研究报告发布 · 星辰汇 AI 增长研究院

文｜梁海龙　星辰汇 AI 增长创始人

过去一段时间，和企业、市场负责人、GEO 从业者交流，有几句话我听得特别多。

“发够四五十篇稿，AI 就会推荐你。

”“我们能做全平台前三。”

“想让 AI 信任，先上权威媒体。”

还有一种更直接的证明：拿出一张截图，你看，第一名。

这些说法听起来都挺有道理，也确实影响着企业的营销预算。但往下问一步，就会遇到一些不好回答的问题，比如：今天第一，明天还是不是？这篇稿子被引用了，客户就能看到你的品牌吗？豆包里出现了，DeepSeek 里也会出现吗？

企业真正需要知道的，是这些GEO动作到底改变了什么，又能留下什么。

所以，2026 年 10 月，我们在星辰汇 GEO 开源共创群里发起了一次测试。围绕 22 个行业，设计了 186 道用户在购买、比较和选择服务时会问的问题，在豆包、元宝、DeepSeek、千问上连续观察了十天。

来自16个全国各地的测试员每日进行真实提问、保存回答和引用，我们再把记录整理起来，尽可能取回被引页面的正文，比较同一个问题每天发生了什么变化。

最后留下的是 4,642 条有效回答、70,145 条引用记录，以及 43,181 个去重后的被引网页。

这些数据组成了星辰汇 AI 增长研究院的这份报告：《谁在决定 AI 推荐谁——2026 年中国生成式 AI 推荐行为研究报告》。

完整报告有七章，从 AI 会推荐谁，一直讨论到信源、关键词、软文、推荐稳定性，以及企业该怎么做、怎么验收。研究方法、指标定义、186 道题目和数据的局限，也一并放在了附录里。

完整报告和开源工具的获取方式放在文末。先说几个让我重新思考 GEO 做法的结果。

一、同样的问题连问AI十天，为什么结果差这么多？

先看两个真实用户在AI里会问到的问题。

第一个是：“婴儿推车哪个牌子好”

在这道题里，四个 AI 的首位推荐都发生过变化。豆包会在逸乐途和 bebebus 之间切换，DeepSeek 十天里出现过六个不同的首位对象。

如果你每天只看一眼，每天都可能得到一个新的判断。

再看另一道题：“上海做近视手术哪家医院好。”

四个 AI，十天，40 条回答，首先列出的医院都是复旦大学附属眼耳鼻喉科医院。

一边是首位频繁变化，一边是 40 次都列出同一家机构。

你所在的品类，有没有几家反复被提到的企业？它们只是展示顺序在换，还是整个候选名单都在换？有的品牌虽然很少排第一，却几乎每天都出现，这种表现又该怎么评价？

二、AI 会给小品牌留下GEO的空间吗？

这是很多中小企业最关心的事。

在我们的测试题目里，有“空调买哪个牌子好”“上海装修公司哪家靠谱”，也有“制造企业的 ERP 系统哪个好”“非标自动化设备厂家哪家好”。

这些问题的共同点是：提问的人正在找一个寻求解决方案。

在这组问题的有效回答中，93.9% 提到了至少一个品牌、商家或机构。对于这类场景，AI 经常会直接把候选对象列出来。

不过，问法一变，结果也会变。

直接问“哪个牌子好”“哪家靠谱”“用哪个平台”，点名比例都在 97% 以上；问“怎么选”，这个比例是 73.7%；问“多少钱”，只有 31.7%。价格问题里，AI 往往先解释行情和预算，不一定马上列商家。

这件事对企业选题很有用。你希望被推荐，就得先找到客户确实在寻求选择建议的问题。把一个本来就很少出现品牌的问题，硬当成“推荐率”的考场，很可能从起点就选错了指标。

名单的容量，也没有很多人想象得那么小。

把同一道题在四个 AI 上的十天回答合起来，出现过的不同对象数量，中位数是 27 个。出现次数最多的前三个对象，合计占全部提及的比例，中位数约为 32%。

在这批题目里，候选名单远不止两三个名字。头部对象更常出现，其他对象也有进入回答的机会。当然，进入过一次，与长期留在名单里，价值差别很大。

四个平台给出的名单长度也不同：豆包和千问每条回答列出的对象数量，中位数是 9 个，元宝是 8 个，DeepSeek 是 5 个。

同样叫“被 AI 提到”，实际面对的名单长度、问题类型、竞争对象，都可能不同。服务商报给企业的那个数字，只有把这些背景说清楚，才知道它意味着什么。

图 2｜观测窗口为 2026 年 10 月 16—25 日。部分问题、平台和日期缺测，各项分析按相应条件筛选，并非完整的 186 × 4 × 10 样本。来源：报告研究说明、附录一。

