目录

• 序言：当用户开始问 AI
• 第一部分 · 问题

- 第一章｜一个新的入口正在形成 - 第二章｜什么是 GEO - 第三章｜AI 可见度

• 第二部分 · 概念框架

- 第四章｜AI Entity：AI 时代的数字身份 - 第五章｜AI Perception Gap - 第六章｜AI Cognition Check

• 第三部分 · 方法与数据

- 第七章｜GEOloop Experiment #001 - 第八章｜评分方法 - 第九章｜Experiment #001 实验结果 - 第十章｜六个发现

• 第四部分 · 方法论

- 第十一章｜GEOloop 的核心假设 - 第十二章｜GEOloop：闭环，而不是一次性交付 - 第十三章｜Truth Base：先确定"真实的你" - 第十四章｜内容不是数量竞赛 - 第十五章｜Citation：从"我说"到"有人证明" - 第十六章｜张晓明个人站：GEOloop 的第一个公开实验对象 - 第十七章｜从一次实验到实验科学 - 第十八章｜AI Visibility Score V1.0 - 第十九章｜GEOloop 的方法论框架

• 第五部分 · 边界与未来

- 第二十章｜我们目前知道什么，还不知道什么 - 第二十一章｜下一阶段实验 - 第二十二章｜从个人实验到企业服务 - 第二十三章｜GEOloop 的长期愿景 - 第二十四章｜我们的核心判断

• 结语：让 AI 认识你、说对你、引用你
• 附录

- 附录 A｜固定问句集与逐源得分明细 - 附录 B｜Experiment #001 数据声明 - 附录 C｜实验原则 - 附录 D｜GEOloop 的一句话

序言：当用户开始问 AI

过去二十多年，企业数字营销面对的核心问题之一是：

用户搜索相关关键词时，能不能找到我？

于是我们有了 SEO。

企业建设网站、优化页面、布局关键词、获得链接、提升排名，最终目标是进入搜索结果。

但生成式 AI 正在改变用户获取信息的方式。

用户开始直接问：

"成都有哪些值得推荐的口腔医院？" "哪个 GEO 顾问比较专业？" "这个品牌靠谱吗？" "如果我是一个小企业，应该怎么做 AI 搜索优化？"

用户不一定再打开十个网页。

他可能只需要等待一个 AI 给出答案。

于是，一个过去并不存在的问题出现了：

当用户开始问 AI，AI 会怎么介绍你？

这就是 GEOloop 关注的问题。

第一部分 · 问题

第一章｜一个新的入口正在形成

1.1 从"搜索结果"到"生成答案"

传统搜索的基本路径是：

用户 → 搜索关键词 → 搜索引擎 → 网页 → 用户判断

生成式 AI 的路径开始变成：

用户 → 提出问题 → AI理解问题 → AI组织信息 → 生成答案

两者最大的差别，不只是界面发生了变化。

而是：

信息筛选和解释的一部分，从用户转移到了 AI。

过去用户自己判断：

哪个网页可信？

未来越来越多情况下，AI 可能先替用户完成：

• 谁值得被提及？
• 什么信息重要？
• 哪个品牌值得推荐？

因此企业需要开始面对一个新的数字问题：

AI 如何认识我？

第二章｜什么是 GEO

GEO，即 Generative Engine Optimization（生成式引擎优化）。

GEOloop 将其定义为：

通过建立实体、知识、内容、来源与持续监测机制，使生成式 AI 能够发现、理解、正确描述、引用并在相关场景下推荐一个实体的系统性优化过程。

这里有一个重要区别：

GEOloop 并不把 GEO 简单理解为：

• "给 AI 写文章。"
• "SEO 换了一套关键词。"

