本工具将Princeton大学GEO论文(KDD 2024)的核心评估框架产品化——模拟生成式引擎的完整RAG（Retrieval-Augmented Generation）流程：检索Top结果→用LLM生成带引用回答→计算可见性指标。论文采用5次采样取平均的方法确保结果稳定性，本工具完全复现此方法。
Visibility = WordCount + Position-Adjusted + Subjective Impression
| 指标 | 公式 | 含义 |
|---|---|---|
| Word Count | 你的引用词数 / 回答总词数 × 100 | 你的内容在AI回答中占多少篇幅 |
| Position-Adjusted | Σ words × e^{-pos/|S|} | 位置加权——越靠前的引用权重越高 |
| Subjective Impression | 7维度综合评分 | 内容质量的主观感知得分 |
发布前将你的内容和排名前5的竞品内容一起输入，模拟AI引擎是否会引用你的内容、引用多少、在什么位置。低引用率说明需要先优化再发布。
将内容的两个版本分别运行模拟，对比引用率和可见性指标变化。例如：版本A（原文）vs 版本B（添加了引用来源和统计数据），量化GEO优化的效果。
输入同一查询下你和竞品的内容，查看检索排名和引用率差异。理解为什么竞品被引用而你没有——是语义相关性不够？还是缺少权威信号？
用GEO一键优化器优化内容后，在这里重新运行模拟，对比优化前后的3项指标变化，量化优化效果。
同一内容用不同查询词运行模拟，发现内容对哪些查询引用率高、哪些低，指导内容覆盖策略。
输入行业核心查询+5家竞品内容，查看各家的引用概率排名，了解在AI搜索中的竞争格局。
将每条FAQ回答单独作为「你的内容」，用对应的问题作为查询词运行模拟，验证FAQ回答是否足够好以被AI引用。
每次内容更新后运行一次模拟，建立引用率趋势追踪。观察哪些优化动作带来了最大的引用率提升。
输入用户可能在AI搜索引擎中提出的问题。
粘贴要测试的页面内容。
粘贴2-5个竞品的内容（模拟搜索结果Top5）。可用「加载示例」快速体验。
PHP服务端执行5次RAG采样，计算3项可见性指标。
GEO可见性总分+3项指标+检索排名+5次模拟引用详情+优化建议。
按建议优化内容后重新运行，追踪指标提升。
模拟基于TF-IDF语义匹配+概率采样，与真实LLM有差异但趋势一致。论文在Perplexity.ai上验证了模拟与真实环境的相关性。结果用作优化方向参考而非精确预测。
论文方法论要求：LLM生成有随机性，单次结果不稳定。5次采样取平均可显著降低方差，得到更可靠的可见性评估。
搜索目标查询词，复制排名前5的页面内容粘贴进来。或用Ahrefs/Semrush查看该查询的排名页面内容。不需要完整HTML，粘贴主要文本内容即可。
用指数衰减函数e^{-pos/|S|}加权引用位置。在AI回答开头被引用比在结尾被引用价值更高——因为用户更关注前面的内容。
说明你的内容在AI回答中占比小。增加内容深度和独特信息量，让AI有更多值得引用的段落。
如果竞品内容与查询的相关性远高于你，引用率为0是可能的。需要大幅提升内容与查询的语义匹配度。
可以但不推荐。没有竞品作为对照，引用率会虚高（100%），无法反映真实竞争环境。至少添加2-3个竞品。
评分器分析单个内容的GEO优化程度。模拟平台模拟完整的竞争环境——你的内容+竞品一起参与AI引擎的检索和生成过程。前者是「单人体检」，后者是「竞技场模拟」。
正常。模拟包含概率采样（模拟LLM的随机性），每次结果会有小幅波动。这正是论文要求5次采样取平均的原因。多次运行的平均趋势更有参考价值。
WordCount × 35% + Position-Adjusted × 35% + Subjective Impression × 30%。三项指标分别衡量引用篇幅、引用位置和内容质量。