AEO 术语词典 · 70+ 名词

定义：针对 ChatGPT / Perplexity / DeepSeek / Kimi 等生成式 LLM 答案引擎的内容优化方法论。目标是让品牌在 LLM 直接回答用户提问时被引用、被推荐。

为什么重要：传统 SEO 优化的是排名（蓝色 10 链接），AEO 优化的是「LLM 直接答出来的那一句」。当用户不再点蓝色链接、只读 AI 总结时，AEO 决定品牌是否进入决策。

相关： GEO Score · Citation Rate · Long Tail

定义：AEO 领域已被验证「无效 / 有害」的做法。例如：过度技术化的 schema 堆砌、AI 内容工厂、关键词填充、刷虚假引用。

为什么重要：Ethan Smith（Graphite.io 创始人）多次撰文：80% 的 AEO 预算应该花在内容质量与分发，只 20% 在技术。

出处：Ethan Smith / Graphite.io

相关： 80/20 Budget

定义：对一个 source（域名 / 账号 / 实体）在特定 topic 下被 LLM 信任程度的综合打分。融合 Wikidata 锚定、外链质量、引用频次、时效性。

为什么重要：排名只看「这个词在第几名」，权威分看「这个站说啥 LLM 都信」。A-tier 客户应监控自己 domain 的 Authority Score 走势。

相关： TAI · Anchor Entity

定义：在知识图谱（Wikidata）中拥有唯一 QID 的实体。品牌、产品、人物拥有 QID 是被 LLM「认得」的前提。

为什么重要：Mike King（iPullRank）的 entity-first SEO 核心：没有 Wikidata 条目的品牌，对 LLM 而言「不存在」。

出处：Mike King / iPullRank

相关： QID · Wikidata · Knowledge Graph

定义：在经典 AARRR（Acquisition / Activation / Retention / Revenue / Referral）海盗指标基础上，在末端追加 G（Generative-Echo · AI 回响）作为第 6 阶。衡量「用户被 AI 引用后回流到品牌」的闭环。

为什么重要：传统 AARRR 只看人类用户路径，GEO 时代必须把「LLM 引用 → 用户点回品牌 → 二次复访」这一段加进漏斗。每阶可单独定一个 GEO 指标（Citation Rate / Bot Affinity / CDI / Mention SoV / Earned Referral / AI-driven LTV），是南瓜 dashboard 给 CMO 看的增长视角。

出处：姚金刚 25 提示词 #20

相关： Citation Rate · Bot Affinity Index · SoV

定义：衡量某 LLM 爬虫（GPTBot / ClaudeBot / PerplexityBot 等）对自有站点的访问频率、深度、回访率。

为什么重要：LLM 不爬你 = LLM 不引你。这个指数是「自有站点是否进入 LLM 训练 / RAG 数据池」的早期信号。

相关： Crawler · ClawBot

定义：智源研究院（BAAI）开源的多语言 embedding 模型，对中文长文本与跨语言检索效果优秀，是中文 RAG 与语义聚类的常用基座。

为什么重要：做中文 prompt 聚类、citation 去重、相似 query 归并时，OpenAI text-embedding 在中文上不如 BGE-M3。

相关： Embedding

定义：在某一组 prompt 集合中，至少提到品牌名一次的 LLM 回答占比。Mention 级别，弱于 Citation。

为什么重要：覆盖率高但 citation rate 低 = 「被点名但没被推荐」，往往是负面或中性提及，需要去看上下文。

相关： Mention Detection · Citation Rate

定义：LLM 在生成答案时，引用某品牌 / 来源作为信息出处。Citation 强于 mention：mention 是「提到名字」，citation 是「拿来当依据」。

为什么重要：LLM 时代的搜索结果是 citation，不是排名。Profound、Otterly、南瓜 GEO 的核心指标都围绕 citation。

相关： Mention Detection · Citation Rate · Source Type

定义：1-100 分，衡量品牌在不同 source type（知乎 / 小红书 / Wikipedia / 新闻 / blog 等）上被引用的均匀度。基于 Shannon 熵归一化。

为什么重要：单点依赖警报。如果 CDI < 50 表示某个 source 占比过大（比如 80% 引用都来自一个知乎账号），单点风险高，那个账号一旦关停品牌力立刻塌方。

