一、开篇：内容写了100篇，AI一问三不知

很多人做内容优化时，心里都有一个朴素愿望：

我都写这么多文章了，AI 总该引用我了吧？

现实可能是：

用户问：GEO和SEO有什么区别？
AI：我找到了答案。

用户问：如何判断一篇内容是否适合被AI引用？
AI：我找到了答案。

用户问：这个网站的内容能不能覆盖真实用户问题？
AI：沉默。

问题出在哪？

不是内容数量不够，而是内容和用户问题之间没有建立稳定映射。

这就是 GEO 经常被误解的地方。

GEO，Generative Engine Optimization，生成式引擎优化。它不是简单“写更多文章”，而是让内容更容易被 AI 在问答场景中检索、理解、引用和组织成答案。

如果用工程语言描述，GEO 的核心问题其实是：

给定一组用户问题，现有内容库能不能召回足够相关的答案片段？

这句话是不是突然就不玄学了？

本文就用 Python 写一个小工具，模拟一个简化版 AI 检索流程：

用户问题 → 文档切块 → 相似度计算 → 召回候选内容 → 输出覆盖率报告

最后你会得到一个可运行脚本，用来检测：

• 哪些用户问题已有内容覆盖
• 哪些问题没有合适内容
• 哪些页面看似很多，实际回答不了问题
• 哪些内容块最容易被召回

这就是本文的实战目标。

---

二、问题现场：页面很多，但为什么AI还是找不到答案？

先看一个常见内容库结构：

articles/
├── what-is-geo.md
├── seo-vs-geo.md
├── ai-search-content.md
├── content-strategy.md
└── faq.md

看起来挺丰富。

但真实用户问题可能是这样的：

GEO适合什么类型的网站？
为什么SEO做了却没有AI流量？
AI更容易引用什么样的内容？
FAQ对GEO有什么作用？
如何评估内容是否覆盖用户问题？

问题来了：

你的页面标题里有 GEO，不代表它能回答具体问题。
你的文章里出现了关键词，不代表 AI 能召回正确片段。
你的内容库很大，不代表用户问题覆盖率高。

这就像你建了一个接口文档库，里面有 200 个 Markdown 文件。

结果新人问一句：

订单状态枚举有哪些？

你翻了半天，只找到一句：

本系统支持完善的订单管理能力。

这不是文档，这是情绪价值。

---

三、解决思路：把GEO问题转成一个检索问题

我们先不讨论复杂的大模型，也不接 API。

用最朴素的方式模拟 AI 检索：

这个流程虽然简单，但非常适合做 GEO 基础体检。

因为 AI 在生成答案之前，通常也要经历类似逻辑：

理解问题 → 检索相关资料 → 判断可信度 → 组织答案

本文实现的是其中最基础的一步：

检查内容库有没有足够相关的答案候选片段。

---

四、项目结构

新建项目目录：

geo-retrieval-audit/
├── audit_retrieval.py
├── questions.txt
└── articles/
    ├── geo_intro.md
    ├── seo_vs_geo.md
    └── faq_for_geo.md

说明：

文件	作用
audit_retrieval.py	主程序
questions.txt	用户问题库
articles/	Markdown内容库

---

五、准备用户问题库

创建 questions.txt：

GEO和SEO有什么区别？
为什么SEO做了却没有AI流量？
什么样的内容更容易被AI引用？
FAQ对GEO有什么作用？
如何判断内容是否覆盖用户真实问题？
GEO适合哪些类型的内容？
为什么只堆关键词不适合GEO？

