GEO 认知层、推荐层、信任层全维度解析
结论先说：AI 认识你的品牌，不等于会推荐你；推荐你，也不等于客户会相信。企业做 GEO，至少要同时观察三层结果：认知层解决「AI 知不知道你」；推荐层解决「客户问怎么选时，AI 会不会把你列进去」；信任层解决「AI 为什么敢推荐、客户为什么敢继续了解」。
这三层是品牌经营与验收框架，不是大模型内部的技术架构。模型底层仍会受预训练记忆、检索增强（RAG）、安全与偏好约束等机制影响，详见 GEO 原理。三层框架的价值，是把复杂技术翻译成市场、品牌和销售团队能管理的目标。
一、先看全景：三层分别回答什么问题
| 层级 | 核心问题 | 典型结果 | 不能只看什么 |
|---|---|---|---|
| 认知层 | AI 是否认识并正确描述你？ | 知道品牌是谁、做什么、服务谁 | 只搜一次品牌全称 |
| 推荐层 | 客户问品类和选型时，AI 是否想到你？ | 进入候选名单，位置和理由相对稳定 | 只看有没有出现 |
| 信任层 | 推荐理由是否可信、可核验？ | 事实有依据，引用质量较好，风险追问不崩 | 只看正面情绪 |
三层不是简单的「上中下漏斗」，也不是做完一层才允许做下一层。更准确的关系是：认知提供实体基础，推荐争取答案席位，信任决定这个席位能否转化并长期稳定。
二、认知层：先让 AI 知道「你是谁」
认知层不是让 AI 背出品牌名，而是建立清晰、稳定、可核对的品牌实体。客户常问：
- 某品牌是做什么的？
- 某品牌是哪家公司旗下的？总部在哪里？
- 它服务哪些行业、哪些客户？
- 它与相似名称的公司是不是同一家？
如果 AI 完全不提、品类归错、把旧业务当成现业务，或者将两个同名主体混在一起，问题都发生在认知层。
认知层要准备的内容资产
- 官方主体页：公司全称、品牌名、产品名、所在地、服务范围与更新时间。
- 产品与场景页：每个产品解决什么问题、适合谁、不适合谁。
- 统一实体口径：官网、百科、媒体、社交账号的名称和介绍不要互相冲突。
- 可抓取页面：重要事实不要只藏在海报、视频字幕、登录后页面或客服私聊里。
认知层建议指标
| 指标 | 怎么理解 | 常见误判 |
|---|---|---|
| 品牌词提及率 | 目标品牌问法下，答案是否出现品牌 | 品牌全称题命中，不代表品类题命中 |
| 实体准确率 | 主体、产品、地区、业务描述是否正确 | 「出现了」但说错，也算问题 |
| 意图覆盖率 | 认知、场景、产品等问法覆盖是否完整 | 只测一类问法 |
| 跨平台一致性 | 不同 AI 是否形成相近认知 | 用一个平台代表全部平台 |
三、推荐层：从「知道」走到「想到并列入候选」
推荐层发生在客户不直接问品牌名，而是让 AI 帮忙做判断时：
- 深圳有哪些 GEO 服务商？
- 适合中小企业的 CRM 有哪些？
- A 和 B 怎么选？
- 20 人销售团队、预算有限，推荐什么方案？
此时，品牌需要进入 AI 的候选集合，并获得与真实能力一致的推荐理由。认知层解决「AI 能认出你」，推荐层解决「AI 在合适场景下能想起你」。
推荐层的四个关键维度
- 进入候选：目标品类和场景题中是否被列出。
- 出现位置：首次出现是否靠前，还是只在长尾补充项里偶尔出现。
- 推荐理由：AI 用什么差异点解释推荐；是否与官网事实一致。
- 场景适配：在适合你的问题里出现，在不适合的问题里不被错误硬推。
推荐层建议指标
- 推荐率：目标非品牌词问法中，进入明确候选或建议名单的比例。
- 首次出现位置：答案中第一次出现品牌的位置。
- 竞品差距：同题下品牌与主要竞品的提及、位置和理由差异。
- 理由命中率：预期差异点是否被正确表达，而不是只出现名字。
- 场景错配率：不适配场景中被错误推荐的比例；越低通常越好。
推荐率不是越高越好。医疗、金融等高风险行业，以及明显不适配的客户条件下，克制、带边界的回答反而更可信。不要为了「全题出现」制造错误推荐。
四、信任层：让推荐有依据，经得起追问
信任层常被误解为「多发好评」。真正的信任，是 AI 和客户都能找到证据，且多轮追问后说法仍然站得住：
- 为什么推荐这家？依据是什么？
- 有哪些真实案例或公开资料？
- 价格、服务边界和风险是什么？
- 它有哪些缺点？适不适合我们？
- 网上有没有争议或负面反馈？
信任层需要的不是口号，而是证据结构