对标工具：Profound 没做 · Otterly 没做 · 南瓜独家

相关： Citation Heatmap · Source Type

定义：可视化「在 LLM 答案中本应该是我品牌、却被竞品抢走 citation」的 prompt 列表与抢占程度。

为什么重要：把竞品的 RAG 燃料逆向出来 —— 哪些内容他们写了我们没写，哪些 source 他们投放了我们漏了。直接产出内容选题清单。

对标工具：南瓜独家 · Profound 没做

相关： Citation

定义：横轴时间、纵轴 LLM 平台（DeepSeek / Kimi / 智谱 / 通义 / 豆包 / GPT 等），格子颜色深浅 = citation 频次。

为什么重要：一眼看出「品牌在哪个 LLM 上正被遗忘 / 正在崛起」，用于决定下一周内容投放重点。

相关： Citation Diversity Index · Citation Rate

定义：在某 prompt 集上，至少包含一次品牌 citation 的 LLM 回答占比。GEO 的「北极星指标」。

为什么重要：比覆盖率严格、比排名实在。Profound 的核心指标，南瓜 GEO 的 dashboard 第一行数字。

相关： Citation · Brand Coverage · GEO Score

定义：对一组用户 prompt 做主题聚类后得到的若干语义簇。每簇代表一类用户在 LLM 上真正问的事情。

为什么重要：传统 keyword research 给的是搜索词，conversation topics 给的是「用户问 AI 的口语化问题」，长尾且高意图。

相关： Prompt Corpus · Long Tail

定义：GPTBot / ClaudeBot / PerplexityBot / Google-Extended / ByteSpider 等 user-agent，在站点 robots.txt 中需明确 allow/deny。

为什么重要：robots.txt 屏蔽 = 主动放弃被 LLM 引用。但全开也有风险（内容被白嫖训练），所以要选择性 allow。

相关： Bot Affinity Index · ClawBot

定义：南瓜 GEO 自研模块，监控自有站点上各 LLM 爬虫的访问行为：频次、路径、深度、停留、回访、抓取的 chunk。

为什么重要：传统 GA / Plausible 看的是人类流量，ClawBot 看的是「LLM 在我站上偷了什么知识、用了多少」。这是被引用前的最早信号。

对标工具：南瓜原创

相关： Crawler · Bot Affinity Index

定义：深度求索发布的开源中文大模型系列（V3 / R1 等）。中文知识覆盖、中文 RAG 表现位列国产第一梯队。

为什么重要：中文用户在 LLM 上问问题，DeepSeek + Kimi + 通义 + 豆包 + 智谱占绝大多数流量。AEO 必测。

相关： Doubao

定义：对同一 prompt 在不同时间、不同 session 下，LLM 给出回答的语义稳定度。漂移大 = 回答不稳定。

为什么重要：做客户汇报时，「这周 citation 增加」要先排除 DRAM 噪声 —— 也许只是 LLM 心情不好，不是真涨。

相关： Fluency Score

定义：字节跳动旗下豆包大模型与 C 端入口。基于火山引擎方舟平台开放 API。

为什么重要：中文移动端用户增长最快的 LLM 之一，与抖音生态打通后是本地生活商家的关键引流来源。

相关： DeepSeek

定义：Google Search Quality 评估四支柱：Experience（亲历）、Expertise（专业）、Authoritativeness（权威）、Trustworthiness（可信）。LLM 沿用该框架做 source 筛选。

为什么重要：Lily Ray（Amsive Digital）反复强调：YMYL 类目（医疗 / 金融 / 法律 / 汽车）E-E-A-T 是强制门槛，过不了 LLM 不引用。

出处：Lily Ray / Amsive

相关： YMYL · Authority Score

定义：通过 Reddit / 知乎 / 小红书 / Quora / 行业论坛等第三方社区获得的「他人帮你说」的内容分发。

为什么重要：LLM 对第三方 voice 的信任度远高于品牌自有 voice。一篇 100 赞的知乎回答 > 自己官网 100 篇 SEO 文。

相关： Owned Distribution · Source Type

定义：把文本（或图像）映射到高维数值向量的表示。语义相近的文本向量距离也近。RAG / 聚类 / 去重的基础。

为什么重要：做 prompt 聚类、citation 相似性归并、内容缺口分析都靠 embedding。中文场景常用 BGE-M3。

相关： BGE-M3 · RAG

定义：以「实体（品牌 / 产品 / 人物 / 地点）」而非「关键词」为优化对象的 SEO 方法论。核心是让 LLM / Google 知识图谱认得你的实体。

为什么重要：Mike King 的 RAG-Web 框架：LLM 把网页当成实体的属性来索引，所以你要先让 LLM 知道「这个实体叫什么、是什么、有哪些属性」。

出处：Mike King / iPullRank

相关： Anchor Entity · Wikidata · QID

定义：AEO 内容必须同时满足的三元组结构：Entity（实体：品牌名 / 数字 + 单位 / 地点 / 时间）+ Relation（关系：实体间的动词链，如「覆盖 / 获得 / 对比」）+ Evidence（证据：Schema.org 结构化标记、EEAT 声誉信号、时间戳）。

