GEO到底优化什么？
GEO关注内容在生成式系统中被发现、检索、选择、纳入答案、标明来源和呈现的全过程，而不只关注传统搜索结果中的排名。
3个对应信源组 · 第1.1版
生成式引擎优化
5条核心主张 · 返回知识点可查看完整定义、研究综合和全部信源组。
GEO研究中的“可见度提升40%”应该怎样理解？
原始研究报告的最高约40%可见度提升，只适用于GEO-bench及其特定模型和实验设置，不能直接外推为自然流量或转化增长。
2个对应信源组 · 第1.1版哪些GEO写法有效，为什么不能照搬成固定公式？
引用可靠来源、补充统计数据和使用权威来源中的引文，在原始实验中表现较好，但效果会随平台、领域、查询和竞争环境变化。
2个对应信源组 · 第1.1版怎样测量GEO效果才不容易误判？
单次查询不足以代表稳定表现；评估时应采用重复运行、多组提示词、明确的时间窗口和结果分布。
1个对应信源组 · 第1.1版页面为什么必须先进入候选范围，内容优化才有作用？
页面必须先通过抓取、索引、检索和排序进入候选上下文，内容优化才可能影响来源引用和答案采用；目前仍缺乏证明长期、跨平台流量增长的充分证据。
4个对应信源组 · 第1.1版大型语言模型
5条核心主张 · 返回知识点可查看完整定义、研究综合和全部信源组。
大型语言模型是怎样生成文字的？
大型语言模型通过大规模预训练学习语言序列和上下文模式，并据此生成、分析或转换文本。
2个对应信源组 · 第1.1版Transformer为什么成为大型语言模型的重要基础？
Transformer的注意力机制和并行训练是现代大型语言模型的重要技术基础，但并不能代表所有系统的完整结构。
1个对应信源组 · 第1.1版模型越大，能力就一定越强吗？
扩大训练规模可以带来上下文学习和少样本能力，但这些能力并不会在所有任务、语言和场景中稳定出现。
2个对应信源组 · 第1.1版指令微调和人类反馈能让模型不再犯错吗？
指令微调和人类反馈可以改善模型的指令遵循和偏好对齐，但不能消除事实错误和安全风险。
1个对应信源组 · 第1.1版大型语言模型有哪些主要风险？
大型语言模型可能产生虚构信息、偏差、隐私和安全风险，因此需要系统评测、风险管理和人工监督。
2个对应信源组 · 第1.1版检索增强生成
8个核心问题 · 返回知识点可查看完整定义、研究综合和全部信源组。
检索增强生成是什么？
检索增强生成在生成答案时，把外部检索到的知识作为上下文或非参数化记忆。
2个对应信源组 · 第1.1版RAG系统通常怎样完成一次回答？
典型的检索增强生成流程包括知识处理、索引、检索、排序、上下文增强和答案生成。
3个对应信源组 · 第1.1版RAG为什么能接入最新或领域知识？
检索增强生成可以在不重新训练整个基础模型的情况下，接入领域知识或较新的外部信息。
2个对应信源组 · 第1.1版为什么检索到了资料，RAG回答仍可能不好？
检索增强生成的效果取决于检索相关性、上下文质量、信息位置，以及模型利用证据的能力。
2个对应信源组 · 第1.1版RAG能彻底解决幻觉吗？
检索增强生成不能彻底消除幻觉；错误、噪声或相互冲突的检索内容仍可能误导生成结果。
2个对应信源组 · 第1.1版怎样评估一个RAG系统是否可靠？
评估检索增强生成时，应分别检查检索与上下文相关性、忠实度、答案相关性、鲁棒性和安全性。
3个对应信源组 · 第1.1版微调和RAG到底应该选哪个？
需要改变模型的任务行为、格式和稳定性时优先考虑微调；需要接入频繁更新、必须追踪来源的知识时优先考虑RAG。复杂系统可以组合，但应先确认单一方案是否足够。
2个对应信源组 · 第1.0版蒸馏、量化和RAG可以一起使用吗？
