这本白皮书记录了百原科技从 2024 年到 2026 年，打造百原 GEO Platform 的完整工程实践。内容涵盖一套七维度 AI 引用率评分算法、一个对 AI Bot 友善的影子文档（AXP）交付机制、Schema.org 三层实体知识图、以及一个幻觉自动侦测与修复的闭环系统。
全书共 82 页、分为 10 章，采 CC BY-NC 4.0 授权公开，任何人都可以免费下载、引用、甚至翻译（非商业使用）。这篇文章是精华导读，帮你在 8 分钟内抓到白皮书的内核骨架 — 如果哪一章打到你的业务痛点，再下载全文深读。
为什么要写这本白皮书
2024 年之后，「用户想知道某件事」几乎等同于「用户会打开 Google」这条假设开始动摇；2025 年底，它正式成为历史。依据 OpenAI、Perplexity、SimilarWeb 等公开数据，传统 SERP 的蓝色链接点击率平均下降 34-48%；在医疗、法律、SaaS 这类高信息密度领域，下降幅度更接近 60%。
换句话说：用户找到你的入口，正从「10 条蓝色链接」迁徙到「一段 AI 生成的答案」。如果你的品牌没有在那段答案里出现，你基本上不存在于那位用户的决策路径中。
我们累积了一组值得被白皮书化的工程经验：涵盖算法、架构、容错设计、对 AI Bot 友善的内容交付、结构化实体管理、幻觉自动修复，以及一套在多租户 SaaS 下可持续运行的数据治理模式。这份白皮书要服务三类读者：
- B2B 决策者 — 创建「AI 时代品牌可见性」的认知框架，避免 GEO 错当 SEO 子议题
- 工程主管与架构师 — 借鉴「多 AI Provider 容错」「信号连续性」「闭环自动修复」等模式
- 开发者与技术人 — 看到 Schema.org、Cloudflare Worker、pgvector、BullMQ 等工具在真实产品中如何被组装
第一章精华：GEO 不是 SEO 的延伸，是独立新学科
很多传统 SEO 从业者会说「做好 SEO，AI 自然会引用你」— 这句话在 2023 年部分成立，在 2025 年完全失效。原因有两个：
- AI 的数据源已不再是 Google 索引的投射。主流 LLM 在预训练阶段消化 Common Crawl、专业出版物、开源知识库（Wikipedia、Wikidata）以及各家厂商自建的检索增强数据集。Google 排名在此流程中仅占一小部分信号，且为间接信号。
- 结构化数据对 AI 的权重高于对传统搜索的权重。AI 理解实体靠的是 Schema.org JSON-LD、Wikidata triples，而不是 H1/H2 与关键字密度。
白皮书在第一章用一张对照表，把 SEO 和 GEO 在六个维度的差异讲得非常清楚：
一句话界线：SEO 是让 Google 把你排在第 1 名；GEO 是让 AI 在生成回答时主动提到你。任何把 GEO 当 SEO 子议题的规划都会导致资源错配。
第二章精华：百原 GEO Platform 的闭环系统架构
市场上第一代 GEO 工具多数停留在监测层面：提供仪表板，告诉用户「你现在几分」。问题是，监测只是诊断，不是治疗。用户看到低分之后会问：「然后呢？」
百原 GEO 的设计起点，是把整个流程视为一个闭环（Closed Loop）。系统切分为三大模块：
- Scan Module（监测）— 周期性把品牌送去问 AI，把回应抓回来、结构化、评分。覆盖 15 个 AI 平台（全球 7 + 中文 5 + 搜索型 3）
- Visibility Module（对外可见性）— 负责让 AI 更容易认识、引用这个品牌。工具包含 Schema.org JSON-LD 结构化实体、AXP 影子文档（pure HTML + JSON-LD + Markdown 的「干净版内容」）、Cloudflare Worker 注入、GBP 数据集成
- Quality Module（质量保证）— 负责侦测与修复 AI 对品牌的错误认知。包含幻觉侦测、ClaimReview 生成、知识库同步、两层扫描闭环（哨兵 4h + 完整扫描 24h）
为什么是这 15 个 AI 平台？因为不同市场的用户用的不是同一套模型。英文市场以 OpenAI／Anthropic／Google 为主；中文市场实际会接触到 DeepSeek、Kimi、智谱、文心、通义；搜索型平台则有 Perplexity、ChatGPT Search、Google AI Overview。只监测英文平台等于对中文市场失明。
第三章精华：七维度 GEO 评分算法