这里的每一行都代表一个真实用户问题。

注意，GEO 优化不是从“我想写什么”开始，而是从“用户会问什么”开始。

---

六、准备测试文章

创建目录：

mkdir articles

创建 articles/geo_intro.md：

# 什么是GEO

GEO是Generative Engine Optimization，中文可以理解为生成式引擎优化。

它关注的不是传统搜索结果页里的排名，而是内容是否能被生成式AI理解、引用并整合进答案。

GEO更适合知识解释型、方案对比型、技术教程型、采购决策型内容。

一篇适合GEO的内容，通常需要具备清晰主题、问题导向、结构化表达、事实依据和总结结论。

创建 articles/seo_vs_geo.md：

# SEO和GEO的区别

SEO主要关注搜索引擎结果页，包括页面收录、关键词排名、点击率和自然流量。

GEO关注生成式AI问答场景，包括AI是否能理解内容、是否能引用内容、是否能将内容整合进答案。

SEO更像是在搜索结果中争取更高位置，GEO更像是在AI答案中争取被引用机会。

两者不是替代关系。GEO可以理解为AI搜索时代对SEO的一种扩展。

创建 articles/faq_for_geo.md：

# GEO常见问题

## FAQ对GEO有什么作用？

FAQ可以把用户真实问题直接结构化表达出来，方便AI识别问题和答案之间的对应关系。

## 什么样的内容更容易被AI引用？

结构清晰、结论明确、包含事实依据、步骤说明、对比分析和边界条件的内容，更容易成为AI答案的候选材料。

## 为什么只堆关键词不适合GEO？

关键词只能提供主题信号，但不能直接回答用户问题。GEO更关注内容是否能解决具体问题。

---

七、核心代码：实现一个简化版GEO召回检测器

创建 audit_retrieval.py：

import math
import re
from pathlib import Path
from collections import Counter, defaultdict


def load_questions(file_path):
    """
    加载用户问题库
    """
    path = Path(file_path)
    if not path.exists():
        raise FileNotFoundError(f"问题文件不存在: {file_path}")

    questions = []
    for line in path.read_text(encoding="utf-8").splitlines():
        line = line.strip()
        if line:
            questions.append(line)
    return questions


def load_markdown_documents(folder):
    """
    加载Markdown内容库
    """
    folder_path = Path(folder)
    if not folder_path.exists():
        raise FileNotFoundError(f"文章目录不存在: {folder}")

    documents = []
    for file_path in folder_path.glob("*.md"):
        text = file_path.read_text(encoding="utf-8")
        documents.append({
            "file": file_path.name,
            "text": text
        })

    return documents


def split_into_chunks(text, max_chars=220):
    """
    将文章切分成内容块。
    简化处理：按空行切分，再控制最大长度。
    """
    paragraphs = [p.strip() for p in re.split(r"\n\s*\n", text) if p.strip()]
    chunks = []

    for paragraph in paragraphs:
        if len(paragraph) <= max_chars:
            chunks.append(paragraph)
        else:
            sentences = re.split(r"(?<=[。！？!?])", paragraph)
            buffer = ""
            for sentence in sentences:
                if len(buffer) + len(sentence) <= max_chars:
                    buffer += sentence
                else:
                    if buffer.strip():
                        chunks.append(buffer.strip())
                    buffer = sentence
            if buffer.strip():
                chunks.append(buffer.strip())

    return chunks


def tokenize(text):
    """
    简单中文分词：按中文、英文、数字连续片段切分。
    这不是专业分词器，但足够演示召回逻辑。
    """
    tokens = re.findall(r"[\u4e00-\u9fa5]{2,}|[a-zA-Z0-9]+", text.lower())
    return tokens


def build_idf(corpus_tokens):
    """
    计算IDF
    """
    total_docs = len(corpus_tokens)
    doc_freq = defaultdict(int)

    for tokens in corpus_tokens:
        for token in set(tokens):
            doc_freq[token] += 1

    idf = {}
    for token, freq in doc_freq.items():
        idf[token] = math.log((total_docs + 1) / (freq + 1)) + 1

    return idf


def vectorize(tokens, idf):
    """
    生成TF-IDF向量
    """
    tf = Counter(tokens)
    total = sum(tf.values()) or 1

    vector = {}
    for token, count in tf.items():
        vector[token] = (count / total) * idf.get(token, 1.0)

    return vector


def cosine_similarity(vec_a, vec_b):
    """
    计算余弦相似度
    """
    common_tokens = set(vec_a.keys()) & set(vec_b.keys())
    dot = sum(vec_a[token] * vec_b[token] for token in common_tokens)

    norm_a = math.sqrt(sum(value * value for value in vec_a.values()))
    norm_b = math.sqrt(sum(value * value for value in vec_b.values()))

    if norm_a == 0 or norm_b == 0:
        return 0.0

    return dot / (norm_a * norm_b)


