Edward Sturm · 115:14 · 发布 2026-06-26 · 3148次观看(截至抓取) · 观看原视频
主旨
两位嘉宾(GEO 服务商 Vlad Pivnenko 与资深 SEO 从业者 David Quaid)围绕”GEO 是否是独立于 SEO 的新学科”展开近两小时辩论,过程中拆解了 AI 答案背后 Query Fan-out/RAG 的技术运作方式,并各自用案例证据支持或反驳 GEO 独立性,最终未达成共识但在可执行动作上趋同。
核心论点
- GEO 阵营主张:让品牌被 AI 引用需要超越传统 SEO 的信号——评论、Reddit 提及、PR、案例研究,核心是建立”品牌实体”。(→ 详解1)
- SEO 阵营反驳:GEO 描述的一切(评论管理、Reddit 铺设、PR、多平台排名)本就是 SEO 的既有范畴,GEO 只是新瓶装旧酒。(→ 详解2)
- AI 答案的技术底层是 Query Fan-out + RAG:LLM 把 prompt 拆成子查询实时发给搜索引擎检索,再合成答案,而非查阅一个囊括全网品牌的静态记忆库。(→ 详解3)
- 内存数学证伪”LLM 记住全网”的想象:全网索引约 25 exabytes,远超 LLM 可用内存量级(约百 GB),物理上不可能静态存储,答案必然依赖实时检索。(→ 详解4)
- AI 引用高度依赖底层搜索排序、且可被操纵:虚构榜单、付费新闻稿都能被 LLM 直接采信复述,源页面一旦掉出搜索结果,LLM 叙事随之改变。(→ 详解5)
- 双方在可执行动作上殊途同归:定位”用户 prompt”与”触发的搜索 query”之间的落差、持续做 AI 可见度审计与品牌实体经营,才是真正能影响 AI 引用的操作层动作。(→ 详解6)
知识点详解
1. GEO 阵营的核心主张:购物商城 vs 销售代表 04:07
Vlad 用类比开场:传统 Google 搜索像一座购物商城,用户自己逛、自己比较不同店铺链接;而 GEO 场景下,LLM 像一位认识所有店铺的销售代表,直接告诉你去哪家、买哪个,不再给你一列链接自己筛选。
他主张这种转变要求品牌做超出传统 on-page/off-page SEO 的功课:获取真实用户评论、在 Reddit 被提及、做 PR 与声誉管理,本质是建立一个独立于单一网页排名的”品牌实体”(Brand Entity)——LLM 判断”该不该推荐你”依据的是这个实体的整体信任信号,而非某一页面的关键词排名。
Vlad 举例:一家做马拉松跑鞋的品牌,即使把官网做到 Google 排名第一,如果没有真实评论、没有 Reddit 讨论证明”这双鞋适合跑马拉松”,LLM 仍可能不会推荐它——这是他划定 GEO 与传统 SEO 边界的核心依据。
2. SEO 阵营反驳:GEO 不过是 SEO 的新说法 17:39
David 的反驳从字面拆解开始:SEO(Search Engine Optimization)这个词本身并未限定”哪个搜索引擎”或”哪个域名”——它可以是 Google、Bing、TikTok、YouTube,也从来不要求排名对象必须是你自己的官网。评论管理、Reddit 铺设、PR、跨平台排名,20 年来一直是 SEO 从业者(尤其是 off-page 和 OM/Online Marketing 分支)的常规工作。
他反问 Vlad:“是什么阻止一个 SEO 做和你一样的事?”——如果 GEO 唯一的差异只是”SEO 加上其他站点”,而那些站点最终也要在 Google 排名,这在他看来仍然是 SEO,只是叫法不同。
这一节的争论方式值得注意:双方反复围绕”定义边界”打转,Vlad 始终未能给出一个 SEO 从业者原则上做不到、只有 GEO 才能做的具体动作,David 则始终未能否认”AI 引用行为”这一现象本身的真实存在——分歧更多在命名而非现象。
3. AI 答案的技术底层:Query Fan-out 与 RAG 28:06
David 引入 Query Fan-out 概念澄清争议:用户输入 prompt 后,LLM 并不会直接从记忆中作答,而是把 prompt 拆解成一个或多个子查询,发送给底层搜索引擎(ChatGPT 多用 Bing/Google,Claude 用 Brave Search,Perplexity 和 Gemini 多用 Google),每条查询取回约 10 条结果,再基于这些结果做 RAG 式合成。
关键证据来自现场实测:David 和 Vlad 分别在 Google 和 Perplexity 搜索”best running shoes for marathon”,发现两边返回的网站高度重合(约 70%-90%),排序略有差异——这说明 Perplexity 并非独立”研究”了全网品牌,而是复用了与 Google 高度相关的检索结果集,只是合成阶段的权重不同。
