每個功能含資料流圖解、技術說明、Cloudflare 設定提示。點擊「了解更多」直達對應功能或詞彙。
找到你該寫的下一篇文章
GEO 不只是「優化現有內容」,還要知道「該補哪些內容」。系統用 LLM 分析你的關鍵字 + 競品內容,自動產 50+ 主題建議。
每個主題標好「優先級」(根據競品已寫但你沒寫 / AI 已被問但你答不出來等信號)。一週寫 1 篇就跟得上節奏。
客戶官網 → 22+1 種 AXP 進化文檔 → CF Worker 部署到客戶域名,AI bot 看到結構化內容
AXP(AI eXperience Page)= AI 看的影子文檔。傳統官網對 AI 爬蟲常常不夠豐富(SPA 沒可爬內容、結構化資料缺、競品比較沒)。AXP 把客戶官網做成「AI 友善」的進化版本,內容比原網站多 4-93 倍。
管線 = 爬官網 8 路徑 → 上傳中央 RAG → 22+1 個 generator 各自跑 LLM 重組 → 寫入 axp_pages → CF Worker 部署到客戶域名。22+1 = 22 個企業類(brand_overview / faq / pricing / vs / case_study 等) + 1 個個人 IP 限定(future_plans)。
透過 Cloudflare Worker,客戶域名上的 AI bot 會看到 AXP 進化版,真實人類看到客戶原網站(無干擾)。Googlebot / GPTBot / PerplexityBot / ClaudeBot 等 19 種 AI bot 全部識別。
三層分析任意內容(整篇 / 段落 / 句子),低分頁自動 LLM 改寫
把任何內容(網頁 / AXP / 部落格文章)拿來分析。Macro 看整篇結構是否容易被 AI 引用 / Meso 看段落層次 / Micro 看句子可引用度。三層加總給 0-100 分。
分數 < 70 自動排隊讓 LLM 改寫,3 引擎並行(AutoGEO 學術規則 + E-GEO 學術 templates + Hybrid 雙引擎挑最好版本)。改寫前後相似度 ≥ 0.90 才接受(避免內容失真)。
兩個版本同時上線,讓 AI 平台告訴你哪個贏
把優化前後內容、或兩種寫法,各推 50% 流量。系統自動跑 14 個 AI 平台用每個版本生成回答,統計勝率。
配合人類標註(編輯給 like/dislike)即可訓練品牌專屬偏好模型,下次自動改寫會更貼近編輯口味(RLHF — Reinforcement Learning from Human Feedback)。
不只看 AI 講不講你,還看「講你什麼 + 講得正面負面」
14 平台每次掃描的回答,系統切片成 aspect(價格 / 品質 / 服務 / 創新 / 售後 等),每個 aspect 個別給情感分數(-1..+1)。
可看「平台 × aspect」矩陣 — 例如 ChatGPT 在「價格」 aspect 給你 +0.6 但 Perplexity 給 -0.2 → 你知道 Perplexity 對你的價格定位有問題,該補事實校正。負面突增自動 email 警示。
AI 講錯,平台幫你校正
14 平台掃出 AI 對你的描述後,系統用 4 種演算法交叉判斷(NLI 三分類 / FActScore 原子事實 / Chainpoll 投票 / 多源驗證)。確定是幻覺,自動產 prompt 送回該 AI 平台修正。
不同平台修復策略不同(平台感知修復):ChatGPT / Claude 是即時型 6 小時內修;Perplexity / DeepSeek 是訓練型 7 天內慢慢修。修復完二次驗證確認,失敗則人工介入。
客戶內容三層儲存,AI 引用時取材精準
客戶上傳的內容(官網爬取 / 文件 / FAQ / ground_truths)進三層 cascade:L1 Wiki 編譯後快取(主題頁) / L2 Vector RAG(向量檢索) / L3 全文搜尋(關鍵字)。
AI 引用時自動跨三層取材。L1 Hit 直接拿快取(快、便宜),沒有 fallback L2 / L3。每週自動更新內容(websiteCrawler 7 天重爬)。
