本工具基于CMU AutoGEO论文(ICLR 2026)定义的可见性计算公式 Vis(d,a) = Word(d,a) + Pos(d,a) + Overall(d,a)，模拟多篇文档在AI搜索中的引用竞争。与GEO-bench模拟平台不同，本工具专注于三项可见性指标的精确计算和文档间对比排名，支持灵活的采样次数和A/B测试。
Vis(d, a) = Word(d, a) + Pos(d, a) + Overall(d, a)
| 指标 | 公式 | 含义 | 权重 |
|---|---|---|---|
| Word | 引用词数 / 回答总词数 | 你的内容在回答中占多少篇幅 | 35% |
| Pos | Σ words × e^{-pos/|S|} | 位置加权——靠前引用权重指数级衰减 | 35% |
| Overall | 质量信号综合评分 | 引用/数据/结构/FAQ等质量信号 | 30% |
将你的内容和4个竞品一起放入模拟器，查看在同一查询下的可见性排名。你是第1名还是第5名？三项指标哪个最弱？
将内容的两个版本分别作为"我的内容"运行模拟，对比可见性变化。例如：原版 vs 添加了引用来源和统计数据的版本。
论文Table 3证明AutoGEO可将最低可见性文档从9.46提升至35.83（+279%）。用模拟器找出你的低可见性内容，然后用GEO优化工具定向提升。
同一内容用不同查询词运行，发现它对哪些查询可见性高、哪些低。可见性低的查询说明内容缺少相关语义信号。
发布前将新内容和已知竞品一起模拟，预测是否能在AI搜索中获得引用。可见性<30分建议优化后再发布。
优化前运行一次记录分数→优化→再运行一次→对比三项指标的变化，量化每次优化的效果。
输入行业核心查询+5家竞品，一次模拟得到完整的可见性排名，了解AI搜索中的竞争格局。
对比"写一篇新内容"vs"优化现有低可见性内容"的模拟结果。论文数据显示优化低可见性内容(+279%)比优化高可见性内容(+10%)ROI更高。
输入目标AI搜索查询。
粘贴你的页面内容，标记为"我的内容"。
粘贴2-5个竞品内容。可用"加载示例"快速体验。
论文推荐5次。更多次数结果更稳定但耗时更长。
PHP计算Vis=Word+Pos+Overall三项指标。
可见性排名+三指标对比+引用率+占比分布图+优化建议。
GEO-bench基于GEO论文(Princeton)的3项指标。本工具基于AutoGEO论文(CMU)的可见性公式Vis=Word+Pos+Overall，计算方法和权重不同，且专注于多文档竞争模拟和A/B对比。
是论文Table 3的实验数据——从基线9.46提升到35.83。低可见性文档提升空间大，因为基数低。工具可帮你识别哪些内容处于"低可见性"状态。
3次=快速预览，5次=论文标准(推荐)，8-10次=高精度研究。更多次数降低随机波动，但趋势通常3次就能看出。
Overall衡量内容质量信号：添加权威引用(+5/个)、统计数据(+4/个)、专家引述(+5/段)、H标签(+3/个)、FAQ模块(+10)、内容长度1500+(+15)。
权重各35%，同等重要但含义不同。Word高Pos低=被引用但在末尾。Pos高Word低=靠前引用但篇幅小。两者都高才是理想状态。
正常，包含概率采样模拟LLM随机性。这是论文方法论的一部分——多次采样取平均更有参考价值。
搜索目标查询，复制排名前5页面的主要文本内容。不需要完整HTML，核心内容即可。
不一样。Google排名基于PageRank+相关性+体验。GEO可见性排名基于AI引擎的引用偏好——高Google排名的页面可能GEO可见性不高（反之亦然）。
至少需要2个文档。没有竞品对照，可见性分数虚高无参考价值。建议3-5个竞品。
第一次：将原始内容标记为"我的"运行模拟，记录分数。第二次：将优化后内容替换原始内容重新运行。对比两次的Vis/Word/Pos/Overall变化。