排名之所以决定结果的大部分，是因为排名决定了你的页面究竟有没有出现在模型会读的那一堆材料里：每一个主流答案引擎都是先检索再书写，而“在被检索上下文中的位置”正是 2026 年批判性综述仅有的两个高置信度杠杆之一。2 这个优势具体有多大、边界在哪里，由《相关性与排名》给出受控测量；对本页而言，唯一要紧的推论是：一个把资源从排名挪到改写的团队，是在拿一个强杠杆换一个弱杠杆，而这正是GEO 与 SEO这一阶段 反对的那种拆分。
GEO 与 SEO · 专题
从 SEO 沿用到 GEO 的是什么，不再适用的又是什么？
有三项基本功原样沿用，并且仍然决定结果的大部分。2026 年的那几项学术审计说明了：为什么诚实的表述是“必要但越来越不够”，而不是“排到第一，引用自然就来”；以及为什么“重合率”必须以带日期的区间引用。
本页内容
简短回答
有三样东西从 SEO 原样沿用，合起来决定了结果的大部分：相关性与排名、可抓取与被收录、话题覆盖。三者都位于生成式引擎对你的文字动手之前；真正停止沿用的是测量层，而不是内容或技术工作。2026 年的批判性综述把“查询与文档的相关性”和“在上下文中的位置”评为高置信度的主要决定因素；与此同时，学术审计给出的数字是：Google AI Overviews 所取用的域名中，位于自然结果之外的比例大约在 30% 到 53% 之间，取决于样本规模和采集时间。239
关键要点- 排名是必要的，而且越来越不够：它是目前测量过的最强杠杆，但已经不再是被引用的保证。
- 把自然结果重合率当作一个带日期的区间来引用，绝不要引用点值：2025 年 9 月的样本里，53% 的被查阅域名不在前十；2026 年 3 至 4 月的样本里，29.8% 的参考域名不在整个第一页。
- 分母对数字的影响不亚于引擎。同一批数据上，“按答案计”和“按引用计”两种问法能差出两倍以上，而且两种读数都准确。
- 标记并不是被吹嘘的那种杠杆。Google 明确表示，为它的 AI 功能你不需要额外添加任何特殊的 schema.org 结构化数据。
延续性
哪三样东西从 SEO 原样沿用？
相关性与排名、可抓取与被收录、话题覆盖。本阶段给它们各配了一个专题页，因为它们各有自己的证据体系。
最强的证据
为什么排名仍然决定结果的大部分？
诚实的边界
排名在哪里开始不够用？
排名在长尾的某个位置开始不够用，而这个缺口的大小是一个区间、不是一个数字：Google AI Overviews 所取用的域名中，位于触发它那条查询的自然结果之外的比例，大约在 30% 到 53% 之间，取决于你取的是哪一份学术样本、哪一个采集时间。Kirsten 等（Findings of ACL 2026）审计了 2025 年 9 月在美国和德国采集的 4,706 条查询，报告称“平均而言，AIO 所查阅的域名中有 53%（27%）不在自然搜索结果的前 10（前 100）之内”。3 Xu、Iqbal 与 Montgomery 测量了 2026 年 3 月 13 日至 4 月 21 日采集的 55,393 条热门查询，发现“29.8% 的 AIO 参考域名根本没有出现在对应的第一页上”。9 后一项研究的样本大约是前者的十二倍，而数字大致减半；前一项说的是“所查阅”，这与“被引用”并不等同。要么把两个日期都引上，要么一个都别引。
还有第三项审计从侧面说了同一件事。Grossman 等（SIGIR 2026）在 11,500 条真实用户查询上测得，Google 自然结果、AI Overviews 与 Gemini 之间的 URL 级 Jaccard 相似度只有 0.11–0.18：同一家公司的三个界面，对“哪些 URL 回答了同一个问题”意见不一。4 这一切的机械解释是扇出，不是什么秘密排名因子：可见的查询被拆成用户看不到的子查询，每条子查询各自触发一次检索，于是一个精准匹配其中某条子查询的页面，可以在实际被敲进去的那句话上毫无排名却依然被引用。这与上一节并不冲突，因为提供高频、反复被复用引用的那些页面仍然压倒性地有排名，而一次性的长尾越来越多地没有。
站得住的那句话是：排名是必要的，而且越来越不够。“排到第一，引用自然就来”说得太满；“排名不再重要”则与上面那个高置信度杠杆矛盾，而且是两个错误里更贵的那一个。
怎么读这些数字
为什么“自然结果重合率”这个数字一直在变？
“自然结果重合率”这个数字之所以一直在变，是因为它由一个分母和一个日期共同定义，而其中任何一个变了，已发表的数字都会差出五倍。这些数字从大约六分之一到九成以上都有，而这个跨度几乎全部是记账口径问题，而不是对世界的判断分歧。不存在一个“正确的百分比”可以引用。
