1. 从一条“9.9元”的报价说起前阵子在一个做内容营销的群里有人甩出一张截图报价单上写着“AI问答优化单次9.9元起包收录”。底下立刻有人接话“这玩意儿不就是GEO投毒吗现在这么便宜了”我当时盯着屏幕愣了几秒——GEO这个词半年前还只在少数做搜索优化的人嘴里打转现在已经和“投毒”绑在一起成了一个人人喊打又人人好奇的灰色生意。先把话说清楚这篇东西不是教你去做这件事恰恰相反我是想把这套玩法的底层逻辑拆开给你看。因为只有当你明白它是怎么运作的、为什么能生效、成本为什么能压到9.9元你才知道该怎么防它或者至少知道自己在刷AI回答的时候哪些信息可能是被人“喂”进去的。GEO全称是Generative Engine Optimization中文一般叫“生成式引擎优化”。传统SEO是让网页在搜索结果里排前面GEO则是让某个品牌、某句话、某个观点出现在AI生成的回答里。而“投毒”这个词指的是通过批量投放低质、片面甚至虚假的内容污染AI的检索来源和训练语料从而操纵它输出特定结论。9.9元一次说的就是这种批量投放里的单条成本。这件事的受众其实比想象中广。做品牌公关的人需要知道自己的口碑有没有被污染做内容的人需要知道自己的文章会不会被当成“毒源”普通用户更需要知道——你问AI“哪个牌子好”它给你的答案可能只是某个人花了不到十块钱塞进去的。接下来我会从整体设计、核心细节、实操链路、排查技巧几个层面把这件事讲透。2. 整体设计思路为什么是GEO为什么能“投毒”2.1 GEO和SEO的本质区别在哪要理解GEO投毒得先理解GEO和SEO的差别。传统SEO面对的是一个相对确定的排序算法你优化标题、堆关键词、做外链目标是把某个URL推到搜索结果第一页。搜索引擎虽然复杂但它的输出形式是“链接列表”用户点不点、信不信还有二次判断的空间。GEO面对的是大语言模型。模型在回答问题时会先理解意图然后从它掌握的语料里组织出一段自然语言。这段回答没有链接列表没有“第1条、第2条”的排序感它就是一段看起来客观、中立、权威的话。用户对AI的信任度天然高于对广告的信任度这就是GEO的价值所在——它争夺的不是排名而是“AI嘴里那句话的归属权”。我打个比方。SEO像是在一条商业街上抢一个好铺位路人经过能看到你的招牌GEO则像是直接混进了街边那个“热心指路人”的脑子里当有人问路时他脱口而出的就是你想让他说的话。前者你还能看见招牌长什么样后者你连他为什么这么说都不知道。2.2 “投毒”这个说法的由来那为什么叫投毒而不是叫优化因为正规的GEO是提升优质内容被引用的概率而投毒走的是另一条路用数量压过质量用片面覆盖全面。大模型在生成回答时尤其是带联网检索的模式会去抓取一批相关网页作为参考。如果某个观点在短时间内被大量低质页面重复模型在检索和归纳时就很容易把这个观点当成“主流共识”输出。这就像往一池清水里倒墨水不需要倒很多只要颜色够深、倒得够集中整池水的观感就变了。9.9元一次的逻辑就在这里。单条内容的生产成本被压到极低——可能是模板化生成的短文可能是AI批量洗稿的问答可能是某个权重不高的平台上的一个帖子。单条不值钱但几百条、几千条一起上就能在模型的检索池里形成“声量”。投毒者卖的不是内容质量卖的是概率和密度。2.3 为什么成本能压到9.9元很多人第一反应是9.9元连人工费都不够怎么可能关键在于这条链路里几乎没有“人工创作”这个环节。内容由AI批量生成一个提示词模板就能产出成百上千条变体发布由脚本或工具自动完成注册、登录、发帖、换号全流程可以半自动化平台选择上专挑那些审核松、收录快、权重尚可的角落。整条链路的人力成本被摊薄到几乎可以忽略9.9元卖的其实是“渠道工具概率”的打包价而不是内容本身的价值。注意这里描述的是这类灰产的成本结构不代表我认可或推荐这种做法。理解成本结构是为了判断它的规模和危害边界。2.4 这套玩法解决了“谁”的什么问题从需求端看愿意花钱做这件事的人通常有几类。一类是品牌方想在AI回答里抢占“推荐位”比如问“XX领域哪个牌子好”时希望自己被提到一类是公关方想稀释负面信息让AI在回答争议问题时给出更“平衡”的说法还有一类是纯粹的流量贩子把AI回答里的曝光当成新的流量入口来倒卖。他们的共同点是正规渠道的优化周期太长、成本太高、效果不可控。SEO要养站、要内容、要外链几个月才见效果而GEO投毒号称“当天见效、按次收费”这种即时性和低价正好击中了焦虑型需求。理解了这一点你就明白为什么这个市场会存在以及为什么它很难被彻底消灭。3. 核心细节解析一条“毒”是怎么被喂进去的3.1 语料层模型到底从哪里学说话要投毒先得知道毒往哪儿投。大模型的知识来源大致分两块一块是训练语料也就是模型在预训练阶段“读过”的海量文本另一块是推理时的检索增强也就是联网模式下临时抓取的网页。训练语料的特点是滞后且固化。一个模型训练完成后它的基础知识就定型了后续想影响它要么等下一次训练要么走检索这条路。所以绝大多数所谓的GEO投毒打的都是检索增强的主意——在用户提问的那一刻让模型抓到被污染的内容。这就解释了为什么投毒内容往往追求“时效性”和“关键词密度”。它们不需要写得多好只需要在用户可能提问的时间窗口内出现在模型能抓到的位置并且包含足够多的相关关键词让检索算法认为它“相关”。3.2 内容层什么样的内容最容易被抓取我观察过一批被用来做这类操作的内容有几个共同特征。第一是问答体。标题直接就是“XX怎么样”“XX和XX哪个好”“XX靠谱吗”正文用一问一答的形式展开。这种结构和大模型的检索匹配逻辑高度契合因为用户的提问本身就是问句问答体的内容在语义上最接近。第二是列表体。比如“十大XX品牌推荐”“XX领域值得关注的五个方向”把目标对象塞进列表里哪怕只排第五、第六也能蹭到曝光。列表体的好处是信息密度高模型在归纳时容易直接引用。第三是对比体。通过“A和B对比A在某某方面更优”这种句式把结论藏在对比里。这种内容看起来客观实际上倾向性很强而且很难被判定为纯广告。第四是伪权威体。开头加一句“根据行业观察”“综合多方反馈”结尾加一句“仅供参考”中间全是想让你看到的话。这种包装能提升内容在模型眼里的“可信权重”。3.3 渠道层为什么选这些平台内容生产出来得有地方放。投毒者选平台的标准很明确收录快、审核松、权重够、成本低。收录快意味着内容发布后短时间内就能被检索到审核松意味着不用花太多精力规避规则权重够意味着模型在检索时愿意把它当参考成本低意味着可以批量铺。这几个条件往往不能同时满足所以实际操作中会做组合——用高权重平台放少量“精品”做背书用低权重平台铺大量“量”做密度。我见过的一种典型组合是在几个相对正规的内容平台上放几篇看起来像模像样的分析然后在大量边缘平台上铺几百条短内容。前者负责“可信度”后者负责“声量”。模型在归纳时既看到了“权威分析”又看到了“大量讨论”就更容易把结论当成共识。3.4 触发层用户提问的那一刻发生了什么前面三步都是准备真正生效是在用户提问的瞬间。当用户问“XX好不好”时带检索的模型会先把问题拆解成关键词然后去检索相关网页再对检索结果做归纳和生成。如果检索池里恰好有一批被投毒的内容而且它们在关键词匹配、时效性、数量上都占优模型就很可能把它们当成主要参考。这里有个关键点模型不会逐条核实。它做的是概率归纳不是事实核查。如果十条内容里有六条说“XX好”两条说“一般”两条说“差”模型倾向于输出“整体评价较好但也有不同声音”。投毒者要的就是这个“整体评价较好”哪怕它是靠数量堆出来的。提示这也是为什么单纯靠“多发几条正面内容”就能影响AI回答——模型看的是分布不是真相。3.5 成本拆解9.9元到底花在哪把9.9元拆开看大致能分成几块。