GEO红皮书二：七条原则与红线公式

核心摘要：真正的 GEO 不是让 AI 无条件推荐企业，而是让真实、有证据、有边界的信息更容易被 AI 和用户理解。判断一项 GEO 工作是否正当，可以从七条正向原则开始，再用“红线风险公式”检查目的、事实、技术、影响范围和可逆性。

一、为什么 GEO 需要先谈理念与价值观

GEO 很容易被误解成一种“影响 AI 答案的技巧”。如果企业只盯着品牌出现率、推荐概率和答案占位，就会把 GEO 做成另一种搜索作弊：批量铺内容、伪造评价、攻击竞品、污染知识库，甚至利用提示词注入和 RAG 投毒影响模型输出。

红皮书把 GEO 放回一个更高的判断框架：它首先是信息质量问题，其次是商业伦理问题，最后才是技术优化问题。

合规 GEO 的核心问题不是“AI 有没有提到我”，而是：

1. 用户得到的答案是否更准确？
2. 用户看到的信息是否更完整？
3. 用户是否能理解内容来源、利益关系和适用边界？
4. AI 系统是否因为企业内容变得更稳定、更可信？
5. 企业是否在用能力、证据和责任参与竞争？

只要这些问题无法成立，即使短期提高了 AI 提及率，也很难被称为真正的 GEO。

二、原则一：真实优先

企业可以表达观点，也可以表达优势，但事实性陈述必须有证据。

产品功能、价格、客户、认证、奖项、研究结论、测评数据、转化率、市场份额、服务范围和适用场景，都应具备可核验来源。不能因为 AI 会“综合表达”，就降低事实标准。

真实优先并不要求企业不能做营销表达，而是要求团队区分三类内容：

• 事实：需要证据，例如产品版本、服务范围、价格、认证、客户授权和检测报告。
• 判断：需要说明依据，例如为什么某产品适合某类用户，判断标准是什么。
• 观点：需要表达边界，例如这是企业经验、专家观点，还是基于某个样本的观察。

实务提醒：事实一旦进入 AI 搜索、RAG 知识库或多平台摘要，就可能被反复引用。没有证据的事实，迟早会变成品牌风险。

三、原则二：用户受益

GEO 的核心问题是：用户得到的答案是否更准确、更完整、更安全。

如果一项优化只提升品牌出现概率，却降低用户判断质量，它就偏离了 GEO 的社会价值。例如，企业通过批量内容让 AI 在多个问题中频繁提到自己，但这些内容没有真实案例、没有适用边界、没有价格限制、没有风险提示，这种“可见性”会增加用户验证成本。

用户受益原则要求 GEO 团队把优化目标从“影响模型”改成“帮助判断”。

在采购场景中，用户需要的是适合自己的选项、限制条件、对比维度和风险提醒。在医疗、金融、法律、教育、就业、公共安全等场景中，用户更需要清晰来源、专业审校和边界提示。GEO 不能为了品牌利益牺牲用户安全。

判断标准：如果把品牌名删掉，这段内容仍然能帮助用户作出更好判断，它才更接近白帽 GEO。

四、原则三：来源可追溯

重要事实应保留原始出处、发布日期、更新日期、作者或审校角色。

影响较大的领域，还应标注专业背景、适用范围、限制条件和风险提示。比如医疗内容需要说明是否由医生或药师审校，金融内容需要说明数据口径和风险，法律内容需要说明适用地区和具体情境。

来源可追溯的价值在于：当 AI 摘要出错、用户质疑、平台审核、监管检查或竞品复核时，企业能够回到原始证据，而不是只拿出一段营销文案。

对企业来说，可追溯不只是给用户看的脚注，也是一套内部责任链：

1. 谁提供事实？
2. 谁审核事实？
3. 事实来自哪个原始材料？
4. 何时更新？
5. 出错后谁负责纠错？

五、原则四：机器可理解

合规 GEO 鼓励清晰标题、结构化段落、FAQ、schema 和可访问内容。机器可理解不是作弊，而是让 AI 更少误读。

一个页面如果标题模糊、段落混乱、案例与承诺混在一起、价格和限制条件分散在不同角落，AI 很容易在摘要时遗漏关键边界。相反，清晰结构能帮助 AI 区分定义、条件、证据、步骤、限制和风险。