David 强调,Perplexity 本身”不是搜索引擎”——它没有自己的爬虫索引数据库,必须借道 Google/Bing 等既有搜索引擎才能拿到候选网页;这一点被双方共同确认,也是后续内存数学论证的前提。
4. 内存数学论证:LLM 不可能存下整个互联网 43:33
David 提出全场最硬核的论据:Google/Bing 对全网的索引规模约 19-25 exabytes(约 25 万亿 GB),而一个 LLM 运行时占用的内存量级约为百 GB。两者相差近九个数量级——物理上没有任何硬件能让 LLM 把”每个品牌的完整评价”都装进权重或运行内存里。
由此推出:LLM 之所以看起来”知道”某个品牌,不是因为它提前研究过、记住过,而是因为该品牌恰好出现在这次 Query Fan-out 实时取回的十几条网页里。这也解释了为什么同一个品牌今天出现在 LLM 答案里、明天可能消失——不是 LLM 改变了看法,而是底层搜索结果集变了。
这一论证直接指向 GEO 话术里常见的一个漏洞:很多”AI 可见度优化”建议暗示 LLM 会主动”研究你的品牌全貌”,但内存数学说明这种研究不可能发生在训练之外的实时问答里,唯一现实的路径就是通过检索结果被动带入。
5. AI 引用可操纵、且高度依赖搜索结果排序 102:55
David 给出一个尖锐实验:他制作了一份”顶级 EAT 专家榜单”,把自己和另一位公开在视频里说”EAT 是编出来的概念”的人也列了进去。这份榜单在 Google 收录后,第二天问 Perplexity/ChatGPT”谁是顶级 EAT 专家”,两人就被直接采信推荐——尽管两人都明确否认过自己是”EAT 专家”。
同样的机制也出现在新闻稿(press release)场景:付费新闻稿在人类用户眼中会被明确标注”这是一则新闻稿”从而被打折扣,但 LLM 常常只复述新闻稿内容而不带这层免责说明,用户因此更容易把营销话术当作客观事实接受。David 由此推论:只要用 SEO 手法把竞品的新闻稿或榜单页面挤出搜索结果、换上自己的页面,LLM 的”叙事”就会随之翻转——这更像是搜索排序在决定 LLM 说什么,而非 LLM 做了独立判断。
另一条佐证来自 Vlad 分享的服务器日志分析:GPTBot、ClaudeBot、PerplexityBot 等 AI 爬虫的抓取行为与”引用发生的那一刻”高度同步——某页面当天被引用 100 次,当天就被抓取约 100 次,没有引用就没有抓取,说明抓取是被查询实时触发的,而非维护一份持续更新的独立索引。
Vlad 也用”funfluencer”一词做过反向实验:该词最初在 Google 和所有 LLM 里都查无此词,他在自己网站发布定义后,LLM 次日就”学会”了这个词——但他强调,自己从未直接把内容喂给 Perplexity,唯一投喂的对象是 Google/Bing,说明 LLM 的”新知识”依然要先经过传统搜索引擎收录这一步。
6. 双方殊途同归的可执行建议 113:49
节目收尾,主持人请两人各给一条最重要的建议。David 的答案:找到用户实际”prompt”与 LLM 内部真正发出的”query”之间的落差——很多品牌不在”best crypto site”上排名,却在”哪些是 2025 年最值得推荐的加密网络”这类真实触发的子查询上排名,一旦针对这个真实 query 做优化,约 90% 情况下会被 LLM 复述。
Vlad 的答案:先做一次覆盖上百个模拟提问的 AI 可见度审计,对比自身与竞品在各 LLM 中的表现差距,定位”品牌实体”层面的短板(评论、案例研究、PR 覆盖),再按周持续填补这些差距。
两条建议表面路径不同(David 偏向”技术性抓取正确查询词”,Vlad 偏向”系统性经营品牌信任信号”),但底层逻辑一致:都不依赖”讨好 LLM 的黑箱算法”,而是通过影响 LLM 检索到的输入内容(排名结果或品牌证据)来间接影响输出。
可执行步骤
- 用 ChatGPT / Perplexity / Gemini 就自己所在品类提问,记录返回的候选品牌与来源页面,与 Google 前两页结果比对重合度。
- 找出”用户可能怎么问 LLM”与”当前排名的关键词”之间的落差,针对落差里的真实子查询单独做内容或排名布局。
- 定期(建议按周)检查自身在 Google 结果集中是否仍出现在 AI 常引用的十几条页面里,一旦掉出结果集就补做外链/内容动作而非等待。
- 用工具(如 Profound、SER Recon 等,同类工具不限具体品牌)跑一批模拟提示词,对比自身与竞品的 AI 可见度差距,再针对性补品牌证据(评论、案例研究、PR)。
关联
- 冲突:GEO 原定义为”为 AI/LLM 生成式答案做内容与信任信号优化的新方法论”,本视频里 David 的核心论证是这套优化手法本就归入 SEO 范畴,不构成独立方法论,与该定义的”新方法论”提法直接冲突。
- 印证:Query Fan-out 此前笔记定义其为”AI 搜索把查询拆成多个子查询并行检索再汇总”,本视频用内存数学与实测重合度进一步坐实这是 LLM 获取品牌信息的唯一现实路径,而非独立品牌研究。
