MEMECMO：把 GEO 從一句口號做成可測量的產品

為甚麼做這個產品

2026 年，買家做決定前先問 AI 已經是常態。品牌方隨之發現一件尷尬的事：他們在搜尋引擎上排得不錯，但在 AI 的回答裡根本不出現——不是排名靠後，是壓根沒被提及。

市面上很快出現一批號稱做「GEO」的工具，做法大同小異：拿品牌官網和一批 SEO 關鍵詞，生成一堆含品牌名的問題，每天去問模型，然後畫出一條漂亮的曲線。問題是，當你在問題裡已經寫了品牌名，模型當然會提到它。這種測量是自我印證的，客戶據此做的任何優化都無法被驗證。

我們決定把產品的第一性原理定在測量上：先讓「AI 有沒有主動提到你」這件事可被測量、可被複現、可被第三方質疑，再談優化。這個決定貫穿了 MEMECMO 的全部設計，也是後來觀瀾 GEO 平台（香港）能把整次掃描公開的原因。

商業價值公式：為甚麼是乘法

基礎智能是可以買到的：幾家實驗室的 API，價格逐年下降，能力逐月上升。它是必要條件，但它對所有人開放，因此不構成任何人的護城河。

工程交付是把智能變成業務人員用得上的東西的能力。我們內部叫它 Vibe Coding：以黑客松節奏、低代碼為底，幾週內交付一個能在真實環境跑通的最小可行產品，而不是半年後交付一份沒人打開的系統。

垂直職能資本是一家公司多年沉澱下來的行業判斷力：甚麼算一條有效線索、甚麼樣的合規表述不能碰、哪些說法會觸怒監管、某個品類的買家實際會怎樣提問。它無法從公開語料裡學到，因為它從未被寫下來過。

把三項寫成乘法，是因為現實中它們互相不能替代。只有 API 沒有交付能力，是 demo；有交付沒有職能資本，做出來的是通用工具，客戶用兩星期就棄；有職能資本不會交付，那些經驗就永遠停在人的腦子裡，無法被調用、被複製、被審計。

重新理解「職能資本」

職能資本（Functional Capital）

一家公司在長期經營中沉澱、但從未結構化的行業判斷力與工作方法。它存在於資深員工的經驗、過往案卷、內部評審的口頭標準裡，不在任何系統中。

生成式 AI 之前，職能資本的價值被低估，因為它只能靠人傳人，擴散慢但也沒人搶得走。生成式 AI 之後，情況反轉：通用模型把「通用能力」變成隨處可得的商品，於是一家公司還剩下的差異，幾乎只剩下它獨有的那部分判斷力。

所以我們不賣通用系統。我們做的是把客戶已有的經驗取出來、結構化、變成可以被智能體調用的資產——我們把這件事叫做「職能資本逆向工程」：不改變客戶現有工作流，先從歷史文檔、過往案卷與內容庫提取認知切片，建成他專有的知識圖譜，再用敏捷節奏交付可用界面。

在 MEMECMO 上，這件事具體表現為品牌檔案：一份逐條編號、全部來自客戶官方公開渠道的事實清單。它不是營銷文案，而是判定 AI 有沒有說錯話的基準。檔案越完整，「答錯提醒」越有價值；檔案薄，準確度這個指標就接近無意義——這一點我們後面吃過虧。

我們自己的職能資本：憑甚麼是我們做這件事

講完概念要落到自己身上。觀瀾智庫不只是 MEMECMO 的開發方，也是長期陪跑方，並且持有股權——先把這層關係披露出來，下面的話才好判斷分量。我們敢這樣綁定，是因為這件事恰好落在兩種資本的交叉點上。

第一種是工程落地能力。 前面那些規矩——可續跑的長任務、窄口徑的判定、失敗超過一成就不上線——不是寫在方法論裡的漂亮話，而是已經跑在代碼裡的東西。能把一次 676 格的掃描交給定時任務自動完成，靠的不是模型，是工程。

第二種是傳播基因。 創始人有二十餘年數字傳媒與傳播學背景，做過國內高曝光量的財經自媒體並擔任聯合創始人。這件事決定了我們對 GEO 的根本判斷：AI 可見度是傳播問題，不是標籤問題。買家會怎樣問、甚麼樣的說法會被複述、媒體與百科如何成為 AI 的依據——這些判斷無法從 SEO 工具裡長出來，只能從做過傳播的人身上來。題庫為甚麼不含品牌名、三個指標為甚麼必須分開，都是這個判斷的直接產物。

我們選擇深度綁定的合作方，看中的也是同一件事。 MEMECMO 創始人有二十年企業諮詢經驗，同時是投資人，在垂直行業裡積累了大量一手關係。這意味着在設計題庫時，我們能拿到真實買家實際會問的問題，而不是從關鍵詞工具裡猜；在落地階段，也能在行業內找到願意公開核查事實的對象。團隊裡還有跨國科技公司的公關傳播經驗，這段經歷直接影響了我們的交付選擇：與其做一套大而全的系統等半年，不如小步快跑，先讓一條業務線跑通。