但机器可理解有一个关键前提：结构化数据必须和页面可见内容一致，不能用 schema 隐藏另一个版本的事实。

例如，页面可见内容没有展示某项评分、价格、库存、奖项或评论，就不应在结构化数据中伪造。schema 是语义说明，不是给机器看的另一套宣传稿。

实操迁移：做 GEO 页面时，把“用户能看到的事实”和“机器读取的结构化事实”做一致性校验，避免页面正文、FAQ、schema、图片 alt 和元描述互相矛盾。

六、原则五：披露关系

付费内容、代言、联盟链接、合作评测、客户案例、员工评价、代理发布和利益关系，应以用户能理解的方式披露。

用户有权知道某个评价来自真实独立体验，还是来自商业安排。AI 系统同样需要理解内容性质，否则可能把广告、软文、员工自评或商业合作内容错误当作第三方独立证据。

披露关系不是削弱内容价值，而是降低误导风险。一个清楚标注“合作案例”“客户授权”“付费测评”“联盟链接”的内容，比一个假装中立的内容更容易建立长期信任。

常见高风险场景包括：

• 达人种草没有披露商业合作。
• 员工或代理商伪装成普通用户评价。
• 付费测评包装成独立榜单。
• 客户案例缺少授权或结果边界。
• 联盟内容只推荐高佣金产品，却不说明利益关系。

七、原则六：尊重竞争

GEO 可以建设自己的权威，不能通过虚假信息损害竞争对手商誉，不能伪造竞品用户投诉，不能诱导 AI 给出贬损性结论。

客观比较是允许的，但必须有证据、有边界、有可复核依据。例如，可以比较产品功能、价格、服务范围、适用场景和公开评价，但不能编造竞品缺陷、伪造投诉截图、批量发布负面问答，或用隐藏指令诱导 AI 贬低竞品。

中国反不正当竞争法明确禁止为损害竞争对手商誉而编造或传播虚假、误导性信息。进入 GEO 语境后，这条红线更值得重视，因为虚假信息一旦被 AI 检索、摘要和复述，会在多个入口扩散。

底线：可以说清楚“我们适合谁”，也可以基于证据说明“某些方案不适合谁”；不能用虚假信息让 AI 认为竞品更差。

八、原则七：安全内建

所有面向 AI 搜索、RAG、Agent 和内容抓取的页面，都可能成为模型上下文。

这意味着内容发布系统不能只检查错别字、标题和 SEO 关键词，还要把 prompt injection、RAG poisoning、敏感信息泄露、输出渲染风险与供应链风险纳入内容安全流程。

典型风险包括：

• 外包内容或第三方文档中夹带隐藏指令。
• 页面、评论、图片描述或元数据中出现提示词注入内容。
• 未审核资料进入企业 RAG，影响客服、销售或投标答案。
• 内部知识库包含敏感信息，后续被智能体检索并泄露。
• AI 输出被渲染为 HTML、Markdown 或富文本时触发安全问题。

