GEO 生成式引擎優化完整指南：官方文件與學術研究怎麼說

AI 搜尋興起之後，市場上湧現大量標榜「GEO」的服務與聽起來很吸引的承諾。這篇文章不談推銷，只回到可查證的來源——Google 官方文件、OpenAI 與 Perplexity 的爬蟲說明，以及 Princeton 等大學發表於 KDD 2024 的學術論文——說清楚 生成式引擎優化 到底有效在哪裡、無效在哪裡，以及企業應該把資源放在什麼地方。

先釐清一個容易混淆的地方。在香港的搜尋語境裡，「GEO」這個字眼絕大多數時候指地理（geography），例如地區定位或本地搜尋。但本文談的 GEO，全寫是 Generative Engine Optimization，中文譯作「生成式引擎優化」，與地理毫無關係。兩者共用同一組字母，是不少企業主第一次接觸這個題目時就搞錯的地方。本文所講的一切，都只針對生成式引擎優化。

以下內容由 ADWire Agency 團隊整理，結合香港本地實戰經驗與最新行業數據。

一、GEO 的準確定義與學術來源

GEO 這個概念並非營銷公司發明，而是來自學術界。它由 Princeton 等大學的研究團隊提出，定義為「協助內容創作者提升其在生成式引擎回應中可見度的框架」。這套框架屬黑盒優化——意思是研究者並不掌握生成式引擎的內部運作，只能從輸出結果回推什麼做法有用。研究團隊同時提出了 GEO-bench 基準，用來系統化測試不同優化手法的效果。論文發表於 KDD 2024。

來源：Aggarwal 等，《GEO: Generative Engine Optimization》，arXiv

學術角度下，SEO 與 GEO 的分別

論文對兩者的分工寫得很清楚：傳統 SEO 優化的是「排名位置」，GEO 優化的是「在 AI 生成答案中被引用或呈現」的能見度。排名第三的頁面，可能在生成式答案中被完整引用；排名第一的頁面，也可能完全不出現在摘要裡。這正是 GEO 被單獨提出來討論的原因。

來源：Aggarwal 等，KDD 2024

二、先講結論

三、GEO 與傳統 SEO 的實際分別

把兩者放在同一張表上對照，會發現它們的基礎設施重疊度極高，真正不同的只是「優化目標」與「成效觀察方式」。要注意的是：下表中間一欄描述的是「Google 自家 AI 搜尋功能」的運作，並不能直接套用到 ChatGPT、Perplexity 等第三方平台。

來源：KDD 2024 論文、Google Search 官方指引

四、Google 官方立場：為生成式 AI 優化，就是 SEO

這一節是全篇最需要看清楚的部分，因為它直接推翻了市場上大部分 GEO 服務的賣點。Google 於 2026 年 5 月新增了一份專門文件《Optimizing your website for generative AI features on Google Search》。文件的第一句立場就很清楚：從 Google Search 的角度，為生成式 AI 搜尋優化就是為搜尋體驗優化，因此仍然是 SEO。要說明的是，這並非 Google 首次談 AI 搜尋——Google 早於 2025 年 5 月已發表同時涵蓋 AI Overviews 與 AI Mode 的官方文章，所以更準確的說法是「2026 年新增了一份專門指引」，而不是「首份 AI 文件」。

來源：Google Search Central，Optimizing your website for generative AI features、Google Search Central Blog（2025 年 5 月）

同一個索引，沒有另一套系統

Google 說明，其 AI 功能建基於 Google 核心排名與品質系統，並使用同一個 Search 索引，而不是另設一個「AI 索引」。實際運作靠兩項技術：一是 RAG／grounding，從 Search 索引檢索即時網頁內容；二是 query fan-out，把用戶的一個問題拆成多個並行子查詢，再匯總成答案。

換句話說，你在傳統搜尋做得好的東西，本來就會被 AI 功能取用。並不存在一套只服務 AI 的獨立資料庫，自然也不存在一套只為 AI 而設的優化捷徑。不過要留意，這個「同一索引」的說法只適用於 Google 自家的 AI 功能，並不涵蓋 ChatGPT、Claude、Perplexity。

