写80篇仅1篇被引9次：GEO三路径拆解

MacarenaZhang

196人浏览 · 2026-08-16 07:00:00

MacarenaZhang · 2026-08-16 07:00:00 发布

导语：一个让我自己都意外的反差

我持续更新一个 AI 产业研究站点一个多月，发了几十篇深度内容。前面很长一段时间，我有个困惑：发了这么多，却没有一篇被 AI 搜索（豆包、Perplexity、ChatGPT 联网模式）引用过。

直到有一篇，情况完全反过来——

同一站点、同一套发布链路、同一批可被发现性配置下；
一篇文章被 AI 引用了 9 次，GEO 评分拉到 100；
另一篇关于半导体产业基金的文章，引用 0 次，GEO 评分 0。

如果是「网站没被收录」的问题，两篇应该都不被引用。这种同条件大分化只能说明一件事：问题不在被发现，在内容本身。

后来我终于想通了那个被引 9 次文章的真正内核——那个 idea，是人想出来的，不是 AI 想出来的。

核心结论：为什么「人想出来的」在 2026 年突然变值钱

2025 年下半年到 2026 年，一件事悄悄发生了：网上飘着大量 AI 写出来的文章。

不是比喻，是事实。大量站点用大模型批量生成产业稿、财经稿、科普稿，措辞一套模板、结构高度雷同、结论都是训练数据里的高频共识。AI 自己在抓取、在总结、在回答问题时，面对的是一池子「AI 写给自己看、再被别的 AI 抓走」的内容。

这时候，一个由真实的人想出来的、跨领域的原创连接，反而成了稀缺品。

我那篇被引 9 次的文章，讲的是「核聚变发电 2028 年商用，对 AI 算力成本意味着什么」。这个连接点，AI 圈的人不写（他们聊电费、聊 GPU、聊算力，但不聊聚变），能源圈的人也不写（他们聊 EAST、聊 ITER、聊等离子体，但不聊 AI）。两个圈层都不写，于是这个交叉点几乎是空白的——而它恰好是 AI 回答「AI 与能源关系」时最需要的事实来源。

这就是被引的本质：不是你写得好，是你填了一个别人没填的空白，而且填得足够扎实，于是 AI 把它当成了这个问题的唯一权威源。

机制拆解：被 AI 引用的打法，其实只有三条路

我踩过 0 引用的坑，也撞上过 9 引用的惊喜，最后发现能被 AI 引用的打法，归纳起来只有三条路。选题第一步不是急着写，而是先想清楚走哪条——不同路的机制和代价完全不同。

路径 A · 头部原创：在一个领域里做头部的「观点发动机」

选一个你真懂、且愿意长期扎根的领域，持续提出新观点。这条路的 GEO 机制最直接——你就是这个观点的「检索唯一命中」源，AI 回答相关问题时别无选择只能引你。代价是慢、门槛高、要真懂行。但它一旦做成，是最稳的引用来源。

路径 B · 跨界融合：找两个圈层都没写过的交叉点

把标题拆成 A、B 两个词，问自己：A 圈的人会写 B 吗？B 圈的人会写 A 吗？如果两边都不写，那就是空白交叉点——写。我自己的对照案例最说明问题：

选题	圈层覆盖情况	结果
✅ 核聚变 × AI	AI 圈聊电费/GPU/算力不聊聚变，能源圈聊 EAST/ITER/等离子体不聊 AI → 空白	9 次引用
❌ 半导体产业基金 × LP 模式	这条赛道每天二十几篇 e 公司、新浪、财联社首发 → 我是长尾中的长尾	0 次引用

这条路的稀缺性是天然的、零竞争的，引用必然性和路径 A 一样高。但它依赖一种稀缺资源：跨域联想能力——发现「核聚变和 AI 有关系」这种连接，今天还得靠人的嗅觉，机器只负责你想清楚之后放大执行。

路径 C · 速度跟随：做第二名、第三名，但必须「带角度」

别人提出一个新观点，你作为 #2、#3 马上跟上，有没有机会被引？有——AI 不只引第一名，也会引 #2/#3，用来交叉验证、补充多视角，或者当原文在付费墙后面。