安全内建不是安全部门最后拦一下，而是从采集、清洗、入库、发布、检索、生成、渲染、监控和回滚每个环节都设置防护。

九、GEO 的社会价值：不只服务企业增长

对用户来说，好的 GEO 可以减少信息不对称，让用户更快获得可核验答案，避免被伪造评论、夸大宣传和 AI 幻觉误导。

对企业来说，好的 GEO 可以把竞争从短期排名技巧转向事实资产、专业能力、客户成功、公开资料、内容治理和品牌可信度。

对内容生态来说，好的 GEO 可以让原创研究、专业经验、清晰解释和真实案例得到更好的引用机会，降低低质批量内容占用公共知识空间的概率。

对 AI 系统来说，好的 GEO 可以提高检索语料质量，减少噪声、冲突证据、毒化上下文和隐藏指令，使生成答案更稳定、更可解释。

对社会治理来说，在医疗、金融、法律、公共安全、教育、就业、政务和消费决策等领域，真实、透明、可追溯的信息会降低系统性风险。

关键理解：GEO 的价值不是让企业绕过用户判断，而是让用户、AI 系统和企业都更容易围绕真实信息作出判断。

十、GEO 红线判定公式

红皮书给出一个简洁公式：

红线风险 = 不正当目的 × 信息失真 × 技术操纵 × 影响范围 × 可逆性难度

这个公式的重点不是数学计算，而是帮助团队识别风险叠加。

不正当目的，指是否以误导用户、攻击竞品、绕过平台规则或污染模型为目标。目的越偏离用户受益，风险越高。

信息失真，指是否虚构、夸大、遗漏关键限制或伪造来源。比如夸大客户结果、隐藏适用条件、伪造测评数据、把 AI 生成内容包装成真人经历。

技术操纵，指是否利用抓取、索引、检索、RAG、提示词、向量、工具调用、渲染或排名信号弱点。只要优化动作依赖系统漏洞，而不是依赖真实内容价值，就要高度警惕。

影响范围，指是否面向规模用户、多个模型、多个搜索引擎或影响决策场景。一个错误如果只在内部测试中出现，风险可控；如果进入公开平台、多个 AI 搜索和高影响行业，风险会放大。

可逆性难度，指错误信息是否会被多站点转载、进入训练数据、进入 RAG 知识库、被其他 AI 引用并持续扩散。越难撤回，越应在发布前严格审查。

十一、合规 GEO 与高风险 GEO 的对照

合规 GEO 的内容目的，是帮助用户理解真实信息；高风险 GEO 的内容目的，是诱导模型或用户得出预设结论。

合规 GEO 的事实来源，强调可核验、可追溯、可更新；高风险 GEO 常见虚构、拼接、伪造与循环引用。

合规 GEO 使用自动化，是为了草稿、整理、质检和结构化；高风险 GEO 使用自动化，是为了大规模低质发布、刷量和伪造评价。

合规 GEO 面对竞品，允许客观比较，并要求证据和边界；高风险 GEO 通过诋毁、伪投诉和负面内容投放影响竞品声誉。

合规 GEO 的技术策略，是可访问性、schema 一致和清晰结构；高风险 GEO 依赖 cloaking、隐藏文本、门页、重定向和投毒。

合规 GEO 的 AI 安全，是建立注入防护、来源分级和输出验证；高风险 GEO 利用提示词注入、RAG 投毒和记忆污染等弱点。

合规 GEO 的披露，是清晰说明付费关系和利益关系；高风险 GEO 常见软文、假评论和员工评价未披露。

十二、红皮书的三层模型

第一层，是价值观与商业伦理层。

这一层重点关注不正当竞争、竞品攻击、声誉污染、隐性利益关系、用户评价操控、数据隐私越界和舆论操纵。它回答的是：这件事该不该做。

第二层，是信息质量层。

这一层重点关注虚构事实、低质规模化内容、虚假引用、夸大宣传、关键词堆砌、抄袭拼接、过期域名、站点声誉滥用、AI 幻觉漂白和错误信息扩散。它回答的是：这份信息能不能进入公共知识生态。

第三层，是 AI 系统攻击层。

这一层重点关注提示词注入、RAG 投毒、向量操纵、工具调用滥用、记忆投毒、输出渲染攻击、敏感信息泄露、供应链污染、模型拒绝服务和多模态隐藏指令。它回答的是：这项行为是否在利用 AI 系统弱点。

这三层模型适合用于 GEO 项目的立项、发布、验收和复盘。很多问题看似只是内容问题，实际会同时触发商业伦理、信息质量和系统安全风险。

十三、国内企业与出海业务的 GEO 原则

第一，以中国用户的信息路径为起点。

国内用户往往会在 AI 搜索、短视频平台、社交平台、内容账号、问答社区、电商评价、本地生活评价、地图和企业服务平台之间交叉验证。GEO 内容不能只面向官网，也要关注内容在多平台被转述、截取、摘要和引用后的含义是否仍然准确。