技術要求：被索引，以及納入生成式 AI 功能

Google 寫得很直接：頁面只需被索引，並具備在 Google Search 顯示 snippet 的資格，沒有額外技術要求。但官方指引同時補充一個容易漏掉的條件：網站必須在 Search Console 的生成式 AI 功能中被設為「納入」（included），才有資格在 Google Search 的生成式 AI 功能中顯示。換言之，如果網站曾被設定為排除，報表會看不到相關曝光，內容亦無法在 AI 功能中呈現。

想限制內容在 AI 功能的呈現，可以用 nosnippet、data-nosnippet、max-snippet 或 noindex；至於其他系統的 AI 訓練與 grounding，則由 Google-Extended 控制。這些機制各自獨立，不要混為一談。

來源：Google Search Central，AI features and your website、Search Console 生成式 AI 成效報告說明

Google 明言「不需要做的事」

官方指引甚至專門列出不需要做的事：不需要 AI 文字檔、不需要特殊標記、不需要 chunking、不需要為 AI 重寫內容。文件原文直接寫明：LLMS.txt 及其他「特殊」標記並不需要，因為 Google Search 本身並不使用它們。這幾句話，基本上把市面上最常被推銷的「GEO 技術項目」逐一否定了。

Google 點名的兩類無效做法

官方指引同時點出兩類做法沒有用。第一是追求「不真實的提及」（inauthentic mentions）——Google 直接表明這種做法並不有效。第二是為每一個查詢變體開設獨立頁面，企圖操縱排名；Google 指出這屬於 scaled content abuse，違反其垃圾內容政策。

來源：Google Search Central、Google 垃圾內容政策

五、AI 搜尋如何選取內容

不同平台的選取機制，官方其實都有說明，只是很少被引用。把它們並排，就會明白「一套做法通吃所有平台」的說法為何站不住。

Google：RAG 檢索＋query fan-out

Google 以 RAG 從 Search 索引檢索，再用 query fan-out 產生多個子查詢。AI Overviews 只在系統判斷對傳統搜尋有增益時才觸發，並非每次搜尋都會出現。這意味著能被檢索到的前提，仍然是內容本身可被爬取、被索引、被理解。

OpenAI 與 Perplexity：爬蟲權限是入場券

OpenAI 說明，OAI-SearchBot 用於在 ChatGPT 搜尋功能中呈現網站。官方的 robots.txt 設定是獨立的：你可以選擇允許 OAI-SearchBot 以出現在搜尋結果，同時禁止 GPTBot 以表示不願內容被用於訓練模型。要注意一個例外——即使封鎖了 OAI-SearchBot，網站仍可能以純導航連結的形式出現，只是不會被當作搜尋答案的內容來源。

Perplexity 同樣說明，PerplexityBot 用於在 Perplexity 搜尋結果中呈現及連結網站，並聲明不用於抓取內容訓練基礎模型，亦遵守 robots.txt。兩者都不是靠「提交給某個工具」而入選，而是靠爬蟲能否讀取。

來源：OpenAI，Crawlers 文件、Perplexity，PerplexityBot

AI 摘要出現後，點擊明顯下降

Pew Research 以 900 名美國成人為樣本的研究顯示，當搜尋結果出現 AI 摘要時，用戶點擊傳統結果的比例由 15% 降至 8%，而點擊摘要內連結的比例只有 1%。另一邊廂，Ahrefs 分析 190 萬條 AI Overview 引用後發現，76.1% 被引用的頁面同時排在 Google 前 10 名；但同一份分析亦記載，有 14.4% 被引用的頁面並不在前 100 名之內。

把兩個數字放在一起，較準確的結論是：傳統排名與被引用有明顯重疊，但重疊並非必然，也不構成「必須先有 top 10 排名」的門檻。同時要記住，AI 搜尋把「被看見」與「被點擊」拆開了——曝光未必帶來同等點擊。

來源：Pew Research、Ahrefs（第三方抽樣或日誌分析，非平台官方數據）

六、學術研究的實證效果

回到 Princeton 的論文，這是目前少數以受控實驗測試 GEO 手法的研究。主要結果是：GEO 方法在生成式引擎回應中最高可提升可見度 40%；在真實引擎 Perplexity.ai 上最高提升 37%。

