"听说给官网加个 llms.txt，AI 就会引用你？" "花两千块买了服务商的'内容分块'服务，怎么一点动静都没有？"
最近后台收到好几条这样的留言。今天用三份最新研究，把 GEO 圈最流行的三个"偏方"一次说清。
偏方一：挂个 llms.txt 就完事
9 月 1 日有机构探测了 95 个知名域名：只有 36% 挂着有效的 llms.txt。按"玄学论"的逻辑，剩下 64% 的网站早该在 AI 里绝迹了——事实恰恰相反，被 AI 引用最多的新闻媒体和品牌官网，大半压根没这文件。
Google 今年 5 月发布了第一份针对生成式搜索的官方指南，话说得直白：内容不需要为 AI 提前"切好块"，llms.txt 在我们的系统里没有任何特殊权重；管用的还是老三样——内容可信、内容有用、网站抓得动。
偏方二：往页面里堆引语、堆数据
"加名人金句、加统计数据、标注信息来源"，是各路 GEO 教程的标配三件套。9 月 7 日一篇 arXiv 复制研究把这三招放进严格对照里重测：控制内容体量后，合并效应全是零，甚至是负的——引语 -0.33、统计 -0.28、引用标注 -0.79 个百分点。
有意思的是同一个研究里的另一个数字：把"页面与问题的相关性"纳入模型后，预测分数从 0.114 直接跳到 0.37，翻了三倍多。
翻译成人话：AI 不数你页面里有几个数据点，它只判断"这个问题你答得准不准"。
偏方三：没权威就别想被引用
9 月 2 日一家研究机构统计了 Perplexity 的 7534 条引用：59.8% 来自全球流量排名 10 万名以外的网站，一家做产品演示的小站，被引用次数压过了 Gartner。
AI 不看你的江湖地位，它只看这个页面是不是"最贴这个问题的那个答案"。这套逻辑在豆包、DeepSeek、元宝上同样成立——中文 AI 引用知乎长文和小厂商官网的案例，我们之前写过不止一次。
钱和时间该花在哪？三个动作
1. 先攒问法，再写内容。 从客服记录、销售聊天、评论区里抠出顾客的真实问法，原句直接写进标题和小标题。相关性是目前唯一被反复验证的主变量，而真实问法就是相关性的原材料。
2. 给页面瘦身提纯。 那次 95 域名探测还有个扎心发现：知名网站的页面里，正文文字只占 HTML 的 2.4%（中位数）——模板、脚本、弹窗把内容淹了。删装饰、结论前置，一页答透一个问题。
3. 把买"玄学"的钱省下来改官网。 与其付费生成 llms.txt、做内容分块，不如把产品页改成一问一答的事实页：参数可核、时间可查、口径写明——这些才是 AI 抓取时真正认的硬通货。
SEO 时代拼的是让爬虫找到你，GEO 时代拼的是让 AI 认定"你就是答案"。工具会换、标准会改，"答得准"这件事，永远不会过时。
今晚做个小实验：把官网首页丢给豆包或 DeepSeek，问它一句"这个页面在回答什么问题"。如果 AI 答不上来，先别急着买工具——先改内容。
参考来源：
- GeoAura《What Is GEO? Complete Guide》2026-09 更新（9/1 95 域名探测：36% 有效 llms.txt、正文占 HTML 中位数 2.4%、17% 屏蔽 PerplexityBot）
- Exposure Ninja《Generative Search Optimisation: The Full 2026 Guide》（Google 2026 年 5 月官方生成式搜索指南：内容无需预分块、llms.txt 无特殊权重、GEO 基础=E-E-A-T 与可抓取性）
- Bajemon & Rochet，arXiv 预印本，2026-09-07（体量控制后引语 -0.325pp、统计 -0.276pp、引用标注 -0.793pp 均无合并正效应；query-blind 分数相关性 0.114，纳入问题相关性后升至约 0.37）
- GeoAura《Do GEO Tactics Survive Replication? What 2026 Re-Tests Found》（2026-09）
- Trelner Research，2026-09-02（Perplexity/Sonar 3 个模型、380 个软件类目、7534 条引用：59.8% 来自 Tranco 前 10 万名之外；GuideFlow 被引用数超 Gartner）