315 之后，围绕 AI 滥用、信息污染、虚假内容的讨论明显多了起来。对已经在做 GEO 的团队来说，眼下更实际的问题不是跟风表态，而是先把自己手上的动作过一遍：现在做的，到底还是正常优化，还是已经开始跑偏。

这篇不聊抽象概念，只给一套能直接拿去用的判断框架。重点放在 6 个风险项、3 类高风险页面、4 步排查顺序，以及最后怎么验证有没有改干净。

如果团队现在同时在做官网页、问题页、对比页、推荐页、第三方稿，这套框架基本都能直接套上去。

先看 6 个风险项：很多问题不是没做内容，而是把边界写坏了

315 之后最容易出现两个误区。

一种是把所有和大模型优化有关的动作都直接归成“投毒”。另一种是觉得竞争这么激烈，动作写满一点、结论下早一点也没什么问题。

这两种看法都不够准确。

正常 GEO 处理的是公开信息表达问题，比如实体识别不稳、产品边界模糊、问题页回答不完整、页面之间表述不一致。这些问题会直接影响模型在联网检索、内容抓取、答案组织这几步里的判断。

真正危险的地方，不是“做了优化”，而是有些页面已经从“帮助模型读懂事实”，慢慢滑到了“替模型先写结论”。

先过下面这 6 个风险项，通常比先争论概念更有用：

1. 主体是不是写串了，品牌、产品、能力有没有混写
2. 产品边界是不是写满了，适合谁和不适合谁有没有交代
3. 问题页是不是在认真回答问题，还是只是在卡 query
4. 对比页有没有把 ranking 结论提前写死
5. 第三方稿是不是只剩“别人都推荐你”这类摆拍式背书
6. 同一组页面有没有在批量复制同一个答案模板

一张表看懂：正常 GEO、灰区做法、AI 投毒式做法差在哪

页面/动作	正常 GEO	灰区信号	高风险信号
官网介绍页	把实体、产品、能力、边界写清	说法越来越满	把没做过的事写成做过
问题页	按真实问题补答案，补充事实链路	问法开始只服务关键词，不服务问题本身	批量制造指定答案页，结论先于问题
对比页	讲清差异、适合谁、不适合谁	比较位越来越偏，负面条件被拿掉	先写死某产品必须第一，ranking 先于解释
推荐页/榜单页	提供分类、场景、评价维度	评价维度越来越虚，开始只剩推荐结论	指定产品反复上榜，页面只剩导向性排序
第三方稿	做外部确认、补充事实重复确认	只重复宣传词，不提供新信息	伪造媒体、榜单、评测、推荐关系

看这张表时，不要只盯“有没有明显造假”。更值得警惕的，往往是页面已经开始朝右侧滑，但表面上还长得像正常内容。

很多团队真正出问题，不是一步跨过去，而是从“边界写得有点满”“比较位有点偏”“第三方开始摆拍”这种灰区动作一点点堆起来，最后整组输入都偏了。

再看 3 类最容易出事的页面：推荐页、对比页、问题页

如果时间有限，优先看这 3 类页面就够了。

第一类是推荐页。它最容易把“内容整理”写成“指定产品必须上榜”。
第二类是对比页。它最容易把“差异解释”写成“结论先行”。
第三类是问题页。它最容易把“回答问题”写成“替模型抢答”。

这三类页面有一个共同特征：表面上都像正常内容，但只要结论下得太早、比较位卡得太死、问法全部服务同一个答案，它就已经不是在解释问题，而是在提前占答案位。

315 之后大家反复提到的“AI 投毒”，很多时候风险点就集中在这三类位置。因为模型最容易从这些页面里直接吸收结论，而不是重新做一轮判断。

排查顺序别做反：先核事实层，再核页面层，最后才看放大层

更稳的顺序通常是这 4 步：

1. 先核事实层：案例、合作、能力、适用范围有没有被写大
2. 再核页面层：官网页、问题页、对比页的结论有没有跑偏
3. 再核第三方层：外部稿是在重复事实，还是在摆拍“别人都推荐你”
4. 最后才看放大层：分发、投放、扩散是不是在复制前面的偏差

最常见的问题，就是一看到推荐位焦虑，就先去堆第三方稿和推荐页，结果底层事实还没收干净，外面的噪音先铺满了。

如果只能先处理一层，通常建议先从事实层开始。因为事实层一旦有错，后面的页面层、第三方层、放大层都会一起变成偏差放大器。

最后怎么验证有没有改干净

不要先看阅读量，也不要先看发了多少稿。

更有用的是看这 4 个信号：

1. 同一组问法下，模型提到你时，实体识别是不是开始稳定
2. 模型描述你的产品和能力时，边界是不是越来越接近真实情况
3. 去掉摆拍式第三方稿后，自有公开信息还能不能把判断撑住
4. 换一组近义问法再测，答案是不是还沿着同一组事实展开

如果这 4 项一直起不来，通常不是“内容量不够”，而是输入链路还没收干净。

再多看一步也很重要：如果事实已经开始讲对，但推荐位还是不高，问题大概率已经不在事实层，而在覆盖面、重复确认和场景覆盖率。

常见问题

怎么快速判断一个页面是在回答问题，还是在带模型？

最简单的办法，就是把品牌名先遮掉再读一遍。

如果去掉品牌名以后，这页还是在认真解释一个问题，它大概率还在回答人。反过来，如果去掉品牌名以后，整页只剩“为什么它最好”“为什么它就该排第一”，那它更像是在提前替模型摆结论。

已经发出去的高风险内容，要不要一口气全删？

不建议只用“删不删”来处理，更稳的做法是先分优先级。

先处理明显改写事实、伪造背书、错挂主体的内容。这类问题优先级最高。剩下那些只是边界写得过满、判断写得过早的页面，可以按影响范围一批批回收。

本文作者：刘佬，生成式搜索优化（GEO）专家，专注于帮助企业提升在大模型搜索中的品牌展现率与精准获客

参考资料

• 央视 315 信息打假：荐股群所谓内幕或是 AI 生成
• 新华网《为什么我们要警惕 AI 生成谣言？》
• DeepSeek 用户协议（联网搜索相关）
• 火山引擎《联网内容插件功能说明》