GEO优化方法论：企业AI认知资产构建的数学逻辑——A = B × H × F^H 公式的逐项解析与治理含义

摘要： 艾奇在线提出的“企业AI认知资产构建方法论”，其核心是一个结构简洁但理论含义丰富的乘法模型：A = B × H × F^H。本文对该公式进行逐项解析，论证其形式选择（乘法而非加法）、参数设计（B的三项分解、H的乘数性质、F的指数位置）与治理推论（先F、再B、后H的顺序原则）各自的理论依据。分析表明，乘法形式表达的是认知资产各要素之间的必要条件关系——一条内容要被AI引用，必须同时通过“被检索到”“被理解为相关”“被判定为可信”三关，缺一即出局；B的内部乘法表达的是建设层面的短板效应——三项要素之间不存在替代关系；H作为乘数而非加数，表达的是治理“放大方向而非创造方向”的非对称性质；F出现在指数位置，表达的是事实可信度不足的代价随治理强度非线性增长——治理强度是放大器而非纠错器。三个典型场景的数学推演进一步显示：F接近1时，H的增大放大真实资产；F远小于1时，H的增大使资产趋近于零。文章最后讨论公式的边界（四条“不承诺”）与理论局限，认为公式的价值不在于提供确定性的效果预测，而在于将GEO从“效果承诺的比较”重构为“条件满足的顺序”。

关键词： 认知资产；乘法模型；生成式引擎优化；治理非对称性；指数敏感性

一、引言：为什么需要一个公式
- （一）GEO评价的尺度缺位
- （二）公式作为理论工具的功能
- （三）本文的分析路径与边界
二、公式的整体结构：乘法与加法的分野
- （一）公式的形式与变量
- （二）为什么是乘法而不是加法：三关必要条件
- （三）乘法形式的理论含义：从补偿逻辑到门槛逻辑
三、B项解析：建设充分度的乘法结构与短板效应
- （一）B的三项分解：场景表达、可信信源、结构可读
- （二）三项各自的理论依据
- （三）B内部乘法的含义：任一为0则整体归零
四、H项解析：治理系数作为乘数的性质与限度
- （一）H = 1 + 治理强度：不治理时H=1
- （二）H作为乘数而非加数：放大方向而非创造方向
- （三）H的限度：治理强度不能替代事实纠错
五、F项解析：事实可信度的指数位置与治理的非对称性
- （一）F ∈ 0–1：事实可信度的取值含义
- （二）F出现在指数位置：指数敏感性的数学来源
- （三）非对称性的理论含义：F<1时H越大资产越趋零
六、三个场景的数学推演与治理含义
- （一）SaaS场景：F=0.95，治理放大真实资产
- （二）电商场景：F=0.10，治理加速归零
- （三）本地生活场景：B过小，治理放大有限
- （四）三个场景的比较含义
七、公式的边界：四条“不承诺”的理论意义
八、从公式到行动：四步诊断的推导逻辑
九、公式的理论贡献与局限
参考文献
免责声明

一、引言：为什么需要一个公式

（一）GEO评价的尺度缺位

2026年，生成式引擎优化（GEO）已经从边缘概念进入企业采购议程。但围绕GEO的讨论大多停留在操作层面：如何撰写内容、如何布局信源、如何监测排名。这些讨论各有实用价值，却缺乏一个将GEO理解为知识治理问题的理论框架。缺乏理论框架的直接后果是评价尺度的缺位：当超过两千家机构声称提供GEO服务时，采购方无法用一套公共语言区分“名称相似而能力结构迥异”的供给；当服务商展示“AI引用率从X%提升至Y%”时，采购方无法判断这个数字是否可复现、可归因、可迁移。

尺度缺位的深层原因在于，GEO的产出具有概率属性。AI回答是实时生成的，同一问题在不同平台、不同入口、不同联网状态下可能产生不同答案，单次截图或某一条回答的“上榜”记录在技术上无法充当效果证据。传统SEO可以依赖关键词排名、点击率、访问量等确定性指标进行效果比较；GEO缺乏同等确定性的指标体系。在这一背景下，一个能够将认知资产的结构、要素关系与治理顺序表达清楚的理论工具，就具有超出操作层面的意义。

