学术
同行评议论文（arXiv/KDD/EMNLP/USENIX 等），数值直接取自论文原文。
权威建设（Authority Building）
九战术中唯一「语气类」选手：改写语气与背书式表述，实验增益约 +10% 且不显著——自称权威换不来可见度，可核验才能。
引用来源添加（Citation Addition）
九战术中排名第四：给核心论断挂上真实可查的权威出处，实验相对增益约 +27%；对排名靠后的来源收益最大。
语料投毒（Corpus Poisoning）
向训练/检索语料注入恶意文本以操纵模型输出的攻击——学术实证百万级知识库中每问题仅 5 条恶意文本即可达 90% 攻击成功率。
易懂化改写（Easy-to-Understand）
九战术中段选手：用平实语言改写专业表述、替换行话并补足解释，实验相对增益约 +14%，低于前排四档但方向为正。
流畅度优化（Fluency Optimization）
九战术第三名：消除长从句、翻译腔与嵌套定语，让模型能整句转述，实验相对增益约 +28%；朗读一遍是最简单的自查法。
生成式引擎（Generative Engine）
以检索增强生成为基础、直接输出合成答案的搜索与对话产品（AI Overviews、ChatGPT Search、Perplexity、豆包等）——GEO 的优化对象。
GEO（生成式引擎优化）
面向生成式引擎（AI 搜索/对话助手）优化内容可见度的工作：让品牌与内容被 AI 回答提及、引用。概念由普林斯顿等团队 2023 年提出。
关键词堆砌（Keyword Stuffing）
九战术中唯一的负收益战术：在生成式引擎环境里堆词实测约 -8%，主动压低可见度——传统搜索时代的头号技巧在这里是反向操作。
Lost in the Middle（中部遗忘）
多文档问答中 LLM 的位置偏差：上下文首尾的信息被充分利用，中部信息显著被忽略，性能呈 U 形曲线。
PAWC（位置加权词数）
GEO 奠基论文提出的可见度度量：按品牌/来源在生成答案中出现的字数与位置（越靠前权重越高，指数衰减）加权求和。
提示注入（Prompt Injection）
在网页/文档中嵌入对 LLM 的隐藏指令，劫持阅读该内容的 AI 的行为——真实世界已出现网页注入劫持 AI 推荐的案例。
引语添加（Quotation Addition）
九种内容战术中效果最强的一档：在关键结论处放权威直接引语并标明说话人与场合，实验相对增益约 +41%。
统计数字添加（Statistic Addition）
九战术中排名第二的内容战术：给论断配上可核对的具体数字并写清口径，实验相对增益约 +30%；注水数字会两头翻车。
术语精准化（Technical Terms）
九战术第五名：在内容中正确、一致地使用领域术语，实验相对增益约 +17%；精准用词帮助模型把内容挂到正确的实体与概念上。
独特内容（Unique Words）
九战术中的微弱正收益档：论文原词 Unique Words（独特词汇），换新说法的增益仅约 +6%；真正的独特在信息增益而非措辞。
Corrective RAG（Yan 等）：检索质量评估与纠正分支
轻量评估器给检索结果打分，低质文档被丢弃并回退网页搜索，模糊结果按知识条带精炼——"低质检索结果会被替换"的机制原型。
DPR（Karpukhin 等）：稠密段落检索——向量检索的源头
双编码器把问题与段落映射进同一语义空间，稠密向量检索在开放域问答上超过 BM25——今天答案引擎"按语义而非字面选源"的技术起点。
GEO: Generative Engine Optimization（奠基论文）
首篇形式化定义"生成式引擎优化"的论文：GEO-bench 一万条查询实测九种内容战术，引语添加 +41% 最强、关键词堆砌唯一负收益。
HaluEval（李等）：幻觉的系统化评估基准
五千条真实用户查询配 ChatGPT 回答、三类任务共三万条样本，把幻觉从轶事变成可测量对象——品牌侧事实核查监测的方法论参照。
LLM 搜索行为的品牌与来源偏好
2025-09 论文：AI 搜索对第三方"赢得媒体"存在系统性压倒性偏好与大品牌偏差；各引擎在领域多样性、时效性、跨语言稳定性上差异显著。
Lost in the Middle: How Language Models Use Long Contexts
多文档问答位置偏差的奠基实证：上下文首尾信息被充分利用、中部显著被忽略（U 形曲线）——解释了 chunk 排位与"答案前置"为何有效。
PoisonedRAG（知识库投毒攻击）
证明向 RAG 知识库注入极少量恶意文本即可高成功率操纵输出的安全论文——百万级知识库中每问题仅 5 条恶意文本即达约 90% 攻击成功率。
RAG 综述（Gao 等）：三范式框架与生成式引擎的工程母体
检索增强生成最早的系统性综述之一：Naive/Advanced/Modular 三范式把"检索-生成"故障分层，是理解 AI 引擎为何引用你、又为何答错你的工程底图。
对话式搜索引擎的排名操纵
证明越狱式提示注入可迁移到 perplexity.ai 等真实对话引擎黑盒生效的 EMNLP 2024 论文——网页内容劫持 AI 推荐的学术实证。
RGB 基准（RAG 四能力评估）
系统评估 6 个 LLM 在检索增强生成上四项能力（噪音鲁棒/负拒答/信息整合/反事实）的基准——拒答与信息整合仍是显著短板。
Self-RAG（Asai 等）：让模型自查检索必要性与答案支撑度
模型用反思标记自查"要不要检索、材料是否相关、答案是否被支撑、是否有用"——引擎自查行为的学术原型，解释了为什么同一品牌的答案质量会分层。
商品页策略性文本序列（推荐操纵研究）
Harvard 团队证明在商品页加入特定"策略性文本序列"可大幅提高被 LLM 推荐为第一名的几率——商业语境下的排名操纵实证。
生成式搜索引擎的可验证性审计
对 Bing Chat/NeevaAI/Perplexity/YouChat 的引用审计：平均仅 51.5% 的生成语句被引文完全支持，引文本身也有约四分之一不支持对应语句。
生成式引擎引用可验证性：仅 51.5% 语句被引文完全支持
Stanford 审计四个生成式搜索引擎：平均 51.5% 的生成语句被引文完全支持，74.5% 的引文真正支持对应语句——引用链天然不精确。
排名第 5 的页面加引用后可见度 +115%
GEO 论文最反直觉的发现：引用来源战术使排名第 5 的来源可见度 +115.1%，第 1 名反而 -30.3%——GEO 是弱者的窗口。
九种内容战术效果全表（引语最强 +41%，堆砌唯一负收益）
GEO 奠基论文对九种内容战术的实测排名（基线 PAWC 19.3）：引语添加最强，关键词堆砌是唯一负收益战术。