4 種專屬 AI 助手 24 小時為你工作
GEO 顧問 = 分析掃描結果並給建議;內容寫手 = 自動產 brand_faq + 部落格草稿;競品偵察 = 抓對手新內容變動 email 通知;客服機器人 = 嵌入官網 chat widget,用客戶 RAG 回答。
每個 agent 可設定排程(daily / weekly / event-triggered)、工作流(分析 → 推薦 → 提醒人類)、輸出(email / Slack / 寫入 dashboard)。Enterprise+ 才能用。
主訂閱外的獨立加購功能
Add-ons 可在主訂閱外獨立加購,獨立計費,7 天試用。常見 add-on:AB Testing(進階實驗)、API Access(額外配額)、White Label(自家 logo / 域名)、Answer Monitoring(即時監測,vs 每日掃描)、Consultant Report(顧問季報)。
每個 add-on 對應一個功能模組,加購後 sidebar 自動出現入口,取消後 7 天緩衝期 → 自動 disable(資料保留)。
幾項功能(AXP 部署 / 公開檔案 / AI bot 攔截)需要客戶域名透過 Cloudflare 代理。設定一次,平台之後自動接管,新功能上線零修改。
Pricing 表的技術名詞 / sidebar 的功能名 / 規格文件的縮寫 — 22 個詞用一句話 + 一個圖示讓你秒懂。
是什麼: 專門給 AI 爬蟲看的進化版內容。把客戶官網的資訊重新整理為 22+1 種結構化頁面(整篇 / FAQ / 定價 / 競品比較等),AI 引用時拿到的是這個進化版,不是稀疏的原網站 HTML。
怎麼運作: 系統先爬客戶官網 8 個常見路徑(/、/about、/pricing 等)+ 抽取 brand_faq / ground_truths / personal_profiles 等 DB 事實。22+1 個 generator 各自跑 LLM 重組(不憑空生成,以客戶事實為輸入)。輸出寫入 axp_pages 表,CF Worker 部署到客戶域名。
使用情境: 傳統 SPA 官網對 AI 爬蟲只是個 JavaScript 殼,沒可爬內容。客戶不可能為了 AI 重寫整站。AXP 在不動原站的前提下幫客戶生成完整 AI 友善版本。AI 拿到後引用率提升 3-10 倍。
是什麼: CF Worker 偵測訪問者是 AI bot 還是人類。AI bot → 攔截後 proxy 到 GEO 平台 backend 取 AXP 內容(影子);真實人類 → 直通客戶原 origin(正常網站)。
怎麼運作: CF Worker 在邊緣節點檢查 User-Agent 與 IP rDNS。19 種已知 AI bot(GPTBot / ClaudeBot / PerplexityBot / Googlebot / Google-Extended / etc)走 AXP 路徑,其餘走 origin。Worker 對 origin 4xx/5xx 直接 pass-through 不偽裝(避免 Google 認為 cloaking)。
使用情境: 一個內容兩種讀者:人類要看 brand 視覺呈現 / 互動體驗,AI 要看可引用結構化資訊。AXP 影子讓兩者各取所需而不互相干擾。
是什麼: 22 個企業 brand 適用 + 1 個個人 IP 限定(future_plans)。每種 page_type 對應一個 AI 想知道的問題:brand_overview(品牌總覽) / faq / pricing / vs(競品比較) / case_study(案例) / specs(規格)等。
怎麼運作: AI 收到問題後,內部會分類為某個意圖類型(資訊型 / 比較型 / 交易型 等)再去爬最匹配的 page_type。我們的 generator 預先針對 22+1 種意圖各自寫好 template + LLM 重組規則,每個客戶對每種 page_type 都有對應 AXP 頁。