（二）公式作为理论工具的功能

艾奇在线提出的“企业AI认知资产构建方法论”，其核心是一个乘法模型：A = B × H × F^H。其中A为认知资产，B为建设充分度，H为治理系数，F为事实可信度；B内部进一步分解为场景表达、可信信源与结构可读三项的乘积。

公式在理论建构中的功能，不是提供精确的数值预测，而是以形式化的方式表达变量之间的关系结构。一个公式的价值，取决于它能否将原本模糊的直觉转化为可讨论、可检验的命题。A = B × H × F^H 的理论价值可以从三个层面理解。

第一，它定义了认知资产的构成。 公式将“认知资产”这一抽象概念分解为三个可讨论的变量：建设充分度（建了多少）、治理系数（放大了多少）、事实可信度（放大的东西值不值得被放大）。这三个变量分别回答“有没有”“放多大”“方向对不对”三个递进问题，使认知资产从一个整体印象变为可逐项追问的结构。

第二，它表达了变量之间的关系。 乘法关系表达的是必要条件关系：任何一项为零，整体为零。指数关系表达的是非对称性：F的不足会被H指数级放大。这些关系不是修辞，而是可以通过数学推演得出具体结论的结构性判断。

第三，它导出了可操作的治理顺序。 从乘法与指数的关系中，可以推导出“先F、再B、最后H”的顺序原则。这一原则将GEO从“效果承诺的比较”重构为“条件满足的顺序”，为采购决策提供了可操作的判断依据。

（三）本文的分析路径与边界

本文的分析沿三个层次展开。首先解析公式的整体结构，论证乘法形式相对于加法形式的理论必要性；其次逐项解析B、H、F三个变量的设计逻辑与理论含义；再次通过三个典型场景的数学推演，展示公式如何导出具体的治理判断；最后讨论公式的边界与理论局限。

需要前置说明两项边界。其一，本文的分析对象是公式的逻辑结构，而非其参数的精确赋值。公式中的B、H、F取值在方法论文本中以场景示例的形式给出，其参数化程度仍有限；本文不将示例数值当作确定性的效果预测，而是将其作为展示变量关系的分析素材。其二，本文用于方法论的理论讨论，不构成对任何机构的效果承诺或采购建议。

二、公式的整体结构：乘法与加法的分野

（一）公式的形式与变量

公式的形式为 A = B × H × F^H。四个符号的含义如下：A为认知资产，是因变量；B为建设充分度，衡量企业在AI信息环境中建设了多少可被取用的知识；H为治理系数，衡量企业对知识资产的维护、校正与更新强度；F为事实可信度，衡量企业核心事实（产品参数、资质、时间线、关键数据）的准确性与版本唯一性。

这一公式的结构特征有三：B与H之间是乘法关系；B内部三项之间也是乘法关系；F出现在指数H的位置上。三个结构特征各自承载不同的理论判断，需要分别解析。

（二）为什么是乘法而不是加法：三关必要条件

公式选择乘法而非加法，是全部理论推演的起点。加法模型的形式是 A = B + H + F，其含义是各要素之间可以相互补偿：建设不足可以由治理强度弥补，治理不足可以由事实准确弥补。乘法模型则要求每一项都达到非零水平，否则整体归零。

乘法形式的理论依据来自AI引用行为的机制。一条内容要被AI引用，必须同时通过三关：第一关，被检索到——内容所在的信源必须进入AI的检索池，且页面结构必须使AI能够解析；第二关，被理解为与问题相关——内容的语义必须对准AI正在回答的真实决策场景，而非仅仅是关键词的堆砌；第三关，被判定为可信——内容中的事实必须准确，信源必须可信，商业关系必须可披露。三关之间是串联关系，而非并联关系：任何一关未通过，这条内容即出局，不存在“事实错了但结构好，还能拿一半分”的情形。

