AI 搜索正在重构用户的发现、比较与决策路径。品牌竞争的对象，已从搜索结果中的网页位置，延伸到 AI 答案中的引用、提及与推荐。

2026 年 10 月 23 日，第二届 GEO 大会在深圳宝安举行。大会传递出的核心共识是：SEO 没有消失，但搜索优化正在从“争夺点击”升级为“建设能被 AI 理解、验证和选择的品牌信息体系”。

本文依据大会介绍、飞书妙记智能纪要、NotebookLM 整理稿及 197 张现场照片交叉校勘。大会数据均按现场分享口径呈现。

Nick：AI 搜索新格局——GEO 不是流量技巧，而是品牌信息进入答案系统的工程

嘉宾身份： Cross Border Digital 中国 CEO、One Dragon 创始人

Nick 的演讲承担了整场大会的认知框架搭建。他用“传统搜索与 AI 搜索双循环”解释新搜索环境，并以 SCIENCE 作为整套循环的记忆框架：传统搜索围绕搜索、内容、索引、曝光、点击运行；AI 搜索则进一步加入“被理解、被引用、被提及、被推荐、被信任”等环节。对品牌而言，竞争对象已不再只是一个蓝色链接的位置，而是模型是否把品牌纳入候选集合、如何描述品牌，以及是否愿意在具体场景中推荐品牌。

他重点纠正了三类误区。

第一，不能让大模型凭空生成 GEO 项目所需的关键词或提示词，然后把生成结果当作真实需求。纪要记录的测试结论是，约 40% 的 AI 生成关键词没有有效搜索量。真实需求仍需来自搜索数据、站内日志、客服问题、社交聆听、社区讨论和第三方工具。

第二，不能把传统 SEO 关键词直接换一个名称叫“Prompt”。现场 PPT 通过品牌词、品类词和用户场景展示了提示词筛选方法，并指出 AI 对话中的问题更长、更具体，比较、评测和决策类意图远高于传统短关键词。关键词与提示词不是完全割裂，但其表达粒度、上下文长度和决策阶段明显不同。

现场材料进一步量化了这种差异：AI 场景中包含“对比/评测”意图的问题，出现比例约为传统关键词的 15 倍；包含具体型号的意图约高出 4.1 倍。这个差异解释了为什么只把 SEO 关键词表交给内容团队，很难覆盖用户在 AI 中真实表达的复杂场景。

第三，不能用缺少场景的泛内容堆量。Nick 展示了 3D 打印机和无人机案例：将 FAQ、支持内容、Wiki 页面与产品页形成内部链接，使模型既能找到事实，也能理解事实与产品之间的关系。

现场案例还显示，不同模型的引用偏好差异很大：有的平台引用源更分散，有的平台集中引用少量站点；“被引用”与“被点名”也不是同一回事。

这一区分非常关键。页面被 AI 引用，可能只贡献了事实，却没有获得品牌露出；品牌被提及，也不意味着用户会访问网站；产生 AI 流量，更不等于产生收入。因此，GEO 至少要区分四类指标：引用、品牌提及、AI 引流和商业转化。

Nick 还展示了由站内内容、站外引用、AI 外部 PR、社交讨论和品牌实体信息组成的 GEO 金字塔，并将 Google Knowledge Panel 等实体确权能力纳入体系。这说明他理解的 GEO 并非“写几篇 AI 友好文章”，而是品牌信息在多个可信节点上的一致性建设。

在头部出海站点对比中，Flexispot 是一个代表性样本：现场表格显示，其 SEO 高流量页与 AI 高引用页的交集相关系数约为 0.73；一组高流量、高引用页面覆盖了约 88.1% 的 GEO-AI 引用，并贡献约 95% 的相关流量。这个案例并不能证明 SEO 排名会自动转化为 AI 推荐，但它说明优质原创、场景化表达和清晰页面结构可以同时服务两个系统。

Justin 个人观点： 传统 SEO 优化的是文档与查询的匹配，GEO 还要优化实体、证据与答案之间的匹配。品牌真正需要管理的不是某一次回答，而是模型生成回答时可以调用的证据网络。