可以。系统可以使用蒸馏后的小模型承担明确任务，再通过量化降低部署资源，同时用RAG接入外部知识。但每增加一种技术，都会增加兼容、评测和故障定位成本。
2个对应信源组 · 第1.0版人工智能智能体
5条核心主张 · 返回知识点可查看完整定义、研究综合和全部信源组。
AI智能体和普通聊天机器人有什么区别？
人工智能智能体围绕目标感知环境状态、选择行动、调用工具，并根据执行反馈继续决策。
4个对应信源组 · 第1.1版AI智能体为什么要一边推理一边行动？
ReAct等方法通过交替进行推理与行动，把语言模型的推理过程与环境交互连接起来。
2个对应信源组 · 第1.1版AI智能体调用工具后，能力和风险会怎样变化？
工具调用能够扩展模型获取信息和执行操作的能力，同时也会引入权限滥用、提示注入和错误执行等风险。
2个对应信源组 · 第1.1版AI智能体为什么需要记忆和反思？
记忆、反思和多智能体协作可以支持更长的任务流程，但也可能累积错误、冲突和不一致。
2个对应信源组 · 第1.1版怎样判断一个AI智能体真的有能力？
智能体能力必须结合具体环境、任务、工具和权限进行评估，不能用单次演示推断其通用自主能力。
3个对应信源组 · 第1.1版知识图谱
5条核心主张 · 返回知识点可查看完整定义、研究综合和全部信源组。
知识图谱是什么，它解决什么问题？
知识图谱以图结构组织实体、属性和关系，用于支持语义查询、知识整合和关系分析。
3个对应信源组 · 第1.1版知识图谱一定要使用RDF吗？
RDF三元组是知识图谱常用的标准模型之一，但知识图谱也可以采用其他图数据模型。
3个对应信源组 · 第1.1版SPARQL是做什么用的？
SPARQL为RDF数据提供查询和更新规范。
1个对应信源组 · 第1.1版知识图谱为什么比关键词匹配更懂对象关系？
知识图谱可以帮助系统识别实体、消除歧义并连接相关事实，使信息处理从关键词匹配扩展到对象与关系。
2个对应信源组 · 第1.1版知识图谱为什么需要持续维护？
知识图谱质量取决于实体解析、模式设计、来源、版本和持续维护；不完整或过期的关系可能误导系统。
4个对应信源组 · 第1.1版实体搜索优化
6条核心主张 · 返回知识点可查看完整定义、研究综合和全部信源组。
实体搜索优化到底在优化什么？
实体搜索优化是一种减少实体身份歧义和语义歧义的应用方法，并不是搜索平台公开发布的统一标准。
2个对应信源组 · 第1.1版为什么品牌名称和资料必须保持一致？
名称、别名、类型、规范URL和主要属性在站内外保持一致，有助于系统把相关信息聚合到同一实体。
4个对应信源组 · 第1.1版加了结构化数据，搜索平台就一定能识别实体吗？
结构化数据可以为机器提供明确的实体线索，但不能保证抓取、索引、排名或富媒体展示。
3个对应信源组 · 第1.1版结构化数据可以写页面上没有的内容吗？
结构化标记应与用户可见内容保持一致，不能用隐藏或误导性数据替代真实页面信息。
3个对应信源组 · 第1.1版品牌官网的自我介绍，为什么不能单独证明可信度？
组织或人物的自我描述不能替代独立来源；信源质量、版本和关系准确性都会影响实体可信度。
2个对应信源组 · 第1.1版实体搜索优化能保证知识面板或AI引用吗？
目前没有充分证据证明某一套实体搜索优化动作能够稳定保证知识面板、AI引用或流量增长。
2个对应信源组 · 第1.1版结构化数据
5条核心主张 · 返回知识点可查看完整定义、研究综合和全部信源组。
结构化数据到底是什么？
结构化数据通过明确的字段、类型和关系，使机器能够以一致方式解析对象和信息。