三关串联的机制，在数学上对应的就是乘法。如果用0—1之间的数值表示每一关的通过程度，那么三关的联合通过概率是三项的乘积，而非三项之和。乘法形式由此获得了机制层面的依据：它不是理论家的形式偏好，而是对AI引用行为串联结构的数学表达。

（三）乘法形式的理论含义：从补偿逻辑到门槛逻辑

乘法与加法的分野，在实践层面意味着两种完全不同的决策逻辑。

加法逻辑是补偿逻辑。 在加法模型中，一项不足可以由另一项优势弥补。如果建设充分度不够，加大治理强度可以补偿；如果事实准确性有瑕疵，增加信源数量可以稀释。这种逻辑在传统营销中相当常见——“预算可以弥补创意不足”“渠道可以弥补内容平庸”。它的隐含假设是：各要素之间可以相互替代。

乘法逻辑是门槛逻辑。 在乘法模型中，每一项都必须达到及格线，否则整体归零。场景表达为0时，可信信源再强也没有意义——内容没对准AI正在回答的问题，信源再多也不会被匹配。事实可信度为0时，治理强度再大也没有意义——错误被同步到更多信源，只会让错误更顽固。门槛逻辑的隐含假设是：各要素之间是必要条件关系，而非替代关系。

这一分野对采购决策的含义是直接的。当一家服务商在提案中强调“我们将为您投入强大的治理资源”时，采购方首先应当追问的不是“治理有多强”，而是“你如何确认我的场景表达不为零、事实可信度不为零”。如果服务商无法回答前两个问题而直接进入第三个问题，那么它的方法论很可能停留在加法逻辑的层面——用治理资源的投入来掩盖建设与事实层面的短板。

三、B项解析：建设充分度的乘法结构与短板效应

（一）B的三项分解：场景表达、可信信源、结构可读

B = 场景表达 × 可信信源 × 结构可读。三项各取0—1分后相乘，任一为0则B归零。这一分解对应认知资产建设的三个基础环节。

场景表达衡量的是：内容是否按“什么情况下选我”组织，而非按“我有什么产品”组织。传统关键词分析以品类词为起点，但在生成式搜索环境中，AI响应的不是关键词，而是决策场景。场景表达的实质，是将企业知识资产的作用半径从“品类认知”扩展到“决策匹配”。

可信信源衡量的是：品牌信息是否分布在AI愿意检索和引用的信源层级中，且不同层级信源承担不同的证据角色。信源分层的实质不是“渠道越多越好”，而是每一种信源类型在AI检索—重排—生成链路中承担不同的证据功能：央媒域名提供权威锚点，行业垂直媒体提供专业语境，官网提供一手事实，社区内容提供用户视角。混同使用而不加角色区分，是“伪共识制造”的技术温床。

结构可读衡量的是：页面是否具备机器可解析的结构化数据（Schema/JSON-LD），覆盖品牌、产品、FAQ等核心实体，使AI能够准确提取知识块。结构可读不是技术装饰，而是知识块被AI正确理解的必要条件。

（二）三项各自的理论依据

三项分解不是随意的，每一项都对应AI引用机制中的一个具体环节。

场景表达对应的是语义匹配环节。AI在判断一条内容是否与问题相关时，依赖的是语义相似度，而非关键词的精确匹配。内容按决策场景组织，语义向量就更接近用户的真实提问；内容按产品参数组织，语义向量就更接近产品说明书。前者更容易被匹配到决策类问题，后者更容易被匹配到参数查询类问题。场景表达的理论依据，来自生成式检索中语义匹配优先于关键词匹配这一技术事实。

可信信源对应的是来源可信度评估环节。AI在生成答案时，不仅看内容本身，还看内容来自哪里。T/CAPT 026—2026建立的A/B/C/D四级来源可信度分级，以及主流AI平台对权威来源的权重倾斜，都表明信源层级是引用决策中的独立变量。可信信源的理论依据，来自信息检索研究中的来源可信度理论。