Gabriel：统一搜索策略——SEO 与 GEO 不是两个部门，而是一套需求捕获系统

嘉宾身份： Semrush 亚太区总监（Director APAC）

Gabriel 的主题是 The Importance of a Unified Search Strategy。

他的核心判断是：搜索并没有从搜索引擎整体迁移到 AI，而是在扩张。用户可能从 Google、AI、视频、社区、电商平台或超级应用中的任意入口开始旅程，品牌必须跟随用户，而不是围绕渠道组织孤岛团队。

现场 PPT 将 SEO 与 GEO 的共同部分归纳为品牌可见度，同时强调二者不是同一个系统：SEO 更关注排名、反向链接、技术健康与搜索流量；GEO/AIO 更关注提示词覆盖、答案中的品牌提及、引用源和情感倾向。两套系统不同，却共享内容质量、站点可抓取性、权威度和品牌一致性等底层资产。

现场研究还展示了 Google 自然结果与 AI 引用之间的明显重叠。相关样本中，Perplexity 引用页面与 Google Top 10 的重叠率约为 91%，Google AI Overview 约为 86%，Google AI Mode 约为 54%，ChatGPT 约为 45%。不同研究样本与口径会影响具体比例，但方向非常明确：传统搜索中的高质量与高权威页面，仍是 AI 候选来源的重要组成部分。

Gabriel 给出了一套六步方法：

1. 审计当前 AI 表现，包括提示词覆盖、品牌提及、声量份额、情感和技术健康度。
2. 找到 AI 在本行业信任的来源，如评测站、社区、社交讨论和数字 PR。
3. 持续提供新鲜内容，因为 AI 系统需要当前、明确、可验证的信息。
4. 修复结构化数据、JavaScript、索引等技术障碍，让内容真正可访问。
5. 跟踪并处理负面舆情、错误描述和声誉问题。
6. 持续监测、行动和复盘，把 AI 可见度视为循环而非一次性项目。

Justin 个人观点：“统一”策略是指统一用户问题库、内容资产库、技术治理、权威来源地图和衡量口径。企业如果为 SEO 和 GEO 各建一套关键词、内容和报表，很快会产生重复生产与 KPI 冲突。

Miguel Angel Almela：LLM 底层逻辑——中国品牌的第一道门槛仍是技术基本功

嘉宾身份： 国际技术 SEO 专家

Miguel Angel Almela 以约 40 个中国出海品牌的站点研究为基础，讨论品牌为什么在媒体、AI 和电商渠道中已经具备存在感，独立站却仍难以进入西方市场的搜索结果。

现场材料给出的结构性矛盾是：中国品牌在海外媒体榜单中的出现比例约为 48%，在 AI 推荐中约为 47%—57%，Amazon Listing 约为 60%，但独立站在相关非品牌词搜索结果中的份额仅约 7%。问题常常不是品牌没有内容，而是搜索引擎和模型无法正确理解站点。

他展示了四类常见故障：

• 约 38% 存在 hreflang 配置问题：多语言、多地区关系错误，搜索系统无法判断国家与语言版本。
• 约 23% 暴露测试页或测试服务器：无效页面被索引，稀释站点质量并暴露错误信息。
• 约 10% 存在页面工厂或毒性内容问题：自动生成失控，产生重复、低质甚至有害内容。
• 约 25% 传递错误抓取或展示指令：包括 robots、站点地图与 max-image-preview:none 等设置，使搜索与 AI 系统无法正确使用关键资产。

现场案例进一步展示了“模型内”与“模型外”两类品牌来源。

模型外信息可以通过搜索和实时检索更新；模型内认知则来自训练与长期积累。品牌不仅要争取实时引用，还要让稳定、广泛、一致的公开信息逐步进入模型的长期认知。

Miguel 还区分了传统 Google 式问题与对话式问题。前者往往短、明确、商品化；后者包含预算、场景、使用者和限制条件。中国品牌如果只翻译一套关键词表，无法覆盖西方消费者真实的提问方式。