更值得留意的是哪些方法有效。研究發現最有效的三種方法是：引用來源（Cite Sources）、加入統計數字（Statistics Addition）、加入引文（Quotation Addition）。相反，關鍵字堆砌（Keyword Stuffing）幾乎沒有提升，而刻意營造權威語氣亦沒有顯著改善。

來源：Aggarwal 等，KDD 2024 論文全文

七、可實際執行的 GEO 做法

把官方指引與論文結論合起來看，可以做的事其實相當樸素，而且大部分與做好 SEO 重疊。

內容結構：寫「非商品化內容」

Google 建議撰寫「非商品化內容」（non-commodity content），提供獨特觀點與第一手經驗；用標題與段落清楚組織；加入高品質圖片與影片。這與論文中「引用來源、加入統計數字、加入引文」的結論方向一致——本質都是讓內容帶有別人沒有的具體資訊，而非重複網上已有的泛論。

技術可存取性：讓爬蟲讀得到

Google 列出的條件包括：robots.txt 允許爬取、內部連結可達、良好頁面體驗、重要內容以文字呈現、結構化資料須與頁面可見文字一致。這些條件沒有「AI 專屬」的部分，全部都是傳統 SEO 的基礎工程。

結構化資料：維持，但不是為了 GEO

Google 明確表示 GEO 不需要特殊的 schema.org 標記，但應繼續使用結構化資料以維持 rich results 資格。同時要留意時效：FAQ rich result 這項功能，Google 已於 2026 年 5 月 7 日起不再在搜尋結果顯示，並於 2026 年 6 月中移除相關文件。因此把「加 FAQ Schema」說成提升 AI 引用的基本功，並不成立。結構化資料仍然有價值——它讓機器更準確理解頁面所描述的可見實體，但它的角色是描述內容，不是發放入場券。

來源：Google Search Central — 更新記錄、schema.org FAQPage

在地與電商：用官方渠道增加曝光

若業務涉及本地或電商，Google 建議使用 Merchant Center feeds 與 Google Business Profile 增加曝光。這是官方直接提供的渠道，比任何第三方「AI 提交工具」都來得實在。

來源：Google Search Central、AI features and your website

有效與無效做法對照

八、GEO 成效如何量度

量度是 GEO 最容易被含糊帶過的環節。先講可以拿到的數據。Google 於 2026 年 6 月 3 日公布 Search Console 的生成式 AI 成效報告，顯示 AI Overviews 及 AI Mode 的 impressions，並可細分 Pages、Countries、Devices、Dates 四個維度。截至 2026 年 8 月 31 日，這份報告已向全球所有網站推出。另外要注意，Google Search 與 Discover 的生成式 AI 報告是分開的兩份報表。

但要注意，該報告主要提供 impressions，並非獨立的 clicks 數據。也就是說，你能看到內容在 AI 功能中被曝光多少次，卻不能單憑這份報告得知帶來多少點擊。

至於轉換與流量，可以用 Google Analytics 追蹤；OpenAI 亦已在 ChatGPT 轉介 URL 自動加入 utm_source=chatgpt.com，方便你分辨來自 ChatGPT 的流量。

來源：Google Search Central Blog、Search Console 說明、OpenAI 說明中心

拿不到的數據，不要假裝拿得到

有些數據在現階段確實無法取得。沒有任何第三方工具能取得 Google 的內部排名或 AI 系統資料；Google 亦明確警告，應對聲稱擁有「內部指標」的工具保持警惕。此外，本次核實 ChatGPT 與 Perplexity 的官方文件，均未提供「本站被引用」的完整統計報表；市面上可見的數字多來自第三方工具抽樣 prompt 估算，各家方法與樣本各異，數據不可直接比較，引用時必須列出抽樣方法。

來源：Google Search Central（第三方抽樣估算須自行標示方法）

九、llms.txt 的真相

llms.txt 由 Jeremy Howard 於 2024 年 9 月 3 日提出，是一個建議性的 Markdown 檔案，放在網站根目錄，向 AI agent 提供網站摘要與重要頁面連結。它本身並非控制爬蟲的機制。