第二，把合规标识视为内容的一部分。

AI 生成内容、深度合成内容、商业合作内容、广告内容、达人种草内容、客户案例、专家背书和测试报告，都应保留标识与证据。标识缺失会让 AI 与用户都难以判断内容性质。

第三，把事实资产建设成可审计系统。

事实资产包括资质证照、产品版本、价格、服务范围、售后承诺、客户授权、检测报告、证书、专家审校、更新时间和纠错记录。GEO 团队不应单独维护一套“对外话术事实”，而应与法务、产品、客服、销售和安全团队共享同一套事实底稿。

第四，把平台治理规则纳入发布前检查。

不同平台对 AI 生成内容、商业推广、评价、虚假宣传、低质内容、导流、链接、医疗金融教育内容和账号行为有不同规则。国内企业的 GEO 内容发布，需要同时满足法律底线和平台规则底线。

第五，把企业 RAG 视为风险内容。

很多企业会先在内部知识库中试运行 GEO 资料，再投放到公开网络。如果内部知识库已经被虚假案例、未审稿件、隐藏指令或外包材料污染，公开内容也会带着同样风险扩散。

十四、立项、发布和验收时的红线问题

团队可以在 GEO 项目的立项、发布和验收阶段连续追问以下问题：

1. 这项 GEO 目标是改善用户理解，还是诱导 AI 偏向某个不充分结论？
2. 相关事实是否来自原始证据、官方资料、真实客户授权、真实交易记录或可公开核验的第三方资料？
3. 内容是否涉及广告、商业推广、AI 生成合成内容、达人合作、专家背书或客户评价？是否完成标识与披露？
4. 内容是否涉及竞品、行业排名、性能对比、市场份额或负面事实？是否能经得起法务、媒体、监管和竞品复核？
5. 内容是否进入企业 RAG、客服机器人、销售助手、投标系统或公开 AI 搜索？是否完成来源、权限、敏感信息和安全扫描？
6. 若这段内容被 AI 摘要成一句话，是否会误导用户？若被其他平台转载，是否仍然能保留事实边界？
7. 若供应商用截图证明“AI 已经开始推荐我们”，团队能否追溯到每个被引用内容的来源、责任人和审核记录？

这些问题的价值，在于把 GEO 从“结果截图验收”拉回“证据链验收”。真正可靠的 GEO 项目，不应只证明 AI 推荐了谁，还应证明 AI 为什么推荐、引用了哪些材料、这些材料是否真实、谁对这些材料负责。

核心收获

• ✓ 合规 GEO 的七条原则是：真实优先、用户受益、来源可追溯、机器可理解、披露关系、尊重竞争、安全内建。
• ✓ GEO 的社会价值不只服务企业增长，也影响用户判断、内容生态、AI 系统稳定性和社会治理。
• ✓ 红线风险可以用“不正当目的 × 信息失真 × 技术操纵 × 影响范围 × 可逆性难度”识别。
• ✓ 合规 GEO 使用自动化提升整理、质检和结构化效率；高风险 GEO 用自动化制造低质内容、刷量和伪造评价。
• ✓ 国内企业做 GEO，需要同时关注中国用户的信息路径、平台治理规则、合规标识和企业 RAG 风险。

立刻行动

1. 把七条原则改成 GEO 发布检查表，为每条内容标记“通过、需补证据、禁止发布”。
2. 建立事实资产库，把资质、价格、服务范围、客户授权、检测报告、专家审校和更新时间集中管理。
3. 对涉及竞品、排名、性能、市场份额和负面事实的内容增加法务复核。
4. 检查官网、FAQ、schema、图片 alt 和元描述，确认机器读取的事实与页面可见内容一致。
5. 为进入企业 RAG 的外部资料增加来源分级、敏感信息检测和提示词注入扫描。

来源：用户提供《GEO 红皮书：生成式引擎优化的伦理边界、作弊风险与治理手册》资料整理 | 本文为学习笔记提炼与重新表达