一場提案會議上，代理商說「我們幫你做 AEO」，客戶問「那跟上一家講的 GEO 有什麼不同？」，代理商停頓了兩秒說「概念上是一樣的，但我們更完整」。這個停頓值多少錢，就看客戶有沒有聽出來。
這個領域每三個月冒出一個新縮寫，大部分不是新技術，是新的卡位詞。這篇把目前會遇到的詞一次攤開來，分成四層：做的事、發生的場域、怎麼衡量、底下的技術。分層之後你會發現，真正需要記的其實沒幾個。
目次
- 為什麼縮寫這麼多？先看懂命名這件事本身
- 速查表：一張表看完所有詞
- 第一層：手段層（你在做什麼）
- 第二層：介面層（在哪裡發生）
- 第三層：衡量層（怎麼知道有沒有效）
- 第四層：技術層（底下在跑什麼）
- 三個最常見的混用
- 哪些詞會活下來
- 常見問題 FAQ
為什麼縮寫這麼多？先看懂命名這件事本身
新市場的早期，命名權就是定位權。誰的詞被市場採用，誰就變成那個類別的預設答案。所以你看到的不只是術語擴散，是一場搶著幫同一件事重新命名的競賽。
這場競賽的規模，看繁中內容就知道：目前市面上的整理文，少的講三個詞（GEO、AEO、LLMO），多的一路講到六個（再加 AAO、VSO、LLO）。同一件事被命名六次，本身就是訊號——不是技術分化到需要六個詞，是六個人想當定義者。
但這些整理有一個共同的斷點：它們全部停在「你要做什麼」，沒有一個講「你要看什麼數字」。而在 AI 這個回答每次都會抖的環境裡，不談衡量的策略等於沒有策略。所以這篇多給你兩層——衡量層與技術層。
如同〈GEO 是什麼〉提到的：別被縮寫綁架。這篇的用途是讓你在別人丟出一個詞時，能立刻判斷他在講哪一層、有沒有講到重點。
速查表：一張表看完所有詞
| 縮寫／術語 | 全名 | 中文 | 屬於哪一層 |
|---|---|---|---|
| SEO | Search Engine Optimization | 搜尋引擎優化 | 手段 |
| GEO | Generative Engine Optimization | 生成式引擎優化 | 手段 |
| AEO | Answer Engine Optimization | 答案引擎優化 | 手段 |
| LLMO／LLO | Large Language Model Optimization | 大型語言模型優化 | 手段 |
| AAO | AI Agent Optimization | AI 代理優化 | 手段 |
| VSO | Voice Search Optimization | 語音搜尋優化 | 手段（前一世代） |
| AIO／AISO | AI (Search) Optimization | AI 搜尋優化 | 手段（泛稱） |
| — | — | AI 認知經營 | 手段之上的經營層 |
| AI Overviews | — | Google AI 摘要 | 介面 |
| AI Mode | — | Google 對話式搜尋模式 | 介面 |
| 零點擊 | Zero-click | 零點擊 | 介面現象 |
| SOV | Share of Voice | 網路聲量／社群聲量 | 衡量 |
| LLM SOV | LLM Share of Voice | 工具廠商的 AI 提及分數 | 衡量 |
| SoM | Share of Model | 模型聲量 | 衡量 |
| 被引用率 | Citation rate | 被引用率 | 衡量 |
| RAG | Retrieval-Augmented Generation | 檢索增強生成 | 技術 |
| Grounding | — | 事實接地 | 技術 |
| robots.txt | — | 爬蟲存取規則 | 技術 |
| llms.txt | — | 給 LLM 的網站索引檔 | 技術 |
