Table of Contents
看不懂提案裡的名詞，最大的風險不是被騙錢，是你沒辦法判斷對方在講哪一層。
GEO、AEO、AIO、llms.txt、Schema、Topic Cluster、Entity、RAG——這些詞會同時出現在同一份提案裡，但它們分屬完全不同的層次：有的在講目標，有的在講技術做法，有的其實只是量測方式。這篇把 18 個最常出現的詞照四個群組整理，每個都附一句「這關你什麼事」。
一句話先回答
AI 搜尋的名詞可以分四群：①目標（SEO／AEO／GEO／AIO，你想達成什麼）、②AI 怎麼拿到你的資料（爬蟲、robots.txt、llms.txt、結構化資料、RAG）、③內容與權威（Topic Cluster、Entity、E-E-A-T、PAA、UGC）、④怎麼衡量與風險（提及／引用、能見度、幻覺、零點擊）。看提案時先判斷對方講的詞落在哪一群——如果整份提案的詞都集中在第①群，代表他還停在講目標，沒有進到做法與驗收。
一、你想達成什麼：四個容易混用的縮寫
這四個詞最常被混著用，連廠商自己都會講錯。它們不是同一件事的四種說法，而是目標不同；目標不同，成功長什麼樣就不同，該收的錢與該交的東西也不同。
| 縮寫 | 全名 | 要達成什麼 | 怎麼算成功 |
|---|---|---|---|
| SEO | Search Engine Optimization 搜尋引擎最佳化 |
在 Google 的搜尋結果頁排前面 | 排名、曝光、點擊 |
| AEO | Answer Engine Optimization 答案引擎最佳化 |
成為「被直接拿去當答案」的那一段內容 | 精選摘要、問答區塊的佔位 |
| GEO | Generative Engine Optimization 生成式引擎最佳化 |
讓生成式 AI 在回答時提到你、引用你 | 提及率、引用來源裡有沒有你 |
| AIO | AI Overview （Google 的 AI 摘要） |
出現在 Google 搜尋頁最上方那段 AI 摘要裡 | 有沒有被列為摘要的來源連結 |
LLM（大型語言模型）Large Language Model
ChatGPT、Gemini、Claude 這些工具背後的模型。它不是資料庫，不會「查表」，而是根據訓練過的大量文字去生成最合理的一段話——所以同一題問兩次，答案可能不完全一樣。
這關你什麼事：這解釋了為什麼沒有人能保證「AI 一定會推薦你」。任何做出這種保證的提案，在技術上就站不住腳。成效只能看趨勢，不能看單次結果。
二、AI 怎麼拿到你的資料
這一群是 GEO 裡真正需要動到網站的部分，也是最容易被含糊帶過的部分。提案裡如果完全沒有這一群的詞，代表對方大概只打算幫你寫文章。
檢索型爬蟲 vs 訓練型爬蟲retrieval crawler vs training crawler
兩種常被混為一談，但差很多。檢索型是 AI 當下要回答問題時才去抓網頁（例如 OAI-SearchBot、PerplexityBot）；訓練型是把內容抓回去當訓練資料（例如 GPTBot、ClaudeBot、Google-Extended、CCBot）。
這關你什麼事：有些網站的 robots.txt 把訓練型整批擋掉了，站主自己完全不知道。擋訓練型不會影響 AI 當下引用你，但會讓模型長期「不認識」你的品牌——這是兩個不同的決定，要分開判斷，不要一句「有沒有擋 AI」帶過。
robots.txt
放在網站根目錄的一份文字檔，告訴各家爬蟲哪些路徑可以抓、哪些不行。它是「請求」不是「強制」，但主流爬蟲都會遵守。
這關你什麼事：這是最便宜也最容易出事的一個檔案。用平台或 CDN 代管的網站，robots.txt 有可能被平台預設值蓋掉。做 GEO 的第一步就是把它打開來看一眼。
llms.txt
放在網站根目錄的一份純文字清單，用意是告訴 AI「這個網站最重要的內容在哪幾頁」。格式很簡單，就是標題加連結加一句說明。
這關你什麼事：🔴 它目前不是任何平台的正式標準，也沒有平台公開承諾會讀。成本很低所以值得做，但如果有人把它講成關鍵手段或主要賣點，那是話術。
結構化資料（Schema）Structured Data / Schema.org