为什么重要：三元组在 LLM embedding 中形成图状结构（subject-predicate-object triple），比平铺文本被 RAG retrieval 命中率显著更高。理念是「让 AI 验证你，而不是说服 AI」。南瓜 GEO 的 aeo-generator（FAQ / Hero 改写）prompt 已内置 ERE 检查器与 EREChecklist 输出。

出处：姚金刚 25 提示词 #8

相关： Fact Claim · E-E-A-T · RAG

定义：内容中可被独立验证的客观陈述（数字 / 日期 / 引用 / 出处）。区别于观点与营销话术。

为什么重要：Princeton GEO 论文证明：在内容中加入更多 fact claim（statistics / quotation / citation）可让 LLM citation 上升 30-41%。

出处：Princeton GEO Paper (Aggarwal et al. 2024)

相关： Statistics Score · Quotation Score · GEO Score

定义：LLM 回答的语言流畅 / 自然程度评分。低 fluency 通常意味着 LLM 没搞懂或在拼凑。

为什么重要：fluency 突然下降 = LLM 对该 topic 信心下降 = citation 即将下滑的早期信号。

相关： DRAM

定义：Princeton GEO 论文（Aggarwal et al. 2024 KDD）提出的综合评分体系，加权融合 citation、quotation、statistics、fluency 等多维信号。

为什么重要：论文显示在 rank-5 站点上做 GEO 优化可让 citation 提升 +115%，quotation 提升 +41%（单杠杆最高）。是行业目前最权威的量化基准。

出处：Princeton GEO Paper (Aggarwal et al. 2024 KDD)

相关： Citation Rate · Quotation Score · Statistics Score

定义：LLM 在生成回答时把答案「绑定」到外部可验证 source 的过程。Gemini grounding、Perplexity sources、ChatGPT browsing 都是 grounding 的实现。

为什么重要：grounding 是「为什么 AEO 比 prompt engineering 更重要」的根本：你不优化外部 source，只 prompt 改写救不了。

相关： RAG · Rehydration

定义：普林斯顿 GEO 论文（Aggarwal et al. 2024 KDD §4 Table 1）在 ~10K 真实查询 + 8 种主流回答引擎上实测的 9 种内容改写策略。7 个有效：Quotation +24.7% / Statistics +25.7% / Cite-Sources +24.7%（case 高至 +132%）/ Fluency +22.4% / Authoritative +22.9% / Easy-to-Understand +20.5% / Technical-Terms +21.4%。2 个失效：Keyword-Stuffing +1%~-10% / Unique-Words +1%。

为什么重要：南瓜 GEO 的 aeo-generator 把这 9 种方法编码为 GEO_METHOD_INSTRUCTIONS 与 GEOMethod 类型，按行业（餐饮 / 法律 / SaaS / 科普）自动路由到不同的 prompt 组合。论文实测最优单组合 = Fluency + Statistics +35.8%，默认叠加 Quotation 形成南瓜 DEFAULT_GEO_METHODS。

出处：Aggarwal et al. 2024 KDD §4 Table 1

相关： GEO Score · Quotation Score · Statistics Score · PAWC

定义：LLM 一本正经地编造不存在的事实 / 数字 / 引用 / 法规。

为什么重要：幻觉伤害品牌：LLM 把竞品功能说成你的、把过期信息当现行政策、把虚构案例栽到你头上。需要主动监测并对应处置。

相关： Hallucination Sentinel

定义：南瓜 GEO 自研模块，扫描多 LLM 对品牌的回答，自动标记「与品牌官方事实不一致」的陈述，输出工单。

为什么重要：Profound、Otterly 不做这件事。本地生活和医美 / 4S / 法务客户对幻觉极度敏感，是付费意愿强信号。

对标工具：南瓜独家

相关： Hallucination

定义：南瓜 GEO 自研 AI 销售 / 客服 agent，把 GEO 监测数据 + AutoMedia 分发能力 + 客户 CRM 联通，自动跟进商机。

为什么重要：把「监测出问题」到「下一步动作」的闭环跑出来。竞品给报告，南瓜给执行。

对标工具：南瓜原创

相关： ClawBot

定义：把 feature × integration × use-case 做笛卡尔积，自动产出几百到几千篇高质量 helpcenter 内容的方法。

为什么重要：Ethan Smith 总结：B2B SaaS 80% 的 LLM 长尾流量来自 helpcenter，因为 LLM 喜欢结构化、能回答具体问题的内容。