他还检查了 15 个品类、约 300 条 Google Suggest 相关词，现场 PPT 显示其中只有极少数建议词出现中国品牌。

这意味着中国品牌即便已经拥有供应链与电商销量优势，也尚未充分进入海外用户的默认品类联想。

Justin 个人观点： 对国际站而言，hreflang、canonical、索引控制、JavaScript 渲染和图片可访问性并不是“SEO 的旧问题”，而是 GEO 的数据入口。大语言模型看到的内容取决于可抓取、可消歧、可验证的公开信息。技术 SEO 做错，后续所有 GEO 内容投入都可能是在污染自己的证据库。

Sam：数据驱动 GEO 增长——从 Prompt 研究到收入归因的完整飞轮

嘉宾身份： Cross Border Digital GEO 客户成功负责人

Sam 的主题是“数据驱动 GEO 增长案例拆解：如何将数据洞察转化为业务价值？”这场演讲把前面的战略框架落到了项目实施层面。

现场 PPT 将方法归纳为五步增长飞轮：数据收集、数据洞察、策略制定、项目实施、效果监测。

第一步不是批量生成 Prompts，而是建立真实问题集（数据收集）。

Prompts 收集维度：

• Performing Prompts：有提及品牌/引用品牌独立站页面的 Prompts
• Missing Promots：未提及品牌但提及竞品的 Prompts
• Shared Prompts：同时提及品牌和竞品的prompts
• Prompts Research：基于核心关键词/话题调研相关的 Prompts
• Cited Pages-Prompts：AI 引用页面对应的 Prompts

Performing Prompts：了解哪些高搜索量的 topics 和对应的 prompts 有提及你的品牌，并且有引用你的网站页面，更进一步，让更多prompts同时提及你品牌和引用你的页面（Mentions & Cited Target）。

Miissing Promots：针对这些 topics 和 prompts 补充新内容，并且与AI大量引用的信源进行合作，争取让你内容被这些信源所引用。

Shared Prompts：针对这些 topics 和 prompts 融入独特见解、原创数据或详实案例，打造品牌差异化内容，从而在AI回答中脱颖而出，确保获得高排名。

Prompts Research：基于核心关键词（品类词、场景词、竞品词和品牌词等）找到高搜索量 topics 对应 prompts，并按照业务相关度进行排序。

Cited Pages-Prompts：分析你和竞品被 AI 引用的页面，找到对应的 prompts （特别是跟产品购买相关页面）

完成上述 Prompts 的收集后，再进一步调研并筛选出最值得跟踪的 Prompts：

第二步是数据洞察，即解释 AI 流量为什么增长，而不是只看增长曲线。现场案例显示，产品页、工具页、帮助支持页、比较与选购内容往往比泛资讯文章更接近商业结果。一个品牌即使拥有较高的品牌提及率，自有站页面引用率仍可能很低；这意味着品牌被讨论了，但关键事实与购买信息由第三方网站定义。

Semrush 自身案例进一步展示了页面类型的差异。现场材料记录，2026年8月 Semrush 的 AI 流量约为 16.1 万、环比增长约 44.8%，同时覆盖大量被引页面与 Prompt；增长贡献并不只来自博客，而是明显集中在产品功能页、免费工具页、帮助文档和购买相关页面。这说明 AI 引流的高价值入口，往往是能够直接完成任务或回答决策问题的页面。

第三步是制定策略，建立内容差距与引用差距。通过比较自身与竞品在哪些问题中被提及、哪些页面被引用，可决定优先优化已有排名页、补充评测和比较内容，还是通过 PR 布局站外权威来源。

在站内内容优化上，现场 PPT 展示了产品属性、FAQ、步骤说明和比较表等结构化方案。真正有效的做法不是为了 Schema 而堆标记，而是确保页面可见内容、结构化字段与实际产品事实一致，并让比较维度、适用场景和证据来源对人和机器都清楚。