三、“GEO全平台保前三”，到底靠不靠谱？

如果名单里有推荐的位置，企业自然会继续问：能不能让我一直排在前面？

这次我们专门追踪了推荐位置。

同一道题、同一个 AI，相邻两次观测的首位保持不变，比例大约只有一半。只看十天都有点名回答的那部分组合，首位不变比例有所提高，但仍然不是一个可以拿单次结果代表长期状态的数字。

再往下看前三。

在纳入这项分析的 338 个“问题 × 平台”组合里，首日进入前三的 997 个对象记录，之后每个有效观测日都留在前三的，只有 22.9%。

这个比例低，并不意味着前三没有价值。如果一家企业在多次回答里经常进入前三，另一家偶尔才出现一次，两者当然有差别。问题出在我们用什么方式描述和验收这种差别。

图 3｜两项指标的分母不同，分别来自报告图 3-1、图 3-2。“每个观测日”指该组合有有效数据的日期。

对企业来说，最容易被看懂的证据，往往也是信息最少的证据：一张截图。

它可以真实地记录某一刻的结果。但如果没有其他日期的记录，你不知道截到的是常态，还是这一段时间里少见的一次。

平台之间的差别，又给这件事增加了一层难度。在四家当天都给出了对象名单的 759 个“问题 × 日期”中，四家的首位完全一致，只占 15.2%。

这也是为什么我不太愿意只看一个笼统的“全网推荐率”。企业在豆包上的表现变好了，不能顺手推导出元宝、DeepSeek、千问也都变好了。

我们更应该问：哪一个平台、哪一类问题、在多长时间里，企业出现了多少次？原来没有你的回答，现在有没有你？原来信息写错了，现在是否改对？

这些问题没有一张“第一名截图”那么直观，却更接近企业真正需要的验收。

四、一篇稿子被引用，到底能管多久？

排名在变，那内容呢？

很多 GEO 服务会把发稿数量、被收录数量、被引用截图放在交付最显眼的位置。企业愿意为此付费，是因为它期待这些内容能持续带来可见度。

我们把同一道题、同一个 AI 引用过的网页拿出来，观察它们在十天窗口里出现了多少天。

在纳入分析的 30,758 个“网页 × 问题 × 平台”记录中，71.4% 只在一个观测日出现引用。这是某一网页在特定问题、平台和十天窗口里的记录；它仍可能在其他问题或之后的日期被引用。

有意思的是，网页换得多，名字却没有以同样的幅度更换。

比较 2,825 组相邻两天的回答，引用网页的重合度中位数是 15%，提及对象的重合度中位数是 50%。这里的重合度，按两天共同的部分除以两天合计的去重集合计算。

也就是说，今天读到的页面和昨天可以很不一样，回答里的候选对象仍然可能有相当一部分相同。

如果你把“我这篇稿子有没有再被引用”当成全部效果，就可能漏掉品牌依然在回答里出现这件事。反过来，稿件被引用，也不代表你的品牌一定进入了候选名单。

文章的被引轨迹、品牌的出现轨迹，值得分别记录。

这对服务交付的影响很实际。交付了多少篇，是工作量；哪些页面被引用，是一个可见结果；品牌是否持续出现，是另一类结果。把几件事放在同一张表里，企业就更容易判断钱花到了哪里。

五、为什么有的品牌，只在稿件被引用时出现？

发稿究竟能改变什么？我们挑了一类能识别的内容继续追踪。

在取回正文的被引页面里，有 295 篇自己声明为“广告”“企业宣传”“商业推广”。我们识别了它们主要推介的对象，再把相关问题每天的回答放在一起看。

先看报告保留的一个匿名案例。

一家律师事务所在千问的“上海劳动纠纷律师哪家好”这道题里，十天中有四天出现了它的自标广告页引用，其中三天进入名单，分别在第 8、第 6、第 3 位。其他六天没有引用这类稿件，它也没有出现在名单里。

