很多人把 GEO 当成“新 SEO”，以为多发文章就行。我（王涛）此前不这么看，但我的理解同样不够准确：我把生成式引擎的决策基础理解为经典 RAG——网页被向量化，算相似度，被召回，然后被推荐。2026 年 6 月到 7 月，我建立自己的 GEO 研究知识库，把研究对象拆成实体、出处、召回、回测和平台机制五类，用的就是这套前提。到 2026 年 8 月，我把生成式引擎的信息获取链路完整梳理了一遍，不得不推翻它。
一、经典 RAG 管不到的完整链路
真实链路复杂得多：复杂问题进来，先推理，再做查询规划，多轮搜索，打开网页或 PDF，提取内容，发现信息不足就再搜一次，跨来源验证，组织上下文，最后生成答案。用户只能看到最后生成的答案和它的引用来源，但 GEO 要研究的完整链条是：用户问题如何被理解意图、是否触发搜索、查询如何改写与拆解、搜索哪些来源、哪些页面进入候选、哪些内容最终进入上下文、哪些实体与论断被采用、为什么推荐 A 而不是 B。这里面只有中间一小截叫传统 RAG。真正的研究对象应该表述为：生成式引擎的信息获取与出处选择机制（Information Acquisition & Evidence Selection）。它处在 GEO 的上游。
二、价值评级给出的重心排序
这带来学习重心的重新分配。不再以“RAG Engineer”的方式深挖检索算法，而是转向“大模型信息获取”这一整层：搜索、检索、事实锚定（Grounding）、上下文工程、代理式搜索、评估。我给各主题按 GEO 价值排过优先级：BM25 与嵌入，学到理解机制即可，三颗星；分块与元数据，能判断失败原因即可，三颗星；RRF 与重排，理解位置和边界即可，三颗星；向量数据库调参，一颗星，不必深挖。需要深入研究的是：查询规划与改写、代理式搜索与深度研究、上下文工程、Grounding 与引用、检索评估，都在五颗星。最高档给了黑盒采样与归因，六颗星。这个排序有明确成立条件：目标是理解生成式引擎如何决定推荐谁、引用谁。如果目标变成传统搜索排名，重排和向量库调参的权重会完全不同，这张表不适用。
三、边界的三个提醒
第一，评级表回答的是投入深度，不是效果对比，不能从中推出“上下文工程比嵌入更强”这类结论。第二，这个方向来自 2026 年 8 月的一次系统梳理，参考过 Anthropic 的 Context Engineering 讨论、TREC 2025 的 RAG 评测方向，以及 Stanford 与 Manning 对比长上下文的工作，但这些原始文献我没有逐一核对，只能作为方向性参考。长上下文会改变信息获取方式，这个方向我确定；具体改变了多少、在哪些任务上改变，需要单独验证，这里不做量化断言。第三，整个判断面向生成式引擎的信息获取场景，传统 SEO 场景不适用。
四、这改变了什么：从调参到信息获取设计
这次转向改变的是归因方式。“黑盒采样与归因”在评级表里位于最高档，而我过去几个月在做的，正是多平台 AI 采样器、固定 50 题的 GEO Benchmark 和 AI 品牌可见度报告这些黑盒探测工作。这个结果反过来确认，这些工作本身就是 GEO 研究的主干。以前在项目里遇到“内容被收录，AI 就是不引用”，我会先检查分块合不合理、嵌入要不要换、重排怎么调，全是经典 RAG 中游的动作。现在我会先往上游看：查询是怎么拆解的，页面有没有进入候选，它能不能通过跨来源验证。一次不被引用，常常不是相似度问题，而是链路在某一环断了。做可见度报告时我看到最多的现象正是“进了候选，进不了最终上下文”，单看检索机制解释不了它，必须用全链路视角。TaoHtml 这类网页结构化工具也因此获得新的定位：它服务于内容提取与验证，而不是嵌入前的清理工具。我知识库里那五类模块不用推翻，但关系要从并列改成因果——从用户意图到最终推荐，是一条逐环追踪的链。整个研究任务从“把调参做好”变成了“把信息获取过程设计好”，这是我认为这次转向最核心的产出。
—— 王涛（Taomir）