4个对应信源组 · 第1.1版Schema.org、RDF和JSON-LD有什么区别？
数据模型、词汇表和序列化格式属于不同层次；Schema.org、RDF和JSON-LD不能被当作同一个概念。
2个对应信源组 · 第1.1版结构化数据必须和页面可见内容一致吗？
网页结构化数据应描述页面中的可见内容，并与实际对象、日期和属性保持一致。
3个对应信源组 · 第1.1版结构化数据验证通过，为什么仍不一定展示？
有效的结构化数据可以让页面具备某些展示功能的资格，但不能保证抓取、索引、排名或展示。
3个对应信源组 · 第1.1版结构化数据为什么需要持续维护？
词汇、平台功能和页面内容都会变化，因此需要持续验证、版本更新和错误监测。
3个对应信源组 · 第1.1版Schema.org结构化数据标准
5条核心主张 · 返回知识点可查看完整定义、研究综合和全部信源组。
Schema.org是什么？
Schema.org提供由类型和属性组成的共享结构化数据词汇。
3个对应信源组 · 第1.1版Schema.org可以用哪些方式写进网页？
Schema.org词汇可以通过JSON-LD、RDFa或Microdata等序列化方式写入网页。
2个对应信源组 · 第1.1版Schema.org支持的类型，搜索平台都支持吗？
Schema.org的完整词汇范围，大于任何单一搜索平台公开支持的功能集合。
3个对应信源组 · 第1.1版使用Schema.org能保证排名或富媒体结果吗？
采用Schema.org不能保证搜索排名或富媒体展示，使用方的技术条件和质量规则仍然适用。
3个对应信源组 · 第1.1版Schema.org为什么需要持续检查版本和平台支持？
Schema.org词汇持续演进，实施时应核查当前定义、版本以及使用方的支持情况。
1个对应信源组 · 第1.1版引用工程
6条核心主张 · 返回知识点可查看完整定义、研究综合和全部信源组。
什么样的引用才算可复核？
引用工程通过把核心主张连接到具体信源版本和精确位置，使读者能够复核证据。
3个对应信源组 · 第1.1版为什么同一个来源不能重复算成多个信源？
信源、信源版本、引用位置和独立信源属于不同概念；同一来源的多个页面入口或定位，不能重复计算为多个独立信源。
3个对应信源组 · 第1.1版一条完整证据链应该记录什么？
完整证据链应记录信息来源、生成或修订活动、责任主体和时间。
1个对应信源组 · 第1.1版引用为什么要标到具体页码或段落？
可复核的引用需要明确指向证据所在位置，例如页码、章节、段落、锚点或图表编号。
1个对应信源组 · 第1.1版内容修改后，为什么要保留旧版本？
重要修订应保留旧版本，并记录新旧版本之间的关系，避免静默覆盖历史内容。
3个对应信源组 · 第1.1版“引用工程”是不是正式标准？
“引用工程”是GEO百科采用的编辑框架，并不是W3C、Crossref或DataCite发布的正式标准名称。
3个对应信源组 · 第1.1版知识蒸馏
5个核心问题 · 返回知识点可查看完整定义、研究综合和全部信源组。
知识蒸馏是什么？
知识蒸馏是一种知识迁移方法：教师模型提供软目标、输出结果或中间表示，学生模型利用这些信号学习，在明确任务上尽量接近教师模型，同时使用更少的参数或更低的运行成本。
2个对应信源组 · 第1.0版学生模型会完整复制教师模型的能力吗？
通常不会。学生模型受容量、训练数据、蒸馏目标和评测范围限制，往往只在部分任务上接近教师模型，通用知识、边缘能力和鲁棒性可能明显下降。
2个对应信源组 · 第1.0版知识蒸馏为什么能降低成本和延迟？