某建站公司、某代运营公司，也出现了相似的记录。

这只是几个案例。把样本放在一起，能不能看到类似的区别？

两组对象的差别很明显。

一组在同一道题下，被至少三个 AI 提到过，我们把它理解为具有较广的跨平台提及基础。这组对象在软文被引用的日子，出现率是 78.5%；没有引用软文的日子，仍有 68.9%。

另一组的跨平台提及较少。软文被引用时，出现率是 44.0%；未被引用时，只有 12.3%。

图 4｜来源：报告图 2-3，共 80 个“对象 × 组合”。跨平台提及较少一组仅有 50 个被引日、155 个未被引日；这是观察关联，不是发稿前后的对照实验。

对企业来说，这些案例值得看，因为它们把一种容易被概括成“有效”的结果拆开了：这家企业确实进入过名单，但出现到什么位置、持续多少天、与哪些引用同时发生，是另外几个问题。

我们没有做“先不发稿，再发稿”的干预实验，不能根据这些记录说，稿件带来了多少增量，更不能把 44.0% 和 12.3% 直接换成投放回报。

但它至少提醒了我：如果品牌的出现高度伴随着某几篇稿件被引，那么企业需要继续检查，这种表现有没有持续性。

而且，我们能识别的只是明确写了商业声明的页面。没写声明的内容，不能据此判定有没有商业关系。所以报告里的“软文”，是有明确识别条件的一类样本，不能替代对整个内容市场的判断。

企业没有必要因此放弃内容投入。更值得调整的是期待：既要看内容有没有被读到，也要看品牌在相关问题中能否持续出现，以及内容本身有没有真实的信息价值。

六、为什么同一套稿件，很难在四个平台取得同样的效果？

内容该发在哪里，是企业做 GEO 时绕不开的一笔预算。我们把四个平台的引用来源拆开，差别比一份“权威媒体清单”能够解释的要大。

按本次引用记录统计，豆包有 64.4% 来自抖音作品，包括视频和图文；元宝有 15.3% 来自微信公众号；DeepSeek 有 25.2% 来自知乎；千问有 33.4% 来自垂类专业网站。

这四个数字的分母，分别是各平台的引用条数。它们不是同一类来源之间的比赛，而是在说明各平台资料构成的差别。

图 5｜来源：报告图 4-4。这是所选问题与观测期内的引用分布，并非平台的完整来源清单或固定规则。

如果一家企业的客户主要使用豆包，但内容长期没有抖音，值得检查的就是：在客户真正会问的那些问题里，豆包能否看到足够准确的信息。

如果目标是 DeepSeek，也应该先看看相关问题中，知乎或其他渠道上有哪些内容正在被使用。泛泛地说“我们已经发过很多权威稿”，回答不了这个问题。

但事情还没有简单到“豆包等于抖音，DeepSeek 等于知乎”。

同样是豆包，回答个人消费问题时，抖音作品在引用中的占比是 68.8%；回答企业采购和服务问题时，是 46.9%。客户类型换了，资料结构也跟着变了。

再往下拆，DeepSeek 引用的 4,823 条知乎内容中，75.5% 是专栏文章，21.9% 是问答。连“做知乎”这三个字，落到执行时都要继续问：这批问题更常用哪一种内容？相关内容需要解释什么？

这些比例当然受题目构成影响，换一批行业、换一组问题，结果可能不同。

也正因为如此，企业做 GEO 前值得先做一轮基线观察。拿自己的目标问题，看看客户使用的 AI 正在引用什么，再决定投入。它能帮助你减少那些看起来很忙、却未必对应实际信息需求的动作。

七、你还在研究关键词，AI 已经把问题改写了

除了看 AI 引用了什么，我们还想知道，它到底拿什么去搜。

在能够导出查询信息的记录里，我们收集到 9,952 条搜索词。把它们和用户原问题逐一对比，忽略句末问号和句号之后，完全一致的只有 1.7%。

剩下的绝大部分，都不是原封不动地把用户那句话拿去搜索。

AI 会改写，也会把一个问题拆开。同一道题、同一个平台，十天里出现过的不同搜索词数量，中位数是 13 个。

图 6｜来源：报告图 4-2。统计对象是可导出的搜索词条目，不能视为全部内部查询或实际搜索次数；千问只有部分回答导出了这类信息。

这让“用户意图”变成了一件很具体的事。

比如一个企业问“制造企业的 ERP 系统哪个好”，它可能还要比较行业适配、部署方式、现有系统怎么对接、交付周期和后续维护。企业的内容如果只反复写“我们是优秀的 ERP 服务商”，这些决策问题就没有得到回答。