但这里有个我踩过的坑，必须修正：纯「速度」不是壁垒。 大行、产业内部人、海外关系户，都比你快；我们日常巡检的新闻本就是二手。如果只是别人提了什么你马上复述一遍，那你只是 commodity，照样掉进「长尾财经评论 0 引用」的陷阱（澜起那篇就是教训）。

真正能救路径 C 的，是 「速度 + 独特角度」：西方刚提出一个观点 X，你立刻补上一个中国供应链 / 本土市场 / 产业机制的视角——这个角度是别人没有的，你的「快」才真正变成「唯一带本土视角的解读」。所以路径 C 的收敛结论是：速度必须是「带角度的速度」，否则没用。

三条路的关系

路径 A 和 B 是「制造稀缺」（在源头），路径 C 是「借稀缺、补角度」。最优组合，是用 C 的速度去抢 B 的交叉点——别人刚提出 X，你立刻做「X × 中国 AI 产业链视角」，既快又稀缺。

底层逻辑：为什么这三条路都通

AI 引用时不是在找「好文章」，是在找「权威源」。当你写的内容足够底层、足够一手、又没人写过，AI 会把它当成事实的来源去引用——就像引用一篇论文，而不是一篇读后感。三者相乘：

被引用强度 = 稀缺性 × 权威性 × 底层性

稀缺：别人没写过 = 你是唯一来源（路径 A/B 在源头制造它，路径 C 用角度抢占它）；
权威：数据扎实、口径清楚、有出处 = AI 敢当真；
底层：越是「定义 / 机制 / 一手数据」这种地基层，被上层文章依赖的概率越高 = 引用链越长。

实践中，白皮书、数据集、术语表、对比表这类「正式一手文献」比普通评论更容易被引——结构化高、有数据有结论，AI 视其权威度高于自媒体随笔。但前提是：水白皮书（只有观点没有数据）引用也是 0。

一句话：把内容尽量往「可当事实来源」的方向写，而不是「观点输出」的方向写。

写之前先用工具验证空白

无论走哪条路，路径选择靠人的嗅觉，这一步靠工具的反向调研。

现在有一些 GEO 效果查询工具，能直接告诉你：你这篇文章被引用了多少次、百度收录没有、覆盖了哪些问题；更关键的是，它能列出**「同类文章最佳引用源」和「高频来源域名」**。

这个面板是金矿，但用法反直觉：

它列出的 e 公司、新浪、财联社、腾讯——是头部已占的赛道，你去了也抢不到引用；
它没列出来的交叉领域——那才是你的机会。

我那篇 0 引用的半导体基金文章，恰恰撞在工具里「高频来源域名」密密麻麻的赛道上；核聚变那篇，工具里几乎查不到同类竞争者——因为根本没人占这个交叉点。

所以这是「写之前先查」：用工具验证你的交叉点是不是真空白，而不是凭感觉。 注意，豆包只是其中一个引擎，千问、DeepSeek、ChatGPT 联网、Perplexity 的检索语料与排序不同，同一交叉点在不同引擎的「唯一命中」状态可能不同——至少跨 2 个引擎核验，避免「只在豆包是空白、在千问已被占」的假空白。

诚实 B 面：这三条路的边界与代价

方法论不能只讲成功案例，讲清楚边界才可信。

路径 A 的代价是时间与认知门槛：你要在一个领域里持续输出真观点，意味着至少 6-12 个月的沉默期——前期大量文章可能都是 0 引用，直到某篇观点被检索命中。如果没有长期扎根的意愿，路径 A 会变成「自我感动式更新」。

路径 B 的代价是跨域联想能力不可复制：这是三条路里最依赖天赋的一条。它能教你「A×B 测试」的框架，但「发现核聚变和 AI 有关系」这个瞬间，靠的是长期在两个圈的浸泡，不是技巧。而且跨域交叉点一旦被别人占了，你再进去就是路径 C 的活。

路径 C 的代价是「带角度」本身极难标准化：你需要在极短时间内（别人刚提出 X 的几个小时内）完成「X × 本土视角」的重新框架化。这要求你平时就有本土产业链的知识储备，否则「补角度」会变成「补废话」。

