术语表
GEO 的语言
你会在我们的报告与沟通里遇到的词，通俗定义——AI 引擎如何选择说什么，以及我们如何为教育品牌测量并改变它。
各部分如何关联
下面这些词串起同一条路径：一个问题，变成一段注明来源的回答——Besaid 再对它采样，测出你的可见度。
(θ)
- 度量θ (Theta)
- Besaid 用来表示「作为概率的可见度」的记号——AI 对某个问题的回答提及你品牌的估计概率。写作 θ 是提醒：它是来自采样的估计值，始终连同支撑它的样本量一起报告。
- 另见AI VisibilitySample SizePrompt Sampling
(A)
- 方法AEO
- 答案引擎优化——让内容被「答案引擎」（直接作答而非返回链接的 AI 助手）选中并引用。常与 GEO 混用；AEO 强调答案界面，GEO 强调背后的生成式模型。
- 另见GEOAnswer EngineCitations
- 检索AI Overviews
- Google 在传统搜索结果上方生成的 AI 答案块，将多个来源汇总为直接回答。被 AI Overview 引用，与在其下方蓝色链接中排名，是两个不同的可见度目标。
- 另见Answer EngineCitationsZero-Click
- 度量AI Visibility
- 品牌在生成式 AI 引擎回答中出现的频率与倾向。与搜索排名不同，它是概率性的——同一问题可能得到不同回答——因此要在多次采样上测量，而非一次查询。
- 另见θ (Theta)Share of VoiceSample Size
- 方法AI Visibility Diagnostic
- Besaid 的免费起点：对你的品牌跨各大 AI 引擎做一轮真实采样，当天交付一份能直接呈交管理层的报告——AI 的真实回答、你被推荐的频率，以及先从何处着手。
- 另见Managed GEOAI Visibility
(B)
- 度量Benchmark
- 在一组固定的问题与竞品上，对可见度反复做的标准化测量，用来追踪它随时间的变动、并把品牌放进所在品类里定位。基准只有在多次运行之间问题集与样本量保持稳定时才有意义。
- 另见Share of VoiceSample SizePrompt Sampling
(C)
- 检索Chunking
- 检索系统在索引之前，把一个页面切成更小段落的方式，以便把最相关的片段拉进回答。清晰的结构——标题、自成一体的段落——让你的内容切得干净，从而让其中正确的部分更易被检索与引用。
- 另见RetrievalRAGGrounding
- 内容Citations
- 答案引擎引用或点名作为回答依据的来源。引用是 GEO 最直接的杠杆：成为被引来源既带来转介流量，也提高引擎复述你说法的概率。
- 另见GroundingOwned MediaZero-Click
- 内容Crawler Access
- AI 公司的爬虫（GPTBot、ClaudeBot、Google-Extended、PerplexityBot 等）是否被允许抓取你的页面——通常由 robots.txt 管辖。若给某引擎供给训练或检索数据的爬虫被封，该引擎便无法用你的内容为回答接地。
- 另见robots.txtGroundingFreshness
(D)
- 检索Deep Research
- 一种引擎模式：它用数分钟跑很多次搜索、读几十个来源、写出一份长而带引用的报告来回答问题——而不是一次性回复。它把扇出大幅拓宽，因此即便远在头部结果之外的品牌，只要内容清晰、可检索，仍可能被纳入。
- 另见Fan-out QueriesRetrievalCitations
(E)
- 检索Embedding
- 一段文本的数值表示，把它放进一个高维空间，让意义相近的内容彼此靠近。检索系统会把问题与你的内容都嵌入，再按「邻近度」匹配——这正是为什么用真实买家提问的措辞来写页面，能帮你被检索到。
- 另见RetrievalRAGKnowledge Graph
- 内容Entity
- 引擎能识别并推理的独立对象——品牌、产品、人物或地点。AI 引擎把问题中的词语解析为实体；成为定义清晰、描述一致的实体，能让你更易被检索、也更不易与别家混淆。
- 另见Knowledge GraphSchema MarkupHallucination
- 方法Evidence Chain
- Besaid 的原则：每个指标都能回溯到背后的原始素材——AI 的逐字回答、确切提示词、引擎与模型、时间戳。这正是可审计测量与黑箱分数的分野。
- 另见Prompt SamplingSample SizeMention
(F)
- 检索Fan-out Queries
- 引擎从用户的单个提示里暗中生成的一组子问题，用来在回答前检索更广的上下文。扇出很重要：你的内容可能通过一个你从未看见的改写查询被召回。
- 另见RetrievalDeep ResearchGrounding
- 检索Freshness
- 引擎作答时，所依赖的那些内容有多新。有些引擎抓取实时页面；另一些用数月前的快照描述你。新鲜度解释了为何一次改动会在一个引擎里很快显现、在另一个里滞后——也解释了为何让关键事实保持最新很重要。
- 另见GroundingCrawler AccessRetrieval
(G)
- 方法GEO
- 生成式引擎优化——测量并改善生成式 AI 引擎在回答中如何呈现品牌的学科。SEO 的 AI 时代对应物，但优化对象是合成答案与引用，而非排名链接。
- 另见AEOAI VisibilityAnswer Engine