我们认为，GEO真正需要解决的是：

AI 对一个实体的认知。

第三章｜AI 可见度

3.1 什么是 AI 可见度

GEOloop 将 AI Visibility 定义为：

一个实体在生成式 AI 回答中被识别、正确描述、获得来源归因并进入相关决策场景的程度。

因此，"AI有没有提到你"只是最基础的一层。

我们将其拆成四个层级：

• 第一层：Recognition — AI 知道你。
• 第二层：Representation — AI 说对你。
• 第三层：Attribution — AI 能够把信息归因到你的来源。
• 第四层：Recommendation — 当用户有相关需求时，AI 想到你。

因此：

出现 ≠ 认知。 认知 ≠ 正确描述。 正确描述 ≠ 来源引用。 来源引用 ≠ 推荐。

这是 GEOloop 对 AI 可见度的基本理解。

第二部分 · 概念框架

第四章｜AI Entity：AI时代的数字身份

传统企业网站解决的是：

"企业有什么？"

但 AI 需要先解决：

"这个企业是谁？"

因此 GEOloop 提出 AI Entity，即：

一个能够被 AI 稳定识别、区分、描述和关联的数字实体。

一个实体至少应该拥有：

名称、类型、身份、产品、服务、地域、人群、专业领域、创始人/组织关系、官方网站、相关知识、外部证据。

例如 张晓明，不是简单的一串名字，而应该逐渐形成：

张晓明
│
├── GEO 与 AI 搜索可见度独立顾问
│
└── 专业领域
    ├── GEO
    ├── AI搜索
    ├── AI可见度
    └── 一人公司

进一步：

张晓明
     │
     │ founder
     ↓
GEOloop
     │
     ├── GEO
     ├── AI可见度
     ├── AI搜索
     └── AI可见度闭环

这就是一个可以被 AI 理解的实体关系网络。

第五章｜AI Perception Gap

如果企业真实情况是：

张晓明是一名 GEO 与 AI 搜索可见度独立顾问。

但 AI 回答：

"张晓明是一个普通中文人名，目前没有全国范围知名的公众人物使用这个名字。"

那么问题并不是：

网站有没有写。

真正的问题是：

AI 的认知与真实事实产生了差距。

GEOloop 将这个差距称为 AI Perception Gap，即：

实体真实事实与 AI 对该实体的实际认知之间的差距。

我们认为，这是 GEO 检测非常重要的对象。

第六章｜AI Cognition Check

因此，GEOloop 的第一步不是：

马上开始发文章。

而是：

先问 AI。

例如：

• "张晓明是谁？"
• "张晓明提供什么服务？"
• "GEOloop是什么？"
• "什么是GEO？"
• "推荐一位做GEO优化的顾问。"

然后将 AI 回答与实体的真实信息进行比对。

最终得到：

• AI知道什么？
• AI不知道什么？
• AI说错了什么？
• AI把谁认成了谁？
• AI引用了什么？
• AI为什么没有推荐？

这就是 AI Cognition Check。

第三部分 · 方法与数据

第七章｜GEOloop Experiment #001

7.1 实验目的

本实验不是为了证明某一种 GEO 方法"必然有效"。

第一阶段的目标只有一个：

建立中文 AI 搜索环境下的实体认知基线。

即：

在没有针对性优化之前，AI究竟如何认识不同实体？

7.2 实验对象

本次测试包括：

• 个人品牌：张晓明
• 企业品牌：海底捞
• 网站：zkoner.com
• 行业问题：什么是 GEO？
• 决策场景：推荐一位做 GEO 优化的顾问

7.3 检测模型

本批实验采用两个中文主流 AI：

• DeepSeek
• 豆包

检测时间：

2026-08-16 ～ 2026-08-18

由于模型会持续更新，因此本报告所有结果均属于：

特定时间窗口下的实验快照。

第八章｜评分方法

GEOloop V1.0 采用三个基础维度：

• 认知：AI 是否识别并提及目标实体。
• 描述：AI 对实体的描述是否与官方真实信息一致。
• 来源：AI 是否提供具体、可追踪的来源。

判定等级

需要特别说明：

V1.0 权重是 GEOloop 当前的探索性评分规则，并非行业统一标准。

后续将通过更多样本、更多模型和多轮实验继续校准。

V1.0 与四层模型的关系（重要）：

• 本评分覆盖 AI 可见度的前三层：Recognition（认知）、Representation（描述）、Attribution（来源）。
• 第四层 Recommendation（推荐）不并入总分，通过独立的决策场景问句（如"推荐一位做GEO优化的顾问"）单独检测，结果以曝光份额呈现。
• 未来评分体系升级时，Recommendation 可能被正式纳入总分。

