THE GEO GLOSSARY
GEO 术语
从 AI 基础到检索与引用，查找你想了解的概念。
A
AI 智能体
AI Agent能够围绕目标安排步骤、调用工具并根据观察继续行动的软件系统。语言模型可以参与规划和决策，但行动权限、环境状态与停止条件由整个应用共同决定。
GEO 核心概念AI 概览
AI Overviews (AIO)Google 搜索中针对部分查询展示的生成式回答区域。它把来自多个来源的信息组织成摘要，并可提供继续阅读的链接。它是特定产品功能，不能用来泛指所有聊天机器人的回答。
GEO 核心概念AI 可见度
AI Visibility在明确的问题集、平台和时间范围内，品牌或资料在 AI 回答中被用户看到的情况。它可以包含提及、描述、引用或推荐，使用时必须说明正在统计哪一种事件及其分母。
GEO 核心概念答案引擎
Answer Engine围绕用户问题直接组织答案的信息服务，而不是只展示一组检索链接。实际系统可能结合语言模型、网页检索、专有数据、工具调用及界面编排，各产品的组成并不相同。
人工智能基础人工智能
Artificial Intelligence (AI)研究和构建感知、学习、推理、语言处理或决策等能力的广泛技术领域。AI 包含许多不同方法；生成文本只是其中一种能力，不应与所有自动化软件混为一谈。
LLM 架构注意力机制
Attention模型根据当前表示计算信息之间的关联权重，并用这些权重组合其他位置的信息。Transformer 的缩放点积注意力常写为 softmax(QKᵀ/√dₖ)V。Q、K、V 是输入表示经可学习投影得到的查询、键和值矩阵，dₖ 为键向量维度，softmax 按查询行归一化。
B
C
思维链提示（CoT）
Chain-of-Thought Prompting (CoT)用包含中间解题步骤的示例或指令帮助模型处理多步骤任务的提示方法。研究中的可见步骤是一种输出形式，不等于模型全部内部计算过程。
数据与基础设施文档分块
Chunking把文档组织为较小处理单元的过程，常用于检索、编码或上下文构建。分块可以按长度、段落、语义或文档结构进行，边界会影响保留的信息。
GEO 核心概念引用
Citation答案向读者指出支持材料或信息出处的关联。它可能表现为脚注、链接或来源卡片。判断质量时既要看链接是否存在，也要逐条核对来源是否支持对应主张。
GEO 核心概念CITE 框架（术语辨析）
CITE FrameworkGEO 从业材料中使用的一类助记框架名称。本栏目不把 CITE 当成统一算法或行业标准：阅读时需要核对具体作者给四个字母的定义、证据与实施范围。
数据与基础设施端侧 AI
Client-Side AI主要计算发生在用户设备或浏览器中的 AI 处理方式。它可能使用本地模型与本地数据，也可能与远程服务协作，实际数据路径需要检查应用实现。
LLM 架构上下文窗口
Context Window模型单次处理可容纳的 token 上限。输入与输出如何占用额度由模型和接口确定；历史、工具结果和生成预算的分配也取决于实现。窗口标称大小不等于整段材料都能被同样有效使用。
搜索与 SEO抓取
Crawling自动程序发现网址并请求页面或资源的过程。抓取取得的可能是初始 HTML、渲染后的内容或其他格式；不同程序的目的和执行能力需要分别确认。
E
E-E-A-T
E-E-A-T经验、专业性、权威性和可信度等内容质量概念，常见于 Google 的质量评估说明。它用于帮助理解高质量内容的特征，不是一个公开、统一的页面分数。
LLM 架构嵌入
Embeddings把文本、图像或其他对象映射为数值向量的表示方法。向量空间中的距离或相似度可用于比较，但相似度的业务含义取决于模型、训练目标、输入和度量方式。
LLM 架构编码器—解码器
Encoder–Decoder把输入表示与输出生成分为两个主要组件的架构：编码器处理输入，解码器依据表示逐步生成结果。也存在只使用编码器或只使用解码器的相关架构。
搜索与 SEO实体
Entity信息系统希望识别为同一对象的人、组织、产品、地点或概念。实体区别于某个表面词串，可以通过名称、属性及关系与其他对象区分。
F
G
生成式人工智能
Generative AI根据输入条件和训练得到的规律，生成文本、图像、音频或其他内容的模型及系统。输出是构造出来的内容，可能结合检索材料，也可能主要依赖已学到的模式。
GEO 核心概念生成式引擎优化（GEO）
