MEMECMO：把 GEO 从一句口号做成可测量的产品

为什么做这个产品

2026 年，买家做决定前先问 AI 已经是常态。品牌方随之发现一件尴尬的事：他们在搜索引擎上排得不错，但在 AI 的回答里根本不出现——不是排名靠后，是压根没被提及。

市面上很快出现一批号称做「GEO」的工具，做法大同小异：拿品牌官网和一批 SEO 关键词，生成一堆含品牌名的问题，每天去问模型，然后画出一条漂亮的曲线。问题是，当你在问题里已经写了品牌名，模型当然会提到它。这种测量是自我印证的，客户据此做的任何优化都无法被验证。

我们决定把产品的第一性原理定在测量上：先让「AI 有没有主动提到你」这件事可被测量、可被复现、可被第三方质疑，再谈优化。这个决定贯穿了 MEMECMO 的全部设计，也是后来观澜 GEO 平台（香港）能把整次扫描公开的原因。

商业价值公式：为什么是乘法

基础智能是可以买到的：几家实验室的 API，价格逐年下降，能力逐月上升。它是必要条件，但它对所有人开放，因此不构成任何人的护城河。

工程交付是把智能变成能被业务人员使用的东西的能力。我们内部叫它 Vibe Coding：以黑客松节奏、低代码为底，几周内交付一个能在真实环境跑通的最小可行产品，而不是半年后交付一份没人打开的系统。

垂直职能资本是一家公司多年沉淀下来的行业判断力：什么算一条有效线索、什么样的合规表述不能碰、哪些说法会激怒监管、某个品类的买家实际会怎么问问题。它无法从公开语料里学到，因为它从未被写下来过。

把三项写成乘法，是因为现实中它们互相不能替代。只有 API 没有交付能力，是 demo；有交付没有职能资本，做出来的是通用工具，客户用两周就弃；有职能资本不会交付，那些经验就永远停在人的脑子里，无法被调用、被复制、被审计。

重新理解「职能资本」

职能资本（Functional Capital）

一家公司在长期经营中沉淀、但从未结构化的行业判断力与工作方法。它存在于老员工的经验、过往案卷、内部评审的口头标准里，不在任何系统中。

生成式 AI 之前，职能资本的价值被低估，因为它只能靠人传人，扩散慢但也没人能抢。生成式 AI 之后，情况反转：通用模型把「通用能力」变成了随处可得的商品，于是一家公司还剩下的差异，几乎只剩下它独有的那部分判断力。

所以我们不卖通用系统。我们做的是把客户已有的经验取出来、结构化、变成可以被智能体调用的资产——我们把这件事叫做「职能资本逆向工程」：不改变客户现有工作流，先从历史文档、过往案卷与内容库提取认知切片，建成他专有的知识图谱，再用敏捷节奏交付可用界面。

在 MEMECMO 上，这件事具体表现为品牌档案：一份逐条编号、全部来自客户官方公开渠道的事实清单。它不是营销文案，而是判定 AI 有没有说错话的基准。档案越完整，「答错提醒」越有价值；档案薄，准确度这个指标就接近无意义——这一点我们后面吃过亏。

我们自己的职能资本：凭什么是我们做这件事

讲完概念要落到自己身上。观澜智库不只是 MEMECMO 的开发方，也是长期陪跑方，并且持有股权——先把这层关系披露出来，下面的话才好判断分量。我们敢这样绑定，是因为这件事恰好落在两种资本的交叉点上。

第一种是工程落地能力。 前面那些规矩——可续跑的长任务、窄口径的判定、失败超过一成就不上线——不是写在方法论里的漂亮话，而是已经跑在代码里的东西。能把一次 676 格的扫描交给定时任务自动完成，靠的不是模型，是工程。

第二种是传播基因。 创始人有二十余年数字传媒与传播学背景，做过国内高曝光量的财经自媒体并担任联合创始人。这件事决定了我们对 GEO 的根本判断：AI 可见度是传播问题，不是标签问题。买家会怎么问、什么样的说法会被复述、媒体与百科如何成为 AI 的依据——这些判断无法从 SEO 工具里长出来，只能从做过传播的人身上来。题库为什么不含品牌名、三个指标为什么必须分开，都是这个判断的直接产物。

我们选择深度绑定的合作方，看中的也是同一件事。 MEMECMO 创始人有二十年企业咨询经验，同时是投资人，在垂直行业里积累了大量一手关系。这意味着在设计题库时，我们能拿到真实买家实际会问的问题，而不是从关键词工具里猜；在落地阶段，也能在行业内找到愿意公开核查事实的对象。团队里还有跨国科技公司的公关传播经验，这段经历直接影响了我们的交付选择：与其做一套大而全的系统等半年，不如小步快跑，先让一条业务线跑通。