第九章｜Experiment #001 实验结果

第十章｜六个发现

发现一：被 AI 知道，不等于被 AI 引用

海底捞在两个模型中均获得：

70分

AI 能够正确描述品牌。

但本批测试中：

source = false

这意味着一个重要现象：

AI 可以知道一个品牌，却不一定把这个品牌作为信息来源。

因此：

Recognition 与 Attribution 是两个不同层级。

发现二：个人品牌存在明显的 AI 认知盲区

张晓明：

35分

判定：

AI 尚未认知

具体表现为：

• DeepSeek 双问直接拒答（"对不起，我还没有学会回答这个问题……"），得分 0。
• 豆包虽然提到了名字（描述维度有得分），但把它当作"一个没有公众人物的中文人名"，描述不出「GEO 与 AI 搜索可见度独立顾问」的身份。

这组数据说明：

即使拥有自己的官网、博客和公开的 GEO 内容，一个个人实体也不天然意味着 AI 已经形成稳定认知。

我们推测：

长期、跨平台、公开、可被机器获取的信息资产，可能是个人实体形成稳定 AI 认知的重要因素之一。

这一假设将在后续实验中继续验证。

发现三：AI 可能提到一个名字，却绑定不到正确的实体

本批数据里出现了一种比"没被提到"更隐蔽的情况：

名字被识别了，但实体没有建立。

例如 zkoner.com 的豆包回答：

"没有查询到「zkoner.com」对应有面向公众开放、具备广泛知名度的正规运营服务……可能存在钓鱼诈骗风险。"

AI 确实提到了这个域名，但把它绑定成了"一个未上线的、可能是钓鱼的网站"——域名存在，实体完全错位。

张晓明也出现了类似情况：豆包提到"张晓明"这个名字，却绑定不到「GEO 与 AI 搜索可见度独立顾问」这个实体，而是描述成"普通中文人名"。

GEOloop 将这一现象定义为：

Entity Misbinding（实体绑定错误）

这说明：

GEO 不只是解决"让 AI 知道你"。

还要解决：

AI 知道的是不是你。

发现四：GEO本身仍然存在语义分裂

当测试：

"什么是GEO？"

DeepSeek 将 GEO 理解为：

Generative Engine Optimization（生成式引擎优化）

而豆包则将其解释为：

Geography（地理）相关优化。

同一个词产生了明显不同的语义解释。

这提示我们：

新兴术语如果尚未形成稳定的跨模型语义共识，就存在明显的语义竞争和认知分裂。

因此，对于 GEO 服务商而言，一个基础任务可能并不是"优化排名"，而是：

建立清晰、持续、可验证的语义绑定。

发现五：高价值决策场景目前存在巨大空白

我们测试：

"推荐一位做GEO优化的顾问。"