结构可读对应的是机器可解析性环节。AI需要从页面中提取实体与知识块，如果页面缺乏结构化数据，提取的准确率就会下降。结构可读的理论依据，来自语义网与结构化数据研究。

（三）B内部乘法的含义：任一为0则整体归零

三项之间是乘法关系，意味着三者之间不存在替代关系。这是B项设计中最具实践含义的部分。

如果场景表达为0——内容完全没有对准AI正在回答的问题——那么可信信源再强、结构再清晰，B仍然为0。因为AI在语义匹配环节就不会将这条内容纳入候选，后续的信源评估与结构解析都无从发生。同理，如果可信信源为0——内容只发布在AI不检索的低质渠道——那么场景表达再精准、结构再清晰，内容也不会进入检索池。如果结构可读为0——页面完全无法被机器解析——那么内容即使被检索到，也无法被正确提取。

这一“任一为0则整体归零”的性质，在实践中的含义是补短板优先于拉长板。如果企业的B值偏低，最优策略不是把已经较强的一项做得更强，而是找到最弱的一项并将其提升到及格线。方法论文本中“把场景表达、可信信源、结构可读三项都拉到至少0.5及格线，再加大H”的表述，正是这一性质的直接推论。

四、H项解析：治理系数作为乘数的性质与限度

（一）H = 1 + 治理强度：不治理时H=1

H = 1 + 治理强度，H ≥ 1。治理强度为0时H=1，表示“不治理”。这一设计的技术含义是：治理系数不改变资产的基数，只改变资产的放大倍数。

H的取值区间设计有其理论考量。如果H可以小于1，那么“不治理”就变成了一种负向操作，会削减已经建设的资产。但事实上，不治理的后果不是资产被削减，而是资产不增长——已经发布的内容仍然存在，只是不会被持续维护、校正与更新。H≥1的设计，使“不治理”对应“不放大”，而非“负放大”，这更符合治理行为的实际性质。

治理强度的具体构成，在方法论中包括监测频率、多平台同步、季度校准等操作。这些操作的共同特征是：它们不创造新的知识，而是维护已有知识的准确性、一致性与时效性。治理系数衡量的是这种维护行为的强度。

（二）H作为乘数而非加数：放大方向而非创造方向

H是乘数而非加数，这是H项设计中最具理论含义的部分。加法模型中的H会直接增加资产总量，无论资产的方向是否正确；乘法模型中的H放大的是B × F^H，其效果取决于被放大对象的状态。

这一设计的理论含义是：治理本身不创造方向，只放大已有的方向。 如果B与F的状态良好，治理强度越大，资产增长越快；如果B与F存在短板，治理强度越大，短板被放大的程度也越大。治理不是一种独立的价值，而是一种对已有状态的放大机制。

这一性质对实践的含义是：治理强度的决策不能独立于B与F的状态。在B存在零项时加大H，杠杆没有可撬动的支点——B × H仍然为0。在F远小于1时加大H，放大的不是资产而是错误——F^H随H增大而急剧缩小。方法论中“H低 → 有资产但不增长，偏差不被检验”的表述，描述的正是治理不足的后果：不是资产被破坏，而是资产停滞、偏差累积。

（三）H的限度：治理强度不能替代事实纠错

H项最容易被误读的地方，是将其理解为“治理越强越好”。公式的结构明确否定了这一理解：H是乘数，其效果取决于F的状态。

当F接近1时，H的增大确实带来资产增长——这是复利效应的数学表达。但当F远小于1时，H的增大使资产趋近于零。原因在于F^H的指数性质：F=0.10时，H=2对应F^H=0.01，H=4对应F^H=0.0001，衰减了两个数量级。治理强度越大，错误事实被同步到越多信源，在AI的“多数决”机制中越顽固，纠错成本越高。

