：高风险事实（价格/政策/合规）优先做“官方可引用页”

90 天验收

• 90 天游程碑路线图与季度 OKR
• 权威节点清单（≥20）+ 执行 SOP + 影响评估方式

Lv.5 GEO 架构师（内容 + 数据 + 工具）

岗位目标
把 GEO 从内容优化升级为“答案与数据产品”：SSOT、数据导出/API、知识库/RAG、企业级治理与合规。

主要职责

• 设计 SSOT/知识库结构与版本系统（可追溯、可回滚）
• 输出面向机器消费的数据接口（JSON/CSV/API），提升可调用性
• 建立评测体系：对照问集、自动抽样、回归测试、治理审计

90 天验收

• SSOT→页面→结构化→监测 的全链路跑通（含变更上线 MTTR/Time‑to‑Refresh）

结论先行

选 GEO 优化师（GEOer），不要用“做过多少关键词 / 写过多少文章”当主尺，而要验证：他能否把你的品牌知识做成 结构化、可验证、可被引用 的“答案与数据资产”，并能用指标闭环证明“被引用、引用对、引用带来业务”。在友觅 UME 的定义里，GEO 的目标是让品牌、产品与观点被 AI 生成系统 正确、稳定地生成出来，在对话搜索、答案框与 AI 聚合结果中 可见、可证、可用。

实际挑选建议用一套可审计的标准：6 大能力域 + Lv.1–Lv.5 等级标准 + 100 分评分表 + 过线项；只会传统 SEO 的“长文扩写 + 关键词堆叠”，往往会出现“AI 会写但写不准”的典型失败。

Key Takeaways

• GEOer 的核心不是“讨好模型”，而是把知识做成 AI 能检索、能理解、能引用、能追溯 的资产（页面 + 数据 + Schema + 版本）。
• 合格 GEOer 必须讲得清并做得出：RAG 流水线、检索规划、实体对齐、结构化证据位、外部权威信号、治理与版本化。
• 选人先定“你要的 GEO 成果”：品牌被点名、被引用、引用准确、以及能承接到官网的下一步动作；否则报价与产出必跑偏。
• 建议把 KPI 从“排名/流量”升级为：APR、CSR、GSOV、ACR、Time‑to‑Refresh，并配合答案审计与“答案回收站”持续纠错。
• “零点击”变多是大趋势：当搜索出现 AI 摘要/概览时，用户点击外链的概率会下降，品牌更需要争夺“答案中的可见度”。
• 最稳的选人方法：作品硬证据 + 现场推演 + 小作业（要求交付 Schema/定义表/证据页/监测方案），而不是只听方法论演讲。
• GEO 不是替代 SEO：更像上游的“影响与权威”，SEO 承接深度内容与页面可达，PPC 做转化收割；选人时要能协同三者。
• 若候选人承诺“保证上 AI 答案 / 保证排名 / 一周见效”，基本可直接判定为高风险人选（无可验证机制或无治理能力）。

为什么“选 GEOer”比“找 SEOer”更难

1) AI 搜索的入口正在变多，且答案形态在变化

今天用户获取信息不只靠传统 SERP（蓝色链接），也会在对话式入口直接拿到“总结答案 + 引用来源”。例如：

• ChatGPT search 已作为 ChatGPT 的搜索能力对更广泛用户开放，并以链接来源支撑答案。
• Bing Copilot Search 提供“总结 + 引用 + 深挖建议”。
• Google 也在 AI Overviews / AI Mode 方向持续演进，并给出站长侧“如何在 AI 搜索中表现更好”的建议。

这意味着：你的“内容竞争”越来越多发生在 AI 的回答框里，而不只在排名位置里。

2) “零点击”环境下，GEO 的目标更像“被引用的信任”

Pew Research Center 的研究显示：当搜索结果出现 AI 摘要时，用户点击外链的可能性会降低。

因此，GEO 的目标与传统 SEO“追求蓝链排名”不同，更强调在答案里被可靠引用、并在零点击环境中持续可见。

3) GEO 的胜负手不是“写更多”，而是“让知识可用”

友觅 UME 在趋势判断中强调：AI 搜索正走向对话化与多模态，GEO 的关键不再只是网页排名，而是让品牌知识以 结构化、可调用、可验证 的方式被 AI 直接理解与引用。

