平台 9 大功能 + 技术名词词汇表
每个功能含数据流图解、技术说明、Cloudflare 设置提示。点击「了解更多」直达对应功能或词汇。
内容策略
找到你该写的下一篇文章
说明
GEO 不只是「优化现有内容」,还要知道「该补哪些内容」。系统用 LLM 分析你的关键字 + 竞品内容,自动产 50+ 主题建议。
每个主题标好「优先级」(根据竞品已写但你没写 / AI 已被问但你答不出来等信号)。一周写 1 篇就跟得上节奏。
主要好处
- 50+ 自动产主题建议,优先级排序
- 主题地图可视化(已有 vs 待补)
- 竞品策略对标(竞品都写什么 / 哪篇最常被引用)
AXP 生产线
客户官网 → 22+1 种 AXP 进化文档 → CF Worker 部署到客户域名,AI bot 看到结构化内容
说明
AXP(AI eXperience Page)= AI 看的影子文档。传统官网对 AI 爬虫常常不够丰富(SPA 没可爬内容、结构化数据缺、竞品比较没)。AXP 把客户官网做成「AI 友善」的进化版本,内容比原网站多 4-93 倍。
管线 = 爬官网 8 路径 → 上传中央 RAG → 22+1 个 generator 各自跑 LLM 重组 → 写入 axp_pages → CF Worker 部署到客户域名。22+1 = 22 个企业类(brand_overview / faq / pricing / vs / case_study 等) + 1 个个人 IP 限定(future_plans)。
透过 Cloudflare Worker,客户域名上的 AI bot 会看到 AXP 进化版,真实人类看到客户原网站(无干扰)。Googlebot / GPTBot / PerplexityBot / ClaudeBot 等 19 种 AI bot 全部识别。
主要好处
- 22+1 种 AI 友善内容自动生成(覆盖 brand_overview / faq / pricing / vs 等)
- AI 看到结构化版本,真实人类看到客户原网站(无干扰)
- 客户 sitemap 自动合并(原 URL + AXP 衍生 URL)
- 一键部署到客户域名(CF Worker)
AI 引用优化器
三层分析任意内容(整篇 / 段落 / 句子),低分页自动 LLM 改写
说明
把任何内容(网页 / AXP / 博客文章)拿来分析。Macro 看整篇结构是否容易被 AI 引用 / Meso 看段落层次 / Micro 看句子可引用度。三层加总给 0-100 分。
分数 < 70 自动排队让 LLM 改写,3 引擎并行(AutoGEO 学术规则 + E-GEO 学术 templates + Hybrid 双引擎挑最好版本)。改写前后相似度 ≥ 0.90 才接受(避免内容失真)。
主要好处
- 三层结构分析(整篇 / 段落 / 句子)
- 低分自动 LLM 改写,3 引擎并行
- 改写前后可看 diff + 一键 rollback
AI 优化实验室(A/B Testing)
两个版本同时上线,让 AI 平台告诉你哪个赢
说明
把优化前后内容、或两种写法,各推 50% 流量。系统自动跑 14 个 AI 平台用每个版本生成回答,统计胜率。
配合人类标注(编辑给 like/dislike)即可训练品牌专属偏好模型,下次自动改写会更贴近编辑口味(RLHF — Reinforcement Learning from Human Feedback)。
主要好处
- A/B 两版本对 14 AI 平台跑分
- 统计显著后自动采用胜者
- 人类偏好回馈训练品牌风格模型
舆情分析
不只看 AI 讲不讲你,还看「讲你什么 + 讲得正面负面」
说明
14 平台每次扫描的回答,系统切片成 aspect(价格 / 品质 / 服务 / 创新 / 售后 等),每个 aspect 个别给情感分数(-1..+1)。
可看「平台 × aspect」矩阵 — 例如 ChatGPT 在「价格」 aspect 给你 +0.6 但 Perplexity 给 -0.2 → 你知道 Perplexity 对你的价格定位有问题,该补事实校正。负面突增自动 email 警示。
主要好处
- Aspect-based 情感切片(中文 / 英文 / 日文)
- 平台 × aspect 矩阵(看哪个平台对你哪个 aspect 有意见)
- 抹黑侦测 + 负面突增自动警示
幻觉修复中心
AI 讲错,平台帮你校正
说明
14 平台扫出 AI 对你的描述后,系统用 4 种算法交叉判断(NLI 三分类 / FActScore 原子事实 / Chainpoll 投票 / 多源验证)。确定是幻觉,自动产 prompt 送回该 AI 平台修正。