分母对答案的影响比引擎还大。“有多大比例的 AI Overviews 至少包含一条排在前二十的 URL？”是一个按答案计的问题；由于一个概览通常会引用好几个来源，答案落在九十几。“有多大比例的单条引用来自排在前十的页面？”是同一批数据上按引用计的问题，落点低得多。同一个引擎、同一周、两个相差两倍以上的数字，而且都准确。一个不说明自己回答的是这两问中哪一问的数字，不是测量，是装饰。
时间又让它变了一次，而上面那两项学术审计就是最干净的例证：测量几乎同一个构念，相隔七个月，结论差了一半，更大、更晚的那份样本落在区间低端。39 两者都没有错。它们是对一个在这期间变化过的系统的两次读数，分子的定义也不同：一个数“概览查阅了什么”，另一个数“概览参考了什么”。
厂商的时间序列指向同一个方向，附带同样的告诫。一项在 863,000 条关键词 SERP 上做的研究测得：2025 年 7 月约有四分之三的引用来自排在前十的页面，2026 年 3 月约为五分之二；作者把这个变化解读为 Google 选源方式的真实变化，而非方法变更。另一家厂商就同样的九个行业，在相隔五个月里发布了两个互不相容的数字，约 55% 和约 17%，且未说明矛盾。厂商发布；按本课程的出处规则，只描述、不链接。7
该怎么用这些：引用区间和原因，永远不要引用那个点值。站得住的那句话是：在 2025 年 9 月至 2026 年 4 月之间采集的学术样本中，Google AI Overviews 所取用的域名，大约有 30% 到 53% 位于触发查询的自然结果之外，而更大、更晚的那份样本落在区间低端。如果这句话放不进那一页幻灯片，那是这页幻灯片在索要一个并不存在的数字。
标记与文件
schema 标记和 llms.txt 文件沿用得下来吗？
它们保留着一贯的价值，仅此而已。被第一方文档拒绝的，是那个“对 AI 有用”的升级版说法。
结构化数据依然能在传统搜索里换来普通的富媒体结果，这件事本身值得做。经不起文档检验的是升级版的推销词，即“schema 标记能提升 AI 答案里的被引用率”。Google 自己关于 AI 功能的页面用大白话说了相反的意思：“你不需要为出现在这些功能里而创建新的机器可读文件、AI 文本文件或标记。也不存在你必须添加的特殊 schema.org 结构化数据。”5
llms.txt 这个问题的答案一样，而且更干脆。“加一个 llms.txt 文件能帮页面拿到引用”这个说法没有任何第一方支持；Google 的 AI 优化指引把“LLMS.txt 文件及其他‘特殊’标记”列在可以忽略的事项里，并写明“你不需要为了出现在 Google 搜索（包括其生成式 AI 能力）里而创建新的机器可读文件、AI 文本文件、标记或 Markdown，因为 Google 搜索本身并不使用它们”。10 也没有任何其他主流引擎在文档里说自己会读这种文件。这不是说这个文件有害，只是说：在一个根本没人看过的收录问题旁边，它只是个舍入误差。
这两个例子共享的那条规则，比它们各自的结论更值钱：一样东西之所以能从 SEO 沿用过来，是因为它本来就是检索的输入。收录、服务端渲染交付、话题广度都是检索输入，所以它们原样沿用。一个没有任何有文档记录的爬虫会读的文件，不是输入；把它描述成“为 AI 而生”也变不成输入。这也是检验下一个被推销的战术时最便宜的方法：问它改变的是流程里的哪一个阶段；如果一个都不是，那它什么也没改变。
断裂处
哪些东西不再适用？
内容和技术工作几乎原封不动地穿过了这次转变。测量层和报告层没有。
原样沿用
- 收录、服务端渲染交付、站点速度和 URL 卫生
- 话题簇建设，因为扇出让广度比过去更值钱
- 维护和更新你已经有的页面
- 争取真实的第三方报道，大多数商业答案都倚重它
- 出于普通富媒体结果的理由上 schema，且不为它宣称任何额外收益
不再适用
- 把排名跟踪当作测量方法：答案是一个分布，不是一个位置
- 把点击当作首要 KPI；皮尤测得点击 AI 摘要内来源的比例约为 1%6
- 对自己标题与摘要的控制权，取而代之的是被转述
- 单一的综合可见性分数；不同界面之间的重合度低到必须按引擎分别报告
- 把发布量当作增长杠杆，因为单薄页面在每个扇出点上都参赛、却一个都赢不了
本页诚实的局限
“必要但越来越不够”是一个方向，不是一个系数。没有人发表过这样一个受控实验：移动同一个页面的自然排名，然后测量它被引用率的变化，而那才是真正能定论“排名在答案引擎里值多少”的研究。本页上的每一个重合率数字，包括学术的那些，都是观察性的：它们记录的是“被引用的页面往往有排名”，而不是“排名导致了引用”。而且它们绝大多数描述的是 Google 的界面，因为 Google 是唯一一个自然结果能与其 AI 输出直接对照的引擎。
产品能补上什么，补不上什么