| Schema | Structured Data | 結構化資料 | 技術 |
| Chunk | — | 內容切片 | 技術 |
第一層：手段層（你在做什麼）
這一層的詞最多，也最容易被拿來當賣點。它們共同的問題是：講的都是動作，沒有一個在講「怎麼知道動作有沒有用」。
SEO（Search Engine Optimization，搜尋引擎優化）：讓網頁在搜尋結果頁取得較好排名的一套方法。爭取的是排名與點擊。
GEO（Generative Engine Optimization，生成式引擎優化）：一套讓你的品牌在 AI 生成的答案裡被提及、被引用、被推薦的內容優化方法。爭取的是答案裡的位置。
GEO 由學術界在 2023 年底提出，是這組詞裡唯一有大規模受控實驗背書的：普林斯頓團隊在上萬筆查詢的測試基準上發現，內容加入引用、引述與統計數據，可讓來源在 AI 回答中的可見度平均提升超過四成。
AEO（Answer Engine Optimization，答案引擎優化）：讓內容能被直接採用為問題答案的優化方法，重點在問答結構與一句話可截取的答案。
AEO 其實比 GEO 更早，最初講的是語音助理與精選摘要（Featured Snippet）時代的優化。現在多數情況下，講 AEO 的人講的是 GEO 的一個子集：問答型內容的寫法。
LLMO／LLO（Large Language Model Optimization，大型語言模型優化）：讓內容更容易被大型語言模型讀懂、記住與信任的優化方法。LLO 是同一個概念的另一種縮寫，兩者可視為同義。
實務上 LLMO 與 GEO 高度重疊。差別在強調點：GEO 強調「生成當下被引用」，LLMO 更常被用來講「模型本身的知識裡有沒有你」。這個區分在概念上有意義（一個是檢索、一個是參數記憶），但目前沒有任何公開方法能讓你可靠地影響後者，所以拿它當服務項目賣要小心。
AAO（AI Agent Optimization，AI 代理優化）：讓 AI 代理（agent）能理解、選擇並實際操作你的服務，以完成使用者交辦任務的優化方法。
這是這組詞裡唯一講的不是同一件事的。前面幾個都在爭「被寫進答案」，AAO 爭的是「被 agent 選來執行」——當 AI 幫使用者比價、預約、下單時，你的流程機器走不走得通。它現在還很早期，但它是唯一一個未來會長成獨立學問的分支，值得記住。
VSO（Voice Search Optimization，語音搜尋優化）：針對語音查詢的優化，重點在口語化的長句問法與簡短可朗讀的答案。
前一個世代的詞。它的技術重點（口語問句、一句話答案）大部分被 AEO 繼承了，現在單獨提到的機會不多。
AIO／AISO（AI Optimization／AI Search Optimization）：泛指所有針對 AI 介面的優化，是上面幾個詞的統稱。
沒有明確定義，通常出現在不想選邊站的簡報裡。
AI 認知經營：把品牌在生成式 AI 中被認知的方式，當成一個需要持續衡量、診斷與調整的經營對象，而不是一次性的內容優化專案。
這是本站的用詞，也是上面所有手段的上層。差別在問句：做 GEO 你問「這篇怎麼寫才容易被引用」；做 AI 認知經營你先問「AI 現在怎麼描述我、我在哪些問題上被略過、對手贏在哪」，再決定寫什麼。前者是動作，後者是迴路。完整說明見〈閉迴路 GEO〉。
第二層：介面層（在哪裡發生）
手段講半天，實際發生在幾個具體的畫面裡。搞清楚是哪個畫面，才知道該優化什麼。
AI Overviews：Google 搜尋結果頁最上方由 AI 生成的摘要區塊，下方附來源連結。使用者不需離開搜尋頁就能得到答案。
關鍵理解：AI Overviews 的內容來自 Google 的一般搜尋索引，入口是 Googlebot，不是任何一隻 AI 專用爬蟲。這點很多人搞錯，細節見技術檢查清單。