把這些疊起來，MEMECMO 不是「一個團隊用 API 做了個 GEO 工具」，而是帶着行業沉澱造出來的產品：多智能體輪詢分工、每期掃描都在補強題庫、別名表與黃金樣本集，判定標準本身可被檢驗、可被替換。判斷力因此是遞歸積累的——這正是開頭那條公式裡最難買到的一項。

這也是我們與市面上兩類 GEO 工具的分界。一類是純算法工具，本質仍在算 SEO 的標籤，只是換了個名字；一類是把大廠模型的 prompt 封裝一層就上架，判斷力全部寄存在別人的模型裡，模型一換就漂。我們沉澱的是自己的數據資產與判定標準——它們不隨模型換代而失效。

下一步的方向是在這些沉澱上訓練專用小模型，把判定層的成本再壓一個數量級。這一步還沒有做，寫在這裡是路線，不是已有的能力。

GEO 到底是甚麼：三個指標必須分開

GEO（生成式引擎優化）

讓品牌在生成式 AI 的回答中被正確提及與描述的一整套工作：測量現狀、找出缺口、修改可被 AI 讀取的公開資訊、再測量變化。

我們在產品早期犯過一個典型錯誤：把三個完全不同的指標混着說。後來強制把口徑分開，並要求每個比率在介面上同時顯示分子與分母。

• 出現率（Presence）＝ 點名該品牌的回答 ÷ 有效回答。每個品牌分別計算，所有品牌相加不等於 100%。
• 聲量份額（SoV）＝ 該品牌被點名次數 ÷ 所有品牌被點名次數。這個才相加等於 100%。
• 引用（Citation）＝ 回答附帶的來源連結中出現自有網域的比例。它衡量的是 AI 依據甚麼在說話。

這三者常被工具混為一談，甚至被寫反。2026 年 8 月我們自己的一份口徑說明就把出現率和聲量份額寫反了，直到用真實數據覆核時才發現。這類錯誤的代價不是難看，而是客戶會據此做出錯誤的優化決策。修正之後我們定了一條規矩：任何一個比率，在產品裡、報告裡、郵件裡，都必須帶着它的分母出現。

我們踩過的坑，和每個坑留下的規矩

以下每一條都來自真實運行，不是假設的風險。

1. 判定層的假陽性。 最初讓模型一次判六個回答、順便標出「哪裡說錯了」，結果一次掃描標出 61 條錯誤。改成逐條核對——每個說法必須指名它與品牌檔案裡編號第幾行矛盾——之後只剩 1 條成立。規矩：判定要窄，要有可指向的依據，不能讓模型自由發揮。
2. 品牌名會裂開。 同一家公司在回答裡以多種寫法出現，一次掃描裡出現過 232 個名字變體。我們在讀取時統一歸併，並且只在追蹤的 12 個品牌內部排名，否則一個被提到一次的小服務商會在情感分上排到客戶前面。規矩：排名要有明確的比較集合。
3. 通用詞會污染數據。 「香港電訊商」這種泛稱裡包含了某家客戶的名字，機械匹配會把它算成一次提及。規矩：泛稱要顯式排除，別名表要人手審。
4. 引擎會下線。 一次月度掃描跑到一半，供應商把我們用的某個模型下線了。規矩：模型清單要定期核驗，報告裡要寫明這一期用的是哪個型號。
5. 額度會斷。 平台曾因為支付額度耗盡，在掃描中途把幾百個格子標成「失敗」，看板上呈現出一個幾乎為零的品牌——數據是錯的，但看起來像真的。規矩：額度類錯誤不算作「回答失敗」，格子保持待辦；一次掃描失敗超過一成就不上線，看板繼續顯示上一期。

這些規矩後來全部寫進了香港 GEO 平台的代碼裡。它們看上去瑣碎，但正是這些瑣碎的地方決定了客戶能不能相信你給的數字。

工程交付：把週期從半年壓到幾星期

傳統企業軟件的交付週期是半年起跳，因為它假設需求在開工前就能說清楚。AI 產品不成立這個假設：模型的能力邊界只有跑起來才知道，客戶也只有看到介面才說得清他真正要甚麼。

我們的做法是把交付拆成「能停下來」的階段：第 1–2 週做靶點診斷，產出一份結構化評估報告；第 3–4 週交付第一個垂直業務的智能體介面，在客戶真實環境裡跑通；第 2–3 個月橫向擴展，把零散的智能體串成協同工作流。客戶可以在任何一個階段結束後停下，並且手上已經有拿得出手的產出。

與此對應的是一條技術紀律：長任務必須可續跑。GEO 的一次完整掃描是 676 次外部調用，單次雲函數最多只能跑五分鐘，所以整個掃描被設計成可以在任何一步中斷、下一次從中斷處繼續——而不是從頭再來。這條紀律讓我們敢把掃描交給定時任務自動跑。

