AI 时代，别搞虚的，真实才是必杀技。

作者｜周永亮

编辑｜靖宇

最近，A 股市场上演了一出关于 GEO（生成式引擎优化）的概念热潮，20 多家公司股价坐上过山车，但这背后的焦虑却是真实的：在 AI 时代，如果豆包或 DeepSeek「不认识」你的品牌，你是否就被时代抛弃了？

这种焦虑切中了很多商家的痛点。GEO 到底是什么？它是真正的营销利器，还是又一轮割韭菜的把戏？

为了厘清这个概念，我们找到了深耕该领域的 Pallas AI 创始人、CEO Ethan。他在阿里待了十年，从阿里到达摩院到蚂蚁，最后一年担任 Ling 大模型首席架构师。从 2025 年 5 月开始，当 GEO 这个概念还只有极少人知道的时候，他已经开始在这个赛道创业，最近刚完成数千万人民币融资。

说起 GEO，很多人可能感到陌生，但对 SEO 一定不陌生。在 Ethan 看来，SEO 本质上是在和搜索引擎博弈。通过堆砌关键词、做外链，试图破解算法的喜好，把自己的网页挤到搜索结果的第一页。

相比之下，GEO 的逻辑则完全不同。它的核心目标不是让用户点击链接，而是让 AI 模型在回答问题时，直接引用你的内容，把你的产品当作「最佳答案」推荐给用户。

其实，Ethan 并非一开始就看准了 GEO 这个方向。他的第一次创业选择了 AI 游戏，那是一段有些昂贵的「学费」。两年半后回看，他承认当时犯了很多创业者常犯的错误——「拿着锤子找钉子」。

这次经历也让他痛定思痛：任何违背第一性原理的创业，都是自嗨。

转折点发生在 2025 年 2 月，当时他和技术合伙人读到一篇关于 GEO 的论文，他们争论了整整 4 个小时，「那也是他们创业以来争论最久的一次」。两个人争论的重点是两个问题：GEO 跟 SEO 有什么区别？GEO 能成为标准化吗？

就是这次讨论，让他们意识到，这或许是一个机会。

经过两个月的反复推演，他们的结论逐渐清晰：这里不仅有标准化产品的机会，更是 Agent 产品生存的土壤。于是，2025 年 5 月，他们正式切入 GEO 赛道。

以下是 Ethan 的部分精彩观点：

GEO 和 SEO 完全不同。生成式引擎没有传统意义上的 Ranking（排名）模块。它更多是结合用户的 prompt，去思考如何提供最佳解决方案。我们的工作是让模型更了解企业，从而主动推荐你。

有一个最简单的方法可以区分 SEO 和 GEO：SEO 时代的搜索词平均是 3-7 个字，而 GEO 时代达到了 24-27 个词，并且包含上下文记忆。

用户现在是带着真实、复杂的诉求来提问的。如果企业还在沉迷于优化「国产品牌前十名」这种通用词，那就是在 GEO 时代自嗨。

如果你试图去猜模型的偏好，去重构它的 Pipeline……那你其实是在做旧时代的 SEO 博弈。如果你发现输入某个特定的词组，模型就一定会引用你，这不叫优化，本质上是在制造垃圾。

数据的真实性远比 Hack（破解）模型重要。因为 AI 模型的进化是非线性的，如果说去年难度系数是 10 分，那现在可能已经到了 80 分，未来肯定会更高。你需要不断储备更高级的技术去对抗，直到某天彻底攻不破，商业模式也就崩塌了。

Pallas AI 刚成立半年，已经发布了自己的第一款产品｜Pallas AI

01

从 AI 游戏到 GEO？

Q：最近 GEO 概念很火，你们官网使用的是 AEO。能不能先解释一下SEO、GEO 和 AEO 到底有什么区别？

Ethan：我们从最熟悉的 SEO 说起。这二十年来，SEO（搜索引擎优化）的核心其实是在博弈搜索引擎的排名算法。大家做的外链、内链、Landing Page，本质都是为了迎合算法。虽然在国内大家关注度降了，但在海外这依然是流量基石。