AI Mode：Google 的對話式搜尋模式，使用者以連續問答的方式互動，答案為多輪生成而非單頁排名。
零點擊（Zero-click）：使用者在搜尋或 AI 介面看完答案就離開、沒有點進任何網站的行為。
零點擊不是預測，是現在的常態。它的意義是：流量不再等於能見度。你的內容可能大量影響了消費者決策，但你的 GA 上看不到——所以才需要新的衡量指標。這件事的完整討論在〈底層介質轉移〉。
第三層：衡量層（怎麼知道有沒有效）
這一層最亂，因為三個長得很像的詞在市場上被混著用，而它們測的根本不是同一件事。
SOV（Share of Voice，網路聲量／社群聲量）：在社群、論壇、新聞等人類討論中，你的品牌被提及的量佔品類總量的比例。這是社群聆聽工具用了十幾年的老指標。
LLM SOV：社群聆聽工具新增的一個分數，測的是 AI 對話中的品牌提及次數。問題不在測不測得到，在於問題集通常不公開——你不知道它拿什麼問題去問。
模型聲量（Share of Model, SoM）：在你所屬品類的一組問題裡，AI 生成的答案提及你的品牌的頻率，乘上提及時的正面程度，相對於所有競爭對手的佔比。
三者的差別，一張表：
| 維度 | 網路聲量（社群 SOV） | LLM SOV（工具廠商指標） | 模型聲量（本站定義） |
|---|---|---|---|
| 測量場域 | 社群、論壇、新聞的人類討論 | AI 對話中的提及 | AI 對話中的提及 |
| 在產品裡的角色 | 社群聆聽的核心數字 | 社群聆聽工具新增的一個分數 | 一套經營紀律的北極星指標 |
| 問題集怎麼來 | 平台抓取 | 多半未公開（黑盒子） | 錨定真實搜尋需求、且公開凍結 |
| 重點 | 量 | 量＋排名＋命中率 | 頻率 × 語氣，且方法可被檢驗 |
| 適合回答的問題 | 大家在不在聊我 | 我在 AI 被提到幾次 | 我在 AI 心中的份額是升是降、為什麼 |
（此表引自〈模型聲量〉，該篇有完整計算五步驟。）
被引用率（Citation rate）：在一組固定問題中，AI 回答附上你的網址作為來源的比例。
被引用 ≠ 被提及。 AI 可能在答案裡提到你的品牌名卻不附連結（有提及、無引用），也可能引用你的網址卻是拿來當反例（有引用、負面語氣）。報表只給你一個「提及次數」而不分這兩件事，你就看不出實際發生什麼。
變異基線：同一組問題重複問幾次之後，品牌清單才會穩定的次數。
這是最容易被跳過、卻決定其他數字有沒有意義的東西。AI 的回答本身就會抖，只問一次拿到的排名，跟擲一次骰子沒兩樣。任何沒有講重複次數的 AI 能見度報表，數字不能當結論用——理由見〈別只測一次〉。
第四層：技術層（底下在跑什麼）
RAG（Retrieval-Augmented Generation，檢索增強生成）：模型回答前先去檢索外部資料，再根據檢索到的內容生成答案的架構。
這是理解整個 GEO 的關鍵機制。主流的 AI 搜尋都是 RAG：先檢索、再生成。所以被收錄與被信任是被引用的前提，而你能影響的環節其實是「檢索得到」與「被挑中」這兩段。
Grounding（事實接地）：讓模型的輸出對應到可查證的外部來源，以降低幻覺。廠商文件裡看到這個詞時，講的通常就是「回答時去查網路」。
robots.txt：放在網站根目錄的純文字檔，告訴爬蟲哪些路徑可以抓、哪些不行。排除法。
llms.txt：一個提案中的規格，放在網站根目錄，用 Markdown 列出網站最重要的內容供 LLM 參考。推薦法。
注意時態：提案中。它目前不是任何一家 AI 廠商承諾支援的標準，Google 已明確表示搜尋端會忽略此檔案。要不要做、做了能期待什麼，技術檢查清單那篇有完整的證據與建議。