第四步是跨部门执行。现场组织图显示，GEO 项目需要连接 IT/技术运营、SEO/内容运营、品牌市场、数字 PR 与用户运营，并设置专门的项目负责人。没有这一层，洞察很容易停留在报表中。

第五步是闭环衡量。Sam 建议将 Prompt、品牌提及、引用页面与 GA4 中的 AI 引流页面进行匹配，再追踪转化。纪要提到，成熟站点的新增内容可能在 1—4 周出现大语言模型收录信号，但完整项目仍应以数月为周期观察。

Justin 个人观点： Sam 的方法解决了 GEO 最现实的问题：如何证明价值。一个成熟的 GEO 看板不应只有“可见度分数”，而应包含问题覆盖率、答案占有率、品牌提及率、自有站引用率、AI 会话流量、辅助转化和收入。尤其要关注“自有站引用占比”，因为它决定品牌是在拥有叙事，还是租用别人的叙事。

上午圆桌：从“翻译”到“共鸣”——本土化不是语言项目，而是信任系统

主持人： Rhea，xTool 日韩区域负责人
圆桌嘉宾： 小平（《SEO小平》公众号主理人）、Christoph Yew（Carbon6 数字营销总监，前Anker/DJI/TCL/Thrasio 运营操盘手）、ZWE MAUNG（WhitePress 国际商务拓展专家）、Jeffrey Lee（impact.com 大中华区生态负责人）、Johnny（Drakblue 程序化业务负责人）

上午圆桌首先指出，机器翻译可能在语法上正确，却不符合当地人的真实搜索表达。日语案例显示，“手机壳”的本地常用说法与错误翻译词之间存在约千倍量级的搜索量差距。问题不只是词错了，而是品牌使用了用户不会使用的概念。

其次，本土化团队不应在“全部放国内”与“全部交给海外”之间二选一。更可行的路径是：品牌早期由总部集中管理，规模扩大后建设本地团队；总部负责品牌原则、产品事实与合规边界，本地团队负责语言、文化、渠道和消费语境。

第三，本地媒体与垂直内容创作者的价值，不只是短期曝光。它们为品牌提供第三方验证，能够同时影响用户信任、传统搜索权威度和 AI 引用。圆桌给出的参考资源结构是：约 70% 投入达人种草与测评，20% 投入本地垂直媒体，10% 投入返利渠道，并在大促阶段动态调整。它更适合作为资源配置思路，而不是所有行业都应照搬的固定预算公式。

第四，投放应从市场和人群出发，而不是从素材出发。先确定区域，再确定目标人群和需求标签，最后测试素材，并用素材反馈反向修正人群理解。

Justin 个人观点： 本土化的 GEO 本质上是“本地证据密度”。品牌要让当地用户、媒体、社区、创作者和搜索系统使用相近的语言描述同一个实体。仅把中文页面翻成外语，不会自动获得本地可信度。

Jack Park：AI Search 中的品牌可见度——可见不等于被选择

嘉宾身份： Semrush 亚太区销售负责人（Head of Sales for APAC）

Jack Park 的演讲将 Semrush 与 Adobe 的能力放进一条完整链路：品牌是否能被找到、是否进入答案、内容能否被机器读取，以及最终能否转化与复购。

现场 PPT 给出多组趋势数据，包括 AI 引荐流量增长、AI 用户的转化与收入表现，以及用户在 AI 和搜索之间交叉验证的行为。更重要的不是具体数字，而是这些数字共同指向一个结论：自然搜索没有消失，而是分裂成多个入口。用户可能从 AI 开始，却仍会回到搜索引擎、品牌网站、零售商或社区完成核验。

其中几组数字值得注意：

• 在 Semrush AI Visiblility Index 2026 针对 481 个营销负责人的问卷调查中，有 45% 的受访人表示无法衡量 AI 可见度，只有约 9% 能衡量全部关键指标；
• 约 61.7% 的 AI 引用并不会在回答中写出品牌名称；
• 约 39% 的零售网站首页内容无法被机器读取。它们分别对应衡量盲区、品牌归因盲区和内容可访问性盲区。

