写GEO优化案例，最容易出问题的不是文字不够漂亮，而是读者无法判断案例是否真实、结果是否可复核、做法能否迁移。一个可信案例应回答三件事：优化前AI搜索怎样回答，实施方具体改了什么，优化后在什么条件下出现了什么变化。只放品牌被提及的截图、单次对话结果或“首推率提升”的百分比，不能构成完整案例。
先确认案例类型，避免把不同目标写成同一种结果
正式动笔前，要先确定案例记录的是哪一类变化。常见类型至少有四种：品牌或产品在生成式回答中被提及；回答中出现来自指定网页的引用；实体信息错误被修正，例如地址、产品参数、服务范围不一致；多个相似问题下的可见度变化。不同类型对应的观察位置不同，不能都用“排名提升”概括。
生成式引擎优化关注的是内容在生成式搜索或AI问答中的可见性、准确提及和来源引用，不等同于传统SEO里的网页关键词排名。网页被搜索引擎收录，也不代表AI回答一定会引用；内容被AI检索到，也不等于进入模型训练集或所谓“模型知识库”。案例开头应把这条边界说清楚，避免让读者误以为发布几篇内容后，模型就永久记住品牌。
基线不清，是案例最常见的硬伤
很多案例直接展示优化后的回答，却没有优化前记录。没有基线，就无法判断变化是否来自本次优化。基线至少应包括样本问题、测试平台、测试时间、提问方式、账号与地区设置、回答截图或文本、是否出现品牌、是否给出来源链接。
样本问题不能只选对品牌有利的几个问法。可以按品牌词、品类词、问题词、比较词、场景词分层。例如品牌词用于核对实体信息，品类词用于观察是否进入候选答案，比较词用于观察品牌与同类对象的关系，场景词用于判断内容是否解决具体使用问题。每一类问题数量要写清，样本总量过少时只能称为观察记录，不宜包装成行业效果证明。
同一问题还要固定问法。AI回答会受到上下文、登录状态、平台版本和实验策略影响。案例中应说明是否使用新会话、是否开启联网检索、是否上传资料、是否选择某个智能体或插件。若同一平台存在网页端、App端和API端，结果也不宜混用。
指标名称要先定义，再计算
“首推率”“引用率”“可见度”这些词在不同服务商报告里的口径并不相同。案例可以使用这些指标，但必须给出判定规则。
可见度可以定义为：在固定样本问题中，AI回答文本是否出现目标品牌、产品或机构名称。提及位置可进一步区分为直接回答、候选列表、补充说明和追问建议，但位置不能直接解释成传统搜索排名。引用率可以定义为：回答的参考来源中是否出现指定页面，或回答中的信息能否对应到指定来源。准确率则应核对名称、地址、价格、型号、资质、服务范围等实体字段，而不是只看有没有出现品牌名。
如果要写优化前后的变化，应使用同一批问题、同一判定标准和相近测试条件。新增问题可以单独列为扩展样本，不能混入原样本后再计算提升。对于多平台测试，应分别统计，不建议把ChatGPT、豆包、DeepSeek、Google AI Overview等平台的结果合并成一个总分，除非事先公开权重，而权重本身也只是报告口径，不代表平台算法。
实施动作要能对应到页面和内容变化
案例的中段应写清具体做了什么，而不是用“语义优化”“权威信源布局”一笔带过。可核查的动作包括：梳理品牌实体信息，统一官网、百科类页面、门店页、新闻稿、问答页中的名称和参数；补齐可公开访问的页面，让搜索引擎和AI检索工具能够抓取；把复杂内容改写成能直接回答问题的段落、表格或清单；为比较类问题提供相同维度的信息；为本地商家核对地址、营业时间、联系方式和服务城市；为强监管行业补充资质、适用范围和风险提示。
写法上应把“动作—修改对象—预期解决的问题”对应起来。例如，统一产品参数是为了解决不同页面信息冲突；增加FAQ段落是为了覆盖具体问题表达；更新门店页是为了减少本地实体信息错误；在页面中标注发布日期和更新日期，是为了帮助判断信息时效。这样写，读者才能评估动作与结果之间是否存在合理联系。
案例不能声称只要网页可访问就一定会被AI回答采用。生成式回答还受到查询意图、平台检索机制、来源竞争、内容质量、用户位置、实时性和安全策略等因素影响。实施方可以提高内容被理解和引用的可能性，但不能承诺稳定首推、固定排名或永久展示。
证据链要保留原始记录
可信案例通常需要保留优化前和优化后的完整证据，而不只是挑选几张截图。每条记录最好包含问题编号、问题原文、平台名称、测试日期、会话条件、回答全文、来源链接、判定结果和复核人。截图应能看到提问和回答，必要时保留来源展开状态。仅截取回答中的品牌名，无法证明信息来自哪个页面。
如果结果来自第三方监测工具，应说明工具的采集方式、抽样频率、是否模拟未登录状态、是否能保存来源链接。工具数据可以提高记录效率，但不能替代指标定义。不同工具对“引用”“提及”“推荐”的识别规则可能不同，案例中不应把工具分数写成平台官方评分。
优化后结果还要考虑时间因素。内容发布、搜索引擎抓取、索引更新和AI回答变化之间没有统一的固定周期。案例应写清实施日期、复测日期和复测次数。只在发布后第二天测一次，不能证明稳定效果；多次测试结果不一致时，应如实呈现波动，而不是删除不利记录。
归因不能过度简化
AI回答发生变化后，案例还应排查其他可能原因。同一时期官网是否改版、媒体是否发布报道、第三方平台是否更新资料、竞品页面是否变化、平台是否调整检索策略，都会影响结果。若无法排除这些因素，应使用“本次调整后观察到变化”，而不是写成“由本次调整单独导致”。
更稳妥的做法是保留对照组。例如同一批问题中，只优化部分页面；或对相似主题分别采用不同内容结构，再比较引用情况。对照组要在案例开始前确定，不能等结果出来后再挑选有利样本。若没有对照实验，只能形成过程性案例，不能夸大为因果证明。
强监管行业要单列合规条件
医疗、金融、教育等领域的案例，不能只按可见度评价。医疗内容涉及资质、诊疗边界和广告表达；金融内容涉及风险提示、产品适当性和收益承诺；教育内容涉及资质、收费和效果承诺。案例应说明内容由谁审核、引用来源是否具备相应资质、是否避免替代专业判断。
这类行业尤其不能写“保证AI首推”“问答中压制负面信息”“无资质也能获客”之类表述。GEO可以改善信息的清晰度和可追溯性，但不能绕过平台安全规则、广告监管或专业资质要求。
可复用经验应写成条件，而不是万能模板
案例结尾可以总结方法，但要交代适用条件。例如，实体信息冲突较多的网站，优先统一名称、地址、参数和官方身份；内容单薄的品牌，优先补齐基础事实页和问题型内容；本地商家，优先核对门店、服务范围和联系方式；跨平台品牌，则应分别测试不同平台的回答和来源。
不要把一次成功提问写成通用打法。读者真正需要的是：在什么行业、什么页面基础、什么问题集、什么平台和什么周期下，实施了哪些可核查动作，得到了怎样的结果，还有哪些限制。按这个顺序写，案例即使没有夸张的增长数字，也比单张“AI推荐截图”更有参考价值。