不同平台修复策略不同(平台感知修复):ChatGPT / Claude 是实时型 6 小时内修;Perplexity / DeepSeek 是训练型 7 天内慢慢修。修复完二次验证确认,失败则人工介入。
主要好处
- NLI / FActScore / Chainpoll / 多源验证 4 算法
- 平台感知修复(实时型 vs 训练型差异化)
- AXP 影子页面自动再生 — 从根本修内容源
- 修复后二次验证(确认 AI 真的改了才打勾)
RAG 知识库
客户内容三层保存,AI 引用时取材精准
说明
客户上传的内容(官网爬取 / 文档 / FAQ / ground_truths)进三层 cascade:L1 Wiki 编译后缓存(主题页) / L2 Vector RAG(矢量检索) / L3 全文搜索(关键字)。
AI 引用时自动跨三层取材。L1 Hit 直接拿缓存(快、便宜),没有 fallback L2 / L3。每周自动更新内容(websiteCrawler 7 天重爬)。
主要好处
- 三层 cascade(L1 Wiki / L2 Vector / L3 BM25)
- 每周自动爬客户官网 + 中央 RAG 同步
- brand_faq SSOT 跨平台共用(Schema.org / AXP / RAG 一份)
- ground_truths 已验证事实库,优先级最高
AI 代理
4 种专属 AI 助手 24 小时为你工作
说明
GEO 顾问 = 分析扫描结果并给建议;内容写手 = 自动产 brand_faq + 博客草稿;竞品侦察 = 抓对手新内容变动 email 通知;客服机器人 = 嵌入官网 chat widget,用客户 RAG 回答。
每个 agent 可设置调度(daily / weekly / event-triggered)、工作流(分析 → 推荐 → 提醒人类)、输出(email / Slack / 写入 dashboard)。Enterprise+ 才能用。
主要好处
- 4 种专属 agent(顾问 / 写手 / 侦察 / 客服)
- 调度 + 工作流 + 多信道输出(email / Slack)
- 可嵌入客户官网对话 widget(自家 RAG 答客服)
高端模块
主订阅外的独立加购功能
说明
Add-ons 可在主订阅外独立加购,独立计费,7 天试用。常见 add-on:AB Testing(高端实验)、API Access(额外配额)、White Label(自家 logo / 域名)、Answer Monitoring(实时监测,vs 每日扫描)、Consultant Report(顾问季报)。
每个 add-on 对应一个功能模块,加购后 sidebar 自动出现入口,取消后 7 天缓冲期 → 自动 disable(数据保留)。
主要好处
- 5+ 种 add-on 随选加购
- 独立计费,7 天试用
- 取消后数据保留(下次再买即恢复)
Cloudflare 设置:5 分钟上线
几项功能(AXP 部署 / 公开文件 / AI bot 拦截)需要客户域名透过 Cloudflare 代理。设置一次,平台之后自动接管,新功能上线零修改。
- 1客户网站 DNS 移到 Cloudflare(免费方案即可)到 cloudflare.com 注册免费帐号,输入网域名称,Cloudflare 给两个 nameservers,客户在原 DNS 服务商改 NS 记录即可
- 2网站 A / CNAME 记录设「橘色云朵」(Proxied)CF Dashboard 把网站主记录状态改成 Proxied(橘云),这样 AI bot 访问时 Cloudflare 才能拦截
- 3平台 admin 提供 brand token客户在 GEO 平台 dashboard 拿到 brand_token(显示一段 hash),贴进 Cloudflare Worker secret
- 4平台自动部署 Worker 完成平台检测到 token 配对成功,自动部署 Worker 到该域名 routes,AXP / sitemap / llms.txt 等公开档开始生效
看不懂的词,这里都有解释
Pricing 表的技术名词 / sidebar 的功能名 / 规格文档的缩写 — 22 个词用一句话 + 一个图标让你秒懂。
是什么: 专门给 AI 爬虫看的进化版内容。把客户官网的信息刷新为 22+1 种结构化页面(整篇 / FAQ / 定价 / 竞品比较等),AI 引用时拿到的是这个进化版,不是稀疏的原网站 HTML。
怎么运作: 系统先爬客户官网 8 个常见路径(/、/about、/pricing 等)+ 抽取 brand_faq / ground_truths / personal_profiles 等 DB 事实。22+1 个 generator 各自跑 LLM 重组(不凭空生成,以客户事实为输入)。输出写入 axp_pages 表,CF Worker 部署到客户域名。