这里的方法不需要任何软件：列出你的买家真正会问的二十个问题，确认每个问题背后都有一个已被收录、排名良好的页面，然后把这二十条当作 prompt，在一周内于每个引擎上跑若干次，记录返回了哪些来源。凡是被引用的来源不是你，那就是你的站外待办；凡是你什么都没排上，那就是你的 SEO 待办，而且它排在前面。Bavior 只自动化了采样那一半，即按计划把一组固定 prompt 打到五个引擎上、逐次记录被引用的来源，它不做本页认为最要紧的那部分：它不会改善排名、不会修好收录、也不会建起话题覆盖。免费 GEO 审计可以拿到基线；付费方案为按月支付每月 99 美元起，或按年支付每月 79.17 美元（截至 2026 年 8 月 30 日）。
出处，全部核查于 2026 年 8 月 30 日
- Puerto、Gubri、Green、Oh、Yun，《C-SEO Bench: Does Conversational SEO Work?》，NeurIPS 2025 数据集与基准测试分会。§6.3：把目标文档放在上下文第一位，“带来的引用排序增益远大于任何一种 C-SEO 方法”：arxiv.org/abs/2506.11097
- 《Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023–2026)》，2026 年 7 月 15 日，arXiv:2607.14035（预印本）。表 5 把“查询与文档的相关性、以及在上下文中的位置是主要决定因素”评为高置信度；§7.3 将 C-SEO Bench 概括为约 1,900 条查询、16,360 篇文档，54 个“方法×领域”组合里只有 3 个显著为正：arxiv.org/abs/2607.14035
- Kirsten 等，《Characterizing Web Search in The Age of Generative AI》，Findings of ACL 2026；4,706 条查询，采集于 2025 年 9 月，覆盖美国与德国。“平均而言，AIO 所查阅的域名中有 53%（27%）不在自然搜索结果的前 10（前 100）之内。”：aclanthology.org/2026.findings-acl.526
- Grossman、Liu、Chen、Smith、Borcea、Chen，《How Generative AI Disrupts Search》，SIGIR 2026；11,500 条用户查询的基准；Google 自然结果、AI Overviews 与 Gemini 之间“Jaccard 相似度在 0.11 到 0.18 之间”：arxiv.org/abs/2604.27790
- Google Search Central，《AI features and your website》，最后更新于 2025 年 12 月 10 日（第一方文档；收录要求、查询扇出描述，以及关于 schema.org 的表述）：developers.google.com/search/docs/appearance/ai-features
- 皮尤研究中心，《Google users are less likely to click on links when an AI summary appears in the results》，2025 年 7 月 22 日；900 名美国成年人的浏览数据、68,879 次独立 Google 搜索，采集于 2025 年 3 月；摘要内链接被点击的比例“仅占全部访问的 1%”：pewresearch.org
- 重合率时间序列：某 AI 可见性厂商在 863,000 条关键词 SERP、约 400 万条被引用 AI Overview URL 上的研究，发布于 2026 年 3 月 2 日，报告 2025 年 7 月约 76% 的引用来自排在前十的页面，2026 年 3 月约为 38%。另一家厂商就同样的九个行业发布了约 54.5%（2025 年 9 月）和约 17%（2026 年 2 月）。厂商发布；按本课程的出处规则，只描述、不链接。
- Allaham 与 Diakopoulos，2026；AI 答案引用的 URL 中有 27.1% 无法被抓取。经批判性综述 §8.3 转引；预印本。
- Xu、Iqbal 与 Montgomery，《Measuring Google AI Overviews》，arXiv:2605.14021（预印本）；55,393 条热门查询，采集于 2026 年 3 月 13 日至 4 月 21 日。“29.8% 的 AIO 参考域名根本没有出现在对应的第一页上。”：arxiv.org/abs/2605.14021