现场 PPT 还记录了一组组织层面的对比：采用 SEO 与 AI 搜索统一策略的品牌，获得正向结果的比例约为 86%，分散运营的样本约为 36%。不同页面口径略有差异，但均指向同一趋势。

Jack 明确区分了“被找到”与“被提及”。现场材料显示，很多 AI 引用并不会在回答中点名品牌；即使页面提供了事实，品牌也可能没有获得认知收益。因此，SEO 可以帮助内容进入候选来源，但品牌还需要通过 Reddit、YouTube、Wikipedia、媒体与其他站外信号争取“被选择”。

在衡量层面，Jack 将引用、情感、AI 流量与收入放在同一个框架中，并通过 Adobe 的实时客户数据与旅程分析能力，把 Prompt—答案—访问—购买—复购连接起来。

Justin 个人观点： AI 可见度不是一个传播指标，而是一种新的需求来源。企业真正需要解决的不是“我们在多少个回答里出现”，而是“哪些问题、哪些答案、哪些引用路径带来了更高质量的访问与客户”。如果 GEO 数据无法进入客户旅程和收入分析，它很容易退化为另一个虚荣指标。

Jonathan：改变 AI 如何描述品牌——GEO 的核心是可验证的“感知工程”

嘉宾身份： SwishDM 创始人兼董事总经理（Founder & Managing Director）

Jonathan 的演讲题为 Getting Cited Is the Easy Part: How to Change What AI Actually Says About You。他的观点比“争取引用”更进一步：品牌不仅要出现，还要影响 AI 用什么理由、什么定位和什么比较维度描述自己。

他以迷你主机品牌 GEEKOM 为背景说明问题：材料中的 AI 回答曾将品牌描述为偏低价、适合轻度任务，并持续引用早期关于高温的讨论。对品牌而言，真正的损失不是“没有被引用”，而是被模型用错误或过时的证据框定了购买理由。

他给出了一套五阶段方法：Discover、Diagnose、Design、Distribute、Defend。

发现阶段从品牌已经拥有的数据开始，包括 Search Console、客服记录、站内搜索和销售问题，再加入 Amazon 问答、Reddit、Google People Also Ask、竞品评价等共享数据。问题可以分为品牌词、品类词和 Jobs-to-be-Done，同一个意图还会有多种自然表达。

诊断阶段不能只跑一次 Prompt，因为同样的问题可能得到不同答案。建议固定 Prompt、定期运行、保留完整答案并统计表述，进而识别四类问题：完全缺席、被错误定位、排名落后、被推荐但理由不符合品牌目标。

设计阶段要区分可由站内页面修复的问题与需要站外佐证的问题。AI 并不裁决绝对真相，而是在可访问的信息与已有认知之间分配权重。一个事实只存在于品牌官网，可能缺少独立佐证；一个负面观点遍布论坛与测评站，则需要外部来源共同修复。

分发阶段不是把同一篇文章机械铺到所有渠道，而是进入 AI 已经使用的来源：产品问答、论坛与 Reddit、视频字幕、测评网站、比较文章和媒体。Jonathan 强调，视频对 AI 而言首先是一份可读取的文档；章节、标题、描述和字幕决定其可检索性。

他还展示了一个极具冲击力的实验：团队用一个新域名搭建评测网站，以测试表格、明确指标和审校流程生成内容。现场 PPT 声称，该站在 30 天后进入约 49% 的相关 ChatGPT 答案，在 45 个跟踪问题中覆盖 33 个。总成本约为 14 美元，包括域名和少量 AI token。

这个案例不能被简单理解为“低成本操纵 AI”。Jonathan 后续强调：此次试验依旧是基于手上的真实数据，AI 只是负责码字但不能编造；页面需要展示测试方法、评分表、披露、作者信息和可验证证据，并且必须持续维护。

Justin 个人观点： 这场分享揭示了 GEO 的机会与风险。机会是，小型高质量证据源也可能进入答案系统；风险是，答案系统可能受到结构化但低成本的信息工程影响。因此，品牌防守不能只监测排名，还要监测“推荐理由”。真正可持续的方法不是制造更多声量，而是让真实、可复现、由多方佐证的事实成为最容易被模型找到的解释。