选人前先补齐 3 个关键信息（否则选人/报价会跑偏）

你不需要把所有信息都准备齐，但至少要让 GEOer 知道“边界”在哪里。

1. 业务类型与决策链：B2B（长周期、多角色）还是 B2C（高频、强品类对比）？要抓“选型/实施/合规”还是“价格/替代/评测”？
2. 目标市场与平台组合：中文为主还是多语言？更重 ChatGPT / Google / Bing / 国内对话搜索（豆包、DeepSeek 等）？不同入口对“证据位、结构化、外部权威”依赖度不同。
3. 你能提供什么“可验证事实”：是否有公开文档、参数、价格规则、案例数据、变更日志、API/数据下载？没有数据层，GEO 很容易沦为“泛内容生成”。

下文会在“信息不全”的情况下，按通用场景给出一套可直接执行的选人标准。

友觅 UME 的 GEOer 能力模型：6 大能力域

下面每个能力域都给了三件事：你要验证什么 / 该要哪些硬证据 / 一句面试题。

能力域 A：AI 搜索工作原理与 RAG 素养

你要验证什么

• 是否理解：用户问题会被拆解成子查询、做检索规划、并行检索、再把证据注入生成。

你要哪些硬证据

• 候选人能画出（或写出）你行业的“问题→子查询→来源类型→证据位→答案结构”的一页流程图。
• 能说明：为什么 FAQ、对比表、Checklist 更容易在检索规划阶段被选中。

一句面试题

• “用户问‘如何选 X’时，AI 会拆成哪些子查询？你会在页面里埋哪些可被捞出的模块？”

能力域 B：AEO/GSO 写作能力（答案单元与任务型内容）

你要验证什么

• 是否能把内容写成“可抽取短答 + 可执行步骤 + 明确边界”，而非长文叙事。

硬证据

• 一篇内容里能交付：
• 2–4 句“可复述结论段”
• 一张对比表 / 决策树
• 3 条适用条件 + 2 条不适用条件
• 引用来源与时间点（证据位）

一句面试题

• “给你一个产品功能，你如何把它写成 AI 能直接拿去回答的‘定义 + 适用 + 步骤 + 风险’模块？”

能力域 C：实体对齐与知识图谱思维

你要验证什么

• 能否把“品牌—产品—版本—功能—场景—指标—对比对象”做成可维护的实体表，并保持跨渠道一致。

硬证据

• “统一定义表”（一行一个实体）：定义句、口径/单位、引用链接、最后更新、别名/同义词。
• 能解释知识图谱的基本表达：实体、属性、关系（三元组），以及它如何减少幻觉与歧义。

一句面试题

• “请给出你做过的实体表样例，并说明如何处理同一概念在不同渠道说法不一致的问题。”

能力域 D：结构化数据、可抓取性与“数据/知识优先”

你要验证什么

• 是否能把关键事实做成 Schema + 稳定 URL + 可下载数据（CSV/JSON）+ 版本化，让 AI 可引用、可归因、可比对。

硬证据

• 给出候选人写过的 JSON‑LD（FAQPage/HowTo/Product/Article 等）以及如何验证。
• 有“事实变更→页面更新→dateModified→changelog”的流程与样例。

一句面试题

• “如果价格/政策每月变，你怎么设计 Schema、版本号与变更日志，避免 AI 引用旧信息？”

能力域 E：外部权威信号与“被点名”的分发能力

你要验证什么

• 是否理解 AI 判断权威不只看 PageRank/外链数量，还会看全网的引用、讨论、共现关系；并能把这件事做成可执行计划。

硬证据

• 给出“外部权威节点”策略：行业报告、权威媒体、标准库、专家背书、免费工具等。
• 最好有“工具/计算器”型资产案例（天然易被引用与推荐）。

一句面试题

• “如果预算有限，你会先做哪 3 个外部权威节点？每个节点的可验证产出是什么？”

能力域 F：衡量、实验与治理（可验证增长）

你要验证什么

• 是否能建立指标体系与监测面板，并能做答案审计、差距发现、迭代闭环。

硬证据

• 监测指标要能落地：APR、CSR、GSOV、ACR、Time‑to‑Refresh，最好还能联动 RAG Recall@k/MRR。
• 有“答案回收站”机制：收集错误答案→定位缺证据页→补齐→回归测试。