出处：Ethan Smith / Graphite.io

相关： Long Tail · Earned Distribution

定义：事件驱动的 serverless 异步任务编排平台，支持步骤化、可重试、可观测的后台 job。

为什么重要：GEO 监测涉及大量长任务（多 LLM 探针 / 爬虫 / embedding / 评分），Vercel serverless 单次超时太短，Inngest 是常用的工业方案。

定义：对一个 prompt 的「商业 / 决策 / 调研 / 闲聊」意图打分。高 intent prompt 直接关联成单。

为什么重要：不是所有 citation 都值钱。intent score 高的 prompt 上拿到 citation，是真正能带客户的「有效 citation」。

相关： Conversation Topics

定义：评估一段内容「是否值得被 LLM 收录与引用」的三因子复合模型：1) 信息熵（Information Entropy）—— 内容携带的不确定性消除量；2) 信号强度（Signal Strength）—— 数字 / 对比 / 排名等可验证信号的密度；3) 结构信息增益（Structural Gain）—— Schema.org / FAQ / 小标题等结构化标记带来的可索引性增量。

为什么重要：南瓜 GEO 的 aeo-generator prompt 把 IVF 列为「基础原则」之一，要求每条 FAQ / Hero 改写至少满足 1 个具体数据点 + 1 个对比表述 + 1 个结构化锚点。是「内容能不能被 LLM 选中」的源头评估器。

出处：姚金刚 25 提示词 #1

相关： Fact Claim · Statistics Score · ERE Triple

定义：月之暗面（Moonshot AI）发布的中文长上下文大模型。

为什么重要：中文移动端日活前列，长文档场景（合同 / 政策 / 研报）的首选 LLM 之一，AEO 必测。

定义：实体 - 关系 - 实体 三元组组成的结构化知识网络。Wikidata、Google Knowledge Graph 是代表。

为什么重要：LLM 的「事实记忆」骨架是知识图谱。你的品牌不在图谱里 = LLM 没法把你绑到任何 topic 上。

相关： Wikidata · Anchor Entity · Entity SEO

定义：针对 LLM 阅读优化的结构化知识页（fact-dense、可被 RAG 切块、含 schema 标注）。

为什么重要：南瓜 GEO 设计中曾包含 LLM Wiki 模块，目前对外发布暂缓，其他 GEO 模块照常推进。

相关： RAG · Fact Claim

定义：传统 SEO 时代的语义相关词扩展技术。在 AEO 时代意义弱化（LLM 自己做语义），但仍是关键词规划的入门工具。

为什么重要：老 SEO 团队过渡到 AEO 时常误用 LSI 当 KPI，需说明「LLM 已不靠 LSI 排序」。

定义：≥ 10 词、口语化、问题型的低搜索量查询。在 LLM 时代占比反向上升。

为什么重要：估算 60% 以上的 LLM 查询是长尾，正是因为用户对 AI 用自然语言提问，而不是搜索框关键词。

相关： Conversation Topics · Helpcenter Engine

定义：在 LLM 回答中识别品牌名（含变体、缩写、错拼）的算法层。是 citation 抽取的前置步骤。

为什么重要：中文品牌名常与通用词冲突（「南瓜」「美团」），需要消歧；否则误报率高，客户立刻不信。

相关： Citation

定义：对 citation rate、CDI、authority score 等指标做时序一阶差分得到的「正在上升 / 下降」速度评分。

为什么重要：客户汇报里说「+12% 引用率」是绝对值，说「动量为正且过去 4 周持续加速」更有说服力。

定义：品牌官网 / 官方公众号 / 自有 helpcenter 等品牌完全控制的内容渠道。

为什么重要：owned 与 earned 要 1 : 2 配比。全 owned 容易被判「自吹」，全 earned 失去内容主权。

相关： Earned Distribution · Source Type

定义：把 OpenAI / Anthropic / Google / DeepSeek / 月之暗面等多家模型聚合到一个 OpenAI-compatible API 后面的代理层。

