本週 AI 搜尋與 GEO 領域迎來了可能是今年最重要的兩項學術發表——分別被 ACL 2026 與 KDD 2026 收錄的兩篇論文，用嚴謹的實證數據挑戰了過去兩年 GEO 的主流操作方式。如果你的團隊仍在沿用 2024 年 Princeton 論文的 GEO 策略（引用來源、添加統計、權威語氣），你可能正在做反向優化。
1. FeatGEO（ACL 2026）：原始 GEO 九大策略全面失效
Liu 等人在 ACL 2026 發表的論文《Think Before Writing: Feature-Level Multi-Objective Optimization for Generative Citation Visibility》發布了一項震撼結果：2024 年 Princeton/IIT Delhi 提出的九項 token 層級 GEO 啟發式策略，在現代生成式引擎上的表現全面劣於未經優化的原始內容。
實驗設定
FeatGEO 團隊在 GEO-Bench 資料集上，使用三種不同生成引擎（GPT-4o-mini、Gemini 2.5 Flash、Qwen-plus）重現並擴展了原始的九項策略：
| 策略 | 原始論文分類 |
|---|---|
| 權威語氣（Authoritative tone） | Top 策略 |
| 統計數據添加（Statistics Addition） | 最高影響 |
| 引用來源（Cite Sources） | 最高影響 |
| 引言添加（Quotation Addition） | 最高影響 |
| 關鍵字填充（Keyword Stuffing） | 無效 |
| 簡化語言（Easy-to-Understand） | 有效 |
| 流暢性優化（Fluency Optimization） | 有效 |
| 獨特詞彙（Unique Words） | 有效 |
| 技術術語（Technical Terms） | 有效 |
關鍵結果
| 引擎 | 未優化基線 | 最佳啟發式 GEO | FeatGEO 特徵層優化 |
|---|---|---|---|
| GPT-4o-mini | 13.34% | 10.92–12.21%（更差） | 18.31%（+37%） |
| Gemini 2.5 Flash | 8.89% | 4.62–5.62%（更差） | 15.35%（+73%） |
| Qwen-plus | 5.20% | 2.75–3.72%（更差） | 10.17%（+96%） |
數據非常清楚：在所有三個引擎上，人工套用的 token 層級 GEO 策略不僅沒有提升能見度，反而帶來了顯著下降。 其中 Gemini 2.5 Flash 受影響最大。
為什麼？
論文指出兩個核心機制：
- 過度優化讀起來不自然：當一篇 600 字的文章突然出現 12 個內聯引用，現代 LLM 反而會將其視為「引用堆砌」，選擇不引用它
- 語境飽和效應（Saturation Effect）：對於已經用 LLM 生成的內容追加 token 層級修改，實際上是「畫蛇添足」——額外的修改引入了冗餘，破壞了模型自然偏好的寫作模式
值得注意的是，人工撰寫的網頁仍能從這些策略中獲得小幅提升（+0.99 百分點），但一旦內容已達到一定品質水準，再套用這些策略就會變成傷害。
FeatGEO 的解決方案：特徵層級優化
論文提出的 FeatGEO 框架從 token 層級轉向特徵層級——將網頁抽象為可解釋的結構、內容和語言屬性組合，透過多目標優化（NSGA-II）來搜尋最佳特徵配置，再讓 LLM 據此生成文章。結果顯示：
- LLM 引用行為更受高層次語篇組織與資訊結構影響，而非表面詞彙線索
- FeatGEO 在 GPT-4o-mini 提升 37%，在 Gemini 上幾乎翻倍（+73%），在 Qwen-plus 提升 96%
- 同時保持或改善了內容品質分數
2. SAGEO Arena（KDD 2026）：純正文優化讓文章在檢索階段被淘汰
同週，來自 Yonsei University 等機構的研究團隊在 KDD 2026 發表了 SAGEO Arena——一個包含完整生成式搜尋管線（檢索→重排序→生成）的端到端評估環境。它的核心發現同樣發人深省：
僅對正文進行 GEO 優化，會使文件在檢索階段的能見度下降——被優化的文件反而更容易被淘汰，根本無法進入生成階段。
為何如此？
生成式搜尋引擎的運作流程包含三個階段：
- 檢索（Retrieval）：從大規模語料庫中找出候選文件（通常用 BM25 等關鍵字匹配）
- 重排序（Reranking）：用神經模型對候選文件進行更精確的排序