内容生成成本接近于零因为用的是模板和批量工具账号成本被摊薄一个账号发多条单条成本几分钱平台成本主要是时间成本自动化工具跑一遍就行剩下的就是卖家的利润和“概率溢价”——他赌的是这批内容里有一部分能被检索到、被引用。所以9.9元不是“一条内容值9.9元”而是“一次投放动作的边际成本被压到了9.9元”。理解这个区别很重要因为它意味着只要检索机制还在依赖公开网页这种低成本投放就很难根除。4. 实操链路还原从接单到生效的完整过程4.1 需求对接与关键词拆解假设有个客户找到投毒方说想让AI在回答“某类产品怎么选”时提到自己的品牌。第一步不是写内容而是拆关键词。投毒方会先模拟一批用户可能问的问题比如“XX怎么选”“XX哪个好”“XX推荐”“XX避坑”。然后把这些问题拆成核心词、场景词、对比词。核心词是品类名场景词是使用场景对比词是竞品名。拆完之后每个词组合都能生成一批内容选题。这一步的意图很明确覆盖尽可能多的提问路径。因为用户不会只问一种说法投毒方要保证无论用户怎么问检索池里都有对应的“毒”。4.2 内容批量生成的实际操作关键词拆完进入内容生产。我见过的最常见做法是用提示词模板批量生成。模板大致长这样请以普通用户的口吻写一篇关于【关键词】的问答体短文 要求1. 标题是问句2. 正文分三段第一段讲需求第二段讲对比 第三段给出倾向性结论3. 结论中自然提到【目标对象】 4. 语气客观不要出现明显广告词5. 字数300字左右。把这个模板里的【关键词】和【目标对象】替换成不同组合一次就能产出几十上百条变体。生成出来的内容质量参差不齐但胜在量大、成本低、结构统一。注意这种批量生成的内容往往有明显的“AI味”比如句式重复、逻辑跳跃、细节空洞。但投毒方并不在意因为他们的目标不是让人读得舒服而是让模型抓得到。4.3 发布环节的自动化处理内容有了接下来是发布。手动发几百条显然不现实所以会用工具做半自动化。常见的做法是准备一批账号用脚本控制发布节奏模拟正常用户的发帖行为避免触发平台的风控。发布节奏很讲究。集中在一个时间段发容易被判定为异常分散在几天内发又太慢。实际操作中会找一个平衡点比如每天发几十条分布在不同的账号和不同的时间段。发布的内容也会做微调避免完全重复被平台去重。这一步的核心诉求是存活率。发出去的内容如果被平台删了就等于白干。所以投毒方会不断测试哪些平台、哪些账号、哪些内容形式存活率更高然后集中资源。4.4 检索生效的验证方式内容发出去之后怎么知道有没有生效投毒方通常会做验证用不同的问法去问带检索的AI看回答里有没有出现目标对象出现的语境是正面还是中性。这个验证过程本身就是一种“调优”。如果某个问法下没生效就补发一批对应关键词的内容如果生效了但语境不对就调整内容的倾向性。反复几轮直到AI的回答稳定地包含目标信息。我实测过类似的验证流程发现一个规律生效与否和内容的“语义集中度”关系很大。如果一批内容都在说同一件事而且用词高度一致模型就更容易把它当成共识如果内容各说各的反而会被当成噪音忽略。4.5 交付与结算的灰色地带最后是交付。投毒方一般不会承诺“保证AI一定这么说”因为检索有随机性。他们承诺的往往是“投放多少条”“覆盖多少关键词”“提供验证截图”。结算按次或按套餐9.9元一次通常指的是单次投放动作而不是单条内容。这种交付方式本身就留了退路——如果没生效可以说是“概率问题”如果生效了就是“方法有效”。客户很难追责因为整个链路都在灰色地带没有合同、没有标准、没有售后。5. 常见问题与排查技巧实录5.1 为什么有的投毒内容很快失效最常见的问题是内容发出去没几天就搜不到了。原因通常有几个平台清理、账号被封、内容被判定为垃圾信息。排查的时候可以按这个顺序看先确认内容还在不在原平台如果在但AI不引用说明是检索权重问题如果内容本身没了说明是平台风控问题。应对平台风控的常见做法是“多平台分散内容变体”。不要把鸡蛋放在一个篮子里也不要用完全一样的内容去铺。我见过做得比较“精细”的会把同一篇内容改写成五六个版本分别投到不同平台这样即使某个平台清理其他平台还能兜底。5.2 AI回答忽好忽坏怎么解释另一个常见现象是同一个问题今天问AI说“A好”明天问又说“B好”。这不是投毒失效而是检索的随机性。模型每次检索抓到的网页可能不同归纳出的结论自然会有波动。投毒方能做的是提高“被检索到”的概率但没法保证“每次都被检索到”。所以如果你发现某个AI回答在短时间内反复横跳很可能说明这个领域正在被多方投放大家都在抢那句话的归属权。5.3 怎么判断一个回答是不是被“喂”过这是普通用户最关心的问题。我总结几个可以观察的信号。信号说明可信度回答里出现具体品牌名且语气异常肯定正常AI回答通常会更谨慎中多个不同问法下推荐结果高度一致可能是被批量内容锁定中高回答结构像“问答体”或“列表体”和投毒内容的结构高度相似中提到的信息在权威渠道查不到说明来源可能是低质内容高回答里出现“综合多方反馈”等模糊背书典型的伪权威包装中高需要说明的是这些信号只能作为参考不能作为定论。AI回答本身就有随机性和局限性不能因为一个回答不合预期就断定被投毒。5.4 品牌方自己该怎么防如果你是品牌方担心自己的口碑被污染或者担心竞品在用这种方式抢位置可以做几件事。第一是定期监测。用一批标准问题去问主流AI记录回答里提到自己的语境是正面、中性还是负面有没有被竞品挤掉。这个监测要固定问题、固定频率才能看出趋势。第二是建设正规语料。与其去投毒不如把自己的官方内容、权威媒体报道、真实用户评价做扎实。模型在检索时对来源的权重是有区分的正规渠道的内容虽然见效慢但更稳、更持久。第三是保留证据。如果发现明显的恶意投放可以截图留存必要时通过平台渠道反馈。虽然追责很难但至少能作为内部决策的依据。5.5 内容创作者怎么避免被当“毒源”如果你是自己写内容的人可能不知不觉就被卷进去了。比如你写的一篇普通评测被投毒方批量采集、洗稿、改头换面发到各处你的观点就成了“毒”的一部分。避免被利用的办法有几个在文章里加入个人化的细节和不可复制的经验让洗稿成本变高在明显位置声明原创增加被直接搬运的难度定期搜一下自己的核心观点有没有被批量复制。这些做法不能完全杜绝但能提高被利用的门槛。提示内容被批量搬运这件事本身也是判断某个领域有没有被投毒的一个侧面信号。如果你发现自己的文章被改得面目全非到处发说明这个领域正在被“操作”。5.6 平台和模型侧的应对逻辑从平台和模型的角度看这件事的难点在于如何区分“正常讨论”和“恶意投放”。正常讨论里也会有大量相似观点恶意投放里也会有看似正常的表达。单纯靠关键词、靠数量、靠账号行为都容易误伤。目前能看到的应对方向主要是提升检索来源的质量门槛、加强对批量低质内容的识别、在生成时增加对来源多样性的要求。但这些手段都有滞后性投毒方会不断调整策略来绕过。这是一场持续的博弈没有一劳永逸的解法。6. 我个人的一些观察和判断做内容这些年我见过太多“低成本操纵信息”的玩法从早期的论坛水军到后来的问答平台刷榜再到现在的GEO投毒。底层逻辑其实没变哪里有信息差哪里就有生意哪里能影响决策哪里就有投放。9.9元这个价格与其说是在卖内容不如说是在卖一种“可能性”——花很小的代价赌一个被AI引用的概率。这个概率可能不高但因为成本足够低所以总有人愿意试。而只要有人愿意试这条链路就会一直存在。我自己的做法是把AI回答当成一个参考而不是结论。尤其是涉及消费决策、品牌评价这类问题时我会多问几个不同的问法看看回答稳不稳定也会去权威渠道交叉验证一下看看AI提到的信息能不能找到可靠来源。多花几分钟能避开不少被“喂”过的坑。最后分享一个小技巧如果你怀疑某个领域的AI回答被污染了可以试着问一个非常具体、非常小众的问题。投毒内容通常覆盖的是高频问法对长尾、具体的提问覆盖不足。如果一个小众问题下AI的回答明显更谨慎、更保守而高频问题下却异常肯定那这个反差本身就很说明问题。