大模型的出现迎来了一个搜索引擎的新范式， 即使用生成式模型收集和汇总信息来回答用户问题。这个新兴技术能生成准确以及个性化的回答，并且正在快速替换传统的的搜索引擎。 生成式引擎能够从多个来源数据中合成信息并使用大模型总结，以此来满足查询。虽然这种转变显著的提高了用户效能和生成式搜索引擎的流量， 但是它也对第三利益相关者比如网站和内容创作者带来了一个巨大的挑战。 考虑到生成式引擎黑盒和快速变化的特性， 内容创作者对他们的内容什么时候以及如何显示几乎没有控制。
而为了解决这个问题， 就引出了生成式引擎优化（GEO），一种新范式， 旨在帮助内容创造者去改善他们的内容在生成式引擎响应中的可见性。 我们通过介绍GEO-BENCH来促进系统性的评估， 一个跨多个领域的不同用户查询的大模型基准测试， 以及回答这些查询的WEB源。 通过严格的评估， 我们证明GEO在生成式引擎响应中的能够提升可见性到40%， 此外， 我们发现这些策略的效用在不同领域之间存在差异， 于是强调了对特定领域优化方法的需求。 我们的工作开辟了一个信息发现系统的一个新领域， 这对生成引擎开发人员以及内容创作者会产生深远影响。
大语言模型的成功为更好的系统比如BingChat, Google’s SGE, 以及Perplexity.ai铺平了道路， 这些系统结合了传统的搜索引擎和生成式模型。 因此，我们称这些系统为generative engine (GE)，因为它们搜索信息并通过利用多个来源生成多模态响应。从技术上来说， 生成式引擎从数据库检索相关的文档并且使用大语言模型去生成一个基于来源的响应，确保用户能够以一种方式去检验这些信息。
生成式引擎对于开发者和普通用户的用处是显而易见的， 用户能够更快以及更准确地访问信息，而开发者能够制作更精确和个性化的内容，这些都能够改善用户满意度和收入。 然而，生成式引擎使网站或内容创作者变得劣势。 相比传统的搜索引擎, GE不再需要直接导航到网站的需求，而是直接提供一个精确并且综合的回答， 这可能减少了访问网页的流量并且影响到了它们的可见性。 此外，生成式引擎的黑盒以及专有特性让它对内容创作者去控制和理解他们的内容是怎样摄入和描绘变得更困难。
因此在这项工作中， 我们提出了第一个通用的以创作者为中心的框架来优化生成式引擎内容, 我们称之为Generative Engine Optimization (GEO)， 中文译为生成式引擎优化， 以此来赋能内容创作者迁移到新的搜索范式。 GEO 是一个灵活的黑盒优化框架， 针对闭源和专用的生成式引擎 (如上图) 来优化Web内容可见性. GEO摄入一个来源网站并输出一个经过定制和校准演示、文本风格和内容后的优化版本来增加在GE中的可见性。
此外， GEO介绍一个灵活的框架，定义适合GE的可见性指标， 因为在GE中的可见性概念相比传统搜索引擎更加的微妙和具有多面性, 如下图:
