没人告诉你的 GEO 数字：为什么前 200 个字才是唯一算数的内容

Perplexity 每次回答大约引用三到六个来源，具体取决于查询内容。ChatGPT 的浏览模式很少展示超过五个来源。提出「生成式引擎优化」（Generative Engine Optimization）这一概念的研究人员——2023 年一篇来自普林斯顿、佐治亚理工和 Allen AI 的论文——发现，包含可引用统计数据和直接引语的页面在 AI 生成答案中的可见度提升了多达 40%，而堆砌更多关键词（这种曾经能提升 Google 排名的做法）几乎毫无效果。这三个数字在 GEO 相关文章中被反复引用。但第四个数字却很少被提及，而它恰恰是最应该改变你写作方式的那个：当你追踪模型的答案究竟提取自文档的哪一部分时，绝大多数情况下都是最前三分之一。不是写得最好的段落，也不是细节最丰富的部分，而是最开头的部分。

为什么「内容全面」不再是加分项

过去十五年里，SEO 建议大体上都是「写出权威详尽的资源」这一套说法：覆盖各个角度、写满 2500 字、在深度上压倒竞争对手，Google 的排名系统最终就会注意到你打造出了网上最全面的答案。但这种思路无法套用到生成式引擎挑选信息来源的方式上，而要理解原因，就需要理解当有人向 ChatGPT 或 Perplexity 提问、而不是在搜索框里输入关键词时，背后到底发生了什么。

搜索引擎对整篇文档进行排名。而生成式引擎在推理时并不阅读整篇文档——它检索的是文本块。你的页面会被拆分成重叠的窗口，通常在 300–500 个 token 范围内，每一块都会被转换为向量嵌入，并与用户查询进行相似度打分。系统会从所有候选页面中提取排名靠前的几个文本块，将它们连同问题一起塞入模型的上下文，并要求模型综合出一个答案。你那篇 2500 字的指南不再作为一个整体单位参与竞争，而是逐块竞争，而大多数检索流程在转向下一个引用来源之前，每个来源只会提取一到两个文本块。

当我第一次开始关注哪些页面真正被引用来回答我在追踪的查询时，有一点让我感到意外：开篇的文本块往往会不成比例地胜出，即便后面的某个段落其实更精准地回答了查询。部分原因确实是内容真正相关——优秀的作者本来就习惯把答案放在前面。但很大一部分是结构性的。在许多检索系统中，标题、H1 和元描述会被赋予额外的索引权重，而这种权重会渗透到紧随其后的段落中。如果一个页面把真正的论点埋在六段客套铺垫之下，那它其实是把自己最好的内容拱手让给了一个它无法控制的文本块边界。

实际对比会是什么样

人们常常搞反的部分

我看到许多构建者尝试“做 GEO”时常犯的错误，是把它当成一个换了套新词汇的关键词问题——他们四处搜寻人们在 ChatGPT 中输入的短语，然后想办法把这些短语塞进标题里。这并非完全无用，但这是在为匹配的查询端做优化，而真正的杠杆几乎全部在文档端。真正能体现在引用次数上的做法，是在前 150–200 个字里用简洁的陈述句直接回答问题，然后才展开细微差别、注意事项，或者你为什么有资格回答这个问题的来龙去脉。

我把我们自己一个帮助中心页面重写了一遍，纯粹是为了把答案移到首屏以上——内容不变，字数不变，只是调整了顺序——结果它开始出现在 Perplexity 对某个查询的回答中，而在此之前三个月它从未出现过。别的什么都没变。这只是一个小小的、单一的数据点，算不上研究，但正是这类事情会让你不再执着于写导语。

还有一个值得了解的二阶效应：由于检索的单位是文本块而非整个页面，长页面本身并不会因为内容深入而受到惩罚——只是在被引用时得不到相应的功劳，尽管这种深度很可能正是人类点击进入后留下来的原因。这意味着那种老习惯——在开头堆砌 SEO 套话（比如“在这篇全面的指南中，我们将探讨……”）——正在实实在在地让你失去那个真正重要的位置，而后面真正有实质内容的部分虽然在为点击率和停留时长做无偿的贡献，却完全进不了模型的上下文窗口。

真正该改变什么

按照我观察到的对页面效果影响从大到小排列，有三件事：把对隐含问题的直接回答放在第一段，而不是第三段。如果有具体数字或有名有姓的来源，就放进同一段落里——那个 40% 的数据不是巧合，模型在选择引用内容时似乎更看重具体的论断，而非泛泛的陈述。此外，标题的写法要仿佛每一条都可能是唯一被检索到的句子，因为对相当一部分 AI 问答流量而言，事实确实如此。

这一切都无法替代把内容从头到尾写好这件事本身。它只是意味着开头 200 字不再是可有可无的铺垫——它们就是整篇推销的核心，面向的是唯一一位读者：正在决定要不要引用你的模型。