← 返回报告列表
📊 GEO（Generative Engine Optimization）GitHub 项目调研报告
GitHub 开源项目技术框架与方案分析 | 2026 年 3 月 26 日
🎯 核心洞察: GEO 是 SEO 的下一代演进，通过优化内容在 AI 搜索引擎（ChatGPT、Perplexity、Gemini）中的可见性。Princeton 大学研究表明，最高可提升 40% 可见性。
📈 一、项目概览
| 项目 | Stars | 语言 | 类型 |
|---|
| gtm-engineer-skills | 542 | HTML | Claude Code Skill |
| awesome-generative-engine-optimization | 261 | — | 资源列表 |
| awesome-geo | 246 | — | 资源列表 |
| eGEOagents | 72 | Python | AI Agent 工具 |
| Awesome-GEO | 82 | — | 研究列表 |
| GetCito | 66 | TypeScript | 开源平台 |
| GEO (krillinai) | 55 | — | 指南 |
| gego | 43 | Go | 品牌追踪 |
🔧 二、核心项目技术分析
1. GetCito — 首个开源 AIO/AEO/GEO 平台
技术栈: TypeScript + Next.js 13 + Firebase + Azure OpenAI + Tailwind CSS
- 多引擎优化（ChatGPT、Perplexity、Gemini 等）
- 实时监控内容在 AI 搜索引擎中的表现
- AI 驱动的内容优化建议
- Firebase 认证 + Firestore 数据库
- 支持 Vercel Edge 部署
优势: 最完整的开源 GEO 平台；多 LLM 支持，带 fallback 机制；移动端 PWA 支持
劣势: 需要自行部署，维护成本高；依赖 Firebase + Azure API，需付费；配置复杂
2. eGEOagents — AI Agent GEO 工具
技术栈: Python（基于 Claude Code Skill 架构）
核心命令:
/geo <url> # 完整 pipeline - 分析、排名、重写、生成 Schema
/geo:audit # 仅分析，不改内容
/geo:optimize # 优化本地文件
/geo:batch # 批量处理整个目录
/geo:compete # 竞品分析
10 个 GEO 特征（基于 E-GEO 论文 arXiv:2511.20867）:
- 排名强调（Ranking Emphasis）
- 用户意图匹配（User Intent）
- 竞争优势（Competitive Edge）
- 社会证明（Social Proof）
- 权威性（Authority）
- 可扫描性（Scannability）
- 关键词优化
- 引用和来源标注
- 结构化数据（Schema）
- E-E-A-T 信号
优势: 基于学术研究，有理论支撑；一键操作，零学习曲线；自动生成 JSON-LD Schema
劣势: 仅支持 Claude Code 环境；无法实时监控效果；重写内容需人工审核
3. gego — 品牌跨 LLM 追踪工具
技术栈: Go + SQLite + MongoDB + Docker
功能:
- 跨多 LLM（OpenAI、Anthropic、Ollama、Google、Perplexity）追踪关键词
- Cron 定时调度自动执行 prompt
- 自动从响应中提取关键词
- 监控延迟、token 用量、错误率
架构:
SQLite → 存储配置（LLM、调度）
MongoDB → 存储分析数据（Prompt、响应）
优势: 多 LLM 对比分析能力强；Docker 一键部署；自动关键词提取
劣势: 仅用于追踪，不做优化建议；需要自建基础设施；MongoDB 增加部署复杂度
4. 资源列表类项目
awesome-generative-engine-optimization（261 ⭐） — 分类最全的资源列表，包含指南、工具、研究论文、案例分析
awesome-geo（246 ⭐） — 中文友好（有中文 README）；包含 2026 最新研究（AutoGEO、Search-o1）；有完整的 GEO 检查清单
🏗 三、技术框架总结
┌─────────────────────────────────────────────────────────────┐
│ GEO 技术栈分层 │
├─────────────────────────────────────────────────────────────┤
│ 应用层 │
│ ├── 内容优化: eGEOagents, GetCito │
│ ├── 效果追踪: gego, GetCito Analytics │
│ └── 资源聚合: awesome-* 系列 │
├─────────────────────────────────────────────────────────────┤
│ 模型层 │
│ ├── LLM: GPT-4, Claude, Gemini, Ollama │
│ ├── RAG: 检索增强生成（AI 搜索核心） │
│ └── Embedding: 文档向量化 │
├─────────────────────────────────────────────────────────────┤
│ 数据层 │
│ ├── 结构化: SQLite, MongoDB, Firestore │
│ ├── 向量库: FAISS, Pinecone（部分高级方案） │
│ └── 缓存: Redis, Vercel Edge │
└─────────────────────────────────────────────────────────────┘
⚖️ 四、各方案优劣势对比
| 方案 | 优势 | 劣势 | 代表项目 |
|---|
| 一键优化 | 零门槛、研究支撑 | 需 Claude Code 环境 | eGEOagents |
| 全栈平台 | 功能完整、可扩展 | 部署维护复杂、费用高 | GetCito |
| 追踪分析 | 多 LLM 对比、Docker 部署 | 仅追踪不优化 | gego |
| 资源聚合 | 信息全面 | 非工具，参考为主 | awesome-* |
💡 五、核心 GEO 策略
Princeton 论文验证的核心方法（最高提升 40% 可见性）:
- 引用强化 — 添加权威来源引用
- 统计数字 — 加入具体数据和数字
- 流畅写作 — 自然语言，避免关键词堆砌
- 结构化格式 — 使用标题、列表、表格
- 领域术语 — 适当使用专业词汇
- 问题-答案格式 — 直接匹配用户提问
E-GEO 电商研究发现:
- 竞争性框架（Competitive Framing）效果最强
- 10 个 GEO 特征在高排名内容中一致出现
- 自动优化优于人工启发式方法
📊 六、效果评估
制造业网站 — +2,300% AI 流量 — E-E-A-T 优化
汽车零部件 — +200%/月 — Schema + llms.txt
Ramp 金融 — 3.2% → 22.2% 可见性 — GEO 全面优化
🚀 七、技术趋势
AutoGEO (ICLR 2026) — 自动学习 GEO 偏好规则
Search-o1 — Agentic RAG + LLM 推理结合
llms.txt 协议 — 新兴 AI 友好站点协议
多模态 GEO — 支持图片/视频 AI 搜索优化
🎯 八、选型建议
| 场景 | 推荐 |
|---|
| 快速优化单个页面 | eGEOagents |
| 企业级 GEO 平台 | GetCito |
| 品牌跨 LLM 监控 | gego |
| 学习 GEO 知识 | awesome-generative-engine-optimization |