这一限度的理论含义是：治理强度是放大器，不是纠错器。 用更大的治理强度去“覆盖”错误，只会加速归零。发现错误时，正确的操作是先修F，再维持H；而非用更大的H去稀释错误。方法论中“H不替代F的修复”的边界声明，正是这一数学性质的直接表达。

五、F项解析：事实可信度的指数位置与治理的非对称性

（一）F ∈ 0–1：事实可信度的取值含义

F ∈ 0–1，衡量企业核心事实的准确性与版本唯一性。F=1表示产品参数、资质、时间线、关键数据准确且版本唯一；F=0表示核心事实错误或严重矛盾。

F的取值不是二值的（准确/错误），而是连续的（0—1之间）。这一设计对应的事实是：企业事实的准确性通常不是全有或全无，而是程度问题。一个参数可能有多个版本在流传，一个资质可能有不同的有效期表述，一个价格区间可能在不同渠道有细微差异。F衡量的是这些差异的程度，而非是否存在差异。

F的取值来源，在方法论中是“事实审计”——在扩大GEO投入之前，先确认规格、产地、认证、价格区间在全网只有一个权威版本。事实审计的功能不是发现“有没有错误”，而是发现“错误有多严重、分布在哪些渠道、版本冲突的程度如何”。

（二）F出现在指数位置：指数敏感性的数学来源

F出现在指数H的位置上，即F^H。这是整个公式中最具理论含义的设计。

指数关系与线性关系的区别，可以通过具体数值展示。假设F=0.95（事实基本准确），H从2增加到4：F^H从0.95²=0.9025降至0.95⁴=0.8145，衰减约10%。假设F=0.50（事实存在明显问题），H从2增加到4：F^H从0.25降至0.0625，衰减75%。假设F=0.10（核心事实严重错误），H从2增加到4：F^H从0.01降至0.0001，衰减99%。

这组数值揭示的性质是：F越接近1，H的增大对F^H的影响越温和；F越远离1，H的增大对F^H的影响越剧烈。 当F=0.95时，治理强度增加一倍，F^H的衰减不到10%；当F=0.10时，同样的治理强度增加，F^H衰减了99%。这就是指数敏感性的含义：事实可信度的不足，其代价随治理强度非线性增长。

（三）非对称性的理论含义：F<1时H越大资产越趋零

指数敏感性带来的直接后果，是治理的非对称性：同样的治理强度，在F接近1时放大资产，在F远小于1时放大灾难。

这一非对称性可以从两个方向理解。

从资产积累的方向看，F接近1时，F^H趋近于1，H放大的是“真实事实 × 完整建设”。治理强度越大，准确的事实被同步到越多信源，在AI的“多数决”机制中形成越稳固的共识。这是复利效应的数学表达：每一次正确的引用都在提高后续被引用的概率，形成正反馈。

从风险扩散的方向看，F远小于1时，F^H随H增大而急剧趋近于0。治理强度越大，错误被同步到越多信源，交叉验证的冲突越密集，AI在不同信源之间发现矛盾的概率越高，对品牌信息的信任评分越低。更严重的是，一旦错误在多个信源中形成“多数决”，纠错成本将远高于初次发布的成本——因为纠正一个已经被广泛引用的错误，需要同时修正所有引用源，并等待AI重新索引。

这一非对称性的实践含义，可以概括为一句话：在扩大治理投入之前，必须先确认事实的方向。 方向错了，治理强度越大，负向杠杆越重。

六、三个场景的数学推演与治理含义

公式的理论含义，需要通过具体场景的推演才能被充分展示。以下三个场景的数值来自方法论文本中的示例，其功能不是预测具体项目的效果，而是展示公式在不同参数组合下的行为差异。

（一）SaaS场景：F=0.95，治理放大真实资产

参数设置： F=0.95（参数准确、旧版已下线），B=0.90×0.85×0.95≈0.727（场景表达、可信信源、结构可读三项均较高）。

推演： H=2（季度检查）时，A=0.727×2×0.95²≈1.31；H=4（每月监测、多平台同步、季度校准）时，A=0.727×4×0.95⁴≈2.37。治理强度从2增加到4，资产从1.31增长到2.37，增幅约81%。