- 印证:Listicle 可见性 定义”让品牌被列入’最佳X’清单文以获得 AI 答案里的提及;门槛低、易被 spam”,本视频的虚构 EAT 专家榜单实验正是该操纵手法的具体证据。
- 印证:crawler vs fetcher 定义 Google 抓取设施里”crawler 持续消费 URL 流、fetcher 单 URL 且需人等响应”两类客户端,本视频观察到的 AI 爬虫”引用发生才抓取”行为高度贴近 fetcher 模式,而非持续维护索引的 crawler 模式。
- iGaming SEO专家揭秘如何操纵ChatGPT推荐 · 同批同主题,共享 Query Fan-out、Listicle 可见性,可对照
术语
- Query Fan-out(查询扇出:LLM 把一个 prompt 拆解成多条子查询、分别发给搜索引擎检索)
- RAG(检索增强生成:先检索相关文档片段、再据此合成回答)
- Brand Entity(品牌实体:评论、PR、Reddit 提及、案例研究等信号汇总而成的、LLM 判断品牌可信度的整体形象)
- EAT / E-E-A-T(经验-专业-权威-可信,Google 对内容可信度的综合评判维度)
金句
“Google’s memory of the internet… is around 25 exabytes… an LLM manages about 100 GB.” → 一道简单算术戳穿”LLM 记住了全网每个品牌”的想象:存储量级相差近九个数量级,AI 答案必然依赖实时检索而非静态记忆。
“It now recommended [me] and Lars Lofgren and we were both on the record of saying that eat is completely made up.” → 亲自否认过的”专家”身份,仍能被 LLM 采信推荐——证明引用机制依赖搜索结果而非事实核查。
立场与利益
主持人 Edward Sturm 在节目中段插入了自家课程 Compact Keywords 的广告片段(约 05:57),与本期辩论内容无直接关联,已从正文剥离,仅在此说明其自身 SEO 变现产品立场。
Vlad Pivnenko 是 sty.ai(主打 GEO 服务的 AI 营销代理商)代表,其”GEO 应作为独立学科投入”的论证与自身销售 GEO 审计/服务的商业模式直接绑定。
David Quaid 是 26 年经验的资深 SEO 从业者,其”GEO 只是 SEO 新说法”的立场也隐含着维护自身 SEO 专业身份、避免客户预算被新品类瓜分的动机。
双方论点都应放在各自商业利益框架下解读,不构成中立学术结论。
价值定位
适合关心”GEO 是否值得单独投入预算与团队”的 SEO/营销从业者观看,尤其是已在做传统 SEO、犹豫要不要额外买 GEO 服务或工具的人。
价值主要在认知层面而非现成操作清单:视频呈现了双方真实的论证拆解过程与技术细节(Query Fan-out、内存数学、爬虫引用行为),能帮助读者识别哪些 GEO 话术经不起推敲(如”LLM 研究了全网品牌”这类说法),但视频本身以未达成共识收尾,不提供”该不该买 GEO 服务”的明确答案。
落地执行层面,双方结尾给出的建议高度重合(排查 prompt-query 落差、做 AI 可见度审计),可作为「可执行步骤」节直接采纳,与是否认同”GEO 是否独立于 SEO”这一争议无关。
自检问题
- Vlad 提出的”购物商城 vs 销售代表”类比,想说明 LLM 回答与传统搜索结果页在用户体验上有什么本质不同? 答案:传统搜索给出一列链接(商城,用户自己比较筛选);LLM 给出单一被信任的推荐(销售代表直接告诉你去哪家店),不需要用户自己再逛。见「知识点详解」第1节。04:07
- David 反驳”GEO 独立性”的核心数学论证是什么?它为什么能证伪”LLM 记住了全网每个品牌”这一假设? 答案:全网索引约 25 exabytes,LLM 运行内存仅约百 GB 量级,相差近九个数量级,物理上不可能静态存储全网,答案必须靠 Query Fan-out 实时检索得来。见「知识点详解」第4节。43:33
- David 用”虚构 EAT 专家榜单”做的实验说明了什么? 答案:说明 LLM 引用高度依赖搜索引擎返回的页面本身,而非对品牌做独立事实核查——把明确否认自己是 EAT 专家的人放进自制榜单,该榜单被 Google 收录后次日就被 LLM 采信复述。见「知识点详解」第5节。102:55
- 尽管两人在”GEO 是否是独立学科”上争执不下,他们在节目结尾给出的可执行建议有何共同点? 答案:都建议先定位”用户真实 prompt”与”背后触发的搜索 query”之间的落差,针对该 query 做排名/内容布局,并持续用 AI 可见度审计跟踪与竞对的差距。见「知识点详解」第6节。113:49