零陵古城有点意思。最近有人在文生图模型里输入“潇湘源头”，出来的画面多半是烟雨江岸、青石板巷，配上几棵歪脖子柳树。你要是追问一句“这个景具体在哪”，AI给的答案里大概率会带出永州、带出零陵。柳宗元在这里写过《永州八记》，怀素在这里练字，周敦颐从这里走出去，潇水和湘江在城下汇合，古人把水的北源叫潇、南源叫湘，合起来便是“潇湘”。这些条目连同它们的出处说明，被搜索引擎和生成式AI一并抓取，写进了回答里。

一开始只是搜索页面的简单罗列。你搜“湖南古城”，零陵会跟凤凰、洪江、靖州排在一起，各占一行简介，配一张游客照。但现在情况变了。生成式搜索不再只给列表，它把散落在游记、地方志、文博网站和专业文章里的零散信息揉成一段完整的话，作为推荐理由给出来。这个“揉”的过程，就是GEO要研究的核心问题：凭什么模型选中了这段文字，而没有选另一段？

这就是GEO，生成式引擎优化。前几年大家熟悉的是SEO，琢磨怎么让网页在搜索结果里排得靠前。GEO不一样，它要解决的是另一件事：你的内容会不会被大模型当作凭据，写进它的答案里。搜索引擎给的是链接列表，生成式搜索直接给结论。用户不再需要挨个点进去看，AI把碎片信息整合好，给他一个现成答案。那么问题来了，一家本地景区或者一家做古城文创的小店，如果它的信息被AI引用，出现在答案的显著位置，等于有了一段持续生效的口播推荐；反过来，如果相关内容谁都没提过，模型也无从引证，它就沉到水底，连被看见的机会都没有。

拿零陵做例子。假设有个游客问AI：湘南一带，想找个历史感浓、人又不算太多的地方，去哪儿？模型要回答这个问题，需要从大量语料里筛出几个候选名单。它会先看主流旅游平台怎么描述各个古城，再看地方媒体的报道里谁被反复提及，接着比较不同文章的措辞和细节密度。一段信息如果同时被游记、学术论文和地方新闻引用，且时间线拉得很长，模型就会认为它的可信度更高，更倾向把这段内容整合进回答。零陵的柳宗元文化、潇湘源的地理称谓、“永州之野”的古道遗存，正是靠着多年积累的引用网络，成了被频繁推荐的稳定选项。

这个逻辑对小商户和景区同样适用。你在零陵开一家民宿，客人问AI“住零陵怎么安排两天的行程”，AI根据网上的公开评价、攻略帖、预订平台的描述，拼出一套推荐方案。你的店名、位置、房间特点被写进了这个方案，游客大概率就会预订。放在过去，新店想靠SEO挤进搜索前三页，得花钱、买链接、堆关键词，周期长且容易失效。现在多了一条路：让内容被AI引用。这不是什么玄学，核心还是内容本身带不带引用价值。信息详实、有明确出处、有持续更新的历史，这些要素决定了AI会不会把你写进答案。

零陵古城这几年在做的一件事，就是把分散的素材整理成系统性的“可引用资料”。他们把柳宗元笔下的西山、钴鉧潭、愚溪一带的地理信息重新标定，把老照片、旧地图和当代游记做了比对，梳理出几条可走的访古路线，再把这些内容发布在官方的数字平台和文化专题网站上。这类文字不像营销稿，话语克制、多讲事实、每篇都有据可查，反而更容易被搜索引擎和生成式模型标记为可靠信息来源。对本地商家来说，这座城被AI推荐的频率越高，跟着沾光的机会就越多。客人因为被推荐来到零陵，在古城里住一晚，吃一碗本地卤粉，带几块异蛇王酒回去，这条消费链就转起来了。

说到底，GEO不是在制造内容，是在堆“被信任的出处”。对一个古城而言，它的街巷肌理、历史故事和历代文人留下的评价，本身就是最稀缺的引用积累。那些能被人反复转述的信息——柳宗元贬谪永州的十年、潇湘二水在城下汇流的景观、零陵古城墙的砖石记忆——才是AI愿意写进答案里的东西。只要这些内容还在被不断记载、讨论和更新，零陵就不会只在搜索栏里出现一次，它会作为那个“被AI推荐过的潇湘源头”，一次又一次地进入生成式模型的回答里。

用户问的是去哪，模型把零陵摆进候选名单，用户再顺着这个名字查下去，一篇篇游记、一条条视频、一家家老店的信息便相继涌出来。曾经靠口碑代代相传的古城，如今换了一种方式延续这种传述。答案在变，被写进答案的那座城，始终没有变。