def build_chunk_index(documents):
    """
    构建内容块索引
    """
    chunks = []

    for doc in documents:
        for index, chunk_text in enumerate(split_into_chunks(doc["text"])):
            chunks.append({
                "file": doc["file"],
                "chunk_id": index + 1,
                "text": chunk_text
            })

    chunk_tokens = [tokenize(chunk["text"]) for chunk in chunks]
    idf = build_idf(chunk_tokens)

    for chunk, tokens in zip(chunks, chunk_tokens):
        chunk["tokens"] = tokens
        chunk["vector"] = vectorize(tokens, idf)

    return chunks, idf


def search_top_k(question, chunks, idf, top_k=3):
    """
    根据问题召回Top K内容块
    """
    question_tokens = tokenize(question)
    question_vector = vectorize(question_tokens, idf)

    results = []
    for chunk in chunks:
        score = cosine_similarity(question_vector, chunk["vector"])
        results.append({
            "score": score,
            "file": chunk["file"],
            "chunk_id": chunk["chunk_id"],
            "text": chunk["text"]
        })

    results.sort(key=lambda item: item["score"], reverse=True)
    return results[:top_k]


def audit_coverage(questions, chunks, idf, threshold=0.12):
    """
    检测每个问题是否有足够相关的内容块
    """
    report = []

    for question in questions:
        top_results = search_top_k(question, chunks, idf, top_k=3)
        best_score = top_results[0]["score"] if top_results else 0

        if best_score >= threshold:
            status = "已覆盖"
        else:
            status = "未覆盖"

        report.append({
            "question": question,
            "status": status,
            "best_score": best_score,
            "top_results": top_results
        })

    return report


def print_report(report):
    """
    打印GEO问题覆盖率报告
    """
    total = len(report)
    covered = sum(1 for item in report if item["status"] == "已覆盖")
    coverage_rate = covered / total * 100 if total else 0

    print("=" * 70)
    print("GEO问题覆盖率报告")
    print("=" * 70)
    print(f"问题总数: {total}")
    print(f"已覆盖: {covered}")
    print(f"未覆盖: {total - covered}")
    print(f"覆盖率: {coverage_rate:.2f}%")
    print("=" * 70)

    for item in report:
        print()
        print(f"问题: {item['question']}")
        print(f"状态: {item['status']}")
        print(f"最高相似度: {item['best_score']:.4f}")
        print("-" * 70)

        for result in item["top_results"]:
            snippet = result["text"].replace("\n", " ")
            if len(snippet) > 120:
                snippet = snippet[:120] + "..."

            print(
                f"[{result['score']:.4f}] "
                f"{result['file']}#chunk-{result['chunk_id']} | {snippet}"
            )


def main():
    questions = load_questions("questions.txt")
    documents = load_markdown_documents("articles")

    if not documents:
        print("articles目录下没有找到Markdown文件。")
        return

    chunks, idf = build_chunk_index(documents)
    report = audit_coverage(questions, chunks, idf, threshold=0.12)

    print_report(report)


if __name__ == "__main__":
    main()

---

八、运行脚本

在项目根目录执行：

python audit_retrieval.py

你会看到类似输出：

======================================================================
GEO问题覆盖率报告
======================================================================
问题总数: 7
已覆盖: 6
未覆盖: 1
覆盖率: 85.71%
======================================================================

问题: GEO和SEO有什么区别？
状态: 已覆盖
最高相似度: 0.4281
----------------------------------------------------------------------
[0.4281] seo_vs_geo.md#chunk-1 | # SEO和GEO的区别
[0.3275] seo_vs_geo.md#chunk-2 | SEO主要关注搜索引擎结果页，包括页面收录、关键词排名、点击率和自然流量。
[0.3018] seo_vs_geo.md#chunk-3 | GEO关注生成式AI问答场景，包括AI是否能理解内容、是否能引用内容...

问题: 如何判断内容是否覆盖用户真实问题？
状态: 未覆盖
最高相似度: 0.0833
----------------------------------------------------------------------
[0.0833] geo_intro.md#chunk-4 | 一篇适合GEO的内容，通常需要具备清晰主题、问题导向...