使用情境: 传统 SPA 官网对 AI 爬虫只是个 JavaScript 壳,没可爬内容。客户不可能为了 AI 重写整站。AXP 在不动原站的前提下帮客户生成完整 AI 友善版本。AI 拿到后引用率提升 3-10 倍。
是什么: CF Worker 侦测访问者是 AI bot 还是人类。AI bot → 拦截后 proxy 到 GEO 平台 backend 取 AXP 内容(影子);真实人类 → 直通客户原 origin(正常网站)。
怎么运作: CF Worker 在边缘节点检查 User-Agent 与 IP rDNS。19 种已知 AI bot(GPTBot / ClaudeBot / PerplexityBot / Googlebot / Google-Extended / etc)走 AXP 路径,其余走 origin。Worker 对 origin 4xx/5xx 直接 pass-through 不伪装(避免 Google 认为 cloaking)。
使用情境: 一个内容两种读者:人类要看 brand 视觉呈现 / 交互体验,AI 要看可引用结构化信息。AXP 影子让两者各取所需而不互相干扰。
是什么: 22 个企业 brand 适用 + 1 个个人 IP 限定(future_plans)。每种 page_type 对应一个 AI 想知道的问题:brand_overview(品牌总览) / faq / pricing / vs(竞品比较) / case_study(案例) / specs(规格)等。
怎么运作: AI 收到问题后,内部会分类为某个意图类型(信息型 / 比较型 / 交易型 等)再去爬最匹配的 page_type。我们的 generator 预先针对 22+1 种意图各自写好 template + LLM 重组规则,每个客户对每种 page_type 都有对应 AXP 页。
使用情境: 不是「一个首页打天下」,而是「AI 问什么类型,就有对应结构化页回答」。如同 SEO 时代针对不同关键字写不同 landing page,GEO 时代针对不同 AI 意图写不同 page_type。
是什么: 专门校正 AI 对你的错误叙述的 AXP 页。例如 AI 说「品牌 X 创立于 2010」但实际 2015 → fact-check 页明文写「正确年份 2015,来源:公司年报」,AI 下次重新训练会看到这个更正。
是什么: CF Worker 记录每个 AI bot 访问细节(时间 / 路径 / status code / 内容大小)。可看哪个 AI 多久爬一次、抓什么页、有没有抓你的更新。
是什么: AI 引用优化器的三层分析。Macro = 整篇结构(标题 / 摘要 / Schema.org 标记是否齐全) / Meso = 段落层次(每段是否单一主题、是否有过渡句) / Micro = 句子可引用度(是否完整、有没有指代不清)。
怎么运作: 每层用不同规则打分(Macro 30 分 / Meso 30 分 / Micro 40 分,加总 100)。Macro 分数低 → 加 Schema.org 结构;Meso 低 → 切段、补过渡;Micro 低 → 重写句子明确化主词。LLM 改写时优先动最低分那层。
使用情境: 不只看「总分多少」还看「哪层拖后腿」。例如总分 75 但 Micro 只 50 → 优先打磨句子;总分 75 Macro 只 50 → 补 Schema.org。
是什么: AI 引用优化器三套 LLM 改写策略。AutoGEO 走学术规则(arXiv:2510.11438,25 条规则) / E-GEO 走学术 templates(arXiv:2511.20867,15 种模板) / Hybrid 双引擎并行挑改写后分数较高的。
是什么: AI 答案中你被「第几个提到」也很重要。第一个提到 = 满分;第二个 = 80 分;第三个 = 60 分... 越前面越好(就像 Google 第一页第一名)。
是什么: 把某时间点 14 个 AI 平台的回答完整存盘(原文 + 截屏)。将来客户要证明「半年前 AI 是这样讲我」 → 拿快照当证据。法务 / 抹黑事件处理用。
怎么运作: 每次扫描自动存两份:① markdown 原文(可全文搜索) ② PNG 截屏(视觉证据)。文件附时间戳记 + 平台版本,永久保存于客户的 brand 帐号下。Pro+ 90 天保留 / Enterprise 无限 / Group 无限。
使用情境: 抹黑事件处理 / 法务证据 / 竞品变化追踪 / 内容策略回顾。AI 讲错话时,快照是「对方确实这样说」的铁证,提交平台申诉或法律诉讼时都派上用场。