Generative Engine Optimization (GEO)围绕用户在生成式答案中的发现与决策需求，改善公开内容的可访问性、可理解性和证据质量，并用可复核的问题与回答检查变化的实践。原始研究提出了相应任务和实验指标。
数据与基础设施事实约束（Grounding）
Grounding把生成结果或行动与可观察依据联系起来的过程，依据可以是文档、工具返回、环境状态或其他数据。基于文档来源的约束是其中一种形式。
H
I
K
L
M
N
P
参数
Parameters模型在训练中学习到的数值，例如权重与偏置，用于把输入转换为表示和输出。参数规模描述模型的一种容量特征，但不同结构、数据和训练方式会改变其实际表现。
LLM 架构位置编码
Positional Encoding向模型表示注入序列顺序信息的机制。注意力本身需要结合位置信息才能区分不同排列；原始 Transformer 使用了一种位置表示，后续模型还有其他设计。
提示方法提示词
Prompt模型在某次任务中接收的输入文字、指令及相关材料。它可以包含问题、约束、示例和历史信息；用户在界面中看见的一句话未必是完整模型输入。
提示方法提示链
Prompt Chaining把多个提示任务按依赖关系连接，让前一步的结果成为后一步的输入。它可以把资料提取、核查和表达分开，但每个环节仍可能产生或放大错误。
R
S
搜索引擎优化（SEO）
Search Engine Optimization (SEO)围绕搜索用户需求，改善网站访问、内容表达和可发现性的实践。它涉及技术基础、资料质量、页面组织等工作，结果需要在相应搜索环境中观察。
数据与基础设施语义搜索
Semantic Search尝试根据查询与材料的含义、上下文或意图寻找相关结果的检索方式。它可以使用向量表示或其他语言理解方法，常与精确词汇匹配组合。
搜索与 SEO搜索结果页（SERP）
SERP (Search Engine Results Page)搜索产品针对一次查询展示结果的页面。它可能同时包含网页链接、广告、信息卡片、图片和生成式区域；组成会因查询、产品与使用条件变化。
数据与基础设施服务端 AI
Server-Side AI在远程服务器或云端基础设施上执行主要 AI 计算的方式。用户通常通过网页、应用或 API 发送输入，再接收结果；服务器还可能编排检索与其他工具。
人工智能基础小语言模型（SLM）
Small Language Model (SLM)相对于某一对照模型，在参数量、计算或存储需求上更紧凑的语言模型。“小”是相对描述，不能仅凭名称断定它适合哪台设备或能完成哪些任务。
GEO 核心概念基于来源的事实约束
Source Grounding让答案中的主张与具体、可核查的来源建立对应关系。重点是来源是否足够、是否匹配当前问题及是否支持该说法，而不是只把几条链接附在答案末尾。
数据与基础设施流式输出
Streaming把结果在生成或处理过程中分批返回的交付方式，而不是等待全部完成后一次发送。它描述返回时序，不能单独说明内容质量、检索顺序或最终完整性。
搜索与 SEO结构化数据
Structured Data用约定的字段和类型表达页面中可核查的信息，例如文章作者、产品属性或组织关系。网站常用 JSON-LD 表达这些信息，标记应与用户能看到的内容一致。
提示方法系统提示
System Prompt应用向模型提供的较高优先级行为或任务要求的一种输入角色，可能规定输出格式、工具使用和限制。具体消息层级取决于平台与接口实现。
T
温度
Temperature采样过程中调节候选 token 概率分布的一种参数，常通过用温度缩放 logits 后再归一化实现。较高或较低通常改变选择的分散程度，具体支持范围取决于接口。
LLM 架构词元（Token）
Token语言模型使用的离散处理单位，可以对应词、词的一部分、字符或其他编码片段。分词器决定如何切分，因此同一段文本在不同模型中的 token 数可能不同。
数据与基础设施训练数据
Training Data模型训练时使用的数据集合及其处理结果，可能涉及不同来源、过滤、采样和任务形式。它与一次运行时搜索到的网页或用户上传材料不是同一概念。
LLM 架构Transformer
Transformer以注意力机制为关键组件的神经网络架构，2017 年的原始论文系统提出了相关设计。它通过表示、注意力和前馈变换处理序列，并结合位置信息。