GEO 评分

GEO 评分之于 AI 搜索可见性，约等于 Lighthouse 评分之于页面性能：一个可重复的复合指标，把「这个站准备好了没有」从感觉变成清单。价值不在数字本身，而在它下面的发现——每个未通过的检查带着优先级和修法。

我们测的五个层

1. 事实层（35%），内容带日期、数字有来源、引用、方法披露。AI 引擎优先引用可验证的主张。
2. 结构层（25%），语义化标题、FAQ schema、BLUF 式摘要、表格。检索系统从结构里抽取。
3. 语义层（15%），实体清晰、显式定义、命名一致。机器得先解析出你是什么，才会引用你。
4. AI 可达层（15%），robots.txt 的 AI 爬虫规则、llms.txt、没有只在客户端渲染的内容的干净 HTML。
5. 信任层（10%），署名、关于页、联系方式、外部身份一致。

权重是在真实审计数据上自校准的，不是抄论文，已发表的 GEO 权重方案和真实引用结果相关性很弱，所以我们对着观测到的检索行为调。

GEO 评分不该做什么

• 不许诺排名。 GEO 就绪是必要条件不是充分条件。可被引用不等于有人搜你。
• 不用 LLM 当裁判出数字。 模型观点会漂移，确定性检查不会。
• 不藏清单。 黑箱分数没法验证。每个检查都该可检查，我们的在 GEO 评分文档里。

相关概念

• llms.txt — AI 可达层里的一个输入
• AI 声音份额 — 站点侧分数配对的答案侧指标
• 主题权威度 — 语义层的长期游戏

常见问题

什么是 GEO 评分？

GEO（生成式引擎优化）评分衡量一个网站被 AI 答案引擎检索、理解、引用的就绪度。它把内容质量、结构、语义、AI 可达性、信任信号等检查聚合成一个数字，并附可执行的发现。

ZensInk 的 GEO 评分测什么？

五个加权层的 16 个维度：事实层（35%，日期、数字、来源、引用）、结构层（25%，标题、schema、FAQ）、语义层（15%，实体清晰度、定义）、AI 可达层（15%，robots.txt AI 规则、llms.txt、干净 HTML）、信任层（10%，作者、关于页、联系方式）。全部是确定性检查，同一个站点永远得同一个分。

为什么用确定性打分而不是 AI 打分？

LLM 评分在两次运行之间会漂移，没法做回归测试。确定性检查每次输出相同，分数变了就一定是站点变了。AI 判断仍然参与，但用在解读发现上，不用在生成数字上。

GEO 评分多少算好？

80 以上算强，60 到 80 有明显缺口，60 以下有结构性问题。比数字更有用的是：每个未通过的检查都带优先级（P0/P1/P2）和具体修法，没有修复方案的分数只是冷知识。