为什么重要：做多 LLM 探针时，OpenRouter 可省掉 N 套 SDK，统一计费与限流。

定义：《个人信息保护法》（2021.11 实施）。规定个人数据采集、跨境传输、用户授权、敏感数据处理义务。

为什么重要：做出海客户监测、跨境 prompt 探针、用户日志收集时必须合规。本地生活客户对此尤其敏感。

定义：为某品牌 / 行业精心构造的代表性 prompt 集合，涵盖品牌名、品类、对比、推荐、负面等场景。

为什么重要：prompt 选错，监测全错。语料库的覆盖度直接决定监测结论是否可信。Profound 把它叫 Prompt Set。

相关： Conversation Topics · Intent Score

定义：Aggarwal et al. 2024 KDD《GEO: Generative Engine Optimization》—— 系统提出 GEO 评估框架并量化各类杠杆的 citation uplift。

为什么重要：GEO 领域目前最受引用的学术论文，是和客户讲方法论时的科学背书。

出处：Aggarwal et al. 2024 KDD

相关： GEO Score · Fact Claim

定义：普林斯顿 GEO 论文（§2.2.1）提出的可见度统一度量：把品牌 / source 在 LLM 回答中被引用片段的字数，按出现位置（越靠前权重越高）加权求和。等价于「在 AI 回答里我占了几行、占在哪一行」的可比基线。

为什么重要：传统 citation count 只统计「是否引用」，PAWC 进一步区分「引用篇幅 + 引用位置」。论文 9 种 GEO 方法的 uplift 百分比（+24.7% / +25.7% 等）都是基于 PAWC 计算的。南瓜 GEO 的 Subjective Impression 雷达图与 visibility 指标体系直接对齐 PAWC 定义。

出处：Aggarwal et al. 2024 KDD §2.2.1

相关： GEO Score · Citation Rate · 9 GEO Methods

定义：美国头部 GEO 监测 SaaS，主打多 LLM 引用监测、prompt set、品牌可见度报表。

为什么重要：南瓜 GEO 在中文 LLM 覆盖、citation heist、hallucination sentinel、CDI 上做了 Profound 没做的差异化。

定义：内容中带有名人引述 / 行业专家原话 / 用户证言等「直接引文」的密度评分。Princeton GEO 论文中 citation uplift 最高的单杠杆。

为什么重要：想让 LLM 引用你？最有效的不是写得花，是让你的内容里有别人值得被引用的金句。

出处：Princeton GEO Paper

相关： GEO Score · Fact Claim

定义：Wikidata 中每个实体的唯一标识符，以「Q」开头（如美团是 Q15897927）。

为什么重要：拿到 QID 才进入了 LLM 的官方知识体系。没有 QID 等于 LLM 眼中的「无名氏」。

相关： Wikidata · Anchor Entity

定义：LLM 在回答前先检索外部知识库 / 网页，把检索结果作为 context 拼到 prompt 里再生成回答。Perplexity / ChatGPT browsing / Gemini grounding 都是 RAG。

为什么重要：AEO 的根本物理基础。你的内容必须能被「检索得到、切得动 chunk、被 LLM 选中」三步全过，才会被引用。

相关： Grounding · Embedding · Rehydration

定义：LLM 把检索回的多个 chunk 拼回连贯回答的过程。

为什么重要：不是所有写得好的内容都能被 LLM 拼好。短段落、清晰小标题、明确结论的内容更易被 rehydration 选中。

相关： RAG · Fact Claim

定义：对某类异常信号持续监控并自动告警的子系统。南瓜 GEO 中包含 Hallucination Sentinel、Drift Sentinel 等。

为什么重要：GEO 数据噪声大，没有自动哨兵就只能靠人盯，规模化即崩。

相关： Hallucination Sentinel

定义：在某类 prompt 集合的 LLM 回答中，本品牌被提及 / 引用次数占同类品牌总次数的百分比。

为什么重要：比绝对 citation rate 更有竞争味：客户最关心「我和竞品比谁多」。

相关： Citation Rate · Brand Coverage

定义：对每个 citation 归类的 source 维度，常见 8 类：zhihu / xhs / wikipedia / news / blog / owned / youtube / other。

为什么重要：CDI 的计算基于 source type 分布。没有 source type 标签就没有 diversity 概念。

相关： Citation Diversity Index · Citation Heatmap

定义：内容中具体数字 / 百分比 / 调研结果的密度评分。Princeton GEO 论文中 citation uplift 第二高的单杠杆（Perplexity 上 +37%）。

