生成式引擎优化
生成式引擎优化研究内容在生成式搜索与问答系统中如何被检索、选择、采用、引用和呈现；它强调可验证证据与持续测量，不等同于传统搜索排名，也不构成流量增长承诺。
5条核心主张 · 6个独立信源组 · 第4.0版
稳定知识点
Stable表示当前公开基线已经审核，不表示内容冻结；新研究将通过新的修订记录补充或修正。
大型语言模型
大型语言模型是在大规模文本与其他数据上训练的生成模型，通常基于Transformer架构，通过预测和生成序列完成问答、写作、分析与工具调用；能力随训练、对齐和使用环境变化，也会产生错误与风险。
5条核心主张 · 6个独立信源组 · 第2.0版检索增强生成
检索增强生成把生成模型与外部可检索知识结合：系统先检索文档、数据库或知识库，再将相关内容加入上下文生成答案。它有助于接入新知识与来源，但不能自动消除幻觉。
6条核心主张 · 8个独立信源组 · 第2.0版人工智能智能体
人工智能智能体是一类围绕目标感知环境、规划或推理、调用工具、执行动作并根据反馈继续调整的系统。它可以扩展模型的行动能力，也会引入权限、错误传播和安全治理问题。
5条核心主张 · 6个独立信源组 · 第2.0版知识图谱
知识图谱用节点和关系组织实体、属性与事实，使人和机器可以围绕“对象是谁、彼此如何关联、证据来自哪里”进行查询、整合和推理。RDF是常用标准之一，但并非所有知识图谱都使用同一种技术。
5条核心主张 · 6个独立信源组 · 第2.0版实体搜索优化
实体搜索优化是一种让搜索与AI系统更一致地识别人、组织、产品、地点或概念的方法，重点是名称、类型、规范URL、属性、关系和独立来源的一致性；它不是官方排名标准，也不保证获得知识面板或AI引用。
6条核心主张 · 6个独立信源组 · 第2.0版结构化数据
结构化数据使用预定义字段、类型和关系，以机器可解析的方式描述页面或数据中的对象。数据模型、词汇和序列化格式是不同层次；正确标记有助于理解和功能资格，但不保证排名或展示。
5条核心主张 · 6个独立信源组 · 第2.0版Schema.org结构化数据标准
Schema.org是由协作社区维护的共享词汇，使用类型和属性描述人物、组织、作品、事件、产品等对象。它可通过JSON-LD、RDFa或Microdata表达，但搜索平台只支持其中一部分功能。
5条核心主张 · 6个独立信源组 · 第2.0版引用工程
引用工程是GEO百科用于组织“主张—来源—版本—精确位置—修订历史”的编辑方法。它强调每条重要事实都能回到具体信源版本和精确位置，并把来源数量、Citation数量与独立信源数量分开。
6条核心主张 · 5个独立信源组 · 第2.0版E-E-A-T内容质量与信任体系
贯穿全站的信任主轴：经验、专业性、外部权威与可信责任。
官方指南＋责任与版本机制知识蒸馏
知识蒸馏通过教师模型的输出、概率分布或中间表示训练学生模型，使较小模型在特定任务上接近教师模型表现，但不保证完整继承教师模型的通用能力。
5个核心问题 · 3个独立信源组 · 第1.0版模型量化
模型量化通过降低权重、激活值或相关计算数据的数值精度，减少内存占用和数据传输成本；实际速度与质量取决于量化方法、位宽、模型、任务、硬件和推理实现。
6个核心问题 · 4个独立信源组 · 第1.0版模型微调
模型微调通过任务示例进一步调整模型参数或适配参数，使模型更稳定地完成特定任务或遵循特定输出方式；它不能替代持续更新的外部知识库和事实核验。
6个核心问题 · 4个独立信源组 · 第1.0版综合对比入口
蒸馏、量化、微调和RAG到底有什么区别？
先按“能力迁移、部署资源、任务行为、外部知识”分清四种技术，再进入20个具体问题。
进入综合对比 →