使用情境: 不是「一個首頁打天下」,而是「AI 問什麼類型,就有對應結構化頁回答」。如同 SEO 時代針對不同關鍵字寫不同 landing page,GEO 時代針對不同 AI 意圖寫不同 page_type。
是什麼: 專門校正 AI 對你的錯誤敘述的 AXP 頁。例如 AI 說「品牌 X 創立於 2010」但實際 2015 → fact-check 頁明文寫「正確年份 2015,來源:公司年報」,AI 下次重新訓練會看到這個更正。
是什麼: CF Worker 記錄每個 AI bot 訪問細節(時間 / 路徑 / status code / 內容大小)。可看哪個 AI 多久爬一次、抓什麼頁、有沒有抓你的更新。
是什麼: AI 引用優化器的三層分析。Macro = 整篇結構(標題 / 摘要 / Schema.org 標記是否齊全) / Meso = 段落層次(每段是否單一主題、是否有過渡句) / Micro = 句子可引用度(是否完整、有沒有指代不清)。
怎麼運作: 每層用不同規則打分(Macro 30 分 / Meso 30 分 / Micro 40 分,加總 100)。Macro 分數低 → 加 Schema.org 結構;Meso 低 → 切段、補過渡;Micro 低 → 重寫句子明確化主詞。LLM 改寫時優先動最低分那層。
使用情境: 不只看「總分多少」還看「哪層拖後腿」。例如總分 75 但 Micro 只 50 → 優先打磨句子;總分 75 Macro 只 50 → 補 Schema.org。
是什麼: AI 引用優化器三套 LLM 改寫策略。AutoGEO 走學術規則(arXiv:2510.11438,25 條規則) / E-GEO 走學術 templates(arXiv:2511.20867,15 種模板) / Hybrid 雙引擎並行挑改寫後分數較高的。
是什麼: AI 答案中你被「第幾個提到」也很重要。第一個提到 = 滿分;第二個 = 80 分;第三個 = 60 分... 越前面越好(就像 Google 第一頁第一名)。
是什麼: 把某時間點 14 個 AI 平台的回答完整存檔(原文 + 截圖)。將來客戶要證明「半年前 AI 是這樣講我」 → 拿快照當證據。法務 / 抹黑事件處理用。
怎麼運作: 每次掃描自動存兩份:① markdown 原文(可全文搜尋) ② PNG 截圖(視覺證據)。檔案附時間戳記 + 平台版本,永久保存於客戶的 brand 帳號下。Pro+ 90 天保留 / Enterprise 無限 / Group 無限。
使用情境: 抹黑事件處理 / 法務證據 / 競品變化追蹤 / 內容策略回顧。AI 講錯話時,快照是「對方確實這樣說」的鐵證,提交平台申訴或法律訴訟時都派上用場。
是什麼: Natural Language Inference。判斷「AI 講的句子」相對於「你的事實」是 entail(吻合) / neutral(無法判斷) / contradict(矛盾)。contradict 才算幻覺。
怎麼運作: 系統用專門訓練的 NLI 模型(基於 RoBERTa / DeBERTa 系列)同時看 hypothesis(AI 句子) + premise(你的事實)。輸出三類機率,取最高一類為判定。
使用情境: 光看字串比對(關鍵字、向量距離)會誤判 — 例如「員工 500」 vs 「員工約 5 百人」字面不同但含義同。NLI 能理解語意層級的吻合 / 矛盾。
是什麼: 把一段 AI 答案切成「原子事實」(每個單獨可驗證的句子),逐個查我們的 ground_truths / brand_website_cache,給每個原子事實 0/1 分,加總算精準度。
怎麼運作: 先用 LLM 把段落分解為原子事實列表(atomic facts),每個事實送進事實庫做 SQL match + RAG semantic match + Wikipedia 校驗。對 / 錯 / 無法驗證三態。
使用情境: 不是「整段對 / 整段錯」二元判定,而是逐句精準定位錯在哪。例如 5 句中 4 句對 1 句錯 → 客戶清楚知道是哪句要修,不用全段重寫。