把这些叠起来，MEMECMO 不是"一个团队用 API 做了个 GEO 工具"，而是带着行业沉淀造出来的产品：多智能体轮询分工、每期扫描都在补强题库、别名表与黄金样本集，判定标准本身可被检验、可被替换。判断力因此是递归积累的——这正是开头那条公式里最难买到的一项。

这也是我们与市面上两类 GEO 工具的分界。一类是纯算法工具，本质仍在算 SEO 的标签，只是换了个名字；一类是把大厂模型的 prompt 封装一层就上架，判断力全部寄存在别人的模型里，模型一换就漂。我们沉淀的是自己的数据资产与判定标准——它们不随模型换代而失效。

下一步的方向是在这些沉淀上训练专用小模型，把判定层的成本再压一个数量级。这一步还没有做，写在这里是路线，不是已有的能力。

GEO 到底是什么：三个指标必须分开

GEO（生成式引擎优化）

让品牌在生成式 AI 的回答中被正确地提及与描述的一整套工作：测量现状、找出缺口、修改可被 AI 读取的公开信息、再测量变化。

我们在产品早期犯过一个典型错误：把三个完全不同的指标混着说。后来强制把口径分开，并要求每个比率在界面上同时显示分子与分母。

• 出现率（Presence）＝ 点名该品牌的回答 ÷ 有效回答。每个品牌分别计算，所有品牌相加不等于 100%。
• 声量份额（SoV）＝ 该品牌被点名次数 ÷ 所有品牌被点名次数。这个才相加等于 100%。
• 引用（Citation）＝ 回答附带的来源链接中出现自有网域的比例。它衡量的是 AI 依据什么在说话。

这三者常被工具混为一谈，甚至被写反。2026 年 8 月我们自己的一份口径说明就把出现率和声量份额写反了，直到用真实数据复核时才发现。这类错误的代价不是难看，而是客户会据此做出错误的优化决策。修正之后我们定了一条规矩：任何一个比率，在产品里、报告里、邮件里，都必须带着它的分母出现。

我们踩过的坑，和每个坑留下的规矩

下面每一条都来自真实运行，不是假设的风险。

1. 判定层的假阳性。 最初让模型一次判六个回答、顺便标出「哪里说错了」，结果一次扫描标出 61 条错误。改成逐条核对——每个说法必须指名它与品牌档案里编号第几行矛盾——之后只剩 1 条成立。规矩：判定要窄，要有可指向的依据，不能让模型自由发挥。
2. 品牌名会裂开。 同一家公司在回答里以多种写法出现，一次扫描里出现过 232 个名字变体。我们在读取时统一归并，并且只在追踪的 12 个品牌内部排名，否则一个被提到一次的小服务商会在情感分上排到客户前面。规矩：排名要有明确的比较集合。
3. 通用词会污染数据。 「香港电讯商」这种泛称里包含了某家客户的名字，机械匹配会把它算成一次提及。规矩：泛称要显式排除，别名表要人工审。
4. 引擎会下线。 一次月度扫描跑到一半，供应商把我们用的某个模型下线了。规矩：模型列表要定期核验，报告里要写明这一期用的是哪个型号。
5. 额度会断。 平台曾因为支付额度耗尽，在扫描中途把几百个格子标成「失败」，看板上呈现出一个几乎为零的品牌——数据是错的，但看起来像真的。规矩：额度类错误不算作「回答失败」，格子保持待办；一次扫描失败超过一成就不上线，看板继续显示上一期。

这些规矩后来全部写进了香港 GEO 平台的代码里。它们看上去琐碎，但正是这些琐碎的地方决定了客户能不能相信你给的数字。

工程交付：把周期从半年压到几周

传统企业软件的交付周期是半年起跳，因为它假设需求在开工前就能说清楚。AI 产品不成立这个假设：模型的能力边界只有跑起来才知道，客户也只有看到界面才说得清他真正要什么。

我们的做法是把交付拆成「能停下来」的阶段：第 1–2 周做靶点诊断，产出一份结构化评估报告；第 3–4 周交付第一个垂直业务的智能体界面，在客户真实环境里跑通；第 2–3 个月横向扩展，把零散的智能体串成协同工作流。客户可以在任何一个阶段结束后停下，并且手上已经有拿得出手的产出。

与此对应的是一条技术纪律：长任务必须可续跑。GEO 的一次完整扫描是 676 次外部调用，单次云函数最多只能跑五分钟，所以整个扫描被设计成可以在任何一步中断、下一次从中断处继续——而不是从头再来。这条纪律让我们敢把扫描交给定时任务自动跑。

