自研GEO系统从0到1：技术架构、踩坑记录与效果实证

一、背景：为什么需要自研GEO系统？

随着DeepSeek、豆包、Kimi等AI大模型成为用户获取信息的新入口，品牌在AI搜索结果中的可见度变得越来越重要。我所在的团队在服务客户的过程中，发现需要一套系统化的工具来帮助企业优化在AI搜索中的表现。由于市面上没有现成的成熟方案，我们决定从零开始自研一套GEO（生成式引擎优化）系统。本文记录这套系统的技术架构、开发过程中遇到的典型问题及解决方案，以及最终的效果数据。

二、整体架构

系统采用前后端分离架构，前端Vue.js + Element UI，后端Python Flask + SQLAlchemy，数据库MySQL，缓存Redis，异步任务Celery + RabbitMQ，部署在云服务器上。整体分为五个微服务：

三、核心模块实现细节

3.1 知识库模块：将非结构化信息转为结构化数据

我们设计了一套实体模型（JSON Schema），例如对于教育客户，师资实体包含：name, originalUnit, position, teachingYears, expertise等属性。数据导入支持Excel批量上传和手动表单录入。结构化数据存入MySQL，同时生成向量表示存入Milvus用于语义检索。前后端通过RESTful API交互，知识库中的数据可以在写作时直接调用。

踩坑与解决：初期知识库与写作工坊数据不通，写文章时仍需手动复制粘贴。后来通过API打通，写作工坊直接读取知识库数据填充到模板，实现了“一次录入，多处使用”。

3.2 智能拓词模块：从种子词到数百个长尾词

输入核心种子词后，系统通过WordNet同义词扩展、Sentence-BERT词向量相似度计算，生成候选长尾词。随后通过规则+朴素贝叶斯分类器将词标记为“了解型”“评估型”“决策型”，人工确认后存入关键词库。

踩坑与解决：早期拓词模块完全依赖算法，生成了大量噪音词（比如从“语文培训”扩展出“语文课本”这类不相关词）。我们加入了人工筛选环节，系统只负责生成候选词，由运营人员打标签确认。虽然增加了人工成本，但关键词质量大幅提升。

3.3 AI写作工坊：平台差异化与AI味控制

针对不同平台，我们预置了差异化的提示词模板：小红书强调口语化、短句、个人体验；知乎强调逻辑结构、数据支撑、可操作建议；技术社区强调底层原理、代码片段、评估指标。调用大模型API生成初稿后，进行人工润色。

踩坑与解决：初期全自动生成的内容“AI味”太重，且本地化细节（地名、学校名、具体事件）无法准确处理。改为“人机协同”模式：系统负责生成初稿和重复性劳动，人工负责本地化细节和语气调整。系统记录每次人工修改的内容，定期优化指令模板参数。

3.4 分发服务：一次配置，多平台发布

分发服务对接了30个主流AI平台（国内22家，海外8家）。通过Celery异步任务队列实现批量定时发布，支持多账号轮询，失败自动重试（最多3次）并记录日志。平台账号信息加密存储，定期刷新token。

踩坑与解决：早期使用简单的requests请求，很快遇到平台反爬机制。改用Selenium模拟浏览器行为，并配置代理IP池和随机User-Agent。同时保留了降级方案：自动抓取失败时标记“需人工监测”，由运营人员手动补录。

3.5 监测服务：自动化排名追踪

监测服务每日凌晨执行，使用Selenium模拟浏览器访问DeepSeek、文心一言、Kimi等平台，搜索预设的关键词，解析DOM获取品牌提及情况和排名位置。数据存入MySQL，前端展示趋势图表，并支持导出PDF周报。

踩坑与解决：各平台的反爬策略不同，且经常更新。我们维护了一个代理IP池，定期更换User-Agent，并对常用平台做了针对性适配。对于无法自动抓取的平台，保留人工降级方案。

四、效果数据

以某个教育客户为例，经过两个月的系统化优化：

• 15个核心长尾词在DeepSeek中的提及率从0%提升至80%
• 品牌在本地核心词搜索结果中进入AI推荐前三
• 线上咨询量增长约60%

所有数据均可通过AI平台手动验证，不存在虚假宣传。

五、总结与建议

自研GEO系统的过程，本质上是对“AI如何评估信息可信度”这一问题的工程化解答。以下经验供同行参考：

1. 工具要从真实痛点出发。每个模块都是在实际项目中遇到问题才开发的，不是先写代码再找场景。
2. 人机协同是当前最佳实践。系统负责重复性劳动，人工负责判断和创造，全自动在现阶段很难保证质量。
3. 效果可量化才能迭代。没有监测模块，优化就永远停留在“凭感觉”的阶段。

本文基于我所在团队—杭州文澜天下科技的实际开发经验整理。希望对同样在探索GEO优化的技术同行有所帮助。