如何培訓「AI 員工」

把智能體當同事而不是當函數，是產品培訓裡最有用的一條心法。同事需要職位說明、判斷標準、覆核機制和上崗考核，智能體一樣。

• 職位說明要寫死。 每個智能體只做一件事，輸入輸出固定。「順便幫我看看有沒有別的問題」是事故的開始。
• 判斷標準要可指認。 不要問「這個回答對不對」，要問「這句話與檔案第幾行矛盾」。前者得到意見，後者得到證據。
• 上崗要考核。 我們維護一份人手盲標的黃金樣本集，任何一次更換判定模型，都要先在這份樣本上跑一致性檢驗，達標才允許替換。模型換代是常事，判定標準不能跟着漂。
• 低置信度要交回人。 判定結果帶概率時，低於閾值的一律交人手覆核，而不是讓系統自己拍板。
• 錯誤要留痕。 每一條判定都要能回溯到原始回答和依據，否則客戶問起來你只能說「模型是這麼說的」。

客戶側的培訓同理。我們交付的介面刻意做到零學習成本——業務人員用自然語言就能調用後台分析——但我們同時要求客戶指定一名對接人，負責確認品牌檔案和題庫。因為職能資本在他們那邊，不在我們這邊。

為甚麼只挑某些行業深做

我們主動放棄了一些看起來很大的市場，標準有三條，缺一不可。

1. 買家會真的問 AI。 電訊、家居寬頻、跨境消費品這類決策，買家會在 AI 裡問「邊間最抵」。而有些行業的採購完全走關係與招標，AI 可見度再高也影響不了成交。
2. 問題可以不含品牌名。 一個行業必須存在自然的品類問法（「香港中小企應該選哪家商業寬頻」），測量才不是自我印證。
3. 事實公開可核。 品牌檔案的事實必須已經公開在客戶自己的官方渠道，我們才敢用它判定 AI 說錯。事實不公開的行業，準確度這個指標做不了。

還有一條邊界是我們主動劃的：只做出海方向，不做中國大陸境內的 AI 引擎優化。原因不是技術，而是這套方法論的前提——公開可核的事實、可被第三方複現的測量——在不同的資訊環境裡成立程度不同。與其在兩套規則之間妥協，不如把一件事做到能被驗證。

現在可以被核查的部分

方法論的說服力不在於講得漂亮，而在於能不能把自己的數據攤開給人看。以下三樣任何人都可以自己去查。

關於準確度我們要補一句實話：示範品牌那次掃描的準確度是 99.8%（600 / 601），但當時的品牌檔案只有 13 條事實。所謂「準確」，很大程度上只是「沒有可以拿來對照的事實」。這就是為甚麼建檔階段的工時值得單獨收費——檔案的密度直接決定了這個指標有沒有意義。

如果你也要在 AI 時代做產品

1. 先把測量做對，再談優化。 測不準的優化沒法驗收，客戶遲早會問你要證據。
2. 每個比率都帶分母。 這一條能擋掉一半的誤解和絕大部分的自欺。
3. 判定層自己也要被判定。 誰來檢查檢查者，這個問題必須有答案。
4. 把交付切成能停下來的階段。 客戶隨時可以停，你才敢承諾得具體。
5. 護城河在客戶那邊，不在模型那邊。 你的工作是把它挖出來、結構化，而不是用通用能力覆蓋它。

常見問題

觀瀾智庫和 MEMECMO 是甚麼關係？

觀瀾智庫是 MEMECMO 的開發方與長期陪跑方，並持有股權。之所以願意這樣綁定，是因為雙方的資本互補：觀瀾提供工程落地與傳播判斷，MEMECMO 創始人帶來二十年企業諮詢經驗與垂直行業的一手關係。這層關係在本文中一併披露，供讀者判斷文中結論的分量。

GEO 和 SEO 有甚麼不同？

SEO 優化的是搜尋結果裡的排序，GEO 關心的是生成式 AI 在回答問題時會不會主動提到你、怎樣描述你、引用了誰的資料。前者的結果是一條連結，後者的結果是一段被用戶直接當作結論的文字。

AI 可見度怎樣測量才可信？

三個條件缺一不可：題目中不出現品牌名（否則是自我印證）；題庫固定下來，逐期使用同一套；每個比率都寫出分子與分母。我們還要求同一題用多種問法、跨多個引擎提問，以降低單次回答的隨機性。

「職能資本」具體指甚麼？

一家公司長期沉澱、但從未被結構化的行業判斷力：甚麼算有效線索、哪種表述不合規、買家實際會怎樣問。它不在任何系統裡，因此也無法從公開語料中學到——這正是它在 AI 時代變得更值錢的原因。

為甚麼商業價值是乘法而不是加法？

因為三項互不替代。只有 API 沒有交付能力，停在 demo；有交付沒有行業判斷，做出來是通用工具；有行業判斷不會交付，經驗就困在人腦裡。任何一項接近零，乘積接近零。

做一個能用的 AI 產品要多久？

按我們的分階段做法：1–2 週完成靶點診斷並交出評估報告，3–4 週交付第一個能在真實環境跑通的介面，2–3 個月擴展成協同工作流。每個階段結束都能停，並且已有可驗收的產出。

為甚麼不做中國大陸境內的 AI 引擎優化？

這套方法論依賴兩個前提：事實公開可核、測量可被第三方複現。我們選擇只在出海方向上做，把一件事做到能被驗證，而不是在兩套不同的資訊環境之間折中。