作者borja基于Distribb SEO代理的实战数据，将SEO策略从S到F分级排名。S级包括主题权威性、原创数据、数字公关、寄生SEO和购买意图关键词；A级为外链和内链；B级为E-E-A-T；C级为结构化数据；F级为页面速度。核心观点是：AI搜索引用的是他人榜单而非你的产品页，因此要成为被引用的对象。84%的AI引用来自赚取的媒体报道，添加统计数据可提升41%的可见性。该策略帮助实现3个月内5.7万次Google AI Overview提及。
作者取消了自己每月 250 美元的 SEO 订阅工具，改用 AI Agent（如 Claude Code）配合 Treg MCP 服务，以每次约 8 美分的价格完成 SEO 研究。文章介绍了 SEO 与 AI 搜索可见性（GEO/AEO）的区别，并给出一个五步研究流程：挑选真实用户问题、检查自己网站已有页面、分析 Google 前 10 结果、检查 AI 助手引用来源、生成一页简报并决定改进、新建或跳过。作者分享了首次实战案例和页面优化决策规则，强调代理负责低成本收集证据，而判断与写作决策仍由人来掌控。
文章指出企业做 GEO（生成式引擎优化）的常见误区是只写博客，而 AI 回答用户提问时寻找的是最适合的“信息资产”。作者按 Prompt 意图分类，详细说明各类问题应匹配的内容类型：定义页建立概念权威、教程覆盖任务型问题、场景化选择指南进入推荐答案、对比页影响决策、透明定价页降低交易阻力、安全合规页建立信任、原创数据报告获得长期引用、客户案例证明效果、替代方案页拦截竞争需求、本地页面进入区域推荐。文章强调应按不同意图建设差异化信息资产体系，并采用不同的衡量指标，而非单一追求流量。
作者指出在 AI 搜索时代，自吹自擂的'最佳工具'榜单已失效：Lily Ray 研究显示 Google AI Overviews 引用自利榜单时，69% 的情况下会把该品牌排除在推荐之外。作者提出 GEO（生成引擎优化）六步打法：先做好基础 SEO；锁定比较型关键词（best X 2026、品牌 reviews、alternatives）；通过付费、交换、寄生平台等方式进入他人网站的榜单；在 Reddit、YouTube 等 LLM 常引用的平台建立真实存在；为高权重媒体撰稿建立实体关联；集中精力经营单一评论平台。核心思想是：让自己出现在没有利益关系的第三方信源中。
文章基于12000字实证报告，系统梳理中国GEO（生成式引擎优化）生态。作者逐条核实行业流传数据，发现多数为假。文章提出品牌进入AI答案需过五道闸（可达、可信、命中、入答、转化），指出搜索总量未塌但点击在流失，AI引荐流量转化率高但绝对量小。买方侧真实存在但卡在验收难题，实际付费者多为高获客成本的中小B端。全球资本已投票（Adobe 19亿美元收购Semrush、Profound成独角兽），但交易层收入池仍是空的。技术层面，主流GEO优化手法的有效性存争议，中国服务商最赚钱的做法恰是合规风险最高的。
文章探讨 GEO/SEO 排名中的关键因子：Entity（实体）定义与主题权重。作者将网站比作一本书，Entity 是书名，Topical Map 是大纲，内容是正文。Entity 定义需回答四个问题：我是谁、我提供什么、我服务谁、我不覆盖什么，以明确网站身份和内容边界，避免盲目蹭流量。定义 Entity 后，通过外部渠道（AI 工具、Ahrefs、Wikipedia 等）和内部渠道（用户访谈、客服反馈等）收集主题，再按商业价值与品牌相关度评估筛选，构建主题地图。文中以 HeyGen、Ahrefs 为例说明 Entity 定义与升级过程。
作者对10家公司进行了AI搜索可见性审计，分析ChatGPT和Gemini在回答软件推荐类问题时实际引用哪些页面。研究发现，AI可见性与被引用页面数量高度相关（相关系数0.91）。各公司获胜策略不同：Vercel靠文档、Zapier靠集成与博客、ElevenLabs为每个产品能力建独立页面、Amplitude主打比较查询。文章逐家分析差距并提出建议：Replit应补'无代码构建部署'内容、Vercel应主动讲清大规模成本、PostHog需瞄准购买决策类查询、ElevenLabs应发布价格对比。
本文针对新网站SEO效果不佳的问题，系统梳理了Google搜索的核心流程与关键要点。文章从Google的抓取、索引、展示三阶段出发，详细讲解了Sitemap提交、robots.txt与noindex的正确使用、CSR与SSR对SEO的影响、Canonical标签的合理设置、Schema标记的作用、关键词研究应聚焦搜索意图、开源工具OpenSEO的应用、AI内容与E-E-A-T的实践原则，以及Core Web Vitals的评估方法。最后，文章结合Google最新发布的Generative AI Search Optimization Guide，指出AI搜索时代SEO依然重要，但需回归内容质量与技术基础，并澄清了llms.txt等GEO技巧的误区。
本文详细介绍了如何为游戏网站寻找有价值的需求，强调60%的关键在于找需求。作者通过SteamDB、YouTube、Similarweb等工具，从游戏趋势、玩家讨论、搜索验证到关键词矩阵，系统性地演示了从发现需求到开发上线的完整流程。以游戏《小丑牌》为例，展示了如何利用工具验证需求、分析竞争情况，并借助AI整理关键词与页面矩阵，为游戏站SEO提供实操指南。
本文介绍了如何利用免费、自托管的工具和智能代理构建一套完整的SEO工作流，以应对AI搜索带来的新挑战。作者详细阐述了从传统SEO基础（如OpenSEO进行网站审计、关键词研究、域名概览、外链分析和排名追踪）到AI搜索层（如品牌可见性检查和提示词探索器）的构建过程，并强调了数据成本与免费软件的区别。该设置旨在帮助用户识别技术问题、发现机会、跟踪进展，并了解品牌在AI回答中的表现，最终提供可操作的调查方向，而非保证排名。
文章探讨了生成式引擎优化（GEO）的重要性。随着 AI 搜索成为用户采购决策的首选入口，品牌若不被 AI 推荐将面临巨大流量损失。文章详细对比了国内外主流 AI（如豆包、文心、ChatGPT）的内容抓取机制与引用偏好，指出国内存在“围墙花园”现象，并提供了针对性的内容优化策略与效果监测方法。
文章探讨了 AI 时代下的内容可见性（GEO），区别于传统 SEO。作者通过实践指出，AI 搜索更看重结构清晰、来源可靠而非排名。核心策略包括：利用 robots.txt 区分并管理不同类型的 AI 爬虫；部署 llms.txt 为 AI 提供结构化站点概览；确保搜索引擎收录以作为 AI 索引基础；构建专门的知识页面并提供 JSON 数据接口。文章还通过数据分析，否定了 FAQ、JSON-LD 等手段的有效性，强调具体性、内容长度及相关性是提升 AI 引用率的关键。
文章分析了 AI 搜索时代的流量逻辑，指出“被检索”不等于“被引用”。基于 Ahrefs 的数据，作者提出 AI 搜索正在建立新的“引用排序”机制，类似 Google 的 PageRank。内容创作者需要从单纯的关键词覆盖，转向创作“可被机器归因的知识单元”，通过清晰的标题、结构和结论来提升被引用的概率。
