一、问题重定义：竞争对象与竞争单元

传统SEO的竞争对象是“同关键词页面”；GEO中需要重定义为：

竞争对象 = 在同一Query下被AI选中的内容来源集合
竞争单元 = Passage（段落级知识单元）

结论：对手集合是动态的、按Query变化；分析粒度必须下沉到Passage级。

---

二、对手发现：基于Query池的反向枚举

1. 构建Query池（覆盖真实使用场景）

来源三类：

• 任务型（how to / steps / best way）
• 定义型（what is / why / difference）
• 决策型（compare / vs / pros cons）

规模建议：

初期：200–500
稳定：1000–3000

2. 多平台采集回答

对以下平台分别采样（独立统计）：

• ChatGPT
• Perplexity AI
• Google Search（AI Overview）

每个Query执行多次（5–10次）以抵消随机性。

3. 提取“真实对手集合”

从回答中解析：

• 显式引用URL（若存在）
• 隐式来源（通过指纹匹配识别）

得到：

Competitor Set(Q) = {Domain_i}

---

三、竞争对手分层（结构化而非简单名单）

将对手按“被选中机制”分层：

1. 权威型（Authority-driven）

特征：

• 大型站点、百科、官方文档
• 在 Google Search 中占优

风险：难以短期替代
策略：绕开同Query，转向长尾/结构优势

---

2. 表达型（Clarity-driven）

特征：

• 定义清晰、结构标准
• 在 ChatGPT 中高频出现

策略：通过表达与结构优化可替代

---

3. 实时型（Freshness-driven）

特征：

• 更新频率高、数据密集
• 在 Perplexity AI 中占优

策略：提升更新节奏与数据颗粒度

---

4. 结构型（Extractability-driven）

特征：

• Q&A / 列表 / 分块清晰
• 多平台通用优势

策略：模块化重写可直接竞争

---

四、核心指标体系（可量化对比）

对每个竞争域名或Passage，计算以下指标：

---

1. Citation Share（引用份额）

Citation Share =
该域名被引用次数 / 总引用次数

用于判断头部对手集中度。

---

2. Query Coverage（覆盖率）

Coverage =
被该域名覆盖的Query数 / 总Query数

衡量广度能力。

---

3. Avg Position（平均引用位置）

按AI答案中引用顺序加权：

• 第一引用权重最高

---

4. Passage Win Rate（段落胜率）

Win Rate =
该段被选中次数 / 参与竞争次数

用于比较具体表达方式优劣。

---

5. Stability（稳定性）

Stability =
同Query多次采样中被引用频率

用于过滤偶然命中。

---

五、对手能力拆解（从“结果”反推“原因”）

对每个高频被引用的Passage进行特征抽取：

---

1. 语义匹配能力

指标：

• Query与段落embedding距离
• 是否直接回答问题

验证：

• 替换同义Query测试匹配变化

---

2. 信息密度

指标：

Density = 信息点数量 / token数

高密度内容更易进入Top-K。

---

3. 可抽取性（结构）

检测：

• 是否为定义句
• 是否为列表或步骤
• 是否单段可独立理解

---

4. 权威信号

外部指标：

• 反链数量
• 品牌提及
• 历史稳定性

---

5. 新鲜度

Freshness = 当前时间 - 更新时间

对新闻/工具类Query权重显著。

---

六、差距分析（Gap Analysis）

对比你与头部对手，在同一Query下建立差距矩阵：

---

示例结构：

Query	对手优势	你的缺失
what is GEO	定义清晰	无定义句
GEO vs SEO	对比表格	无结构化对比
GEO strategy	步骤明确	内容冗长

---

输出三类Gap：

1. 结构缺失（无可抽取块）
2. 语义不匹配（表达偏离Query）
3. 权威不足（站点级问题）

---

七、策略制定（基于对手类型）

---

针对表达型对手

行动：

• 重写为Definition + List
• 控制长度（50–120词）

---

针对结构型对手

行动：

• 增加FAQ / Step / Comparison模块
• 每段只回答一个问题

---

针对实时型对手

行动：

• 建立更新机制（周期更新）
• 引入数据与时间标记

---

针对权威型对手

行动：

• 避开核心Query
• 构建Topic Mesh（长尾覆盖）

---

八、实验与验证（必须执行）

---

1. A/B测试

同一Query下：

版本A：长段解释
版本B：定义 + 列表

对比：

• Citation Rate
• Win Rate

---

2. 多轮采样

每个Query运行5–10次

计算平均值与方差。

---

3. 回归验证

更新内容后：

• 重新跑Query池
• 比较指标变化

---

九、系统化实现（推荐架构）

---

Query Pool
→ 多平台调用
→ Response采集
→ 指纹识别（匹配来源）
→ 指标计算
→ Dashboard
→ 策略调整

该系统与前述“指纹识别系统”直接耦合。

---

十、边界与风险

---

1. 平台差异

不同平台Ranking信号权重不同，必须分开分析。

---

2. 输出不稳定

需多次采样避免误判。

---

3. 多来源融合

无法精确归因权重，只能识别候选集合。

---

十一、最终结论

在GEO环境中：

竞争 = 提高进入Top-K候选集合的概率

而对手分析的本质是：

找出“为什么他们被选中”
→ 并在你的内容中复现该条件

---

十二、执行优先级（建议顺序）

1. 建立Query池（必须）
2. 采集多平台回答
3. 构建对手集合
4. 跑引用检测（指纹系统）
5. 输出指标（Citation / Win Rate）
6. 做结构与语义重写
7. 再验证