GEO（生成式引擎优化）这个词源于 2024 年的那篇《GEO: Generative Engine Optimization》（生成引擎优化）论文，给了行业第一次命名。但这个名字其实不太好，既跟地理位置缩写冲突，又容易让人误以为它只是 SEO 的翻版，是一个很重的服务型工作。

但从本质上看，GEO 和 SEO 完全不同。生成式引擎没有传统意义上的 Ranking（排名）模块。它更多是结合用户的 prompt，去思考如何提供最佳解决方案。我们的工作是让模型更了解企业，从而主动推荐你。

随着 LLM 的发展，为了避免概念混淆，现在海外行业更倾向于叫它 AEO，可以理解为 Answer Engine Optimization（答案引擎优化）或者 Agent Engine Optimization。在这个语境下，如何帮助企业在「答案」层面做优化，才是行业的核心。

Q：看你的履历，你曾在阿里工作了整整十年，这段经历给你带来了哪些收获？

Ethan：我在阿里待了整整十年。从 2013 年底入职开始，从阿里到达摩院到蚂蚁，最后一年担任 Ling 大模型首席架构师。

这段经历给了我两个非常关键的视角。首先是关于流量与商业的本质。我长期负责营销推荐算法，对「搜推营」（搜索、推荐、营销）的底层逻辑，以及平台如何分发流量、客户如何通过流量获取营收，有着很强的体感。在处理客户关于流量结构、点击率与规模的博弈中，我深刻意识到企业长久以来的核心命题：如何把自己高质量的产品真正有效地推出去。

另一个点是发生在 2022 年底，ChatGPT 爆发后，我们重组了机器学习团队去追赶这波大模型风潮。在做基座大模型架构师的那一年里，我真切感受到了这是一个时代的机会。

但我个人更看重这个时代机遇下衍生出的「应用层」机会。最终，我决定在 2023 年底离职，开始在应用层的创业。

Q：第一个创业项目并不是现在的 GEO，而是一个 AI 游戏项目。当时为什么会选择切入这个赛道？

Ethan：说实话，我对互动娱乐或内容领域有一些执念。在支付宝时期，我参与过那个名声大噪但争议颇多的「圈子」项目，负责算法和社区内容。

创业初期，人往往会被惯性推着走。当时我们判断，AI 应用应该去占据用户的碎片化时间，提供情绪价值，这样的商业潜力巨大。

我们调研了 Character.AI、MiniMax 的 Talkie 和星野等平台，发现它们虽然是 Chatbot，但本质上已经具备了角色扮演的游戏雏形。不过，它们缺乏真正的「游戏体验感」，就是那种过关斩将、角色成长或任务达成的成就感。于是我们就想，不如挑战一下，把这种体验做出来。

但冲了一年后，我们看到了行业资源最足、配置最强的团队，做出来的产品没有达到我们的预期，更别提我们自己的项目了。

这也让我们开始反思：是不是该放下 AI 游戏，转而去那些我们真正「擅长的事」？于是，在坚持了一年多后，我们决定转型。

第一次创业让我深刻体会到了「第一性原理」的重要性。我们犯了一个错误：拿着锤子找钉子。我们手里的锤子未必坚硬，找到的钉子也未必是真的，却把精力都花在吹嘘这把锤子有多光亮、多独特上。

但我们忽略了游戏的第一性原理——好玩。用户首先得觉得好玩，有良好的游戏体验，那些所谓的 AI 新特性才是有意义的加分项。但在当时，这一点根本做不到。

Q：做不到的核心原因是什么？是技术瓶颈，还是其他因素？

Ethan：核心还是技术。这不仅指技术本身的能力边界，更在于技术对「游戏体验感」的理解还不够深。哪怕是现在，我认为这种距离依然存在。

当然，我相信随着模型智能度的提升，未来一定会有公司能做出真正意义上的 AI Native 游戏。但这已经不是我们擅长的领域了。回过头看，第一次创业更像是给我们上了一堂昂贵的体验课，让我们真正理解了什么是创业。

Q：在结束 AI 游戏项目时，你们是处于怎样的状态？又是如何切入到 GEO 这个新赛道的？

Ethan：这其实源于我和合伙人一个习惯——无论业务多忙，我们都会去读最新的技术论文。当时我们已经 95% 确定手头的游戏项目短期内很难存活，正处于寻找转型方向的迷茫期。

