GEO 指标词汇表
生成式引擎优化里的每个指标，按我们生产环境的真实算法定义：一句话定义、精确公式、算例。所有公式采用窗口池化口径，且只统计成功完成的模型 run——失败的 run 从一切分母中排除。
GEO（生成式引擎优化）
GEO 是改善 AI 助手与答案引擎如何呈现品牌的实践——是否出现在回答中、如何被定性、引用了哪些来源、说得对不对。
说明: SEO 优化的是结果页上的排名链接；GEO 优化的是「被生成的答案本身点名」。
算例: 一个品牌把品类 prompt 上的 ChatGPT 提及率从 20% 做到 45%，就是做了 GEO——尽管没有任何搜索排名变化。
Prompt 集
Prompt 集是一组固定的买家式提问，按计划跑在每个 AI 模型上，用于随时间一致地测量品牌可见性。
说明: 均衡的 prompt 集大致按 35% 品类、35% 对比、30% 场景切分，且永远不包含品牌名本身。
算例: 「适合付费 newsletter 的最佳邮件平台」属于合格 prompt；「Beehiiv 好用吗？」不合格——它把品牌泄漏进了问题。
提及率 Mention Rate
提及率是品牌至少被点名一次的 run 数占成功完成 run 总数的百分比。
mentionRate = 提及 run 数 ÷ 成功完成 run 数 × 100
说明: 分母只统计成功完成的 run——模型报错或未跑完的 run 被排除，因为它们既不是「提及」也不是「未提及」。
算例: 80 个成功完成的 DeepSeek run 里有 40 个点了你的名，DeepSeek 提及率就是 50%。
引用率 Citation Rate
引用率是你的品牌提及中带有归属于你品牌的引用来源的百分比。
citationRate = 带引用提及数 ÷ 品牌提及数 × 100
说明: 只有归属到该品牌的引用集合非空时才算「带引用」——回答里其他位置的任意 URL 不算。提及为 0 时该指标为 null（无信号），不是 0%。
算例: 40 次提及中有 12 次带品牌归属的来源链接，引用率就是 30%。
引用声量 Citation SoV
引用声量是一次扫描中全部品牌归属引用 URL 里归属于你（而非竞品）的百分比。
citationSov = 品牌被引用 URL 数 ÷（品牌 + 竞品被引用 URL 数）× 100
说明: 提及型 SoV 量「谁被点名」，引用型 SoV 量「谁有出处」。两者的差值是战略信号——见下方「提及率 vs 引用率」。
算例: 拿着 26% 的提及份额却只有 7% 的引用份额，说明模型靠记忆点你的名，却拿竞品的页面当依据。
提及率 vs 引用率
提及率量品牌在 AI 回答中被点名的频率；引用率量这些点名有多大比例带来源背书——两者会分叉，分叉本身就是诊断。
说明: 提及强、引用弱：模型记得你，但找不到可引用的权威页面——投入信源层。引用强、提及弱：你被当参考资料用，却没被当可选品牌摆出来——投入定位内容。
算例: 提及率 50%、引用率 15% 的品牌赢在记忆、输在依据；下一次模型更新就可能让这些提及消失。
情感得分 Sentiment Score
情感得分是品牌提及中被判为正面（或负面）的百分比，衡量品牌出现时被如何定性。
sentimentPosRate = 正面提及数 ÷ 品牌提及数 × 100 sentimentNegRate = 负面提及数 ÷ 品牌提及数 × 100
说明: 每次提及被分类为正面、中性或负面。提及为 0 时得分为 null——「无信号」与 0% 是刻意区分的两回事。
算例: 40 次提及中 24 次正面、2 次负面：正面 60%、负面 5%，其余中性。
回答准确率 / 幻觉率
回答准确率是品牌提及中未被标记为疑似幻觉的百分比；幻觉率是它的补数。
answerAccuracy =（品牌提及数 − 被标记提及数）÷ 品牌提及数 × 100 幻觉率 = 100 − answerAccuracy
说明: 标记来自跨模型投票：模型对同一 prompt 产生分歧时，LLM 裁判评估事实冲突严重度；medium/high 时该 prompt 下所有提及都被标记——刻意保守。按窗口池化计算，不做逐日平均。
算例: 40 次提及中有 7 次落在被标记冲突的 prompt 下：准确率 82.5%，幻觉率 17.5%。
跨模型触达 Cross-LLM Reach
跨模型触达是测量窗口内至少提及过品牌一次的模型占有效模型总数的百分比。
crossLlmReach = 提及过的模型数 ÷ 有效模型数 × 100
说明: 提及率量深度，触达量广度：一个品牌可以在某个模型上提及率很高，而在另外六个上完全缺席。
算例: 窗口内 7 个被跟踪模型中有 4 个提及过你 → 跨模型触达 57%。
查询扇出 Query Fan-out
查询扇出是 AI 助手在搜索前把用户的问题扩展成多条子查询的隐藏步骤，最终答案由用户从未直接问过的来源拼接而成。
说明: 单条子查询在多次运行间不稳定（研究测得稳定性约 27%），但主题反复出现——优化主题覆盖，而不是追具体子查询。
算例: 「适合创业公司的最佳 CRM」可能扇出成价格、集成、替代品等子查询；缺价格页的品牌会输掉每一次触发价格子查询的扇出。
在你的品牌上实测这些指标
免费跑一次扫描，拿到 7 个 AI 模型上的提及率、声量份额、情感与引用——完全按上面的定义计算。
免费开始