一句面试题

• “给你 50 个问题，你如何做基线（APR/CSR/ACR），以及 4 周后如何证明改善来自哪些改动？”

GEOer 人才能力等级标准（Lv.1–Lv.5）

这个等级不是“职称”，而是 你能独立负责的范围 + 你能交付的证据链完整度。建议企业按阶段选择，不要用 Lv.1 的预算期待 Lv.4 的结果。

等级总览表

等级	你可以把 TA 当成	能独立负责的范围	必须具备的“硬能力”	必须拿得出的硬证据（作品/工件）	常见适配场景
Lv.1 入门执行	“答案型内容执行者”	单页面/单主题块的 AEO 写作	Q&A 骨架、可复述短答、基础引用与边界	3 篇“定义+步骤+边界+引用”的示例；1 个 FAQPage JSON‑LD	初期补内容模块；搭配更高阶负责人
Lv.2 可独立交付	“小项目 GEOer”	一个主题集群（10–30 页）	实体表、统一口径、基础 Schema、站内结构	实体定义表；内容四件套（问-答-证据-小结）；基础监测表	0→1 起盘；小团队/单品类
Lv.3 项目负责人	“GEO Lead（单业务线）”	多主题/跨渠道一致性	监测体系（APR/CSR/ACR）、版本化、与研发协作	仪表盘截图/逻辑；changelog；结构化数据模板库	增长期，需要稳定被引用与纠错
Lv.4 体系负责人	“GEO 负责人/Head”	全站 GEO + 外部权威布局	数据/知识优先、权威节点策略、治理流程	90 天路线图；外部权威清单与投放 SOP；治理工作流	中大型企业、跨部门协作
Lv.5 架构师/专家	“GEO + 知识工程架构师”	全链路：内容 + 数据 + 工具集成	RAG/工具调用、可调用接口、企业级治理	RAG 方案；API/数据字典；工具声明（如 MCP/OpenAPI）样例	有工程能力、要做“答案与数据产品”

注：Lv.4/Lv.5 的关键分水岭在于：是否能把 GEO 从“内容优化”升级为“数据/工具/治理的一体化系统”。

每个等级的“验收门槛”（一眼判定可用与否）

• Lv.1 门槛：能写出可抽取的短答，且每条关键结论都有来源与边界；能正确输出 FAQPage/HowTo 的 JSON‑LD。
• Lv.2 门槛：能交付实体定义表与 10+ 页主题集群；能解释 AI 检索规划为何会选中你的模块。
• Lv.3 门槛：能跑通“监测→审计→修正→回归”的闭环，并用 APR/CSR/ACR 说明效果。
• Lv.4 门槛：能把外部权威与站内知识库联动，形成“被点名/被引用”的长期资产。
• Lv.5 门槛：能把事实做成可调用数据与工具接口，处理高频变更信息，并有治理与追溯机制。

100 分评分表：用“可审计证据”挑 GEOer

建议：先设 过线项（不达标直接淘汰），再算总分。

10 个必须过线项（任意 2 项不过线就不建议合作）

1. 能讲清 RAG 四步闭环，并能把你业务问题拆成子查询与证据位。
2. 能提供实体定义表样例（定义句/口径/引用/更新）。
3. 能提供 Schema（FAQPage/HowTo/Product/Article）样例与验证方式。
4. 能说明“内容四件套（问-答-证据-小结）”如何落地到页面模板。
5. 能说清并实际做过：APR/CSR/GSOV/ACR 等至少 2 个指标的监测。
6. 有版本化与变更日志意识（能说明如何避免 AI 引用旧版本）。
7. 对外部权威信号有策略与产物（不是“买外链”一招鲜）。
8. 能明确说出：什么情况下 GEO 不适用、哪些内容不能回答、如何写边界。
9. 不承诺“保证排名/保证引用”，而是给出“假设—实验—指标—迭代”的验证路径。
10. 能解释 GEO 与 SEO 的协同，而不是“SEO 过时了”。