这个结果非常关键。

它告诉我们：

内容库不是没有文章，而是某些用户问题没有被明确回答。

这就是 GEO 优化中最容易被忽视的部分。

---

九、结果怎么看？别只看覆盖率，要看“召回片段”

如果脚本显示：

覆盖率: 85.71%

这是不是说明内容已经不错？

不一定。

还要看每个问题召回的片段质量。

情况1：召回片段正好回答问题

例如问题是：

GEO和SEO有什么区别？

召回内容是：

SEO主要关注搜索引擎结果页，包括页面收录、关键词排名、点击率和自然流量。
GEO关注生成式AI问答场景，包括AI是否能理解内容、是否能引用内容、是否能将内容整合进答案。

这就属于有效覆盖。

情况2：召回片段只有关键词，没有答案

例如问题是：

为什么SEO做了却没有AI流量？

召回内容是：

SEO和GEO都是内容优化方法。

这就不够。

它有关键词，但没有解释原因。

这种内容对于 AI 来说，只能算“路过”，不能算“可引用”。

---

十、踩坑实录：阈值调太低，所有内容都“看起来很美”

代码里有一行：

report = audit_coverage(questions, chunks, idf, threshold=0.12)

这个 threshold 是判断问题是否被覆盖的阈值。

如果你把它改成：

threshold=0.01

结果可能会变成：

覆盖率: 100.00%

是不是很开心？

先别急着截图发周报。

阈值太低会导致一个问题：

只要内容里沾点边，就算覆盖。

这就像代码测试里只测了一个 print("hello")，然后宣布系统稳定性达到 100%。

不建议。

推荐做法

可以按下面方式粗略判断：

最高相似度	判断
0.30 以上	大概率相关
0.15 - 0.30	需要人工复核
0.15 以下	大概率覆盖不足

但这不是固定标准。

不同语料、分词方式、内容长度都会影响结果。

---

十一、解决方案：针对“未覆盖问题”反向补内容

如果检测发现：

问题: 如何判断内容是否覆盖用户真实问题？
状态: 未覆盖

不要第一反应就是“再写一篇大文章”。

更好的做法是补一个精准内容块。

比如在 faq_for_geo.md 中增加：

## 如何判断内容是否覆盖用户真实问题？

可以从三个维度判断：第一，文章标题和小标题是否对应用户会直接提出的问题；第二，正文是否给出明确答案、步骤或判断标准；第三，内容是否包含FAQ、对比表、案例或边界说明。

如果一个问题只能在文章中找到关键词，但找不到明确答案，就不能算真正覆盖。

然后重新运行脚本。

你会发现这个问题的相似度明显提高。

这就是 GEO 内容优化的一个重要思路：

不要只看文章数量，要看问题覆盖率。
不要只补关键词，要补可回答问题的内容块。

---

十二、进阶优化：输出CSV，方便做内容缺口表

如果要把结果交给编辑、运营或开发同学继续处理，可以输出 CSV。

在代码中增加：

import csv

再增加一个函数：

def export_csv(report, output_file="geo_coverage_report.csv"):
    """
    导出CSV报告
    """
    with open(output_file, "w", encoding="utf-8-sig", newline="") as f:
        writer = csv.writer(f)
        writer.writerow([
            "question",
            "status",
            "best_score",
            "top_file",
            "top_chunk_id",
            "top_text"
        ])

        for item in report:
            top = item["top_results"][0] if item["top_results"] else {}

            writer.writerow([
                item["question"],
                item["status"],
                f"{item['best_score']:.4f}",
                top.get("file", ""),
                top.get("chunk_id", ""),
                top.get("text", "").replace("\n", " ")
            ])

在 main() 里调用：

export_csv(report)
print("CSV报告已生成: geo_coverage_report.csv")

这样你会得到一个文件：

geo_coverage_report.csv

里面大概长这样：

question	status	best_score	top_file	top_chunk_id
GEO和SEO有什么区别？	已覆盖	0.4281	seo_vs_geo.md	1
如何判断内容是否覆盖用户真实问题？	未覆盖	0.0833	geo_intro.md	4