如何培训「AI 员工」

把智能体当同事而不是当函数，是产品培训里最有用的一条心法。同事需要岗位说明、判断标准、复核机制和上岗考核，智能体一样。

• 岗位说明要写死。 每个智能体只做一件事，输入输出固定。「顺便帮我看看有没有别的问题」是事故的开始。
• 判断标准要可指认。 不要问「这个回答对不对」，要问「这句话与档案第几行矛盾」。前者得到意见，后者得到证据。
• 上岗要考核。 我们维护一份人工盲标的黄金样本集，任何一次更换判定模型，都要先在这份样本上跑一致性检验，达标才允许替换。模型换代是常事，判定标准不能跟着漂。
• 低置信度要交回人。 判定结果带概率时，低于阈值的一律上交人工复核，而不是让系统自己拍板。
• 错误要留痕。 每一条判定都要能回溯到原始回答和依据，否则客户问起来你只能说「模型是这么说的」。

客户侧的培训同理。我们交付的界面刻意做到零学习成本——业务人员用自然语言就能调用后台分析——但我们同时要求客户指定一名对接人，负责确认品牌档案和题库。因为职能资本在他们那边，不在我们这边。

为什么只挑某些行业深做

我们主动放弃了一些看起来很大的市场，标准有三条，缺一不可。

1. 买家会真的问 AI。 电讯、家居宽频、跨境消费品这类决策，买家会在 AI 里问「哪家最划算」。而有些行业的采购完全走关系与招投标，AI 可见度再高也影响不了成交。
2. 问题可以不含品牌名。 一个行业必须存在自然的品类问法（「香港中小企该选哪家商业宽频」），测量才不是自我印证。
3. 事实公开可核。 品牌档案的事实必须已经公开在客户自己的官方渠道，我们才敢用它判定 AI 说错。事实不公开的行业，准确度这个指标做不了。

还有一条边界是我们主动划的：只做出海方向，不做中国大陆境内的 AI 引擎优化。原因不是技术，而是这套方法论的前提——公开可核的事实、可被第三方复现的测量——在不同的信息环境里成立程度不同。与其在两套规则之间做妥协，不如把一件事做到能被验证。

现在可以被核查的部分

方法论的说服力不在于讲得漂亮，而在于能不能把自己的数据摊开给人看。以下三样任何人都可以自己去查。

关于准确度我们要补一句实话：示范品牌那次扫描的准确度是 99.8%（600 / 601），但当时的品牌档案只有 13 条事实。所谓「准确」，很大程度上只是「没有可以拿来对照的事实」。这就是为什么建档阶段的工时值得单独收费——档案的密度直接决定了这个指标有没有意义。

如果你也要在 AI 时代做产品

1. 先把测量做对，再谈优化。 测不准的优化没法验收，客户迟早会问你要证据。
2. 每个比率都带分母。 这一条能挡掉一半的误解和绝大部分的自欺。
3. 判定层自己也要被判定。 谁来检查检查者，这个问题必须有答案。
4. 把交付切成能停下来的阶段。 客户随时可以停，你才敢承诺得具体。
5. 护城河在客户那边，不在模型那边。 你的工作是把它挖出来、结构化，而不是用通用能力覆盖它。

常见问题

观澜智库和 MEMECMO 是什么关系？

观澜智库是 MEMECMO 的开发方与长期陪跑方，并持有股权。之所以愿意这样绑定，是因为双方的资本互补：观澜提供工程落地与传播判断，MEMECMO 创始人带来二十年企业咨询经验与垂直行业的一手关系。这层关系在本文中一并披露，供读者判断文中结论的分量。

GEO 和 SEO 有什么不同？

SEO 优化的是搜索结果里的排序，GEO 关心的是生成式 AI 在回答问题时会不会主动提到你、怎么描述你、引用了谁的资料。前者的结果是一条链接，后者的结果是一段被用户直接当作结论的文字。

AI 可见度怎么测量才可信？

三个条件缺一不可：题目中不出现品牌名（否则是自我印证）；题库固定下来，逐期使用同一套；每个比率都写出分子与分母。我们还要求同一题用多种问法、跨多个引擎提问，以降低单次回答的随机性。

「职能资本」具体指什么？

一家公司长期沉淀、但从未被结构化的行业判断力：什么算有效线索、哪种表述不合规、买家实际会怎么问。它不在任何系统里，因此也无法从公开语料中学到——这正是它在 AI 时代变得更值钱的原因。

为什么商业价值是乘法而不是加法？

因为三项互不替代。只有 API 没有交付能力，停在 demo；有交付没有行业判断，做出来是通用工具；有行业判断不会交付，经验就困在人脑里。任何一项接近零，乘积接近零。

做一个能用的 AI 产品要多久？

按我们的分阶段做法：1–2 周完成靶点诊断并交出评估报告，3–4 周交付第一个能在真实环境跑通的界面，2–3 个月扩展成协同工作流。每个阶段结束都能停，并且已有可验收的产出。

为什么不做中国大陆境内的 AI 引擎优化？

这套方法论依赖两个前提：事实公开可核、测量可被第三方复现。我们选择只在出海方向上做，把一件事做到能被验证，而不是在两套不同的信息环境之间折中。