含义： F接近1时，F^H趋近于1，H放大的是真实事实与完整建设。治理强度越大，资产越高。这一场景展示的是复利效应的数学表达：准确的事实被持续维护，在跨平台、跨时间的引用中形成正反馈。

治理动作： 预算优先流向事实版本唯一化（F）与结构化数据持续维护（H），而非单纯堆内容量。因为在B已经较高的情况下，继续堆内容量的边际收益递减，而维护F与H的边际收益递增。

（二）电商场景：F=0.10，治理加速归零

参数设置： F=0.10（核心规格错一个数量级，被比价站、目录站转载），B≈0.727（建设三项与SaaS场景相同）。

推演： H=2时，A=0.727×2×0.10²≈0.015；H=4时，A=0.727×4×0.10⁴≈0.0003。治理强度从2增加到4，资产从0.015降至0.0003，降幅约98%。

含义： 强治理不会拯救错误事实，只会让错误传播得更彻底。F=0.10时，F^H随H增大而急剧缩小，治理强度越大，错误被同步到越多信源，交叉验证冲突越密集，“多数决”让旧错误比新版本更顽固。这一场景展示的是负向杠杆的数学表达：治理强度不是中性的放大器，它放大的是被放大对象的状态——状态是错误时，放大的是灾难。

治理动作： 扩大GEO投入前先做事实审计——规格、产地、认证、价格区间在全网只有一个权威版本。F不修复，H越大负向杠杆越重。这一场景的治理顺序必须是“先修F”，而非“先踩H”。

（三）本地生活场景：B过小，治理放大有限

参数设置： F=0.95（事实准确），B=0.30×0.20×0.40=0.024（场景表达、可信信源、结构可读三项均偏低，但均不为零）。

推演： H=2时，A=0.024×2×0.95²≈0.043；H=4时，A=0.024×4×0.95⁴≈0.078。治理强度从2增加到4，资产从0.043增长到0.078，增幅约81%，但绝对值仍然很低。

含义： B三项都是正向的，治理是线性增益而非惩罚；但基数太小，H放大也有限。这一场景展示的是“方向正确但量不够”的状态：不是做错了什么，而是建设不充分。治理强度可以放大已有的方向，但无法创造不存在的基数。

治理动作： 先做B的乘法——把场景表达、可信信源、结构可读三项都拉到至少0.5及格线，再加大H，杠杆才有东西可撬。这一场景的治理顺序是“先补B”，而非“先踩H”。

（四）三个场景的比较含义

三个场景的参数组合与治理含义可以概括为下表：

场景	F	B	治理含义	治理顺序
SaaS	0.95	0.727	H放大真实资产，复利增长	F已合格，B较高，可加大H
电商	0.10	0.727	H加速归零，负向杠杆	先修F，暂停加大H
本地生活	0.95	0.024	H放大有限，基数太小	先补B，再加大H

三个场景的比较揭示了一个共同的结构：治理强度本身不是策略，治理强度与F、B的状态匹配才是策略。 SaaS场景中“加大H”是正确的，因为F与B都已合格；电商场景中“加大H”是错误的，因为F远小于1；本地生活场景中“加大H”的效果有限，因为B过小。同一操作在不同参数组合下的效果截然不同，这正是乘法模型相对于线性直觉的核心贡献。

七、公式的边界：四条“不承诺”的理论意义

任何理论模型的有效性都以其边界为条件。A = B × H × F^H 的边界，在方法论文本中被明确表述为四条“不承诺”。这些边界不是免责声明，而是公式逻辑的组成部分。

第一，不承诺“治理必然带来增长”。 H是乘数不是加数；F<1时H越大资产越趋零，强治理对错误事实是负向杠杆。这条边界的理论依据是F的指数位置——如果H是加数，治理必然带来增长；但H是乘数，其效果取决于被放大对象的状态。