就在这时，我们偶然读到了 GEO 那篇论文。起初并没有想过要直接转型做这个，但这篇论文引发了一场激烈的争论。我和技术合伙人足足 battle 了四五个小时，这是我们创业以来争论时间最长的一次。

Q：当时主要在争论什么？

Ethan：核心分歧非常直接：GEO 和 SEO 到底有什么区别？

我的第一反应和大多数人一样：都 AI 时代了，为什么还要去做 SEO 这种旧时代的产物？但我的技术合伙人坚持认为：AI 并不天然理解你的产品。

正是这场长达数小时的激辩让我意识到，之前的工作经验让我们对这个问题有更深的理解，甚至能看到论文作者都没考虑到的一些盲点。这让我觉得，这或许才是我们真正擅长的领域。

02

GEO 到底是什么？

Q：那后来是如何下定决心的？

Ethan：那是 2025 年春节，我们整个假期都在讨论两个核心问题：GEO 和 SEO 本质上到底有没有区别？GEO 最终会沦为一种人力服务，还是有机会做成标准化产品？

经过一两个月的反复推演，我们达成了共识：这里存在标准化产品的机会，也有 Agent 产品生存的空间。于是，我们果断关停了旧公司。去年 5 月 15 日，新项目正式成立，团队只有四个人——我和两位老搭档，又引入了一位新合伙人，一切重新开始。

Q：能复盘一下去年 5 月 GEO 行业的产业地图吗？

Ethan：当时我们决定入局时，整个行业还是一片空白。那个时间点，我们只看到了三家核心竞对：Profound、Athena 和 Peec AI，而且全在海外。

在那个阶段，GEO 的技术门槛其实不高。大家都在做同一件事：模拟并追踪 AI 的回复。比如当用户问「推荐什么牌子的牙膏」时，AI 会怎么回答？我们需要捕捉这条 Benchmark 数据，去对比不同平台的回复差异，以及随时间变化的趋势。

除了这种基础分析，部分竞对会多做一点网站基建，比如配置 Sitemap，或者优化 robots.txt 协议，明确告诉 AI 爬虫哪些内容可以抓取。

但在那个时期，行业里完全没有所谓的内容生成，更别提 Agent 自动化操作或深度的机会洞察分析了，这些在当时几乎为零。我们就是在这样的背景下，开始打磨第一版产品的。

Q：你们怎么定义这个产品的核心能力？

Ethan：我们当时的目标非常直接，就定义了两件事。

第一，必须是标准化产品。这是我们团队的核心大目标。我们不想只做服务商，而是要把工具直接放到客户面前，让他们自己能用起来。

我们从 5 月份就开始讨论这点。我们认为，只有通过标准化产品，才能证明 GEO 是与 AI 平台「共建生态」，而不是在污染数据、搞对抗博弈。只有产品化，才能验证这个逻辑。

确定了「标准化」这个大前提后，我们并没有急着定义产品长什么样。

第一步，我们花了 3 到 4 周时间，先做了一个监控平台。既然竞对都有分析和监控后台，我们也得有。这个平台能监控国内外的 AI 回复，收集并洞察数据。

第二步，我们开始去服务客户。我们很清楚，自己拍脑袋想出来的需求大概率是错的。真实的使用场景在哪里？GEO 到底能给客户带来什么价值？答案只能在客户那里找。所以我们没闭门造车，而是直接去找种子客户，在服务中挖掘需求。

Q：第一个客户是什么时候确定的？属于哪个行业？

Ethan：去年 6 月底。它是一家海外的生物医疗企业，主要做生命科学相关业务。

我们当时的核心目的就是搞清楚三件事。首先，创始人到底关注什么数据？什么样的结果对他才有真实价值？

其次，为了达成这个价值，我们需要做哪些额外动作？包括如何优化、如何归因，以及怎样把结果直观地摆在他面前？

最后，整个过程能不能真正实现自动化和智能化？我们希望尽量规避人工操作和判断。从第一个客户开始，到 9 月底服务了近 30 家客户，这始终是我们验证产品的核心逻辑。