即使文章里放进了同样的几个关键词，也不等于提供了足够的信息。

我的理解是，关键词仍然可以帮助我们组织问题，但内容不能停在字面。要继续往下追问：客户到底担心什么？比较什么？哪些条件会让他从一个选项转向另一个选项？

报告里，不同平台导出的查询习惯也有差别。有的更常带年份，有的会限定网站，有的偏向口语化表达。但这些可见信号适合拿来做观察和验证，不适合马上变成一条新的秘诀——比如“标题加上年份，AI 就一定推荐”。

今天搜索词是什么，明天可能又会改。把决策所需的事实和证据准备充分，比押中某一句表达更值得长期做。

八、几百个不同网页，最后却绕回同一个名字

如果引用一直在换，搜索词也在变，那些反复出现的品牌，到底靠的是什么？

这也是整份研究里，我最想继续追下去的问题。

在四个平台都有回答的 178 道题上，我们把每道题的四个平台两两比较，合并十天窗口里各自引用过的网页，以及提及过的对象。

网页的平均重合度，只有 0.32%；提及对象的平均重合度，却有 42.0%。

图 7｜来源：报告图 5-1。178 道题，每题六组平台配对，重合度均按交集除以并集计算；不是四家同时共有的比例。

报告里有一道“轮胎哪个牌子好”。四个 AI 共引用了 516 个网页，被两家以上同时引用的只有 5 个。但在 38 次回答中，36 次首先列出米其林。

各自找到的网页相差很大，最后出现的候选，却没有那么分散。

我们又把对象按“同一道题下被几个 AI 提到过”分组，看看它在单个平台里出现得有多持续。

只被一个 AI 提到过的对象，在单个平台中出现的观测日占比，中位数是 12.5%。被两个 AI 提到过，是 20%；三个 AI，是 33%；四个 AI 都提到过，是 75%。

图 8｜来源：报告图 5-3。这里的“被提到过”指整个观测窗口内至少出现一次；75% 是样本中的出现日占比中位数，不是未来推荐概率。

这让我更愿意把企业的目标理解为：逐步成为相关问题里经常出现的候选。

如果一个品牌能在不同渠道中被准确地介绍，产品能力有可核验的记录，用户评价有真实的来处，那么无论从哪个入口去了解它，都更容易找到完整的信息。这是我认为企业值得投入的方向。

但我们也得承认，这组数据还没有把背后的原因彻底分开。

四个模型可能接触过相同的训练材料，一篇内容也可能被转载到多个网址。网页不同，不等于信息就彼此独立。“被几个 AI 提到过”来自同一批回答，也不能直接代替企业在现实中的销量、市场份额或客户口碑。

因此，把这些结果解释为现实认可度的体现，是我们的研究判断，仍然需要更多证据检验。

下一轮，如果能把独立于 AI 的真实业务指标也放进来，我们就更有机会回答：持续被提到的企业，究竟在哪些方面做得更好？这种稳定性又会不会随着真实经营的变化而改变？

比起急着宣布找到了一个算法秘密，我更想把这个问题继续做下去。

九、AI 看见的你，和企业真实的你，中间差了什么？

如果一家企业产品不错、服务也不错，却在 AI 回答里很少出现，或者出现时总是旧信息，那才是很值得具体研究的情况。

报告把这类问题归纳成三个差距：时间、视角和场景。

先说时间。

在能够取得发布日期的那部分引用里，被引内容距离观测日的年龄中位数，千问是 71 天，元宝是 107 天，豆包是 115 天，DeepSeek 是 138 天。

这部分只占全部引用的约 3.9%，并非随机样本，因此不能推算整个平台的内容新旧程度，更不能当成 AI 收录需要等待多少天。

但它提醒企业做一件很实际的检查：那些已经改过的价格、关闭或新增的门店、更新过的资质和服务范围，是否还停留在旧版本里？

几个月前的内容也可能依然准确。真正需要处理的，是企业已经发生变化，而外部资料还没有跟上的部分。

视角差就更容易理解了。企业在官网写得很完整，不代表它在抖音、公众号、知乎或行业网站上的介绍同样完整。前面看到的平台信源差异，意味着企业需要从不同入口看看自己。

场景差，则发生在“介绍了自己，却没有讲清适合谁”。

报告对 160 条回答的抽样标注中，约 38% 会按人群、预算、使用场景分开讨论选择。这个比例只是抽样观察，却能说明一个值得重视的表达方式：AI 会试着把条件和候选对象对应起来。