这里有一个值得注意的对比：

DeepSeek 能把"GEO 顾问"的职责描述得非常专业（AI 可读性审计、实体关联优化、内容引用策略、数字公关）——模型完全"理解"这个场景。

但两个模型都没有推荐任何具体顾问。

在本次样本中：

张晓明：0 曝光

也就是说：

模型理解一个需求，不等于模型推荐一个实体。

认知（能描述场景）与推荐（指名道姓）是两个解耦的层级。

这并不能证明整个中国 GEO 市场绝对没有任何 AI 推荐。

但至少说明：

在本次测试模型、测试问句和测试时间窗口下，该场景仍存在明显的可见度空白。

这可能意味着：

一个新的 AI 推荐入口正在形成，而行业参与者尚未充分进入。

发现六：成为 AI 的信息来源，是另一个竞争层级

本次实验最大的共同现象之一：

AI能够回答 ≠ AI提供来源。

因此 GEOloop 将：

Citation / Attribution

视为一个独立维度。

未来我们需要进一步研究：

• 什么样的内容更容易成为 AI 的引用来源？
• 什么样的实体更容易获得来源归因？
• 自有官网与第三方来源分别发挥什么作用？
• 来源数量和来源质量之间是什么关系？

这些问题目前还没有被本实验回答。

它们将成为后续实验的重要方向。

第四部分 · 方法论

第十一章｜GEOloop 的核心假设

基于 Experiment #001，GEOloop 当前形成以下研究假设。

假设一：Entity-first GEO

GEO优化的第一对象应该是实体，而不是文章数量。

假设二：AI Perception Gap 可以被测量

企业真实信息与 AI 回答之间存在差异。

如果能够把这种差异结构化，就可以：

检测 → 量化 → 优化 → 复测。

假设三：AI认知具有层级

一个实体可能经历：

不知道 → 知道名字 → 知道是谁 → 说得正确 → 找到来源 → 进入推荐

因此：

AI Visibility 不应该只有"出现/不出现"两个状态。

假设四：语义绑定可能是 GEO 的基础工作

当 GEO 在不同 AI 中产生不同解释时，

建立：

GEO → Generative Engine Optimization

的稳定语义关系，可能成为 GEO 的基础工作之一。

假设五：GEO应该是一个闭环

一次性优化无法解决持续变化的 AI 认知问题。

因此：

检测 → 干预 → 复测 → 分析 → 迭代

可能比一次性内容生产更适合 AI 搜索环境。

第十二章｜GEOloop：闭环，而不是一次性交付

这也是 GEOloop 名称中 loop 真正代表的含义。

检测
 ↓
发现AI如何认识你
 ↓
建立 / 修正 Entity
 ↓
建设 Knowledge
 ↓
生产 Content
 ↓
获得 Citation
 ↓
持续 Monitoring
 ↓
重新检测
 ↓
继续 Evolution
 ↺

因此：

GEOloop 不是：

• 一个文章生成器。
• 一个单纯的 SEO 工具。

而是：

一个围绕 AI 可见度持续运行的闭环系统。

第十三章｜Truth Base：先确定"真实的你"

如果没有一个真实事实基准：

AI说错了没有？

这个问题本身就无法回答。

因此 GEOloop 需要建立 Truth Base，即：

实体真实、权威、可验证的信息基准。

例如张晓明：

• 姓名：张晓明
• 身份：GEO 与 AI 搜索可见度独立顾问
• 专业领域：GEO、AI搜索、AI可见度、一人公司
• 项目：GEOloop
• 核心方法：AI可见度闭环

然后：

AI回答 与 Truth Base 进行比较。

这才产生 AI Perception Gap。

第十四章｜内容不是数量竞赛

GEOloop 不认为：

"AI写100篇文章" 天然等于 "AI更认识你"。

AI可以帮助企业：

• 整理知识
• 改写内容
• 扩展表达
• 生成不同格式
• 自动化发布

但 AI 无法凭空创造一个企业真正拥有的：

• 客户案例
• 原始数据
• 实验结果
• 创始人经验
• 独特方法
• 行业判断
• 产品事实

因此我们提出：

AI可以规模化表达知识，但不能替代真实知识的产生。

这也是 GEOloop 内容体系的基本原则。

第十五章｜Citation：从"我说"到"有人证明"

企业官网可以告诉 AI：

"我是行业专家。"