Google 的官方立場很直接：Google Search 不使用 llms.txt，建立它對 Google Search 的可見度或排名「既無害亦無益」。Google 的 John Mueller 把 llms.txt 比作已失效的 keywords meta tag；Gary Illyes 亦表示 Google 不支持 llms.txt，也沒有計劃支持。

實證數據同樣不支持它。Ahrefs 分析 137,210 個域名後發現，其中 28%（約 38,000 個）有發布 llms.txt，而 97% 的 llms.txt 檔案在 2026 年 5 月錄得零請求；在實際讀取 llms.txt 的請求中，多數來自非 AI 的工具或研究用途。這說明目前幾乎沒有 AI 系統在「主動找」這個檔案。

來源：llmstxt.org、Google Search Central、Ahrefs llms.txt 研究（第三方分析，2026 年 5 月母群 137,210 個域名）

十、市場上常見的誇大聲稱

把官方文件與第三方研究並排，市場上不少說法就站不住了。以下幾類聲稱最常見，也最容易被查證推翻。

一、把 llms.txt 說成「AI 收錄必備」

Google 已明言不使用 llms.txt，Ahrefs 的數據亦顯示絕大多數 llms.txt 檔案零請求。把它包裝成必要步驟，是把未經驗證的做法當成行業標準。

二、聲稱掌握「AI 內部指標」

沒有任何第三方工具能取得 Google 的內部排名或 AI 系統資料，Google 官方亦已就此發出警告。任何聲稱擁有這類數據的儀表板，其數字來源都值得追問。

三、把論文數字當成商業承諾

KDD 2024 論文的 40%／37% 是受控實驗結果，並非在 Google、ChatGPT 上的成效承諾。論文本身已說明效果因領域而異。引用時略去這個前提，就是斷章取義。

四、把 GEO 說成需要「額外技術」

Google 已列明不需要 AI 文字檔、特殊標記、chunking，亦不需為 AI 重寫。若一項服務的核心賣點是這些，它的價值基礎就很薄弱。

五、混淆 Google 官方指引的適用範圍

Google 的官方指引只涵蓋 Google 自家的 AI 功能，不涵蓋 ChatGPT、Claude、Perplexity。把 Google 的文件說成「適用於所有 AI 平台」，是把一份平台文件過度延伸。第三方平台各有自己的爬蟲與取用方式，需要分別處理。

GEO 的效果往往取決於底層內容與網站質素，建議一併參考 香港網頁設計價錢指南 及 AI Agent 企業應用指南。

想看香港本地 SEO 的執行步驟，可參考 香港 SEO 實施指南；若只想快速分清兩者分工，可看 SEO 與 GEO 的分別。

十一、常見問題

十二、總結

把官方文件與學術研究放在一起看，GEO 的圖像其實相當清楚。它是一個有用的觀察角度——提醒我們 AI 搜尋時代「被看見」與「被點擊」已經分家，內容在生成答案中的能見度值得單獨關注。但它不是一套獨立於 SEO 的新技術，更不是靠幾個新檔案就能繞過的捷徑。

Google 的立場最值得記住：為生成式 AI 搜尋優化就是為搜尋體驗優化，因此仍然是 SEO。同一索引、同一品質系統、沒有額外技術要求。真正有實證支持的做法，是寫別人沒有的具體內容——引用來源、加入統計數字、加入引文，並讓頁面可被爬取與索引。相反，關鍵字堆砌、追求不真實提及、為查詢變體濫開頁面，不是無效就是違規。

對香港企業而言，最務實的策略是不要把 GEO 當成一個獨立的預算項目，而是把它視為搜尋策略的自然延伸。市場上誇大的承諾之所以有市場，是因為量度困難、資訊不對稱；但只要回到官方文件與學術研究，大部分說法都可以自行驗證。若你希望把這些原則落實到網站的內容架構與技術基礎上，可以參考我們的 SEO 與 GEO 服務，我們的做法是從可查證的官方指引出發，先做好基礎工程，再談 AI 搜尋時代的內容策略。

主要來源及查核日期（2026 年 10 月 3 日）：Google 生成式 AI 優化指引、Google AI features and your website、Google Search 更新記錄、Search Console 生成式 AI 報表、KDD 2024 GEO 論文、OpenAI Crawlers、Perplexity Crawlers、Ahrefs llms.txt 研究。