超越「最终可见度」：企业 GEO 的三阶段诊断框架
一套受控、阶段隔离的评估方法，把检索、排名、生成三阶段的失败转化为有据可依的站点修订——把留出测试集上的企业 GEO 分从 58.78 提升到 69.98。
一篇 ACL（计算语言学顶会）格式的研究投稿。最终的提及/引用指标只告诉你「可见度丢了」，却没告诉你「在哪一步丢的」。本框架把失败定位到具体阶段。
生成式搜索会在查询匹配、竞争排名、有据生成（grounded generation，即基于给定证据作答）三处引入失败，而传统 SEO 与「最终提及」类指标往往无法定位这些失败。我们提出一套受控的阶段隔离评估（Stage-Isolated Evaluation）框架，把各阶段的特定失败转化为有据可依的站点地图（sitemap）修订。在一项以匿名消费健康公司为对象的产业研究中，每个网站版本都对九个固定竞品、用互不相交的训练 / 验证 / 留出测试查询集进行评估。最终选出的版本把测试分从 58.78 提升到 69.98，比一次性改写高 6.19 分、比同等预算但无诊断的递归改写高 3.07 分。不同阶段偏好不同的版本，揭示出非单调的权衡关系。
问题：聚合的可见度掩盖了「在哪一步丢的」
企业常依赖在商用大语言模型（LLM）平台上反复测试，用召回率、品牌提及、引用频次等孤立指标作反馈。这类依赖平台的测量成本高、不稳定、难复现。更关键的是，它们无法判断一次失败究竟来自内容检索、竞争排名，还是有据生成，导致企业缺乏系统性的诊断依据。
「最终的提及指标只告诉你可见度丢了，却没告诉你它是在检索、排名还是生成哪一步丢的。」
三点贡献：
- 阶段隔离评估框架——对企业内容的检索、竞争排名、有据生成分别独立测量。
- 递归优化流程——把阶段级诊断信号转化为有针对性的站点修订，并在留出验证集上选出最佳版本。
- 在真实竞争场景中评估，证明优化后的内容在泛化到未见查询时仍能整体提升。
方法
阶段隔离评估
对每个查询 q 与目标版本 v，构造一个受控候选集：目标站点 + 九个固定竞品。跨轮次（epoch）只有目标站点变化；查询、竞品、模型版本、提示词、解码参数与评分规则全部固定，候选顺序用固定随机种子打乱。
三个阶段在同一受控条件下独立评估：
- 检索器（Retriever） —— 衡量「查询与内容的匹配」，独立于竞品集（词法 + 语义的分块相关性）。
- 重排器（Reranker） —— 竞争相关性：目标在十个候选中排第几。
- 生成器（Generator） —— 由独立的评估模型按相关性、事实有据、对目标内容的恰当使用打答案质量分；真实性、品牌推荐、断言采纳、归因错误均保留为诊断信号。
仅用于「选版本」时，三阶段分合成 S(v) = 0.3·检索 + 0.3·重排 + 0.4·生成，各自映射到固定的 0–100 区间（边界与版本无关，不从验证/测试集估计归一化统计量）。
递归修订与自然度约束
从原始站点出发，每个优化轮次生成一个修订版。把查询级的检索失败、排名弱项、被遗漏的断言聚合成一个结构化反馈对象，再由修订模型在一份经核验的企业事实文档约束下改写站点——要求改进薄弱内容、同时保持事实一致、不引入无支撑断言。随后一个基于规则的「自然度检查器」过滤掉过度删减/扩写、重复、堆关键词、或事实无支撑的修订；只有保持合理网页结构、且锚定在已核验证据上的版本才有资格入选。验证集与测试集的查询从不用于生成修订反馈。
实验设置
所有目标与竞品站点均由公开网页内容构建。查询集为企业提供的 150 条自然问题，分为三个互不相交的 50 条子集（训练 / 验证 / 测试），意图分布一致（品类需求、场景需求、问题解决、对比、购买决策）。一份经核验的企业事实文档约束修订并评估事实一致性。完整 100 轮优化约 20 小时；检索与重排在本地运行，生成与答案评估通过托管推理服务并发执行。
结果
验证分呈非单调：多数合格版本都优于原始站点，最高聚合验证分出现在第 63 轮（59.82 → 71.93）。各阶段偏好不同版本——生成在第 58 轮见顶，聚合与重排在第 63 轮，检索在第 100 轮——所以「最后一轮」未必最优。
「不同阶段偏好不同的版本，所以最后一轮未必最优——这恰恰是阶段诊断的价值所在。」
我们按聚合验证分（经自然度过滤）选第 63 轮，冻结后在留出测试集上评估：
| 方法 | 检索 | 重排 | 生成 | 总分 |
|---|---|---|---|---|
| 原始站点 | 45.44 | 60.00 | 67.88 | 58.78 |
| 一次性改写 | 49.12 | 64.35 | 74.26 | 63.79 |
| 递归改写（无诊断） | 50.87 | 67.92 | 78.14 | 66.91 |
| 完整三阶段方法 | 52.70 | 70.90 | 82.25 | 69.98 |
完整方法整体比原始站点高 11.20 分，比一次性改写高 6.19 分，比无诊断递归高 3.07 分。相对原始站点，检索 / 重排 / 生成分别提升约 8.1 / 12.9 / 14.5 分。
讨论
GEO 表现不仅取决于「包含了什么信息」，更取决于「信息如何组织」。在最佳版本里，相关定义、安全机制、证据与履约能力被归并成连贯、可抽取的单元，从而更易被检索、排名、用于有据生成。由于聚合分会掩盖站点究竟弱在匹配、竞争相关性还是有据使用——且各阶段最佳版本并不相同——企业 GEO 应被当作一个多目标优化问题。实践中，内容团队可以定位最弱的诊断维度、修订对应字段、再重评三个阶段，这比「一刀切改写」或「直接取最后一轮」更具可操作性。
「企业 GEO 应被当作一个多目标优化问题——聚合分会掩盖你究竟弱在匹配、竞争相关性还是有据使用。」
局限与伦理
离线框架无法完全复现商用生成式搜索系统（实时索引、私有检索、用户个性化）；离线分应被解读为受控诊断指标，而非某一平台上的真实概率。本研究只考察一家匿名公司、单一领域、单一目标站点、九个竞品与固定查询集，跨行业 / 语言 / 内容类型的泛化性尚未确立。所有网站与竞品内容均来自公开来源；查询经人工审核，不含任何可识别个人信息。修订提示词明令禁止无支撑断言、伪造证据与误导性健康信息；每个生成站点都受已核验事实文档约束。该系统仅用于内容评估与优化，不用于临床诊断、治疗决策或个性化医疗建议。
参考文献
- Aggarwal, P., 等. GEO: Generative Engine Optimization. arXiv:2311.09735, 2023.
- Bagga, P. S., 等. E-geo: A testbed for generative engine optimization in e-commerce. arXiv:2511.20867, 2025.
- Chen, Q., 等. Beyond keywords: content-centric agents for GEO. arXiv:2509.05607.
- Kim, S., 等. SAGEO arena. arXiv:2602.12187, 2026.
- Schulte, J., 等. Don’t measure once: Measuring visibility in AI search (GEO). arXiv:2604.07585, 2026.
- Wu, Y., 等. What generative search engines like and how to optimize web content cooperatively. arXiv:2510.11438, 2025.
- Zhang, K., He, X., Yao, J. From citation selection to citation absorption. arXiv:2604.25707, 2026.