但更强的信号是：

第三方也这样描述你。

因此未来 GEO 的内容体系应该逐渐形成：

Entity
 ↓
Claim
 ↓
Evidence
 ↓
Source
 ↓
Citation

也就是说：

企业不只是告诉 AI 自己是谁，还要建立能够支撑这些事实的证据网络。

这可能成为 GEO 从 内容工程 走向 Evidence Engineering 的重要一步。

第十六章｜张晓明个人站：GEOloop 的第一个公开实验对象

GEOloop 并不是只研究别人。

它首先研究自己。

因此 zkoner.com 承担两个角色：

• 角色一：张晓明的个人品牌网站。
• 角色二：GEOloop 的公开实验场。

实验从 AI 认知成绩单 #1 开始。

初始结果：

35分

这意味着：

即使拥有自己的官网、博客和公开内容，一个个人实体也不天然意味着 AI 已经形成稳定认知。

因此，接下来可以对张晓明进行连续实验：

• Experiment #002：Entity 建模。
• Experiment #003：原创知识。
• Experiment #004：第三方来源。
• Experiment #005：语义绑定。
• Experiment #006：推荐场景。

每一次：

改变变量 → 重新测试 → 记录 Delta。

最终形成：

AI Visibility Growth Curve

这将成为 GEOloop 最重要的第一手数据资产之一。

第十七章｜从一次实验到实验科学

GEOloop 后续实验采用：

Baseline → Intervention → Re-test → Delta → Attribution → Methodology

即：

1. Baseline：建立初始状态。
2. Intervention：改变一个或一组明确变量。
3. Re-test：使用相同或等价测试条件重新检测。
4. Delta：比较前后变化。
5. Attribution：分析变化可能来自什么因素。
6. Methodology：将可重复的结果沉淀为方法。

这意味着：

方法论不是先写出来的，而是从实践中长出来的。

第十八章｜AI Visibility Score V1.0

当前 GEOloop 使用：

Recognition 40 + Representation 30 + Attribution 30

形成 AI Visibility Score。

但需要特别强调：

V1.0 是探索性评分体系，不是行业统一标准。

如第八章所述，V1.0 只覆盖前三层认知；第四层 Recommendation 通过独立的场景问句检测（如"推荐一位做GEO优化的顾问"），不并入总分。

未来随着：

更多实体、更多问题、更多模型、更多复测、更多干预实验

不断积累数据，评分体系可能进入：

V2.0、V3.0、V4.0……

未来可能增加：

• Recommendation
• Entity Consistency
• Semantic Stability
• Entity Authority

等维度。

第十九章｜GEOloop 的方法论框架

目前，GEOloop 可以概括为六层：

                 GEOloop
                     │
        ┌────────────┴────────────┐
        ↓                         ↓
      ENTITY                   KNOWLEDGE
     你是谁                    你知道什么
        ↓                         ↓
      CONTENT                  CITATION
   你持续说什么                谁证明你
        ↓                         ↓
    MONITORING                EVOLUTION
    AI如何认识你              如何持续改变
        └────────────┬────────────┘
                     ↓
                   LOOP
                     ↺

六层并不是六个独立产品。

它们共同构成：

AI Visibility Loop

第五部分 · 边界与未来

第二十章｜我们目前知道什么，还不知道什么

这是 GEOloop 白皮书必须保留的一章。

因为真正可信的方法论，不应该只写"我们知道什么"。

还应该写"我们不知道什么"。

我们目前观察到

• ✅ 已观察：AI 对不同实体的认知程度存在明显差异。
• ✅ 已观察：同一个名称可能发生实体错位。
• ✅ 已观察：同一个新兴术语可能出现跨模型语义分歧。
• ✅ 已观察：AI 能够知道一个品牌，并不意味着会提供其来源。
• ✅ 已观察：本次测试中，GEO 顾问推荐场景没有出现具体顾问。