寫在網頁原始碼裡、給機器看的一段標記，用來說明「這頁是一篇文章／一個服務／一組問答／一家在地商家」，以及裡面有哪些欄位（價格、營業時間、作者、評分）。人看網頁靠版面判斷，機器靠這個。
這關你什麼事：沒做不會被懲罰，但等於放棄一次把話講清楚的機會。特別是 FAQ 與在地商家這兩種，做了之後機器要摘你的內容會容易很多。
RAG（檢索增強生成）Retrieval-Augmented Generation
AI 在回答之前先去搜尋、把找到的網頁內容讀進來，再根據那些內容生成答案。現在幾個主要平台的「聯網搜尋」模式走的就是這一套。
這關你什麼事：這是 GEO 之所以有機會的技術前提——因為答案不完全來自訓練資料，而是來自它當下抓到的網頁。你今天改網站，它明天就可能讀到新版本。
零點擊搜尋zero-click search
使用者在搜尋結果頁或 AI 的回答裡就得到答案，沒有點進任何網站。
這關你什麼事：這是為什麼「排名第一」跟「有流量」開始脫鉤。也是為什麼衡量 GEO 不能只看流量報表——影響已經發生了，只是沒有留下點擊紀錄。
三、內容與權威怎麼建立
主題群集（Topic Cluster）
圍繞一個核心主題寫一整組相關內容，再互相連結起來。例如核心是「包裝設計」，底下延伸出刀模、紙材、後加工、起印量等文章，彼此串連。
這關你什麼事：單篇孤文很難讓機器判斷你在這個領域是真的懂。這也是為什麼「每個月發 N 篇」不是好指標——重點是這 N 篇有沒有長在同一棵樹上。
實體（Entity）
機器眼中的「一個確定的東西」——一家公司、一個人、一項服務、一個地點。當你的公司名、地址、電話、服務項目在網路各處寫法一致時，機器才拼得出這是同一個實體。
這關你什麼事：🔴 這是中小企業最常見的隱形失分。公司全名、簡稱、英文名在官網、商家檔案、報導、社群上寫法各不相同，機器會當成好幾個不相干的東西處理，累積的權威就散掉了。
E-E-A-TExperience, Expertise, Authoritativeness, Trustworthiness
經驗、專業、權威、可信度。Google 用來評估內容品質的一組原則，寫在它公開的搜尋品質評估指南裡。
這關你什麼事：具體到可以動手的版本是：誰寫的（有沒有署名與經歷）、憑什麼（有沒有實際做過的證據）、找得到人嗎（聯絡方式、地址、統編）。這三件事對 AI 判斷要不要引用你同樣有效。
PAA（使用者也問了）People Also Ask
Google 搜尋結果中間那個可以展開的問答區塊，列出相關的延伸問題。
這關你什麼事：它是一份免費的題目清單——那些就是真實使用者會問的問法。拿來當內容主題的來源，比自己憑感覺想題目準得多。
UGC（使用者產生的內容）User-Generated Content
不是品牌自己寫的內容：PTT 討論串、Dcard 心得、Google 評論、Mobile01 開箱、YouTube 影片留言。
這關你什麼事：AI 在判斷一個品牌值不值得推薦時，這類第三方聲音的份量常常高於官網。但要注意不同產業差很多——B2B 專業服務的 AI 引用來源第一名往往是同業官網，消費品才是論壇當道。先測過再決定內容要放哪裡。
四、怎麼衡量，以及有什麼風險
提及 vs 引用mention vs citation
提及＝AI 在答案裡講到你的名字；引用＝它同時附上你的網址當來源。
這關你什麼事：兩個要分開記。被引用代表它確實讀到了你的內容；被提及則可能來自訓練資料裡的舊印象，甚至是從別人的文章裡看到你。只看其中一個會誤判目前的處境。
AI 能見度 / 提及率AI visibility
用一組固定的題目，定期在各平台上問，統計你被提到的比例。它不是任何平台官方提供的數據，是自己跑出來的。
這關你什麼事：🔴 因為是自己跑的，題目怎麼定、多久測一次，決定了這個數字有沒有意義。題庫一旦定案就不能換，換了趨勢線就斷掉。廠商如果講不出題庫怎麼定，這個數字不用看。
幻覺hallucination
AI 講出聽起來合理、但事實上錯誤的內容。包括把不存在的服務算到你頭上、講錯你的營業時間、或把同業的案例安在你身上。
這關你什麼事：這是 GEO 少被提到的一面：你不只要爭取被提到，也要確認被提到的內容是對的。檢測時要連答案內容一起看，不能只數有沒有出現名字。
大型語言模型的知識截止日knowledge cutoff