Q：能不能举个具体的例子？比如你们第一个客户是生物制药公司，你们给他们制定了什么样的内容策略来提升引用率？

Ethan：我们给他们提供的核心策略是「论文解读」。因为他们的用户群体非常特殊，主要是科学家和科研人员，这是一个非常学术向的平台。

我们调研发现，这些科研人员用 AI 主要是为了辅助学术工作。所以我们帮客户生成的文章，很多都是对几十页硬核生物医药论文的精读。我们需要把关键信息抽象出来，做结构导读，讲清楚这篇论文到底做出了什么贡献。

虽然我们决定合作时很果断，但执行时确实头疼了一下。面对生物行业相关的论文，压力挺大的。

不过回过头看，这是件特别好的事。因为第一个客户就把内容生成的质量门槛拉得非常高。我们需要处理大量的 Context（上下文），做严格的事实校验。很多论文是 PDF 格式，不同学术会议的排版还不一样，我们必须把 PDF 解析的准确率做到极高，才能批量生成内容。这逼着我们从一开始就走上了高质量内容生成的路子。

Q：你们本身不是生物医药行业的专家，怎么去解析那么专业的论文？

Ethan：首先在选题结构上，我们并不是凭空创造。这位天使客户跟我们配合非常紧密，他会告诉我们行业内是怎么做论文精读的，以及 AI 为什么会引用某些特定的标题作为信源。

我们当时主要看两部分信息：一是客户提供的行业视角，看大家都在做什么内容；二是研究 ChatGPT 在面对科研人员的 prompt 时，究竟是如何引用论文解读类文章的。

校验环节是个关键。我们的天使客户本身就是行业大牛，阅读量极大。他会亲自快速阅读我们生成的每一篇文章，判断结构是否合理，他的团队也会配合审核。

正是这种「客户深度参与」的模式，帮我们快速跑通了从内容生成、优化到发布上线的全流程。

Q：刚才提到的那套流程，能标准化复制吗？

Ethan：最初那套流程肯定无法直接标准化。所以前三个月，我们接触了生物、机器人、招聘、电商、留学等各行各业的客户。我们的逻辑是：只有在不同规模、不同行业的客户中找到「最大公约数」，才是标准化产品的建立契机。

Q：这个「最大公约数」具体是什么？

Ethan：我们发现，无论行业怎么变，核心逻辑依然没逃脱传统营销的四个字本质：研、定、投、优。

「研」是研究。在 GEO 领域，就是做「营销背景调查」——搞清楚我的产品是谁，竞品是谁，基础信息有哪些。

「定」是定向。传统营销叫 Targeting，在这里就是定义 prompt。但我们把它降维成了「营销图谱」，通过分析用户场景和意图来完成定向。

「投」是投放。这包含两个动作：素材生成和投放执行。对 GEO 而言，素材就是文章。不同行业生成的素材差异巨大——生物行业是论文精读，机器人行业是性价比分析——但「生成素材并投放」这个动作本身是高度一致的。

「优」是优化。就是基于监控洞察的结果，去迭代下一轮策略。

当我们发现这四个步骤在所有行业都通用时，它就跟 SEO 有了本质区别，变成了一个面向 AI 的标准化营销产品。于是去年 9 月底我们果断暂停了服务单的扩张，全员 All in 开发 Agent 产品，并在去年 12 月后正式发布。

Q：你们提到核心能力是「标准化」和「Agent 自动化」。具体是基于什么判断，认为这项服务可以被标准化？

Ethan：核心判断标准有两个。第一是模块化，看能不能拆分成独立的工作模块，让营销人员不需要技术介入就能直接使用。第二是效果对齐，当我们把人工流程变成 Agent 自动化时，必须确保它的产出质量能维持在原本的基准线之上。

举个例子，我们最初把流程定义为五步：定义 prompt、内容生成、渠道建议、投放管理、洞察优化。但在第一步客户就卡住了。他们不知道用户会问什么，也不理解为什么要这样定义 prompt。一旦 prompt 设错，后续优化全废。