这个表非常适合做内容排期。

未覆盖的问题，就是下一轮内容优化的优先级来源。

---

十三、完整系统可以怎么扩展？

现在这个脚本是一个最小可运行版本。

如果继续扩展，可以变成一个简化版 GEO 内容诊断系统。

可以继续增加这些模块：

模块	作用
网页抓取模块	从 URL 自动提取正文
中文分词模块	使用 jieba 提高中文召回效果
向量模型模块	使用 sentence-transformers 做语义匹配
FAQ生成模块	根据未覆盖问题生成内容草稿
Schema检测模块	检查网页是否有 FAQPage 结构化数据
可视化看板	展示问题覆盖率、内容缺口、页面表现

如果引入向量模型，流程会更接近真实 AI 检索：

问题文本 → Embedding → 向量检索 → Top K片段 → 人工复核 → 内容补全

但本文先不引入重型依赖。

因为工程落地的第一步，不是上来就堆模型，而是先把问题库和内容库跑通。

---

十四、避坑指南：做GEO内容覆盖检测时，别踩这几个坑

1. 不要只用关键词当问题库

错误示例：

GEO
SEO
AI搜索
内容优化

这不是问题库，这是关键词清单。

更好的问题库应该是：

GEO和SEO有什么区别？
GEO为什么需要FAQ？
什么样的内容更容易被AI引用？
如何判断页面是否覆盖用户真实问题？

AI问答场景里，“问题”比“词”更接近真实需求。

---

2. 不要把整篇文章当成一个块

如果一篇文章 5000 字，直接整体计算相似度，结果会很粗糙。

更推荐按段落、小标题或固定长度切块。

原因很简单：

AI 引用的通常不是整篇文章，而是其中某个答案片段。

就像你查文档时，也不是想看完整项目介绍，只想知道：

这个参数到底传 string 还是 int？

---

3. 不要迷信分数

相似度分数只是辅助判断。

有时候分数高，是因为关键词重合多；但内容可能没有真正回答问题。

所以关键问题必须人工复核。

可以把问题分成三类：

类型	处理方式
明确覆盖	保留，必要时增强结构
模糊覆盖	补充答案、案例或判断标准
未覆盖	新增FAQ或独立内容块

---

4. 不要为了覆盖率而写废话

有些人看到“未覆盖问题”，就开始机械生成内容：

关于这个问题，我们需要综合考虑多个方面，并结合实际情况进行分析。

这类内容看似回答了，实际没有信息量。

更好的回答应该包含：

• 明确定义
• 判断维度
• 操作步骤
• 示例
• 适用边界
• 常见误区

AI 更容易使用信息密度高的内容。

---

5. 不要忽略“反向问题”

用户不只会问正向问题：

GEO怎么做？

也会问反向问题：

为什么做了SEO还没有AI流量？
为什么我的内容不被AI引用？
为什么FAQ很多但没有效果？

这些痛点型问题往往更接近真实场景。

内容库如果只覆盖“是什么”，不覆盖“为什么失败”，GEO效果通常会打折。

---

十五、下一步行动：用问题覆盖率驱动内容更新

如果你要真正把这套方法用起来，可以按下面流程执行：

建议每次内容更新都做三件事：

1. 新增问题时，先加入 questions.txt
2. 发布文章前，先跑一次召回检测
3. 对未覆盖问题，优先补 FAQ、对比表和判断标准

这会让内容优化从“凭感觉写”变成“按问题缺口补”。

—

十六、总结：GEO不是写更多，而是回答得更准

最后总结一下。

GEO 不只是写文章，也不只是做 SEO 的新名字。

从工程视角看，它至少包含三个问题：

用户会问什么？
现有内容能不能被召回？
召回内容能不能回答问题？

本文用 Python 实现了一个简化版 GEO 召回检测器，完成了：

• 读取用户问题库
• 读取 Markdown 内容库
• 内容切块
• TF-IDF 向量化
• 相似度召回
• 覆盖率报告输出
• 未覆盖问题识别

它不能替代真正的搜索引擎或大模型，但能帮你发现一个非常现实的问题：

你的内容库到底能不能回答用户问题？

SEO 时代，我们经常问：

这个关键词有没有排名？

GEO 时代，还要多问一句：

这个问题有没有答案片段可以被AI召回？

如果没有，那就不是 AI 不引用你。

是你的内容库里，压根没有它能用的答案。