蒸馏通常把明确任务迁移到更小模型。模型规模、计算量和内存需求下降后，单次推理成本和延迟有机会降低，但实际收益仍取决于硬件、上下文长度、批量和部署实现。
3个对应信源组 · 第1.0版知识蒸馏和普通微调有什么区别？
普通微调主要使用人工标签或理想输出让模型适配任务；知识蒸馏强调使用教师模型产生的更丰富信号训练学生模型。蒸馏经常通过微调实现，但两者的监督来源和目标并不相同。
2个对应信源组 · 第1.0版怎样判断蒸馏后的模型还能不能用？
需要同时比较学生模型与教师模型在目标任务上的质量、失败类型、延迟、吞吐、成本和安全表现，并使用未参与训练的数据进行重复评测。
3个对应信源组 · 第1.0版模型量化
6个核心问题 · 返回知识点可查看完整定义、研究综合和全部信源组。
模型量化到底改变了什么？
模型量化改变的是模型权重、激活值或其他计算数据的数值表示精度，例如从16位或32位浮点表示降到8位或4位表示，以减少内存和计算开销。
3个对应信源组 · 第1.0版4位、8位量化是什么意思？
4位或8位通常表示模型的部分权重或计算数据使用约4个或8个二进制位表示。位宽越低，理论存储占用越小，但误差控制、硬件支持和运行质量通常更难。
3个对应信源组 · 第1.0版模型量化后一定会变快吗？
不一定。量化通常能降低显存和数据传输需求，但是否加速还取决于硬件是否支持低精度计算、推理内核是否优化、批量大小和解量化开销。
2个对应信源组 · 第1.0版量化会让模型能力下降多少？
没有统一答案。能力变化取决于位宽、量化对象、算法、校准数据、模型结构和任务。合理方法可能在部分评测中保持大部分能力，但低位量化也可能显著损害特定推理和生成任务。
3个对应信源组 · 第1.0版量化和知识蒸馏有什么区别？
量化主要降低模型数值表示精度，通常不需要重新设计模型能力；知识蒸馏则用教师模型训练学生模型，重点是把能力迁移到更小模型。两者都可降低成本，但作用对象不同。
3个对应信源组 · 第1.0版怎样选择适合自己的量化方式？
先明确目标硬件、可接受质量损失、上下文长度和吞吐要求，再用代表性数据比较不同位宽与方法。不要只根据“4位更省”或单一排行榜做决定。
4个对应信源组 · 第1.0版模型微调
6个核心问题 · 返回知识点可查看完整定义、研究综合和全部信源组。
模型微调到底改变了什么？
模型微调使用特定任务数据继续训练基础模型，改变全部参数或新增适配参数，使模型更稳定地遵循目标任务、格式、风格或工具调用方式。
2个对应信源组 · 第1.0版微调能把企业知识永久教给模型吗？
不能这样保证。微调可能让模型学习训练数据中的模式和部分事实，但难以保证完整、精确、可更新地记住全部企业知识。频繁变化且必须核对原文的信息通常更适合RAG。
2个对应信源组 · 第1.0版微调和RAG有什么区别？
微调主要改变模型“怎样回答和执行任务”，RAG主要在回答时提供“现在应该依据哪些外部资料”。需要稳定行为时优先考虑微调，需要最新、可引用知识时优先考虑RAG。
3个对应信源组 · 第1.0版全量微调、LoRA和QLoRA有什么区别？
全量微调更新大量或全部基础参数；LoRA冻结基础权重并训练低秩适配参数；QLoRA在量化基础模型上训练LoRA参数，以进一步降低训练显存。
2个对应信源组 · 第1.0版什么情况下不应该微调？
当问题可以通过更清楚的提示词、结构化输出、工具调用或RAG解决，训练数据不足或没有可靠评测时，不应急于微调。平台能力和模型生命周期不稳定时也要谨慎。
2个对应信源组 · 第1.0版怎样判断微调是否真的有效？
在训练前建立基线，使用独立评测集比较基础模型和微调模型，并同时检查目标任务、通用能力、安全、成本和失败样本。
3个对应信源组 · 第1.0版