为了解决这个问题，我们开发了「营销图谱」。通过整合搜索引擎、社媒、论坛等全网数据，去分析用户的长尾话题和真实意图——是关心价格、售后，还是竞品对比？

当我们把晦涩的 prompt 拆解为「用户场景」和「意图」时，营销人员瞬间懂了。他们会指出：「这里少了一类 35 到 50 岁的白领核心用户。」当产品能用营销人的语言与他们顺畅交互，而不再需要我们充当翻译时，这就是一个成熟的标准化产品了。

Pallas AI 认为，不要 hack 模型，真实性很重要｜Pallas AI

03

真实性很重要，不要「破解」模型

Q：很多人对 GEO 好奇，你们是怎么分析大模型偏好的？比如ChatGPT或豆包，你们怎么摸清它们的脾气？

Ethan：这是一个很好的问题。其实截至目前，我们都不会主动去分析模型本身的算法偏好。

这正是我们想纠正的一个误区：如果你试图去猜模型的偏好，去重构它的 Pipeline——比如它在哪一步召回、哪一步排序、哪一步做 Re-rank（重排序）——那你其实是在做旧时代的 SEO 博弈。如果你发现输入某个特定的词组，模型就一定会引用你，这不叫优化，这叫「prompt Injection」（提示词注入），本质上是在制造垃圾。

我们之前其实试错过。大概有一个月的时间，我们内部自己搭了一套 AI 搜索，试图去复刻甚至超越 DeepSeek 的效果。我们把内容切片（Chunking）、拆分子查询、做重排序，把整个流程跑了一遍。但很快我们意识到，这又回到了反推 PageRank 的老路上，这方向不对，所以我们果断停掉了。

Q：那如果不对抗算法，你们关注什么？

Ethan：我们只关注「渠道偏好」，也就是不同模型对数据源的选择差异。

比如我们发现，DeepSeek 目前更偏向权威媒体渠道的报道；ChatGPT 则完全不同，它更看重企业官网，因为它认为官网的对外口径是真实可信的；Grok 肯定是以 Twitter 为核心数据源；而国内的豆包，自然对头条系的内容有更强的引用效率。

这不是算法黑箱，这是平台选择。我们的策略是：把优质的内容，放在模型最信任的位置。

我们不会去研究「怎么写文章能让 AI 100% 抓取」，那是本末倒置。

我们更关注的是：在 AI 能理解的基础上，我们的内容是不是真实的？产品数据是不是准确无误的？是不是没有幻觉的？只有把真实、准确的数据喂给 AI，让它正确理解产品，行业才会往好的方向走。这也是我们和很多友商最大的不同。

Q：很多友商会去猜测模型偏好甚至进行「破解」，面对这种竞争，你们如何说服客户坚持你们的策略？

Ethan：我们通常会摆出一个真实的演变过程。回看 2024 年 5 月，想通过技术手段让模型按你的意愿说话，确实不难。但模型的智能度是非线性增长的，进化速度极快。

我们内部推导出一个公式：用户满意度 = AI 智能度 × 推理效率 × 内容质量。这是一个正相关的共建生态。如果 AI 只能在垃圾信息里找答案，用户体验注定糟糕。

试图破解模型或污染数据，面临的挑战与当年的 SEO 截然不同——因为你的对手在不断变聪明。这种对抗意味着成本呈指数级上升。难度系数从去年的 10 分，到现在可能已经到了 80 分，未来肯定会更高。

你需要不断储备更高级的技术去对抗，直到某天彻底攻不破，商业模式也就崩塌了。

GEO 的本质，是企业与 AI 之间高保真的沟通通道。如果你在这个通道里塞满垃圾试图欺骗 AI，它不仅会拒收，甚至可能直接关闭通道。在 AI 时代，博弈生态走不通，只有共建生态才是未来。

Q：除此之外，你们还会用什么来说服客户？

Ethan：我们通常会直接摆出真实的客户案例，核心优势其实就体现在两点：成本和效果的持久度。

首先是性价比。我们提供的是标准化的 Agent 产品，而不是堆人力的服务团队。客户可以直接用 Agent 完成所有动作，这使得我们的成本一定低于传统服务商的报价。