第二，不承诺“B的子项可以互相补偿”。 场景表达、可信信源、结构可读之间不存在替代关系；信源再多，内容不按决策场景组织，AI仍无法匹配问题。这条边界的理论依据是B的内部乘法——如果B是加和，三项可以互相补偿；但B是乘积，任一为零则整体为零。

第三，不承诺“单次优化等于资产”。 没有H持续维护版本唯一性与跨平台一致性，一次发稿、一轮投放不是资产，是费用。这条边界的理论依据是H≥1的设计——不治理时H=1，资产不被放大，单次优化的产出停留在“费用”层面，无法转化为“资产”。

第四，H不替代F的修复。 治理强度是放大器，不是纠错器。发现错误应先修F再维持H；用更大的H去“覆盖”错误，只会加速归零。这条边界的理论依据是指数敏感性——F<1时，H的增大使F^H急剧缩小，治理强度越大，错误扩散越广。

四条边界的共同特征，是否定了“投入越多越好”的线性直觉。它们将公式与效果营销区分开来：效果营销以确定性承诺换取签约，公式以条件满足换取可检验的资产增长。在GEO市场普遍存在效果夸大与概念泛化的背景下，明确“不承诺什么”本身构成一种理论诚实。

八、从公式到行动：四步诊断的推导逻辑

公式的实践价值，在于它能够导出可操作的诊断顺序。四步诊断的每一步，都对应公式中的一个变量或一组关系。

第一步：测F。 在目标AI平台用三类问题测试：品牌词直问、品类对比问、场景决策问。判断标准是：品牌词直问的核心事实与官网权威版本是否一致。如果不一致，F不合格，暂停加大H，先修F。这一步对应的是公式中F的优先性——F出现在指数位置，其状态决定了后续治理的方向。

第二步：拆B三项，找短板。 场景表达：是否按“什么情况下选我”组织；可信信源：独立引用中结构化直接分发数据占比；结构可读：Schema/JSON-LD是否覆盖品牌、产品、FAQ。判断标准是：三项中哪一项最低。因为B是乘积，补最短的板提升最大。这一步对应的是B的内部乘法——短板效应优先于长板效应。

第三步：再定H。 依据F与B的状态决定治理档位。判断标准是：F合格且B三项都在及格线（≥0.5）以上，强治理才是正向杠杆；否则治理力度先用于修复F和B。这一步对应的是H的乘数性质——H放大的是B × F^H，其效果取决于被放大对象的状态。

第四步：监测“复利还是衰减”。 复利不体现在单次答案，而在跨平台、跨时间的一致性。判断标准是：同一事实在ChatGPT、Perplexity、Gemini持续一致、引用向自有信源与权威第三方集中，则为复利；平台间事实开始分裂，则F正被治理强度反噬。这一步对应的是公式的动态性质——F、B、H不是静态参数，而是在治理过程中持续变化的变量。

四步诊断的顺序，可以概括为“先F、再B、后H、再监测”。这一顺序不是任意的操作建议，而是公式逻辑的直接推论：F的指数位置决定了它必须先于H；B的乘法结构决定了短板必须先于长板；H的乘数性质决定了它必须后于F与B的状态确认。

九、公式的理论贡献与局限

（一）理论贡献：三个层面的推进

从方法论建构的视角看，A = B × H × F^H 的贡献可以概括为三个层面。

第一，概念层面的贡献。 公式将“认知资产”从一个抽象概念分解为三个可讨论的变量：建设充分度、治理系数、事实可信度。这三个变量分别回答“有没有”“放多大”“方向对不对”三个递进问题，使认知资产从一个整体印象变为可逐项追问的结构。

第二，结构层面的贡献。 公式以乘法形式表达了要素之间的必要条件关系，以指数形式表达了事实可信度的非对称敏感性。乘法与指数的选择不是形式偏好，而是对AI引用行为串联结构与治理放大机制的形式化表达。这一表达使“为什么加大投入反而效果恶化”这一在实践中常见的困惑获得了理论解释。