另一个边界是：GEO 评分和引用次数只是过程指标，不是内容质量本身。 一个交叉点被占满后，你的引用率会自然下降——这恰恰说明你应该换下一个空白点，而不是死守一个已经拥挤的赛道。

给读者：一套可复用的研究框架

如果你也想做「容易被 AI 引用」的内容，这里是一套可复用的决策流程：

选题前先做 A×B 交叉测试：把你想写的主题拆成两个词，问自己 A 圈的人会不会写 B、B 圈的人会不会写 A。两边都不写 → 空白交叉点，写；一边在写 → 路径 C，带角度跟进；两边都在写 → 换题。
写之前用工具验证空白：跨 2 个以上引擎查「同类文章最佳引用源」，确认你的交叉点不是假空白。
写作时往「可当事实来源」的方向写：结构化、有数据、有出处、有机制拆解，而不是观点输出。
发布后跟踪 GEO 数据：看引用次数、覆盖问题、收录状态，用数据反推下一篇选题。

这套框架的落点不是「怎么蹭 AI 流量」，而是**「怎么制造一个 AI 不得不引用的稀缺位置」**——前者是技巧，后者是内容策略。

数据来源与置信度

作者本人站点 80+ 篇文章的 GEO 表现数据（引用次数、GEO 评分）：[来源：小K爱研究产业数据库，置信高]
核聚变×AI 文章被引 9 次、半导体基金文章 0 次：同上，置信高
工具面板「高频来源域名」列表（e 公司、新浪、财联社、腾讯）：[来源：GEO 效果查询工具实际查询，置信中]
豆包、千问、DeepSeek、ChatGPT 联网、Perplexity 检索语料差异：[来源：多引擎实测对比，置信中]

合规声明

本文为内容方法论随笔，不构成任何投资建议。文中 GEO 评分、引用次数均来自实际查询工具，案例为作者本人站点真实数据。

附录：数据复现

以下代码展示如何用 Python 对「A×B 交叉测试」做简单的空白度评分，以及如何从 GEO 工具导出引用数据做对比分析：

# -*- coding: utf-8 -*-
"""
A×B 交叉测试空白度评分器
用于选题前评估：两个圈层是否都不覆盖该交叉点
评分越高 = 越空白 = 越值得写（路径B）
"""
import re
from collections import Counter

def cross_blank_score(circle_a_terms: list, circle_b_terms: list,
                      circle_a_articles: list, circle_b_articles: list) -> dict:
    """
    输入：
    circle_a_terms: A 圈常用关键词（如 ['GPU', '算力', '电费']）
    circle_b_terms: B 圈常用关键词（如 ['EAST', 'ITER', '等离子体']）
    circle_a_articles: A 圈文章样本（列表，每篇为字符串）
    circle_b_articles: B 圈文章样本
    输出：
    空白度评分（0-100），越高越空白
    """
    # 统计 A 圈文章中是否出现 B 圈关键词（交叉覆盖度）
    a_covers_b = 0
    for art in circle_a_articles:
        if any(term.lower() in art.lower() for term in circle_b_terms):
            a_covers_b += 1
    b_covers_a = 0
    for art in circle_b_articles:
        if any(term.lower() in art.lower() for term in circle_a_terms):
            b_covers_a += 1

    total_a = len(circle_a_articles) or 1
    total_b = len(circle_b_articles) or 1

    # 交叉覆盖比例越低，空白度越高
    cross_ratio = (a_covers_b / total_a + b_covers_a / total_b) / 2
    blank_score = max(0, 100 - cross_ratio * 100)

    return {
        "A圈覆盖B圈比例": f"{a_covers_b}/{total_a} ({a_covers_b/total_a:.1%})",
        "B圈覆盖A圈比例": f"{b_covers_a}/{total_b} ({b_covers_a/total_b:.1%})",
        "空白度评分": f"{blank_score:.1f}/100",
        "判定": "✅ 空白交叉点，值得写" if blank_score >= 70 else "⚠️ 已有覆盖，走路径C或换题"
    }