其次是效果的「保鲜期」。虽然大家都是用 AI 生成内容，但我们会严格进行真实性检测和准确率保障，确保内容不会被 AI 判定为「垃圾」或「幻觉」。这意味着你建立的壁垒是持续的。

举个例子，我们在去年 7 月服务的一个客户，当时达到了 60% 到 70% 的可见度。半年多过去了，现在依然维持在 50% 到 60% 左右，并没有出现断崖式衰减。这证明了高质量、真实的内容会被 AI 持续引用。

Q：现在大模型越来越强调多模态，你们怎么把用户资料转化成这种多模态形式让 AI 引用？

Ethan：这确实是今年的主旋律之一。大家现在用豆包或 ChatGPT，经常能看到文字后面接推荐视频。但在企业端，我们目前还没办法完全靠 AI 生成高质量的视频，这在质量上还存在潜在问题。

我们现在的探索方向是把 GEO 和企业的投放结合起来。我们在数据源上做了整合，分析社媒上哪些话题火、视频怎么做。结合这些数据，我们的 Agent 可以帮企业生成投放策略和视频脚本框架。

这是一个「既要又要」的联合策略。一方面，用户在短视频平台看到内容会对产品感兴趣，带来社媒流量；另一方面，因为视频的标题结构和叙事框架经过了优化，AI 平台在回答相关问题时，也会优先引用这个视频作为 Reference。这样既做了营销，又提升了 AI 对产品的理解度。

Q：也就是说，你们不是在活动结束后做锦上添花，而是在产品发布前就已经介入了整体策略？

Ethan：没错。我们在跟客户沟通时，往往不强调 GEO 或 AEO 这些概念，而是直接定义为「面向 AI 营销」。

现在的企业营销团队通常只在做「面向用户营销」，但在当下，面向 AI 与面向用户是同样重要的。我们今年做标准化产品的延伸，核心就在于如何把这两个策略结合起来。

Q：以前做SEO主要是看流量和排名，做 GEO 大家看什么？怎么证明 AI 的回答是因为你们的优化而改变的？

Ethan：国内外的情况确实不太一样。在海外有一个很标准的指标叫 Citation Share（引用份额），简单说就是看你官网的内容有多少比例被 ChatGPT 或 Gemini 引用了。如果被引用的文章恰好是我们平台输出的，因果关系就显而易见了。

我们在产品里做了一个分析模块。当你通过我们的平台生成内容，并发布在官网或自媒体后，我们会进行每日监控和打标。我们发现这中间存在极高的相关性：当这些由我们生成的文章被 AI 引用时，品牌的可见性会有明显的上抬。

这代表模型不仅引用了链接，更读懂并采信了里面的论点。它认为这些内容能帮助用户解决问题，所以才会把相应的产品型号、品牌亮点摘要出来。这就是最直接的证明。

Q：刚才提到你们主要基于事实做优化，那如果大模型更新算法，对你们的产品效果会有多大影响？

Ethan：目前来看，只要模型更新算法，对我们就是正向影响。这听起来可能有点反直觉，但事实确实如此。

去年下半年行业里其实挺乱，很多机构在做垃圾内容灌入，甚至搞隐形词的提示词注入。这导致像豆包、DeepSeek 等平台的准确率一度受到干扰。但随着模型厂商持续调整策略、清洗渠道，那些通过「黑手段」做上去的内容不知不觉就消失了，而我们服务的客户不仅没受影响，可见性反而一直在涨。

我们非常关注「引用效率」。这是一个漏斗：AI 先搜索到文章，再决定是否引用，最后才是摘要其中的内容。以前的情况是，模型可能会挂出链接，但未必会读取里面的文字。最近我们发现，只要文章被引用，模型几乎一定会摘要其中的核心论点。

这说明模型可能在做「真实性校验」——它在判断这篇文章的观点是否经得起推敲。所以我们内部有一个原则：不要过度研究 AI 怎么整理信息，现在的模型足够聪明，无论什么结构它都能读懂。我们更应该关注内容本身：你写得够不够清晰？真实性够不够高？这才是更本质的护城河。