例如，一家服务商擅长什么规模的客户，适合什么预算，能覆盖哪些地区，哪些需求做不了，这些信息都值得明确写出来。别人理解你时需要这些条件，AI 组织答案时也可能需要。

更麻烦的是，即使引用了资料，答案也未必完全准确。

我们核对部分回答时发现过这样的情况：回答写的是某品牌“2026 年上半年销量占比 34.2%”，引用原文却是“1—2 月销额占比 32.8%”。时间段、销量与销额、百分比，三个地方都发生了变化。

还有不同型号被合并介绍、某一款产品的资料被用来说明整组产品的情况。这些是核对出的个案，不是全量错误率，但足够提醒我们：被提到以后，还要看它有没有把你说对。

企业的事实底稿为什么要写到型号、日期、适用条件和统计口径？因为只写一句笼统的“行业领先”，根本无法检查回答究竟哪里对、哪里错，也很难有针对性地修正。

十、企业到底该把 GEO 的钱花在哪里？

说了这么多观察，最后还是要落到企业怎么做。

我建议，先别急着讨论买多少篇文章。先把两个问题放到一起：企业在现实中的优势是什么，AI 有没有准确地呈现这些优势？

如果产品和服务本身还有明显短板，客户评价也不好，就不能指望内容优化承担全部增长任务。相反，如果企业在某个细分市场做得很好，案例、资质和交付能力都有依据，AI 却很少提到，或者总把业务范围说错，那么工作就有了具体的切入点。

报告第六章放进了我们在企业交付中使用的 “星辰汇企业级 GEO 十环路径”。

它从事实本体开始，依次经过业务目标、用户意图、基线检测、策略形成、内容制作、信源管理发布、持续监测、效果归因，最后回流本体，把发现的新问题补回事实库。

图 9｜来源：报告第六章。这是星辰汇的工作方法框架，具体效果需要在项目中验证。

拿前面的 ERP 选型问题举例。企业先把产品适用的行业、客户规模、部署方式和交付条件列清楚，再决定这次要改善哪一类客户的咨询，整理他们在选型时会问的问题。

接着，在做内容调整之前，保存各个平台现在怎样回答。如果产品确实支持某种部署方式，现有资料却没说明，或者 AI 把适用的企业规模说错了，这就是可以动手处理的缺口。

补充资料时，把条件、依据和更新时间写清楚，再根据相关问题的引用情况选择渠道。之后继续用同一批问题观察：回答里有没有这项条件，是否说对了，品牌在名单里的出现情况怎样？咨询有没有变化，则单独跟踪。

这只是把十环放进一个选型场景的示例。它没有保证某个动作一定让推荐率提高，但企业至少能说清楚，做之前缺了什么，这次补了什么，后面实际发生了什么。

这些工作未必像“七天上前三”那么有冲击力，但会留下可维护、可检查的材料。下一轮模型、渠道或用户问法变化时，企业还可以继续使用和更新。

到了验收，我们在报告里给出了几项需要分开看的指标。

推荐率，看给出了对象名单的回答里，有多少包含企业。首位率，看同一分母下，企业首先出现了多少次。引用率，则在附有引用的回答里，观察有多少引用了提到企业的页面。再把主要竞品按同样口径放在一起比较。

这些比例各有分母，不能混着使用。提及次数也不等于回答次数，同一条回答里出现品牌五次，不能当成获得五次推荐。

样本太少时，就如实报“多少条里出现了几条”。重复采集要保留相同的问题和条件，完整记录回答。业务上是否多了咨询、是否产生了有效线索和成交，还需要另外跟踪，不能用一个更漂亮的排名代替。