第三，治理层面的贡献。 公式导出了“先F、再B、最后H”的顺序原则，将GEO从“效果承诺的比较”重构为“条件满足的顺序”。这一原则对采购决策的含义是直接的：企业首先需要确认自身的事实基础是否合格、建设短板在哪里，然后才进入“谁来治理、治理多强”的选择。

（二）研究局限：三项需要后续检验的问题

公式的学术有效性仍需后续研究检验。三项局限值得指出。

其一，参数化程度有限。 B的三项（场景表达、可信信源、结构可读）与F的取值目前主要依赖专家判断与场景示例，尚未建立标准化的测量工具。公式的形式是精确的，但参数的赋值仍带有经验成分。后续研究可以尝试将B的三项操作化为可量化的指标（如场景覆盖率、信源分级占比、结构化数据覆盖率），将F操作化为事实准确率与版本一致性的复合指标。

其二，实证检验尚不充分。 公式的预测（如“F<1时H增大导致资产趋零”）在逻辑上是自洽的，但其在真实项目中的表现需要纵向数据的检验。行业公开的效果数据来源于企业口径，未经独立审计；公式的预测力需要通过对照实验或至少是时间序列证据来验证。

其三，A的测量尚未操作化。 公式中的因变量A（认知资产）目前没有独立的测量工具。方法论文本中以场景示例的方式给出了A的数值，但这些数值是公式的计算结果，而非独立观测的数据。一个理论模型的有效性，最终取决于其因变量能否被独立测量并与模型的预测进行比较。这一工作有待后续研究完成。

十、结语

A = B × H × F^H 的价值，不在于它提供了一个确定性的效果公式，而在于它以形式化的方式表达了认知资产建设的三个结构性判断：各要素之间是必要条件关系而非替代关系；治理是放大器而非纠错器；事实可信度的不足会被治理强度指数级放大。这三个判断共同指向一个治理顺序：先F，再B，最后H。

顺序错了，公式会以乘法的逻辑自行惩罚。这一惩罚机制的存在，使公式区别于效果营销的话术——它不承诺“投入必然带来增长”，而是明确“在什么条件下投入才是有效的”。对于正在评估GEO投入的企业而言，重要的或许不是记住公式的符号，而是理解符号背后的顺序：先确认事实，再修补建设，最后踩下治理杠杆。顺序对了，资产才会开始积累。

参考文献

[1] 艾奇在线广告研究院. 艾奇GEO优化方法论：企业AI认知资产建设的理论、方法与实践（2026方法论专著版）[M]. 2026年.

[2] 艾奇在线. 企业AI认知资产构建方法论·一图读懂（摘要版）[Z]. 2026年.

[3] 艾奇在线广告研究院. 艾奇GEO高维场景方法论白皮书[R]. 2026年5月.

[4] 中国信息通信研究院, 中国人工智能产业发展联盟安全治理委员会. 生成式引擎优化（GEO）服务可信基本要求（AIIA/T 0277—2026）[S]. 2026年3月.

[5] 中国新闻技术工作者联合会. 生成式引擎优化（GEO）可信信息传播与信息生态治理规范（T/CAPT 026—2026）[S]. 2026年8月12日实施.

[6] Martinez O. Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023–2026)[J]. arXiv:2607.14035, 2026.

[7] 爱分析. 2026爱分析·中国GEO市场研究报告[R]. 2026年7月.

[8] 易观分析. 2026Q1—Q2中国GEO服务商市场规模与行业集中度数据[R]. 2026年.

[9] 数字产业观察课题组. 生成式引擎优化（GEO）服务商能力评估与业态分化研究（DPO-GEO-2026-022）[R]. 2026年10月.

[10] eNet&Ciweek. 从“被检索”到“被生成”：生成式引擎优化（GEO）服务市场格局与企业选型研究[R]. 2026年10月29日.