Pallas AI 的营销触点图谱｜Pallas AI

04

相比 KA 大客户，更倾向中小客户

Q：那你们之前接触的客户，他们是出于什么心态来做 GEO？

Ethan：大部分客户确实是 FOMO，但这跟客户规模有很大关系。

对于 KA（关键客户）和中大型企业，主要是 FOMO 主导。AI 趋势来了，作为行业龙头或前列玩家，心态就是「我不能掉队」。他们其实不太关注 GEO 能直接带来多少营收，而是更关注舆情相关的指标，比如品牌排名、美誉度、好感度。这对品牌建设来说也是合理的。

中小型客户特别是做海外市场的，想法完全不同。他们把 AI 平台看作「最有潜力的获客渠道」。

现在的 KOL 投放太贵，广告也不便宜，SEO 效果又不稳定。他们非常务实：AI 到底能不能给我引流？能不能通过 GEO 优化让 AI 给我推荐客户？如果这条链路跑得通，他们愿意把它作为最主要的渠道，因为其他渠道的性价比未必有这么高。这两类客户的差异非常明显。

Q：你多次提到中小客户，相比于KA（大客户），为什么你们更倾向于选择中小客户？

Ethan：首先这跟 Agent 本身的市场格局有关。在 KA 领域，Profound 已经做得非常好了，无论是技术路线还是服务交付的完整度，都是行业标杆。坦白讲，那不是我们擅长的战场。

反观 SMB（中小企业），我们认为机会更大。第一，他们的营销预算不高，没法砸钱做纯战略，所以更追求快速闭环，必须看到实打实的效果。

除此之外，他们的配合度也有不同。做 GEO 如果想衡量效果，必须修改归因流程，不能再用老一套方式核算线索。让大厂去改内部系统太难了，但 SMB 的动作非常快。对他们来说，这可能是一个能改变营收规模的新渠道，所以适配意愿极强。

而且，SMB 面临的不是 FOMO，而是生存压力。现在的营销成本太高，他们迫切需要找到出路。

这跟我们的标准化产品非常契合：成本低、不需要重人力交付、流程灵活。我们的 Agent 甚至能指导他们如何建立归因，把「可见性」这个中间指标转化为「营收」。这种务实的打法，是我们和 SMB 能够双赢的基础。

Q：既然提到价格不高，那你们的客单价大概是多少？定价标准是怎样的？

Ethan：我们和大多数 Agent 平台一样，也是卖 Credit（积分）的。不过我们的消耗逻辑比较特殊，会分散到监控、分析、生成和优化等多个环节。比如你要监控几千上万个 prompt 在不同平台的效果，这本身就是一种算力消耗。

海外市场的起步价大概是 99 美元/月，非常亲民，就是为了让中小客户能够轻松上手。

国内市场的情况比较特殊。去年 12 月发布后试用的人很多，但到了谈成交的阶段，大家还是习惯买「服务」而不是单纯买「软件」。所以我们在国内更多是赋能渠道商和 Agency（代理商），让他们用我们的产品去服务客户。目前，已经有 5 到 10 家渠道商在跟我们谈合作了。

Q：相比KA，中小客户在品牌排名和权威性上通常不占优势。他们怎么才能让大模型更多地引用自己？

Ethan：核心在于「意图」的颗粒度变了。以前在短视频或电商平台，我们通过点击、滑动这些离散行为来猜测用户意图。但在 AI 时代，用户会直接告诉模型：「我今年 37 岁，腰很疼，每天只睡三小时。」这种意图的颗粒度是非常细的。

在这种极细的垂直领域里，大客户未必比中小客户强。大客户往往覆盖的是通用需求，而中小客户的生存之道本就是深耕那些大厂「塞不进去」的缝隙。如果一个 SMB 在任何细分领域都找不到产品优势，那其实是产品迭代出了问题。

Q：也就是说，差异化竞争的关键在于捕捉长尾需求？

Ethan：对。有一个最简单的数据可以区分 SEO 和 GEO：SEO 时代的搜索词平均是 3-7 个字，而 GEO 时代达到了 24-27 个词，并且包含上下文记忆。