是什麼: 同一個 AI 問題問 3 次取多數決。降低偶發性 hallucination 誤報(LLM 有時 1 次答錯但 3 次有 2 次答對)。3 次都答錯才算真幻覺。
怎麼運作: 系統對同一個 prompt 用 temperature > 0 採樣 3 次,得到 3 個獨立答案。每個答案個別跑 NLI 判定,結果做多數決。3 次都 contradict 才報 hallucination,2:1 視為「邊緣案例」記錄但不送修。
使用情境: LLM 偶爾會「腦袋當機」答錯但下次又對。如果只看一次就送修,容易誤殺對的內容。Chainpoll 把誤報率從 ~15% 降到 ~3%,大幅減少不必要修復成本。
是什麼: 不只信一個來源。同時比對「客戶官網」+「中央 RAG 索引」+「ground_truths 表」+「brand_marketing_facts 時序資料」+「Wayback Machine 歷史快照」。≥3 來源支持才算 ground truth。
怎麼運作: 對每個 AI 講的事實,系統並行查 5 個來源:① brand_website_cache(客戶官網最新爬取) ② 中央 RAG KB(已索引內容) ③ ground_truths(人工驗證事實) ④ brand_marketing_facts(時序事實庫) ⑤ Wayback Machine(歷史快照)。
使用情境: 單一來源可能過時、寫錯、被汰換。多源比對才能找到「客觀事實」。同時這也是抹黑事件回應的標準 — 證明你說的是事實不是片面之詞。
是什麼: 不同 AI 平台修復策略不同。即時型(ChatGPT / Claude / Perplexity)6 小時內可重新爬到新內容;訓練型(DeepSeek / Qwen)要等 7 天訓練週期 / 30 天大版本更新。系統依平台自動決定送修方式。
怎麼運作: 即時型平台:推 fact-check 頁 + sitemap ping + 即時 robots.txt 通知 → 6h 內重爬。訓練型平台:寫 markdown 進中央 RAG → 進入下個訓練 batch(7d-30d)。並行追蹤每平台修復狀態,完成後二次驗證。
使用情境: 不同平台架構不同,一招打天下會失敗。即時型送 markdown 進 RAG 沒用(它沒在訓練);訓練型推 sitemap ping 沒用(它不是即時爬)。要對症下藥。
是什麼: 幻覺發現後不只送 prompt 修,還重新生成對應的 AXP 影子頁(例如修「pricing 錯誤」就重生 pricing AXP),讓 AI 下次來爬就看到正確版本。從根本修內容源,不是 patch。
怎麼運作: 幻覺被分類後對應到某個 page_type(pricing / faq / case_study 等),系統觸發該 page_type 的 generator 重新跑 LLM 重組(用最新 ground_truths + brand_facts 為輸入)。重生後 CF Worker 自動部署。
使用情境: 只送修復 prompt 是 patch — 治標不治本。下次 AI 重訓還可能再答錯。重生 AXP 影子頁是治本 — 平台再爬時看到的就是正確內容,從源頭杜絕同樣錯誤。
是什麼: 客戶上傳的內容讓 LLM 編譯成「主題頁」(類似維基百科條目),query 進來先查 L1。快、便宜、答案完整。L1 Hit 不打 vector / 全文搜尋。
怎麼運作: 上傳內容後 wikiCompiler 用 LLM(目前 deepseek-v4-flash)把多份來源整合成主題頁,同主題的 source 合併。query 進來時 wikiQueryRouter 先選命中主題,直接回該頁全文。
使用情境: 客戶有上百份文件、競品比較、產品手冊 — 不可能讓 AI 每次 query 都讀全部。Wiki 是預先整理好的主題索引,讀一頁就涵蓋大部分問題。L1 Hit 時答案速度比 L2 快 10×、cost 低 5×。
是什麼: 所有內容切 chunk 進 pgvector(向量資料庫)。query 進來算 embedding 找相似 top-k chunk。L1 沒有再 fallback 到這層。語意搜尋,但比 L1 慢。