是什么: Natural Language Inference。判断「AI 讲的句子」相对于「你的事实」是 entail(吻合) / neutral(无法判断) / contradict(矛盾)。contradict 才算幻觉。
怎么运作: 系统用专门训练的 NLI 模型(基于 RoBERTa / DeBERTa 系列)同时看 hypothesis(AI 句子) + premise(你的事实)。输出三类几率,取最高一类为判定。
使用情境: 光看字符串比对(关键字、矢量距离)会误判 — 例如「员工 500」 vs 「员工约 5 百人」字面不同但含义同。NLI 能理解语意层级的吻合 / 矛盾。
是什么: 把一段 AI 答案切成「原子事实」(每个单独可验证的句子),逐个查我们的 ground_truths / brand_website_cache,给每个原子事实 0/1 分,加总算精准度。
怎么运作: 先用 LLM 把段落分解为原子事实列表(atomic facts),每个事实送进事实库做 SQL match + RAG semantic match + Wikipedia 校验。对 / 错 / 无法验证三态。
使用情境: 不是「整段对 / 整段错」二元判定,而是逐句精准定位错在哪。例如 5 句中 4 句对 1 句错 → 客户清楚知道是哪句要修,不用全段重写。
是什么: 同一个 AI 问题问 3 次取多数决。降低偶发性 hallucination 误报(LLM 有时 1 次答错但 3 次有 2 次答对)。3 次都答错才算真幻觉。
怎么运作: 系统对同一个 prompt 用 temperature > 0 采样 3 次,得到 3 个独立答案。每个答案个别跑 NLI 判定,结果做多数决。3 次都 contradict 才报 hallucination,2:1 视为「边缘案例」记录但不送修。
使用情境: LLM 偶尔会「脑袋当机」答错但下次又对。如果只看一次就送修,容易误杀对的内容。Chainpoll 把误报率从 ~15% 降到 ~3%,大幅减少不必要修复成本。
是什么: 不只信一个来源。同时比对「客户官网」+「中央 RAG 索引」+「ground_truths 表」+「brand_marketing_facts 时序数据」+「Wayback Machine 历史快照」。≥3 来源支持才算 ground truth。
怎么运作: 对每个 AI 讲的事实,系统并行查 5 个来源:① brand_website_cache(客户官网最新爬取) ② 中央 RAG KB(已索引内容) ③ ground_truths(人工验证事实) ④ brand_marketing_facts(时序事实库) ⑤ Wayback Machine(历史快照)。
使用情境: 单一来源可能过时、写错、被汰换。多源比对才能找到「客观事实」。同时这也是抹黑事件回应的标准 — 证明你说的是事实不是片面之词。
是什么: 不同 AI 平台修复策略不同。实时型(ChatGPT / Claude / Perplexity)6 小时内可重新爬到新内容;训练型(DeepSeek / Qwen)要等 7 天训练周期 / 30 天大版本更新。系统依平台自动决定送修方式。
怎么运作: 实时型平台:推 fact-check 页 + sitemap ping + 实时 robots.txt 通知 → 6h 内重爬。训练型平台:写 markdown 进中央 RAG → 进入下个训练 batch(7d-30d)。并行追踪每平台修复状态,完成后二次验证。
使用情境: 不同平台架构不同,一招打天下会失败。实时型送 markdown 进 RAG 没用(它没在训练);训练型推 sitemap ping 没用(它不是实时爬)。要对症下药。
是什么: 幻觉发现后不只送 prompt 修,还重新生成对应的 AXP 影子页(例如修「pricing 错误」就重生 pricing AXP),让 AI 下次来爬就看到正确版本。从根本修内容源,不是 patch。
怎么运作: 幻觉被分类后对应到某个 page_type(pricing / faq / case_study 等),系统触发该 page_type 的 generator 重新跑 LLM 重组(用最新 ground_truths + brand_facts 为输入)。重生后 CF Worker 自动部署。
使用情境: 只送修复 prompt 是 patch — 治标不治本。下次 AI 重训还可能再答错。重生 AXP 影子页是治本 — 平台再爬时看到的就是正确内容,从源头杜绝同样错误。
是什么: 客户上传的内容让 LLM 编译成「主题页」(类似维基百科条目),query 进来先查 L1。快、便宜、答案完整。L1 Hit 不打 vector / 全文搜索。