(H)
- 模型Hallucination
- AI 自信地陈述虚假或无依据的内容——关于你品牌的错误事实、杜撰的产品、把你的成果记在竞品名下。在 GEO 中，幻觉既是需监测的风险，也是一旦有据可查便可纠正的问题。
- 另见GroundingEntityEvidence Chain
(K)
- 内容Knowledge Graph
- 由实体及其相互关系构成的结构化网络，引擎借此回答事实性问题。把品牌描述得一致、可被机器读取，能改善它在这些图谱中的呈现。
- 另见EntitySchema MarkupGrounding
(L)
- 模型LLM
- 大语言模型——在海量文本上训练的神经网络，赋予生成式引擎理解问题、组织回答的能力。GPT、Gemini、DeepSeek 等名字背后的模型。
- 另见Answer EngineTokenTemperature
- 内容llms.txt
- 一份放在站点根目录的纯文本提案文件，向大语言模型说明本站是什么、重点在哪、该如何描述——llms.txt 之于 AI 引擎，正如 robots.txt 之于搜索爬虫。Besaid 发布了自己的一份作为示范。
- 另见robots.txtCrawler AccessGrounding
(M)
- 方法Managed GEO
- 以服务而非工具形态交付的 GEO：整套工作由 Besaid 团队执行——测量 AI 如何谈论你、亲手完成优化、并用前后对照的证据证明变化。你只需要读报告，永远不用操作仪表盘。
- 另见GEOAI Visibility Diagnostic
- 度量Mention
- 你的品牌在一次 AI 回答中出现的单个实例，无论是否作为引用被链接。在大量采样中统计提及，是可见度与声量份额指标背后的原始素材。
- 另见CitationsPositionShare of Voice
(O)
- 内容Owned Media
- 你自己掌控的域名上的内容——你的网站、帮助中心、博客——相对于谈论你的第三方页面。自有阵地份额，即引擎引用中指向你自有域名的比例，是 GEO 最直接的战场：那是你明天就能改动的内容。
- 另见CitationsShare of VoiceSchema Markup
(P)
- 度量Persona
- 采样引擎时提问所采用的用户身份——例如「家乡的准本科生」相对「在海外做研究的家长」。由于引擎会针对「看起来是谁在问」定制回答，人设是视角的一部分，会改变一次测量所讲述的故事。
- 另见VantagePrompt SamplingSentiment
- 度量Position
- 你的品牌在 AI 回答顺序中的位置——被第一个点名、埋在第三、还是列在最后。由于读者更看重最先出现的内容，位次要与「是否被提及」一并追踪。
- 另见MentionShare of VoiceSentiment
- 度量Prompt Sampling
- 在不同模型与条件下，多次向引擎提出相同或相关问题，以估计概率性回答，而非轻信单次回复。这是把聊天界面变成测量仪器的方法——其严谨程度取决于所披露的样本量。
- 另见Sample Sizeθ (Theta)Temperature
(R)
(S)
- 度量Sample Size
- 一项指标背后的采样数量——提示、引擎、运行次数——也是让它可信的分母。没有样本量的可见度数字，是没有刻度的数字；Besaid 为每个百分比都附上样本量。
- 另见θ (Theta)Prompt SamplingBenchmark
- 内容Schema Markup
- 加在页面上的结构化数据（常为 Schema.org / JSON-LD），以机器可读的形式说清这页在讲什么——一个机构、一门课程、一条评价。它帮助引擎把你的内容解析到正确的实体、并正确引用，是最可靠的自有阵地杠杆之一。
- 另见EntityKnowledge GraphOwned Media
- 度量Sentiment
- 引擎提及你品牌时所持的口吻——正面、中性、谨慎、负面。由于回答可能点了你的名却把你描述得不利，情感要与「是否出现」分开测量。
- 另见MentionPositionHallucination
- 模型System Prompt
- 引擎运营方在你的问题抵达模型之前，给模型的隐藏指令——设定它的人设、护栏与默认风格。你看不到它，但它塑造着每一个回答，这也是同一个模型在不同产品里可能表现不同的原因之一。
- 另见LLMPrompt SamplingTemperature
(T)
- 模型Temperature
- 一个控制引擎输出随机程度的设置：低温让回答更可复现，高温让回答更多变。这是「同一个问题得到不同回复」的原因之一，也是「可见度必须在采样上估计、而非从单次运行读出」的原因之一。
- 另见Prompt SamplingSample SizeLLM
(V)
- 度量Vantage
- 提问所处的视角——采样引擎时模拟或真实使用的语言、地理位置与人设。回答会随视角变化，因此「本地市场视角」与「真实境外节点」，可能把同一个品牌讲成迥然不同的故事。
- 另见PersonaPrompt SamplingSentiment
(Z)
- 度量Zero-Click
- 当 AI 把一个问题回答得足够完整，以致用户根本不点进任何来源。零点击正是为何「在回答内被准确地提及与描述」如今与「赢得点击」同样重要——有时更重要，因为那个点击可能永远不会到来。
- 另见CitationsAI VisibilityAnswer Engine