Jim Peng：全球微长分——AI 提效不能替代市场选择

嘉宾身份： 坚果资本投资人

Jim Peng 的主题是“全球破局：立足 AI 时代，品牌如何通过社媒连接全球用户”。现场内容实际上从全球市场结构讲起：消费呈现 K 型分化，高性价比与高端产品同时增长，中间地带承压；与此同时，用户需求越来越细，小市场反而为中国供应链提供了更清晰的进入机会。

他的建议是，不要把美国、欧洲或东南亚视为一个整体市场，而应继续拆分地域、文化、人群、场景和价格带。企业可以从一个 SKU、一个痛点或一个小群体开始，通过反馈逐步扩展产品和用户边界。

现场 PPT 还讨论了 AI 对组织的影响：AI 会压缩纯执行型任务，但不会自动替代市场判断、产品判断和用户洞察。组织需要重构工作流，让人负责问题定义、判断和协同，让 AI 承担部分研究、生产和分析。

Rhea：用品牌力承接 GEO 增长——算法会变，用户问题不会消失

嘉宾身份： xTool 日韩区域负责人

Rhea 的主题是“跨越算法的护城河：用‘品牌力’承接 GEO 增长红利”。她从品牌视角提醒现场听众：从 SEO 到 GEO，变化的是入口和触达方式，不变的是用户在寻找可信解决方案。

现场 PPT 使用 A5 旅程——Aware、Appeal、Ask、Act、Advocate——说明 AI 正在压缩从兴趣、询问到行动的距离。品牌如果只优化“Ask”阶段的问答，却在认知、产品体验、购买和口碑环节存在缺口，最终仍无法获得稳定推荐。

Rhea 强调场景洞察与消费者旅程洞察。红海市场可以通过细分场景避开头部品牌最强的正面竞争；蓝海市场则要更早定义品类、建立标准，并在竞争者进入前持续积累全触点内容。

案例还提出，在尚未形成稳定认知的蓝海品类中，品牌若能提前定义品类语言与评价标准，有机会取得 70% 以上的细分份额。这个数字来自嘉宾案例，并非通用预测；真正可复制的不是份额本身，而是“先定义问题和标准，再建设全触点证据”的顺序。

现场还对比了不同文化中的购买逻辑。相同的产品卖点，在不同国家可能需要不同的信任来源、表达顺序和证明方式。技巧和算法可以快速复制，真正难以复制的是长期积累的品牌认知、产品体验与一致承诺。

Justin 个人观点： GEO 最终不是“讨好大语言模型”，而是让模型能够清楚说明品牌为什么适合某一类用户。品牌力在 AI 系统中的可计算表现，是稳定的实体信息、清晰的产品差异、持续的第三方验证和较少的事实冲突。

Bessie：ChatGPT Ads——付费入口出现，但不能把广告当成自然推荐捷径

嘉宾身份： 海纳互动创始人兼 CEO

Bessie 的主题是“ChatGPT Ads：中国出海品牌的新增长入口”。她首先区分了三种经常被混为一谈的 AI 营销：用 AI 提升效率、通过内容和口碑获得自然推荐，以及付费购买 AI 对话场景中的广告。三者互不替代，付费广告也不会直接提高自然推荐。

ChatGPT Ads 广告形式包括标准广告、商品广告和视觉广告。标准广告由品牌、图片、标题、文案与落地页组成；商品广告可同步商品目录；视觉广告出现在图像生成相关场景。

不同于传统谷歌广告的固定关键词匹配，ChatGPT 广告基于用户输入的自然语言处境。例如用户输入：“今天我有 6 个连续的客户会议，需要不打开电脑就能做笔记……”后台通过解析场景，会自动匹配并推荐硬件录音卡片广告。

按嘉宾现场披露口径，平台当时已有约 10 万广告主，覆盖的 ChatGPT 用户规模约 12 亿；最低日预算为 25 美元，行业平均 CPC 约 3 美元。广告主要面向符合年龄条件的免费用户，付费版本和企业版本不展示。由于产品政策变化很快，这些数字和资格条件只能理解为大会当日的分享口径。