我们尚未证明

• ⏳ 尚未证明：大量原创内容一定会提高 AI Visibility。
• ⏳ 尚未证明：Schema 一定会提高 AI 认知。
• ⏳ 尚未证明：第三方引用一定会提高推荐概率。
• ⏳ 尚未证明：AI Visibility Score 与商业转化存在稳定相关性。
• ⏳ 尚未证明：某一个 GEO 优化动作能够普遍复制到所有行业。

因此：

GEOloop V1.0 是一个正在形成中的实践方法论，而不是最终答案。

第二十一章｜下一阶段实验

GEOloop Lab 将围绕以下问题继续实验。

Experiment #002：Entity 建模是否改善 AI 认知？

• 对象：张晓明
• 变量：Entity 结构
• 指标：Recognition / Accuracy

Experiment #003：原创知识是否改善 AI 描述准确率？

• 对象：张晓明
• 变量：原创方法论 / 白皮书
• 指标：Representation

Experiment #004：第三方来源是否改变 AI Attribution？

• 变量：外部公开来源
• 指标：Citation / Attribution

Experiment #005：语义绑定能否降低 GEO 的语义歧义？

• 变量："GEO = Generative Engine Optimization"相关内容
• 指标：Semantic Consistency

Experiment #006：AI 是否开始在决策场景推荐张晓明？

• 问题："推荐一位做GEO优化的顾问。"
• 指标：Recommendation

第二十二章｜从个人实验到企业服务

如果个人实验可以持续形成：

Baseline → Optimization → Re-test → Improvement

那么同样的方法可以应用到企业。

例如：

1. 企业第一次检测：AI如何认识你？
2. 建立 Truth Base：企业真实信息是什么？
3. 找出 Perception Gap：AI哪里说错了？
4. GEO Intervention：修改实体、内容、来源。
5. 再检测：AI发生了什么变化？

最终企业获得的不是一篇文章。

而是：

一份持续更新的 AI 认知档案。

第二十三章｜GEOloop 的长期愿景

GEOloop 的长期目标不是成为：

• "一家帮企业发 GEO 文章的公司。"
• "一个 GEO 检测工具。"

我们希望逐渐建立：

AI Visibility Infrastructure

即：

企业在 AI 世界中的可见度基础设施。

它包括：

Entity、Knowledge、Content、Citation、Monitoring、Experiment、Benchmark、AI Visibility Score。

最终形成：

企业自己的 AI 可见度资产。

第二十四章｜我们的核心判断

经过第一轮实验，GEOloop 当前形成以下判断：

1. AI时代，企业需要开始管理 AI 如何描述自己。
2. GEO 的基础对象可能不是关键词，而是实体。
3. AI知道你、说对你、引用你、推荐你，是不同层级的问题。
4. 个人品牌同样需要建立 AI 可识别身份。
5. 企业真实事实与 AI认知之间的差距可以成为一种新的检测对象。
6. GEO 不应该是一轮性的内容发布，而应该是持续检测与迭代。
7. AI 可以规模化表达知识，但真正具有长期价值的仍然是原创知识、真实经验与可验证事实。
8. 未来 AI 可见度可能成为企业数字资产的重要组成部分。

最后这一点目前仍然是：

GEOloop 的长期判断，而非已经完成验证的事实。

结语｜让 AI 认识你、说对你、引用你

SEO时代，我们问：

搜索引擎能不能找到我？

AI时代，我们开始需要问：

AI到底怎么认识我？

• 它知道你的名字吗？
• 知道你是谁吗？
• 知道你的产品吗？
• 知道你的优势吗？
• 能够正确描述你吗？
• 知道信息来自哪里吗？
• 当用户需要你的时候，它会想到你吗？