模型訓練資料的時間點。在那之後發生的事，模型本身並不知道——除非它啟用聯網搜尋（也就是前面講的 RAG）當場去查。
這關你什麼事：這解釋了兩個常見現象：AI 有時會講出你三年前的舊資訊；以及為什麼同一題在「聯網」與「不聯網」模式下答案會差很多。檢測時要固定用同一種模式，否則前後比不了。
這張表會隨市場更新。AI 搜尋的名詞還在變，有些現在很紅的詞過一年可能就沒人用；我們每個月跑客戶檢測時遇到新說法會補進來，也會把已經沒意義的詞標示出來。
怎麼用這張表：看提案時的三個動作
把提案裡的名詞圈出來，標上它屬於哪一群
如果圈完發現全部集中在第一群（目標類的縮寫），代表對方還停在講願景，沒有進到做法。一份能執行的提案，第二群（技術）與第四群（衡量）一定要有東西。
每個名詞追問兩句：要動我網站的哪裡？每個月給我看什麼數字？
名詞本身不重要，重要的是它對應到一件具體的工作與一個可以驗收的產出。答不出這兩件事的名詞，可以當它不存在。
特別確認「提及率」那個數字是怎麼算的
問題有幾題、怎麼選出來的、測哪幾個平台、多久測一次、題庫會不會換。這五個問題答得出來，這家公司才真的在做 GEO。
常見問題
GEO、AEO、AIO 差在哪？我該用哪個詞？
三個都在講「讓 AI 的答案裡出現你」，只是切入點不同。GEO 對的是生成式 AI（ChatGPT、Gemini、Claude、Perplexity）；AEO 對的是「被直接拿去當答案」這件事，比 AI 更早出現，也涵蓋 Google 的精選摘要；AIO 通常特指 Google 搜尋頁最上方那段 AI 摘要。對外溝通用 GEO 就好，範圍最廣、也是目前市場上比較有共識的說法。
這些名詞我都不懂，會不會被廠商唬？
會，但有個簡單的防線：**任何名詞都要問一句「所以你要動我網站的哪裡、每個月給我看什麼數字」**。名詞本身不重要，重要的是它對應到一件具體的工作與一個可以驗收的產出。答不出這兩件事的名詞，你就可以當它不存在。
llms.txt 到底要不要做？
值得做，但不要把它當成關鍵手段。它是一份放在網站根目錄的純文字清單，用來標示網站最重要的內容在哪幾頁。問題是它目前不是任何平台的正式標準，也沒有平台公開承諾會讀。我們的態度是：成本極低、做了沒壞處，所以放進啟動工程裡；但如果有人拿它當主要賣點，那是話術。
結構化資料（Schema）沒做會怎樣？
機器只能用猜的。人看網頁靠版面就知道哪個是價格、哪個是營業時間、哪一段是問答；機器沒有這種直覺，結構化資料就是明確告訴它「這頁是什麼、裡面有哪些欄位」。沒做不會被懲罰，但等於放棄了一次把話講清楚的機會，在 AI 需要快速判斷你是誰的時候特別吃虧。
『被提及』跟『被引用』有什麼不同？
被提及是 AI 在答案裡講到你的名字；被引用是它同時附上你的網址當來源。兩件事都算數，但意義不同——被引用代表它確實讀到了你的內容，被提及則可能來自訓練資料裡的舊印象，甚至是從別人的文章裡看到你。追蹤成效時兩個要分開記，只看其中一個會誤判。
這張表會更新嗎？
會。AI 搜尋這塊的名詞還在變，有些現在很紅的詞過一年可能就沒人用了。我們自己每個月要跑客戶的檢測，遇到新的說法會補進來，也會把已經沒意義的詞標示出來。
看不懂提案，或想確認自己現在的狀況？
把你的公司名稱與主要服務給我們，我們替你到 ChatGPT、Gemini、Claude、Perplexity 四個平台實際問一輪，把逐題逐平台的結果與來源清單整理給你。網站、內容到成效追蹤，單一窗口一站式完成。
延伸閱讀
- llms.txt 是什麼？要不要做、怎麼寫：它不是官方標準，但成本低到值得做
- 結構化資料是什麼？五種必做與四個錯誤：給機器看的標記，AI 時代的基本盤
- Google AI Overview 是什麼？排第一為什麼點擊還是掉：零點擊怎麼來的，能不能退出
- 排名第一 ≠ AI 會推薦你：同一個網站，兩種題型，兩種結果：一個具名客戶案例，說明排名與推薦是兩套機制
- AI 的引用來源到底從哪來？四個產業實測比對：為什麼你的產業跟隔壁產業的做法不能互抄
- GEO 公司怎麼選？5 個驗證問題與四種公司類型的差別：把這張表的名詞變成可以直接問廠商的五個問題
- AI 智引客：四大 AI 平台能見度檢測：我們實際怎麼測、31 項體質掃描看哪些項目
- SEO 優化服務｜高雄 SEO 公司：地基那一層在做什麼，跟 GEO 怎麼接起來