嘉宾现场给出的适配条件包括：客单价足以覆盖较高获客成本，现场建议线约为 60 美元以上；产品参数复杂、比较周期长；品类仍处于教育市场阶段；AI 推荐结果尚未被头部品牌固定。低客单、快速补货型商品未必适合早期尝试。

纪要还记录了一个宠物 DTC 品牌的早期测试：连续投放后转化不足，获客成本高于客单价。Bessie 因而建议品牌先确认开户主体和市场资格，从单一产品、单一市场与小预算起步，预先设定继续、调整或停止的标准。

Justin 个人观点： AI 广告更接近“需求上下文竞价”，而不是传统关键词竞价。它的优势是出现在用户已经表达复杂需求的时刻；它的难点是归因、规模和单位经济模型尚不稳定。品牌应把它当实验渠道，而不是用付费预算弥补自然信源与产品竞争力的不足。

下午圆桌：谁在定义 AI 答案——品牌要进入的不是一个榜单，而是一套信源体系

主持人： Miga，资深媒体专家
圆桌嘉宾： Eva（知外 Global CEO）、Connie（i-FREE 中国区 CEO、界量传媒联合创始人）、Derrick（图灵集市联合创始人兼商务负责人）、姜沈阳（香港理工大学助理教授）

最后一场圆桌由 Miga 主持，议程嘉宾为 Eva、Connie、Derrick 和姜沈阳。现有材料没有对应现场照片，以下内容来自 16:10 后的智能纪要。

圆桌首先对比了电商推荐与 AI 推荐。传统电商容易把销量、热度和平台规则放在前面，AI 推荐则试图解释用户需求，可能选出销量较小但条件更匹配的产品。这意味着品牌不能只用刷量、刷评和投放逻辑理解 AI 信源。

关于 Reddit，Eva 解释了社区内容的价值：真实用户在具体场景中的讨论，能够为品牌信息提供第三方验证，而且具有长尾效应。但 Reddit 需要长期账号、选题资源、社群规则理解和真实讨论基础，不适合把广告文案伪装成用户内容。

关于品牌确权，圆桌提出 AI 时代的“第 0 步”是统一实体信息。Wikidata、Wikipedia 和 Google Knowledge Panel 被列为常见路径。

关于红人营销，Derrick 强调垂直创作者的长期价值。相比只看粉丝量和即时带货，品牌还应关注内容的知识密度、结构化程度和生命周期。产品横评、榜单、场景解释和视频中的具体章节，更容易成为搜索与 AI 系统可复用的内容资产。

这里的“知识密度”不是把文案写得更长，而是让内容包含明确对象、测试条件、比较维度、时间戳、结论和适用边界。对视频而言，标题、章节、字幕和描述决定 AI 能否定位信息；对评测而言，测试过程和可复现数据决定内容能否成为可信佐证。

关于 AI 推荐逻辑，AI 推荐更重视需求匹配，品牌进行语料建设时需要可信机构和真实产品证据；无法仅凭现有材料确认该段发言的准确归属。

Justin 个人观点： AI 答案不是由某一个“权威网站”单独定义，而是由官方事实、搜索排名、媒体、专业评测、社区讨论、知识图谱和用户反馈共同塑造。品牌进入信源体系的正确方式不是伪造共识，而是提高真实证据在不同类型来源中的一致性与可发现性。

把整场大会压缩成一套 GEO 操作系统

如果把所有演讲放在一起，可以得到一套比“写 AI 文章”完整得多的 GEO 操作系统。

第一层：可访问性

确保搜索引擎和 AI 系统能读取内容。核心包括索引、robots.txt、hreflang、canonical、JavaScript 渲染、图片与视频文本化、Schema 以及页面更新机制。这是 Miguel、Gabriel 和 Jack 反复强调的基础。