怎麼運作: 每個文件切成 500-token chunks,用 OpenAI text-embedding-3-large 算向量存 pgvector + BM25 雙索引。query 進來算同一 embedding 用 cosine similarity 找 top-10 chunks。
使用情境: L1 Wiki 沒涵蓋的細節問題(例如「型號 ABC 螺絲規格」) → L2 Vector 從原始文件 chunks 找答案。語意層級匹配,即使 query 用不同字眼也能找到。
是什麼: 關鍵字精確比對。L2 還沒命中再走這層。例如客戶查「型號 ABC-123」這種精確 token,vector 不一定 match,BM25 才好用。
怎麼運作: PostgreSQL ts_vector 全文索引 + BM25 排序。query tokenize 後比對精確詞 / 詞幹,非語意層級而是字面層級。
使用情境: 型號 / SKU / 序號 / 法規條文編號等「精確字串」場景。Vector embedding 對這類短 token 表現差,BM25 反而最強。三層 cascade 確保任何 query 都有最佳工具處理。
是什麼: FAQ 唯一中央資料庫。Admin 在 dashboard 維護一份 FAQ,自動同步到:Schema.org FAQPage rich result(Google) + AXP /c/{slug}/faq 頁(AI bot) + RAG L1 Wiki + 客服 chat widget。
是什麼: 已被人工驗證的事實表(category + fact_key + fact_value + verified_at + source_url)。優先級最高,所有「比對 / 校正 / 修復」一律先看這。
是什麼: Google 標準的結構化資料格式,把 brand_faq 的 Q&A 轉成 JSON-LD 放在頁面 head,Google 搜尋結果會展開「FAQ rich result」(可折疊的常見問題),點擊率比一般結果高 2-3 倍。
是什麼: Google 認證的「校正」標準。對 AI 講錯的事實,我們用 ClaimReview 標記「原 AI 說 X / 真相是 Y / 評分為 false」。Google 搜尋會顯示「Fact Check 標籤」,提升品牌可信度。
是什麼: 兩個給 AI 爬蟲 discovery 用的標準檔案(類似 robots.txt 給 Googlebot)。llms.txt = 簡短目錄(章節 + 連結);llms-full.txt = 完整聚合內容(類似網站全集)。AI 爬蟲先讀這個再決定爬哪些頁。
是什麼: 在 Cloudflare 邊緣節點(全球 300+ 城市)跑的 JS 程式,攔截客戶域名訪問。我們用 Worker 偵測 AI bot UA 並 proxy 到 GEO 平台 backend。低延遲(< 50ms 全球),客戶無感。
怎麼運作: 客戶把網站 DNS 移到 CF + 設成 Proxied(橘雲)。平台 admin 給 brand_token,客戶在 Worker secret 設好。新功能上線時平台一鍵 redeploy 全部客戶 Worker(~5 分鐘 1000 brand)。
使用情境: 不需要客戶改原網站 / 改 server / 改 nginx。只要 DNS 過 CF 一次設定,平台之後接管所有 AI 流量。1 萬租戶等於 10 個的維運成本 — 因為不需逐戶手動部署。
是什麼: 客戶域名綁定我們平台的 hash 字串。客戶在 CF Worker 設此 secret,Worker 用 token 認證向 GEO backend 取 AXP 內容。token 防偽 + 配額追蹤(知道哪個客戶的 Worker 流量)。
是什麼: 客戶網站可能已有 sitemap.xml,我們的 AXP 衍生 URL(/c/{slug}/faq 等)也要進 sitemap 給 AI 爬蟲 discovery。Worker 自動合併:客戶原 URL + 平台衍生 URL,不覆寫客戶既有內容。