- 一手事实：官方产品说明、服务边界、版本日期、主体信息。
- 可核验案例：背景、动作、时间范围、结果口径写清楚；不能公开的要脱敏并说明。
- 第三方印证：权威媒体、行业机构、客户公开评价等独立信源。
- 诚实边界：能做什么、不能做什么、哪些结果受外部变量影响。
- 一致性：官网、销售材料、媒体稿和客服回答不要出现互相冲突的数字。
信任层建议指标
| 指标 | 观察重点 |
|---|---|
| 引用来源质量 | 是否引用官方页、权威第三方或可核验材料 |
| 事实支撑率 | 推荐理由是否能在公开材料中找到对应证据 |
| 表述准确度 | 价格、能力、案例、适用边界是否被说错 |
| 情绪与争议 | 正面 / 中性 / 负面倾向，以及负面依据是否真实 |
| 风险问法稳定性 | 追问缺点、投诉、合规时，答案是否仍客观一致 |
五、同一个品牌，三层问题可能完全不同
| 表现 | 判断 | 优先动作 |
|---|---|---|
| 品牌词能答，品类题不出现 | 认知有基础，推荐层薄弱 | 补品类、场景、对比和适用条件内容 |
| 经常被列入名单，但理由空泛 | 推荐有席位，差异点不稳 | 补可核验产品事实与场景证据 |
| 被推荐，但型号、价格或地区说错 | 认知与信任同时有缺口 | 更新官方事实页，统一多源口径 |
| 官方说得很好，风险追问立刻转负 | 正面内容多，信任结构不足 | 补边界、风险回应、第三方印证 |
| 单个平台表现好，其他平台查无此牌 | 跨平台认知与检索差异明显 | 分平台记录，不用单点结果外推 |
六、怎么建立三层题库
题库要来自真实客户语言，而不是品牌内部术语。可按下面的最小结构起步：
| 层级 | 建议题型 | 示例 |
|---|---|---|
| 认知层 | 品牌、产品、主体、场景 | 某品牌是做什么的？适合哪些企业？ |
| 推荐层 | 品类、地域、对比、条件推荐 | 深圳 GEO 服务商怎么选？预算有限推荐什么？ |
| 信任层 | 依据、案例、缺点、风险、口碑 | 为什么推荐？有哪些限制？网上评价如何？ |
每一层先准备 10～20 个核心问题，再加入同义改写。固定问题不等于只问一句：客户会说「推荐」「哪家好」「怎么选」「适合谁」，模型对不同表达也可能给出不同答案。
七、30 天最小落地路径
- 第 1 周｜建基线：确定平台、三层题库、竞品和记录字段，跑第一轮测试。
- 第 2 周｜修认知：统一品牌实体，补公司、产品、FAQ、适用边界与更新时间。
- 第 3 周｜争推荐：围绕品类、场景、对比和条件推荐，补可引用页面；写清理由而非口号。
- 第 4 周｜补信任并复测：加入案例、证据、第三方印证和风险说明，用同一题库再测。
页面写法可参考 RAG 与可引用页。监测时要保留原始问法、完整答案、时间、平台和引用链接，避免只截对自己有利的一段。
八、最常见的五个误区
- 把品牌词命中当成认知完成：客户更多问品类和场景，不会先替你报品牌名。
- 把提及当成推荐：「顺带提到」与「明确列入候选」不是同一结果。
- 只追第一名：答案会随平台、时间、问法变化；稳定进入合理候选比一次第一更可管理。
- 用软文堆信任：同源稿件重复再多，也不等于独立证据增加。
- 改完不复测：没有固定题库与前后对照，就无法判断哪一层真的改善。
FAQ
Q：GEO 认知层、推荐层、信任层是模型内部架构吗？
A：不是。它是品牌经营与效果验收框架，用来管理 AI 是否认识、推荐并可信地描述品牌。模型机制另见 GEO 原理。
Q：品牌被 AI 提到，就算 GEO 做好了吗？
A：不算。还要看是否进入推荐名单、出现位置、推荐理由、事实准确度、引用来源，以及风险问法下是否稳定。
Q：三层应该先做哪一层？
A：通常先修认知、同步补信任，再争推荐；但应以基线数据为准。已有知名度但事实错误或争议较多的品牌，可能要先修信任层。
Q：多久复测一次？
A：内容刚上线时可在一至两周后观察检索变化；长期建议固定周期复测。不同平台抓取和更新节奏不同，不承诺某个页面在固定天数内被采用。
Q：如何证明改善不是偶然？
A：固定平台、题库、时间窗口与记录方式，比较多轮趋势；同时记录引用来源和说法变化，不用一次截图下结论。
本文中的三层为翎见用于 GEO 诊断与运营沟通的分析框架，不代表任何 AI 平台公开披露的内部排序规则。模型答案具有波动性，实际表现应以持续、同题、跨平台复测为准。