为什么重要：「我们更好」是观点，「我们 2024 在 12 城测试，平均提升 31%」是事实。LLM 偏爱后者。

出处：Princeton GEO Paper

相关： GEO Score · Fact Claim

定义：南瓜 GEO 把 citation rate / CDI / authority / momentum / hallucination 等分项加权后给客户的 0-100 一行总分。

为什么重要：高管不看明细，只看一个数字。Sumtotal 就是给 CMO 看的「这个月红绿灯」。

相关： GEO Score

定义：AEO 内容上线前必过的四道风控闸：Safety（安全：合规 / YMYL / PIPL 边界）、Attribution（归因：每条声明可追溯到具体 source）、Fraud（防伪：杜绝伪造引用 / 刷虚假 citation）、Ethics（伦理：不诱导 LLM 输出歧视性 / 误导性内容）。

为什么重要：南瓜 GEO 客户多为本地生活 + YMYL（医美 / 4S / 法务）类目，AEO 文案一旦失守就直接触发监管 / 平台下架。SAFE 是 aeo-generator 输出后的最后一道闸，对接 hallucination-sentinel 与 attribution pipeline，让生成内容默认可审计。

出处：姚金刚 25 提示词 #27

相关： Hallucination Sentinel · E-E-A-T · YMYL · PIPL

定义：在某一 topic 子域上品牌的累计权威度。一个全行业 top 5 的品牌，在某具体子 topic 上 TAI 可能很低。

为什么重要：做 niche 子领域时，全站 authority 没用，TAI 才是真信号。

相关： Authority Score

定义：一篇新内容从发布到首次出现在某 LLM 回答中所经历的天数。

为什么重要：南瓜实测：在高 GEO score 内容上，65% 文章 21 天内拿到首次 citation。客户最关心「我投钱多久能见效」，TTFC 就是答案。

相关： GEO Score

定义：Ethan Smith 提出的内容优先级框架：把任务按「焦虑度 × 影响力 × 可执行性」三因子打分，只挑前 5% 最高交集执行。

为什么重要：AEO 团队的最大坑是「什么都想做」。5% Picker 把焦虑变成动作，是南瓜 dashboard 上的 killer feature 之一。

出处：Ethan Smith / Graphite.io

相关： 80/20 Budget

定义：Ethan Smith 的双环图：80% 预算 → 内容质量 + 分发，20% → 技术 schema / robots / sitemap。AEO 时代该比例不变，重点从「关键词密度」转到「fact density」。

为什么重要：管理层一谈 AEO 就想加 schema、加 hreflang，预算被技术吞掉。这条规则是给客户讲清楚的「省钱口诀」。

出处：Ethan Smith / Graphite.io

相关： Anti-Pattern · 5% Picker

定义：Wikipedia 的结构化数据姊妹站，所有实体在此有 QID 和属性三元组。Google / OpenAI / Anthropic 训练数据中的高权重 source。

为什么重要：在 Wikidata 上注册条目 = 拿到进入 LLM 的护照。

相关： QID · Wikipedia · Anchor Entity

定义：全球最大百科。LLM 训练数据中的最高权重 source 之一。

为什么重要：Wikipedia 上有词条且条目稳定的品牌，LLM citation 概率显著高于无词条的同行。

相关： Wikidata · Authority Score

定义：把多个 GEO 操作（采集 prompt → 多 LLM 探针 → citation 抽取 → CDI 计算 → 报告）串成可复用、可调度的流水线。

为什么重要：做一次能复盘，做十次只能靠 workflow。Inngest / Temporal / 自建 cron 都是常见底座。

相关： Inngest

定义：Google / LLM 对涉及金钱、健康、法律、安全等会显著影响用户的内容设的高合规门槛类目。医美、4S、金融、法律均属之。

为什么重要：Lily Ray 多次撰文：YMYL 类目下 E-E-A-T 不达标 → LLM 直接拒绝引用。这是医美 / 4S 客户付费意愿强的根本原因。

出处：Lily Ray / Amsive

相关： E-E-A-T · Authority Score

定义：中文最大问答社区。LLM 中文 RAG 数据池中的关键 source。

为什么重要：中文场景 earned distribution 第一战场。一篇高赞知乎回答可能贡献品牌一半的 LLM citation。

相关： Earned Distribution · Source Type

定义：智谱 AI 发布的 GLM 系列大模型，包含 GLM-4-Flash 等开放 API 版本。

为什么重要：国产 LLM 主力之一，B 端 / 政企客户接入率高，AEO 必测。