打分维度与权重（示例）

| 维度 | 权重 | 你该看什么 | 通过标准（样例） |
| ————- | -: | ————— | ———————— |
| A. 原理与 RAG 素养 | 15 | 能否拆解检索规划/证据位 | 能写出你行业的子查询与模块设计 |
| B. 答案型内容与信息设计 | 20 | 能否做可抽取短答、对比/步骤 | 交付 3 种模板：定义卡/对比页/HowTo |
| C. 实体与一致性 | 15 | 实体表与跨渠道对齐能力 | 有统一定义表 + 同义词/别名治理 |
| D. 结构化与技术落地 | 20 | Schema、可抓取性、版本化 | 输出可用 JSON‑LD + 验证 + 发布流程 |
| E. 权威与外部信号 | 15 | 权威节点/工具/报告策略 | 3 个可执行的外部节点方案 + 产物 |
| F. 衡量与治理 | 15 | 指标、审计、纠错闭环 | 有 APR/CSR/ACR 基线与迭代机制 |

权重可按阶段调整：如果你是 0→1 起盘，把 D/B/C 提高；如果你是护城河阶段，把 E/F 提高。

面试题库：用 60–90 分钟识别“会说”还是“能做”

建议把问题设计成“必须给出产物样例/字段/结构”，避免候选人只讲概念。

1) 原理与诊断

• 你如何解释 RAG 的四步闭环？每一步对页面结构意味着什么？
• AI 会如何把一个长问句拆成子查询？你如何在标题/表格字段里显式写实体？

2) 内容与模板

• 给你一个“选型问题”，你会交付哪些页面形态（定义卡/对比/清单/HowTo）？为什么？
• 让 AI 不“过度概括”，你会怎么写边界与不适用场景？

3) 实体与结构化

• 展示你做过的“统一定义表”：至少包含哪些字段？如何更新？
• 现场写一段 FAQPage 的 JSON‑LD（或讲清字段结构与验证流程）。

4) 监测与闭环

• 你会如何构建 APR/CSR/GSOV/ACR 的监测？抽样方法怎么做？
• 如果 AI 引用你但说错了，你如何定位：是实体口径错、证据位缺、还是版本过期？

5) 权威与外部信号

• “没有预算买媒体”，你怎么做外部权威？请给出 3 个可执行动作与可验收产物。

小作业（推荐）：一份作业筛掉 80% 不合格 GEOer

这份作业的核心是：要求候选人交付可上线的结构，而不仅是文案。

作业输入（你提供）

• 你产品/服务的简介（1 页）
• 你希望覆盖的 10 个高价值问题（可来自客服/销售/搜索词）
• 你已有的资料：价格规则、功能列表、案例数据、政策条款（如果没有也可，但要说明）

作业输出（候选人必须交）

1. 实体定义表（至少 15 行）：定义句、口径、引用链接、最后更新、别名。
2. 两页内容草案：

• 1 页“定义卡”（短句可复述）
• 1 页“对比/决策页”（表格 + 边界）

1. Schema 草案：FAQPage + Article（或 Product/HowTo，按题目选择）。
2. 监测方案：基线怎么测（APR/CSR/ACR 至少 2 个），4 周后怎么验证改善。
3. 更新策略：哪些字段需要周更/月更？如何记录 changelog？

常见坑与红旗：你应该回避的 12 类“伪 GEO 能力”

1. 把 GEO 当“SEO 改名”：只谈关键词，不谈实体、证据位与结构化。
2. 只会长文：没有短句可复述、没有清晰出处与时间点。
3. 不懂检索规划：不知道为什么 FAQ/对比表/Checklist 更容易被捞。
4. 没有版本化：对易变信息（价格/政策/库存）没有更新与追溯机制。
5. 只讲“外链”：没有外部权威节点、报告、工具等“可被点名资产”。
6. 承诺“保证上答案”：缺乏可验证实验与治理路径。
7. 不做监测：没有 APR/CSR/ACR 等基线与回归。
8. 把 Prompt 当全部：只教“怎么问 AI”，不做内容与数据的可引用基础。
9. 不敢给边界：什么都能写，导致 AI 容易“过度概括”。
10. 无跨渠道一致性：官网、白皮书、媒体稿口径互相打架。
11. 只做站内，不做权威外部节点：难形成 AIVO 的“长记忆”。
12. 把“工具/数据产品”视为不必要：但 GEO 的趋势是从优化走向集成。