举个真实的例子，我们观测到有用户问 AI：「我的脚有 46 码，想买一辆踏板够大、不会让我脚滑下来的 SUV。」

传统的 SEO 逻辑是优化「SUV 性价比排行榜」或「内饰豪华」，但在这种长尾询问下，那些为了美观把踏板做小的热门车型反而会被过滤掉。相反，某个把踏板做得更宽的小众品牌，因为精准命中了这个「46 码大脚」的需求，获得推荐机会。

用户现在是带着真实、复杂的诉求来提问的。如果企业还在沉迷于优化「国产品牌前十名」这种通用词，那就是在 GEO 时代自嗨，实际上已经丢掉了最有价值的真实用户。

05

褪去「大厂二代」的光环

Q：Ethan，如果让你畅想一下未来 5 到 10 年，你觉得 GEO 会变成什么样？

Ethan：我们可以从商业模式的演变来看。最早是大型卖场逻辑；后来互联网出现了 eBay、淘宝、亚马逊，这是「货架电商」，用户为了找东西而来。

再后来是抖音这种短视频平台，它更像「万达广场」式的商业街。用户在里面逛，看到好玩的、有趣的店铺，顺便完成了购买。

接下来，AI 会是专属私人顾问，也是新流量⼊⼝，不是⼀个导流平台。这个 AI 顾问非常懂你，同时又掌握全市场的产品信息。当你遇到难题或有特定需求时，它能精准地帮你匹配最适合的商品和服务。

未来 5 到 10 年，每个人身边可能都会有一个甚至多个这样的私人顾问。无论是生活琐事、情绪价值，还是职场难题，它都能帮你找到最优解，让转化更高效，让购买更适配。这就是 GEO 的终局。

Q：现在已经是 2026 年了。如果用一个关键词定义你们今年的核心任务，会是什么？

Ethan：Go to market（推向市场）。

我们希望让整个行业意识到，GEO 到底该怎么正确执行，以及如何低成本地完成优化。

为此，我们要让产品更稳定，并延伸数据源。我们输出的不只是一篇文章，还可以是 KOL 脚本、营销策划，甚至投放素材的指导。我们要覆盖营销人员的全链路工作，这就是 2026 年的主线。

Q：你在阿里工作了十年，现在创业也两年多了。中间最大的感触是什么？

Ethan：收获太多了，但最大的一个是「看清自己」。

创业的前一年半非常痛苦，后来变成了「痛苦并快乐着」，到现在才算进入了一个真正快乐的状态。那个痛苦的过程，其实就是剥离大厂光环、重新认识自己的过程。

在大厂，那个光环是从四面八方照过来的。哪怕你不是一个 Ego（自我）很大的人，但你每天接触的资源、处理的事情，会让你产生一种错觉，觉得自己真的很厉害。

出来创业后我才意识到，我们其实是「大厂二代」。我们不是那群把阿里从 0 到 1 做起来的人，而是在它已经成功后去添砖加瓦的人。这两类人在抗压能力、经验甚至自我认知上是有巨大差距的。

当你真正裸露在市场上，没有平台遮挡时，那面镜子是无比残酷的。你会突然发现，自己引以为傲的决策逻辑、做事思路可能全是错的。我身上曾经有很重的「大厂味儿」，花了很多时间才把它洗掉。

Q：你是怎么调整过来的？怎么把这股「大厂味儿」去掉？

Ethan：别把自己当回事儿。我觉得雷军这句话说得特别对。

以前太把自己当回事，把自己的想法、观念看得太重。一旦把 Ego 放下，你才能清醒地看到外界的反馈，捕捉到市场真实的信息。

这也包括管理，比如跟员工谈薪酬、定绩效。如果你还端着架子，很多决策就会变形。只有把自己放下，真正站在公司生存的视角去看问题，才能做出正确的选择。这个过程很痛苦，但必须经历。

*头图Pallas AI

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

仅仅两周时间，OpenClaw 就以迅雷不及掩耳之势席卷整个 AI 圈，「全民养虾」也成为一股热潮。而 Manus 激起的 AI Agent 浪潮，似乎让 OpenClaw 被推向更广更深的层面。

今晚 20:00，极客公园视频号直播间，我们邀请到了来自 AI 产业链上下游的创业者，一起聊聊 OpenClaw 的爆火出圈，对于整个 AI 行业来说，是不是一个拐点？