一句话总结
本文提出 MAGEO 框架，将生成式引擎优化（GEO）重新定义为策略学习问题，通过多智能体协作执行优化，并将成功的编辑模式蒸馏为可复用的技能，在多个主流生成式引擎上显著超越启发式基线。
背景与前置知识
▼要理解本文，需要了解以下基础概念：
- 生成式引擎（Generative Engines, GEs）：如 ChatGPT、Gemini、Qwen 等系统，它们不再像传统搜索引擎那样返回排序列表，而是通过检索增强生成（RAG）从多个文档中提取证据，生成带引用的合成答案。用户看到的是一段自然语言回答，而非一堆链接。
- 检索增强生成（RAG）：一种技术框架，先从外部知识库中检索相关文档，再将文档内容作为上下文输入大语言模型，让模型基于证据生成答案。
- SEO vs GEO：传统 SEO 关注提高网页在搜索结果中的排名（关键词密度、链接结构等信号），而 GEO 关注如何让网页内容在生成式引擎的答案中获得更多引用和更高可见度（语义影响和引用准确性）。
- 多智能体系统：由多个专业化智能体协作完成任务的系统，每个智能体负责不同角色（如规划、编辑、评估），通过协调机制共同优化结果。
- 策略学习与技能蒸馏：将优化过程中反复出现的成功模式抽象为可复用的策略规则，类似于人类从经验中提炼技能，在新任务中直接调用已掌握的方法。
核心思想详解
▼这篇论文的核心洞察可以用一个类比来理解：传统的 GEO 方法就像一个实习生，每次做任务都从零开始试错，做完就忘；而 MAGEO 就像一个有经验的编辑，不仅会做当前任务，还会把成功的经验总结成方法论，下次遇到类似任务直接套用。
论文发现了现有 GEO 方法的三个关键缺陷：
- 指标缺陷：现有指标要么只看表面可见度，要么只看语义影响，很少同时关注引用的准确性（忠实度），导致优化后内容可能获得了更多曝光，但引用是错误或编造的。
- 评估缺陷：现有评估方法容易受到检索噪声和排名漂移的干扰，无法准确归因内容编辑的效果。
- 学习缺陷：所有现有方法都是单次优化，无法积累经验，每次都从零开始。
MAGEO 的解决方案是一个双层架构：执行层负责实际的内容优化（四个智能体协作），学习层负责从优化过程中提炼可复用的技能。