Schema／結構化資料：用標準化格式（通常是 JSON-LD）標註頁面內容類型，讓機器能直接讀取「這是一篇文章／一個商品／一組問答」。
實話：目前公開的大規模觀察，看不到 Schema 與「被 AI 引用」之間的明確因果效果。它對傳統 SERP 版位與機器讀取基本資訊有用，別把它當成衝高引用率的槓桿。
Chunk（內容切片）：檢索系統把長內容切成小段落分別建立索引的單位。AI 引用時抓的往往是一個 chunk，不是整篇文章。
這個詞值得記，因為它直接改變你的寫法：如果被抓走的是一個段落，那每個段落都必須自己站得住——段首就要有結論，不能依賴前文鋪陳。
三個最常見的混用
混用一：把 GEO 和 AEO 當成兩種服務賣。 它們是同一件事的不同側重。有人同時報價兩項並收兩份錢時，請他說明兩者的交付物差在哪、量測方式差在哪。答不出來就是包裝。
混用二：把「被提及」報成「被引用」。 兩者的商業意義完全不同：被提及影響認知，被引用還帶來實際流量與可查證性。報表把兩者混在一個數字裡，你就無法判斷該補內容還是補來源。
混用三：以為優化一次就跨引擎通用。 這是最貴的誤解。本站 15,729 筆引用的普查資料顯示，Perplexity 與 Gemini 的引用網域重疊只有 20.1%，ChatGPT 對另外兩者更只有 5.4%／6.3%，三個引擎共同引用的網域只有 39 個。每個 AI 是獨立的曝光戰場。（完整資料見〈三個世界〉）
哪些詞會活下來
我的判斷：手段層的縮寫最終會收斂成一到兩個，因為它們可替代性太高——市場不需要六個詞講同一件事。例外是 AAO，它講的是不同的問題（被代理執行，而非被寫進答案），有機會長成獨立的分支。
真正會留下來的是衡量層的詞，因為衡量的定義一旦被採用就很難換掉，而且它決定了預算怎麼分。這也是為什麼滿街的術語文都在教你手段，卻沒人教你看哪個數字——手段可以外包，衡量標準一旦被別人定義，你連自己做得好不好都要問他。
所以如果你只想記三個詞：GEO（你在做的事）、模型聲量（你要看的數字）、RAG（決定了為什麼那樣做有效）。其他的，聽懂就好。
結論
術語表的用途不是背，是讓你在別人拋出一個縮寫時，能立刻判斷他站在哪一層講話。多數提案聽起來很滿卻讓人不安，原因通常是：整份簡報都在手段層，沒有一頁在講衡量層。
下一步如果你想動手，從地基開始：GEO 技術檢查清單：robots.txt、llms.txt、Schema 與內容結構。
—— Vanessa ｜ GEO is cool
常見問題 FAQ
Q：GEO 和 AEO 差在哪？ 同一件事的不同側重。GEO 講的是在 AI 生成的答案裡被引用，AEO 講的是把內容寫成可被直接採用的答案。AEO 實務上是 GEO 的子集，不是兩種服務。
Q：LLMO 和 GEO 是不是一樣的東西？ 高度重疊。GEO 強調生成當下被引用，LLMO 更常被用來講模型本身的知識裡有沒有你。LLMO 與 LLO 是同一個概念的兩種縮寫。
Q：AAO 和 GEO 差在哪？ AAO（AI 代理優化）是這組詞裡唯一講不同事情的。GEO 爭的是被寫進答案，AAO 爭的是被 AI 代理選來實際執行任務——例如幫使用者比價、預約、下單時，你的流程機器走不走得通。
Q：SOV 和模型聲量差在哪？ SOV 測的是人類在社群和新聞上的討論量，模型聲量測的是 AI 答案裡的品牌份額，而且會把提及時的正面程度算進去。兩者的測量場域不同，不能互相取代。
Q：被提及和被引用是同一件事嗎？ 不是。被提及是 AI 講到你的品牌名，被引用是 AI 附上你的網址當來源。可能只有其中一個，商業意義也不同。
Q：只要記哪幾個詞就夠？ GEO（你在做的事）、模型聲量（你要看的數字）、RAG（為什麼那樣做有效）。其他縮寫聽懂即可，不必跟著造詞。