怎么运作: 上传内容后 wikiCompiler 用 LLM(目前 deepseek-v4-flash)把多份来源集成成主题页,同主题的 source 合并。query 进来时 wikiQueryRouter 先选命中主题,直接回该页全文。
使用情境: 客户有上百份文档、竞品比较、产品手册 — 不可能让 AI 每次 query 都读全部。Wiki 是预先整理好的主题索引,读一页就涵盖大部分问题。L1 Hit 时答案速度比 L2 快 10×、cost 低 5×。
是什么: 所有内容切 chunk 进 pgvector(矢量数据库)。query 进来算 embedding 找相似 top-k chunk。L1 没有再 fallback 到这层。语意搜索,但比 L1 慢。
怎么运作: 每个文档切成 500-token chunks,用 OpenAI text-embedding-3-large 算矢量存 pgvector + BM25 双索引。query 进来算同一 embedding 用 cosine similarity 找 top-10 chunks。
使用情境: L1 Wiki 没涵盖的细节问题(例如「型号 ABC 螺丝规格」) → L2 Vector 从原始文档 chunks 找答案。语意层级匹配,即使 query 用不同字眼也能找到。
是什么: 关键字精确比对。L2 还没命中再走这层。例如客户查「型号 ABC-123」这种精确 token,vector 不一定 match,BM25 才好用。
怎么运作: PostgreSQL ts_vector 全文索引 + BM25 排序。query tokenize 后比对精确词 / 词干,非语意层级而是字面层级。
使用情境: 型号 / SKU / 序号 / 法规条文编号等「精确字符串」场景。Vector embedding 对这类短 token 表现差,BM25 反而最强。三层 cascade 确保任何 query 都有最佳工具处理。
是什么: FAQ 唯一中央数据库。Admin 在 dashboard 维护一份 FAQ,自动同步到:Schema.org FAQPage rich result(Google) + AXP /c/{slug}/faq 页(AI bot) + RAG L1 Wiki + 客服 chat widget。
是什么: 已被人工验证的事实表(category + fact_key + fact_value + verified_at + source_url)。优先级最高,所有「比对 / 校正 / 修复」一律先看这。
是什么: Google 标准的结构化数据格式,把 brand_faq 的 Q&A 转成 JSON-LD 放在页面 head,Google 搜索结果会展开「FAQ rich result」(可折叠的常见问题),点击率比一般结果高 2-3 倍。
是什么: Google 认证的「校正」标准。对 AI 讲错的事实,我们用 ClaimReview 标记「原 AI 说 X / 真相是 Y / 评分为 false」。Google 搜索会显示「Fact Check 标签」,提升品牌可信度。
是什么: 两个给 AI 爬虫 discovery 用的标准文件(类似 robots.txt 给 Googlebot)。llms.txt = 简短目录(章节 + 链接);llms-full.txt = 完整聚合内容(类似网站全集)。AI 爬虫先读这个再决定爬哪些页。
是什么: 在 Cloudflare 边缘节点(全球 300+ 城市)跑的 JS 程序,拦截客户域名访问。我们用 Worker 侦测 AI bot UA 并 proxy 到 GEO 平台 backend。低延迟(< 50ms 全球),客户无感。
怎么运作: 客户把网站 DNS 移到 CF + 设成 Proxied(橘云)。平台 admin 给 brand_token,客户在 Worker secret 设好。新功能上线时平台一键 redeploy 全部客户 Worker(~5 分钟 1000 brand)。
使用情境: 不需要客户改原网站 / 改 server / 改 nginx。只要 DNS 过 CF 一次设置,平台之后接管所有 AI 流量。1 万租户等于 10 个的维运成本 — 因为不需逐户手动部署。
是什么: 客户域名绑定我们平台的 hash 字符串。客户在 CF Worker 设此 secret,Worker 用 token 认证向 GEO backend 取 AXP 内容。token 防伪 + 配额追踪(知道哪个客户的 Worker 流量)。
是什么: 客户网站可能已有 sitemap.xml,我们的 AXP 衍生 URL(/c/{slug}/faq 等)也要进 sitemap 给 AI 爬虫 discovery。Worker 自动合并:客户原 URL + 平台衍生 URL,不覆写客户既有内容。