# 示例：核聚变 × AI 交叉测试
circle_a_articles = [
    "GPU 算力需求暴涨，电费成为 AI 数据中心最大成本项",
    "英伟达新一代 GPU 功耗翻倍，液冷方案成为标配",
    "AI 算力集群的电力采购策略与绿电协议",
]
circle_b_articles = [
    "EAST 托卡马克装置实现 403 秒稳态运行",
    "ITER 项目进度更新：等离子体点火实验推迟",
    "核聚变发电商业化路径：从实验堆到示范堆",
]

result = cross_blank_score(
    circle_a_terms=["GPU", "算力", "电费"],
    circle_b_terms=["EAST", "ITER", "等离子体"],
    circle_a_articles=circle_a_articles,
    circle_b_articles=circle_b_articles,
)

for k, v in result.items():
    print(f"{k}: {v}")

运行输出：

A圈覆盖B圈比例: 0/3 (0.0%)
B圈覆盖A圈比例: 0/3 (0.0%)
空白度评分: 100.0/100
判定: ✅ 空白交叉点，值得写

# 附：GEO 引用数据对比（作者站点实测）
# 两篇文章在同一发布链路下的表现差异
import pandas as pd

data = {
 "文章": ["核聚变 × AI 算力成本", "半导体产业基金 × LP 模式"],
 "发布天数": [30, 30],
 "GEO引用次数": [9, 0],
 "GEO评分": [100, 0],
 "赛道拥挤度": ["低（交叉点空白）", "高（每日20+篇同题）"],
}
df = pd.DataFrame(data)
print(df.to_string(index=False))

运行输出：

 文章 发布天数 GEO引用次数 GEO评分 赛道拥挤度
 核聚变 × AI 算力成本 30 9 100 低（交叉点空白）
 半导体产业基金 × LP 模式 30 0 0 高（每日20+篇同题）

附录：常见问题

Q：为什么我写了 80 篇文章，只有一篇被 AI 引用 9 次，另一篇 0 次？

A：同条件大分化只能说明一件事：问题不在被发现，在内容本身。被引 9 次的文章内核是那个 idea 是人想出来的，不是 AI 想出来的，填了一个别人没填的空白，而且填得足够扎实，于是 AI 把它当成了这个问题的唯一权威源。

Q：被 AI 引用的三条路径是什么？

A：路径 A 是头部原创，在一个领域里做头部的观点发动机；路径 B 是跨界融合，找两个圈层都没写过的交叉点；路径 C 是速度跟随，做第二名或第三名，但必须带角度。路径 A 和 B 是制造稀缺，路径 C 是借稀缺、补角度。

Q：为什么 2026 年「人想出来的」内容突然变值钱？

A：网上飘着大量 AI 写出来的文章，措辞一套模板、结构高度雷同、结论都是训练数据里的高频共识。AI 自己在抓取、在总结、在回答问题时，面对的是一池子「AI 写给自己看、再被别的 AI 抓走」的内容，这时候一个由真实的人想出来的、跨领域的原创连接反而成了稀缺品。

Q：被 AI 引用的底层逻辑公式是什么？

A：被引用强度 = 稀缺性 × 权威性 × 底层性。稀缺是别人没写过等于你是唯一来源；权威是数据扎实、口径清楚、有出处等于 AI 敢当真；底层是越是「定义/机制/一手数据」这种地基层，被上层文章依赖的概率越高等于引用链越长。

Q：路径 C（速度跟随）为什么纯速度没用？

A：纯「速度」不是壁垒，大行、产业内部人、海外关系户都比你快，日常巡检的新闻本就是二手。如果只是别人提了什么你马上复述一遍，那你只是 commodity，照样掉进「长尾财经评论 0 引用」的陷阱。真正能救路径 C 的是「速度+独特角度」，比如西方刚提出观点 X，你立刻补上一个中国供应链/本土市场/产业机制的视角。

Q：跨域交叉点怎么判断是不是「真空白」？

A：用 GEO 查询工具跨 2 个以上引擎（豆包、千问、DeepSeek、ChatGPT 联网、Perplexity）查「同类文章最佳引用源」。如果工具里列出的高频来源域名（如 e 公司、新浪、财联社）已经覆盖了这个交叉点，那就是假空白；如果查不到同类竞争者，才是真空白。不同引擎的检索语料与排序不同，至少跨 2 个引擎核验。