这些问题构成了一个新的数字世界。

GEOloop 从一个很简单的实验开始：

直接去问 AI。

然后记录答案。

不猜。

不想当然。

不因为自己是专家，就假设 AI 一定认识自己。

• 如果 AI 不知道：就记录。
• 如果 AI 说错：就记录。
• 如果 AI 把你认成别人：就记录。
• 如果 AI 不引用：就记录。

然后：

改变。再问。再记录。再改变。

这就是 GEOloop：

检测 → 干预 → 复测 → 学习 → 迭代

我们相信，GEO真正有价值的地方，不在于制造更多内容，而在于建立一种新的能力：

持续观察 AI 如何认识这个世界，并帮助企业在这个世界里建立一个真实、清晰、可验证、可持续的身份。

因此，GEOloop 的第一句话，也是我们希望长期坚持的一句话：

让 AI 认识你、说对你、引用你。

附录

附录 A｜固定问句集与逐源得分明细

本附录将 Experiment #001 的问句与逐源原始得分完整公开，保证可复测。

A.1 固定问句集

评分规则（每个源、每个问句独立打分，满分 100）：

• 认知（40 分）：AI 是否识别并提及目标实体。
• 描述（30 分）：AI 的描述是否与实体真实信息一致。
• 来源（30 分）：AI 是否提供具体、可追踪的来源。
• 实体总分 = 各源各问句得分的均值。

A.2 逐源逐问明细（2026-08-16 ～ 08-18）

张晓明（个人品牌 · 总分 35）

海底捞（企业品牌 · 总分 70 · 4 次检测稳定）

注：4 次检测（08-16 两次、08-17 两次）均稳定 70 分，认知与描述满分，唯一缺口为来源（source = false）。

什么是GEO？（行业术语 · 总分 30）

注：多次检测取稳定值。两个模型对"GEO"给出完全不同的主流定义——语义分裂。

推荐一位做GEO优化的顾问（决策场景 · 总分 30）

注：本场景另测曝光份额，张晓明 = 0%（两家模型均未在答案中提及）。

zkoner.com（个人网站 · 总分 18）

注：单独复测 zkoner.com 一次，得分 25，cited = false（从未被任何来源引用）。

A.3 复测说明

• 使用以上固定问句，对同一批实体以相同评分规则重新检测，即可复现本报告。
• 由于模型会持续更新，任何复测结果仅代表复测当时的时间窗口，不代表 2026-08-16～18 的结果。
• GEOloop 检测系统的公开线上入口（geoloopos.com）已于 2026 年 8 月下旬上线，现可对任意实体自助检测与复测。

附录 B｜Experiment #001 数据声明

• 实验名称：GEOloop Lab · Experiment #001
• 实验性质：中文 AI 搜索环境下的实体认知基线测试。
• 检测引擎：GEOloop Identity Engine。
• 检测模型：DeepSeek、豆包。
• 检测时间：2026-08-16 ～ 2026-08-18。
• 测试对象：2 个品牌实体、1 个个人网站、2 个行业/决策场景。
• 评分：GEOloop AI Visibility Score V1.0。
• 数据状态：原始检测结果保存于 GEOloop 数据系统，可使用相同实体、相同问句和相同评分规则进行复测。
• 重要限制：由于生成式 AI 模型会持续更新，本实验结果仅代表对应时间窗口下的模型状态，不代表模型未来始终保持相同回答。

附录 C｜实验原则

GEOloop Lab 遵循：

• 可复测：相同条件尽可能得到可比较结果。
• 可追溯：保留原始回答与检测时间。
• 不修改历史：历史实验数据一经记录，不因后续结果而修改。
• 明确区分事实与假设：实验观察、研究判断与行业结论分开表达。
• 允许失败：如果某项优化没有提升 AI Visibility，也应作为实验结果公开记录。
• 持续迭代：评分体系、实验方法和模型本身都允许升级。

附录 D｜GEOloop 的一句话

GEOloop 是一个帮助企业建立、检测和持续优化 AI 可见度的闭环系统。

三句话：

• 让 AI 认识你。
• 让 AI 说对你。
• 让 AI 引用你。

最终目标：

让 AI 在用户需要你的时候，能够正确地想到你。

GEOloop · Commercial White Paper

张晓明 / 2026

不是终点。