最后，把监测中发现的信息缺口补回事实库。它可能是一处旧价格，也可能是没有讲清的适用场景。处理完，再观察，再改进。

这是我理解的企业级 GEO：一项需要业务、内容和监测协同推进的持续工作。企业也因此有机会掌握自己的资料和判断标准，知道服务商交付了什么，下一步该改什么。

十一、接下来，我们还想验证三件事

十天能看到一些变化，也会留下很多新问题。

报告最后一章，我们写了三个关于未来的判断。我把它们当作下一阶段需要追踪的方向，并不认为这次测试已经证明了它们一定会发生。

我判断，各平台的信息来源还会继续分化。它们已经呈现出不同的内容构成，企业需要更认真地处理各渠道的信息完整性，再用自己的行业和客户问题持续验证。

我也判断，商业内容的识别和处理会越来越受重视。这次研究已经观察到自标广告页面进入引用。平台接下来会怎么处理，仍需跟踪；企业可以先检查，如果某一类页面的使用方式变了，自己的信息是否还有其他可靠出处。

还有一个方向，我认为会继续往前走：推荐进一步连接商品、咨询、预约和交易。接下来要观察的，是企业的履约、退货和客户反馈，会以什么方式进入这个过程，哪些信号能够被使用。

对这件事，我尤其感兴趣。因为企业最终要解决的是经营问题。AI 有没有提到你，是值得研究的开端；它是否帮助合适的客户找到合适的产品和服务，还需要沿着后面的过程继续验证。

写在最后：这份报告为什么要放到社群里一起做？

一开始，大家带来的就是很朴素的问题：GEO 到底有没有用？那些听起来很确定的说法，能不能拿数据看一看？

这次参与测试的伙伴，把十天里的回答和引用逐步积累起来，才有了后面的比较。有人连续完成了十天，有人参与了一部分，每一份认真保存的记录都有价值。

我想特别感谢这次共创中的张珈瀚、张银良、李江、杨文杰、靠谱哥安迪、韩广宾、黄仕友，以及附录中列出的所有参与者。

这份报告能做出来，离不开他们。

我们也把问题清单、方法和局限一起放了出来。这里有缺测，有无法完全控制的账号和对话差异，对象识别也有误差。有些现象，现在只能提出解释，下一轮还得设计更好的方法去检验。

愿意把这些写出来，是因为我希望这项工作能够继续被讨论、被复核，必要时也被修正。

如果你愿意认真研究企业如何做好 AI 搜索营销，欢迎加入星辰汇 GEO 开源共创群。

你可以来获取完整报告，交流AI落地的开源体系，也可以带着自己的行业、自己的问题，参与后续测试。企业负责人、市场团队、从业者看到的实际情况不同，放到一起，往往能发现一开始没有想到的问题。

长按识别下面的企业微信二维码，申请加入即可。

星辰汇 GEO 开源共创群｜完整报告 · 开源工具 · 持续测试与交流

报告里有句话，我想放在这里，作为这次发布的结束：

期待在下一轮研究里，和大家把这句话做得更具体。

报告与研究说明

GEO 即 Generative Engine Optimization，通常译为“生成式引擎优化”，本报告重点研究其与品牌决策相关的部分。本文解读的《谁在决定 AI 推荐谁——2026 年中国生成式 AI 推荐行为研究报告》，由星辰汇 AI 增长研究院发布，报告标注发布月份为 2026 年 10 月。观测窗口为 2026 年 10 月 16—25 日，使用 BrandChecker 采集公开 AI 产品的电脑端回答。5,560 条原始记录经清洗、剔除流程自测题后，保留 4,642 条有效回答。

本研究为观察性研究，问题集非随机抽样，数据反映本批问题和观测窗口。各平台、日期的记录并不完全齐备；账号、地区、设置和对话上下文未完整控制，观察到的波动也混合了生成与采集差异。对象采用名称与别名识别；160 条抽样与另一模型独立标注相比，首位识别一致率为 93.8%，并非人工金标准审核。约 22.6% 的被引来源取回了正文，涉及正文的分析另设样本条件。完整方法与局限见报告附录一至三。

文中提及品牌与机构，用于说明回答记录，不构成对其产品、服务或专业能力的评价，也不代表各平台官方立场。推荐表现不能直接折算为成交贡献。

关于星辰汇 AI 增长研究院

星辰汇 AI 增长专注企业 AI 营销增长，从 GEO 切入。星辰汇 AI 增长研究院关注生成式 AI 如何改变用户决策，以及企业如何在 AI 回答中被准确理解，通过推荐行为观测、研究方法公开与社群共创，提供研究与实践参考。

© 2026 星辰汇 AI 增长。