第二层：实体与事实

统一品牌名、产品名、公司信息、人物、地区和品类关系；明确每一个产品主张可以由什么证据支持。知识面板、Wikidata、官网 About 页面、产品规格和作者信息都属于这一层。

第三层：需求与内容

建立真实 Prompt 库，将问题按品牌、品类、场景、比较、任务与决策阶段分类。内容不只是博客，还包括产品页、帮助中心、比较表、FAQ、测试方法、视频字幕和社区问答。

第四层：第三方佐证

找到模型在特定行业和市场已经信任的媒体、评测站、论坛、社区、创作者和专业机构。品牌官网负责提出事实，外部来源负责验证事实。站内与站外缺一不可。

第五层：衡量与治理

同时衡量答案覆盖、品牌提及、引用来源、自有站引用、情感、AI 引流、辅助转化和收入；持续监测错误描述、负面历史信息和竞品变化。GEO 是持续运营，不是一次排名项目。

一份可直接执行的 GEO 行动清单

综合整场大会，可以将落地顺序压缩为以下七项：

1. 先做基线审计：确定高价值 Prompt、品牌提及率、自有站引用率、竞品差距与当前 AI 引流页面。
2. 修复技术入口：检查 robots.txt、索引、canonical、hreflang、JavaScript 渲染、图片预览和结构化数据，清理测试页与页面工厂内容。
3. 完成实体统一：统一公司名、品牌名、产品线、地区版本和人物信息，并审视 Knowledge Panel、Wikidata 等实体关系是否准确。
4. 建设场景内容：围绕比较、选购、任务、限制条件和具体型号，补齐产品页、免费工具、FAQ、帮助中心、测试方法与视频字幕。
5. 建设外部证据：优先进入 AI 已经引用的媒体、评测站、社区、论坛和垂直创作者内容，而不是盲目铺设普通外链。
6. 开展感知诊断：定期重复运行同一组 Prompt，记录缺席、误述、落后和推荐理由错误，并区分站内修复与站外佐证。
7. 连接业务结果：将 Prompt、答案、品牌提及、引用 URL、AI 会话流量、辅助转化和收入放进同一条分析链路。

这个顺序很重要。品牌如果跳过技术、实体和事实层，直接大量生产所谓 GEO 内容，很可能只是更快地制造冲突信息。

Justin 的三个核心判断

1. GEO 的最小单位不是文章，而是“可验证主张”

一篇文章可以包含几十个主张，但模型可能只抽取其中一句。企业应建立“主张—证据—页面—第三方佐证—目标问题”的映射。例如，“续航 12 小时”对应测试条件、产品页、评测报告和用户场景，而不是只在营销文案里重复数字。

2. 引用、提及和推荐是三种不同的胜利

引用说明内容有用；提及说明实体与内容建立了关系；推荐说明模型认为品牌适合当前用户。很多 GEO 项目只统计引用量，容易高估商业价值。更成熟的目标应是：在高价值决策问题中，以正确理由被推荐，并让用户有顺畅的验证与购买路径。

3. GEO 会放大企业已有的真实能力，也会放大已有问题

产品力强、服务可靠、内容清楚、技术健康、口碑一致的品牌，会获得更多可供模型使用的证据。反过来，错误翻译、站点技术故障、产品主张冲突和多年未处理的负面信息，也会被 AI 重新聚合。GEO 不是品牌问题的遮羞布，而是一面更高效的放大镜。

结语

这场大会最值得带走的，不是某个工具、某组数字或某种“快速进入 AI 答案”的技巧，而是对搜索竞争对象的重新定义。

过去，品牌争夺的是网页上的位置；现在，品牌争夺的是答案中的角色。未来真正领先的企业，不会只问“AI 有没有引用我”，而会继续追问：AI 是否理解我、是否以正确理由提及我、用户是否信任这个理由，以及这份信任能否沉淀为长期品牌资产。

SEO 负责让信息可发现，GEO 负责让信息可理解、可引用、可选择；产品、服务与品牌，则决定这种选择能否持续。入口在变化，但竞争的终点仍然是：谁能为具体用户提供更可信、更完整的解决方案。