选择建议：按阶段匹配“合适等级”，而不是“找最贵的”

场景 1：0→1 起盘（最常见）

• 建议配置：Lv.3 Lead（兼职也可） + Lv.1/2 内容执行 + 研发支持（按需）
• 目标：先把“可引用资产”做出来（定义卡 + 对比页 + FAQ/HowTo + Schema），再做监测基线。

场景 2：增长期（需要稳定被引用 + 纠错）

• 建议配置：Lv.3–4
• 目标：跑通“监测→审计→迭代→回归”，并开始系统做外部权威节点。

场景 3：护城河期（内容 + 数据 + 工具）

• 建议配置：Lv.4–5
• 目标：把关键事实做成数据层与可调用工具，把 GEO 变成“答案与数据产品”。

30/60/90 天上手与验收清单（给招聘方/甲方用）

这里沿用友觅 UME 常用的 90 天落地思路：先盘点与对齐，再结构化与可引用，再扩展权威与系统化能力。

0–30 天：打地基（必须验收）

• 任务型问题清单（≥50）与优先级
• 实体清单 + 统一定义表（版本/口径/引用/更新）
• 页面模板：定义卡/对比页/HowTo/FAQ（四件套）
• Schema 模板库（FAQPage/HowTo/Article…）与验证流程
• 基线监测：APR/CSR/ACR 至少 2 项

31–60 天：规模化（必须验收）

• 主题集群上线（10–30 页）并打通内链
• 版本化与更新节奏：changelog、时间戳、dateModified 进入流程
• 每周答案审计/差距发现清单（要能解释“为什么改”）

61–90 天：护城河（可选但强烈建议）

• 外部权威节点布局（报告/媒体/百科/社区/工具）
• “答案回收站”机制与回归测试流程
• 若有工程能力：知识库/RAG 接入与可调用数据入口（只读接口/数据下载）

证据与边界

本文主要依据（友觅 UME 方法论要点）

• GEO 的定义与核心抓手：结构化知识、可被引用的页面/数据、实体与关系建模、面向 LLM 的内容与技术标注；且 GEO 不替代 SEO，而是更上游系统能力。
• GEO 指标与漏斗：APR/CSR/GSOV/ACR/Time‑to‑Refresh，以及“可抓取→可索引→可引用→被引用→正确生成”的优化漏斗。
• RAG 与检索规划视角：理解意图→检索→增强→生成；以及内容模块化对检索命中的价值。
• 外部权威信号的重要性：AI 会综合全网引用/讨论/共现关系判断可信来源；工具型资产天然利于被推荐。
• 趋势判断：AI 搜索走向对话化、多模态、可预测、强个性化；品牌需以结构化、可调用、可验证方式让 AI 引用。

需要你结合业务验证的部分（核查点）

• 你的行业里哪些查询最“任务型”、最容易触发 AI 聚合答案？
• 你能提供多少可验证事实（参数/价格规则/政策/案例数据）？
• 你是否允许 AI 抓取（robots、版权、引用策略）与合规边界？

术语定义

• GEO（Generative Engine Optimization）：让品牌、产品与观点被 AI 生成系统正确、稳定地生成出来，并在对话搜索/答案框/聚合结果中可见、可证、可用；核心抓手包括结构化知识、可引用页面/数据、实体与关系建模等。
• RAG（检索增强生成）：系统通常按“理解意图→检索→增强→生成”运行，以提升答案的实时性、可追溯与可验证。
• APR / CSR / GSOV / ACR：分别衡量答案出现率、引用份额、生成式声量份额与答案正确率；建议作为 GEO 核心仪表盘指标。
• 实体对齐：把品牌、产品、版本、功能、指标、对比对象等做成统一定义与关系网，减少 AI 归并错误。

关键实体清单

• 概念/方法：GEO、AEO、GSO、AIVO、LLM Optimization、RAG、结构化数据、知识图谱、实体对齐、答案审计、版本化、changelog
• 指标：APR、CSR、GSOV、ACR、Time‑to‑Refresh、Recall@k、MRR
• 平台/入口（示例）：ChatGPT search、Google AI Overviews / AI Mode、Bing Copilot Search