- Google Search Central，《Google’s Guide to Optimizing for Generative AI Features on Google Search》，最后更新于 2026 年 7 月 10 日（第一方文档；关于 LLMS.txt 与机器可读文件的表述）：developers.google.com/search/docs/fundamentals/ai-optimization-guide
常见问题
你想知道的，都在这里。
已经在做 GEO 了，还需要 SEO 吗？
需要，而且按目前唯一可得的受控测量看，它是这份工作中更大的那一半。NeurIPS 2025 上的 C-SEO Bench 写明：把目标文档放到模型上下文的第一位，“带来的引用排序增益远大于任何一种 C-SEO 方法”；而 2026 年的批判性综述把同一项基准概括为约 1,900 条查询、16,360 篇文档，其中 54 个“方法×领域”组合里只有 3 个显著为正。相关性、收录和话题覆盖，全都位于生成式引擎对你的文字动手之前。
排到第一就一定能被 AI 引用吗？
不能，2026 年的那几项学术审计把这个缺口说得很清楚，而且它是一个带日期的区间，不是一个数字。Kirsten 等（Findings of ACL 2026）审计了 2025 年 9 月采集的 4,706 条查询，发现 AI Overviews 所查阅的域名中有 53% 不在自然结果前十，27% 连前一百都不在；Xu、Iqbal 与 Montgomery 在 2026 年 3 月 13 日至 4 月 21 日采集的 55,393 条查询上，发现 29.8% 的参考域名不在整个第一页上，样本大约是前者的十二倍，数字大致减半。Grossman 等（SIGIR 2026）另外在 11,500 条查询上测得 Google 自然结果、AI Overviews 与 Gemini 之间的 URL 级 Jaccard 相似度只有 0.11–0.18。机制是查询扇出：你看不到的子查询各自触发一次检索，所以一个页面可以在“用户敲进去的那句话”上毫无排名却依然被引用。
AI 引用中有多大比例来自自然结果前十？
没有一个站得住的单一百分比，因为已发表的数字从大约六分之一到九成以上都有，差异取决于分母和月份。“有多大比例的 AI Overviews 至少包含一条前二十的 URL”是一个“按答案计”的问题，落在九十几；“有多大比例的单条引用来自前十的页面”是同一批数据上“按引用计”的问题，落点低得多。时间的影响同样大：现有的两项学术审计彼此差了一半，2025 年 9 月采集的查询上，53% 的被查阅域名在自然前十之外；而在 2026 年 3、4 月采集的、样本大十二倍的数据上，29.8% 的参考域名在整个第一页之外。请引用区间、分母和采集日期，不要引用某一个数字。
加 schema 标记或 llms.txt 文件有用吗？
schema 依然为它一贯的那些理由有用，而“对 AI 有用”的那个升级版说法没有任何第一方文档支持。Google 关于 AI 功能的页面写明：“你不需要为出现在这些功能里而创建新的机器可读文件、AI 文本文件或标记”，并且“也不存在你必须添加的特殊 schema.org 结构化数据”。它的 AI 优化指引把“LLMS.txt 文件及其他‘特殊’标记”列在可以忽略的事项里，因为“Google 搜索本身并不使用它们”。也没有任何其他主流引擎在文档里说自己会读 llms.txt。结构化数据继续为富媒体结果做，省下的那一小时花在收录上。
哪些 SEO 习惯是真该停掉的？
三个，而且都不是内容或技术上的习惯。停止把单次 prompt 运行当成测量：2026 年的批判性综述报告，在四个引擎、45 天里，按天的来源级 Jaccard 大约只有 0.34–0.42，所以一次抽查就是样本量为 1。停止用引用去预测会话量：皮尤研究中心追踪了 2025 年 3 月的 68,879 次搜索，发现在出现 AI 摘要的页面上，摘要内链接被点击的比例只有 1%。以及停止上报单一的综合“AI 可见性”分数，因为同一家公司不同界面之间的 URL 重合度只有 Jaccard 0.11–0.18。
我该多发页面，好覆盖更多扇出查询吗？
按现有证据，一个页面做深，胜过十个页面铺量。查询扇出会为一个问题发起若干条相关检索；一个真正回答了问题及其显而易见追问的页面，会在多个检索点上具备资格，而十个单薄页面各自只在一个点上竞争、且一个都赢不了。2026 年的批判性综述转述了一项在 171,003 篇文档、2,700 条查询上做的端到端基准测试：只改正文、稀释了主题相关性的优化，会让前 20 位出现率平均下降约 9%，所以把一个强页面拆成碎片有实实在在的下行风险。
Bavior 编辑部
负责调研与维护 Bavior 关于 Reddit 营销和 AI 搜索可见度的全部内容。文中每一个数字都注明了来源出处与核查日期，所有外链均非联盟推广链接。
发现数字有误？告诉我们，我们会重新核查：support@bavior.com