百原 GEO 的第一版评分（v1）只有一个指针 —Citation Rate（被提及率），计算方法是「被提及次数 ÷ 总查找次数」。简单、直觉、可比。然而上线三个月后，我们发现这个单一指针会产生大量误导相同的案例。
以下两个真实案例在 v1 下都得到 55 分，但品牌体质完全不同：
- 品牌 A：在 20 个查找中被提及 11 次，总是被放在回答的末段、以「此外也有⋯」的形式点名；所有提及分布在 OpenAI 与 Anthropic 两家
- 品牌 B：在 20 个查找中被提及 11 次，有 8 次出现在回答的第一、二句；分布在 7 个不同 AI 平台，且附带具体描述
这两个品牌的实际「被 AI 认知的能量」差距极大，但单一分数会把它们压成同一个格子。v2 评分把「品牌在 AI 生态的状态」拆成七个独立维度：
七个维度分三类权重：
- 重要性（高权重）— Citation Rate、Content Depth：最直接连动「品牌被认识」
- 杂讯敏感度（中权重）— Sentiment、Consistency：容易受单次回应异常影响，刻意降低以避免锯齿
- 可操控度（中权重）— Platform Breadth、Query Coverage：可被「主动行动」直接改善
白皮书揭露公式骨架与权重分群（高／中／低），但不揭露精确数字。这个决定不是为了保密，是为了防止客户优化指针而非优化实质 — 如果你知道某一维度占 30%，你就会砸资源去冲那一维度，结果分数上升但 AI 实际认知却没变。我们宁愿你专注在「改善整体内容质量」而非「拆解分数权重」。
其余章节快速索引（Ch4–Ch10）
白皮书其余章节处理的是更硬核的工程问题，每一章都是实战踩坑后的设计决策记录：
- Ch4 — Stale Carry-Forward：当 AI 平台中断（rate limit、5xx、timeout），信号怎么维持连续性？为什么「直觉解法」全是错的？
- Ch5 — 多 Provider AI 路由：自研 modelRouter 的双路径架构、Model ID 映射、extraParams 差异、重试策略叠陷阱
- Ch6 — AXP 影子文档：用 Cloudflare Worker 对 AI Bot 服务「干净版」内容，与人类用户看的网站解耦
- Ch7 — Schema.org Phase 1：25 产业特化 @type × 三层 @id 互连知识图，实体商家 vs 在线服务的字段权重分歧
- Ch8 — GBP API 集成策略：Google Business Profile 作为实体商家的事实主控源，从事实到对外输出的单向同步
- Ch9 — Closed-Loop 幻觉侦测与自动修复：从 AI 回应中抽出「关于品牌的声明」与 Ground Truth 比对、生成 ClaimReview
- Ch10 — Phase 基线测试：不是验证品牌有多好，而是验证系统有多可靠
你为什么会想读全文？
这份白皮书不是产品宣传、也不是使用说明，而是一份工程实践报告：揭露我们为何如此设计、哪些选择踩过坑、哪些模式可被其他团队复用。如果你符合以下任一情境，全文 PDF 会是值得投资 90 分钟阅读的材料：
- 你是 B2B 品牌决策者，预算投入 AI 营销但不确定衡量框架
- 你是工程主管，正在评估「自建 GEO 监测系统」vs「采购 SaaS」
- 你是架构师，想了解多 AI Provider 容错、Schema.org 实体建模的实际取舍
- 你是 GEO / SEO 从业者，想深入一步理解技术底层运作
授权与引用说明
本白皮书采 Creative Commons 姓名标示－非商业性 4.0 国际授权条款（CC BY-NC 4.0）公开，意思是：
- ✓ 你可以自由下载、阅读、引用、翻译
- ✓ 你可以在学术论文、博客、演讲中引用内容与图表（需标示来源：Vincent Lin, 《百原 GEO Platform 技术白皮书》, 百原科技, 2026）
- ✗ 不得用于商业目的再贩售或打包成付费产品
- ✗ 不得去除作者与来源标示
如果你希望在商业情境使用（例如内部培训、商业报告）或需要客制化版本，请透过 联系表单与我们联系。
作者：Vincent Lin（百原科技技术负责人）｜2026-04-18 发布｜版本 v1.0
百原科技是一家专注于企业 AI 基础设施的科技公司，旗下三个产品线：对外品牌曝光的 geo.baiyuan.io（GEO Platform）、对内知识复利的 rag.baiyuan.io（RAG Wiki）、化粧品合规建档的 pif.baiyuan.io（PIF AI）。