- 生成（Generation）：LLM 根據篩選後的文件合成回答並決定引用
SAGEO Arena 使用了 17 萬份真實網頁文件（保留完整結構資訊：標題、meta description、heading、JSON-LD schema），在完整的搜尋管線中測試了各種優化策略。
結構資訊 vs 正文純優化
研究發現，優化結構資訊（meta description、標題、schema）對檢索階段的幫助遠大於優化正文：
- 結構資訊優化：檢索命中率提升 22%，平均排名進步 2.72 位
- 正文純優化：檢索表現下降，文件可能直接消失在檢索結果中
團隊解釋：BM25 檢索器本質上依賴詞彙重疊——包含查詢相關關鍵字、實體和數字的 meta description，比經過「流暢優化」但缺乏精確匹配的正文更容易被檢索到。
階段感知優化（Stage-Aware SAGEO）
SAGEO Arena 提出的解決方案是「階段感知優化」——針對檢索、重排序和生成各階段設計不同的優化策略：
- 檢索階段：優化結構資訊（標題、meta description、schema markup）
- 重排序階段：優化正文的語義豐富性與實體對齊
- 生成階段：優化內容的引用友善度（可摘錄性、事實完整性）
階段感知 SAGEO 在所有評測策略中取得了最強的整體能見度提升。
3. 兩篇論文對 GEO 從業者的綜合啟示
舊策略正在失效——停止機械式套用
「添加統計數據、引用權威來源、採用權威語氣」已經不再是可靠的 GEO 策略。 至少對於已達一定品質的內容，這些手法反而可能造成傷害。
GEO 不等於正文改寫
兩篇論文從不同角度指向同一個結論：GEO 是一個多層次的系統性問題，不能簡化為對正文的策略性改寫。結構資訊、Schema、頁面架構與檢索友善度，與正文的引用友善度同等重要。
回頭檢查你的結構資訊
如果你正在為香港客戶執行 GEO 專案，SAGEO Arena 的研究提醒你：
- meta description 是否包含關鍵實體和數字？（而不只是概括性描述）
- JSON-LD Schema 是否完整？（Article、Organization、LocalBusiness、FAQPage）
- 標題是否包含查詢意圖相關的關鍵術語？
- Heading 結構是否清晰且富含實體？
內容品質優先於優化技巧
FeatGEO 論文的語境飽和效應告訴我們：當內容本身已經不錯時，再多的人工優化只會破壞自然感。 重點不是如何「添加」，而是如何「組織」——用清晰的論證結構、充分的語義深度和合乎邏輯的資訊層次來建立真正有價值的內容。
4. 其他值得關注的更新
- GEO 垃圾訊息開始針對 AI Agent：一名開發者報告其 AI Agent 訊息板在 30 秒內遭 6 則 GEO 驅動的垃圾貼文攻擊（dev.to）。這些貼文的目標不是人類點擊，而是 LLM 引用——預填格式化的引用數據，讓 AI 模型直接複述而不驗證。這是「黑帽 GEO」從理論走向實踐的早期信號
- GEO Defender（arXiv）：中科院與中關村實驗室發表 GEO Defender，一種防禦惡意 GEO 改寫的框架，將攻擊成功率從 50.32% 降至 6.20%，同時保留 94.12% 的正常證據使用——GEO 安全已成為學術界關注的新方向
- 香港 AI 生態持續擴張：香港人工智能研發中心（AIRDI）預計 2026 下半年投入運作，專注 AI 技術與關鍵產業融合；政府成立「AI+ 與產業發展策略委員會」，優先推動生命健康與具身智能（Embodied AI）領域
本日 GEO 行動建議
- 停止機械式套用「引用來源 + 統計數據」策略——FeatGEO 論文證實這對已優化的內容有害。改為審視你的內容是否具備真正有深度的論證結構與資訊架構
- 優先優化結構資訊——標題、meta description、JSON-LD Schema 對檢索階段的能見度影響遠大於正文改寫。從檢查 robots.txt 與結構化資料開始
- 導入階段感知的 GEO 思維——不要把所有優化資源都投入正文。分別針對「被檢索到」「被選中」「被引用」三個目標設計策略
- 關注 GEO 安全——黑帽 GEO 已開始出現，確保你的品牌不會被惡意改寫或垃圾引用污染
參考來源：Liu et al., ACL 2026 — FeatGEO; Yonsei University et al., KDD 2026 — SAGEO Arena; dev.to; arXiv 2609.02964; Legislative Council Policy Pulse Aug 2026; Hong Kong Digital Policy Office.