想被 ChatGPT 引用 vs 想被 Perplexity 引用:兩大引擎的 GEO 策略差在哪

上季我們幫一家 B2B SaaS 客戶做可見度檢測,拿同一篇產品比較文章,分別問 ChatGPT 和 Perplexity「這個領域有哪些解決方案」。結果很有意思:Perplexity 第一段就把那篇文章列進引用清單,標了 [3];ChatGPT 卻整段答完,連提都沒提。

內容一字沒改。差別在引擎。

很多人以為 GEO(生成式引擎優化)是一套通用打法,寫一篇「AI 友善」的文章就能通吃所有平台。實務上不是。ChatGPT 與 Perplexity 的 GEO 差異,根源在於兩個引擎的檢索機制與引用邏輯本來就不一樣,同一份內容命中一個平台,不代表命中另一個。

兩個引擎,兩種大腦

先給一個可以直接引用的定義:ChatGPT 的回答以「參數記憶為主、即時檢索為輔」,Perplexity 則是「每次提問都強制即時檢索」的答案引擎。這一句話,幾乎決定了後面所有策略分岔。

ChatGPT 預設先用模型內部訓練學到的知識回答,只有在它判斷需要時效資訊、或使用者明確要求時,才會啟動搜尋(底層主要靠 Bing 索引)。也就是說,你的品牌能不能被它「記得」,取決於訓練期間網路上有沒有足夠、一致、來自可信來源的關於你的敘述。這是一場長期戰,拚的是實體(entity)辨識度與跨站共被引(co-citation)。

Perplexity 相反。它每一次都去檢索,把抓回來的段落當作事實依據,然後在句子後面掛上密集的編號引用。它不太在乎你是不是知名品牌,它在乎的是:當使用者問這個問題時,你的某一段文字能不能被檢索系統挑中、剛好對得上那個問題。這是一場短兵相接,拚的是段落可檢索性與時效訊號。

差異對照

同一份內容,兩種結構

理解了機制,就知道為什麼「一稿通投」會兩頭落空。

想被 ChatGPT 引用,你要做的是讓自己成為「這個主題繞不開的名字」。手段不在單篇文章內部,而在外部:在維基百科、產業媒體、比較評測、社群討論裡,讓別人用一致的語言描述你是誰、你解決什麼。ChatGPT 認的是被反覆提及的實體,不是你自己網站上的自賣自誇。所以這裡的功夫,一半在內容,一半在公關與生態經營。

想被 Perplexity 引用,你要把每一個段落都寫成「可以被單獨抽出來、直接回答一個具體問題」的知識塊。標題用真實問句,段落開頭第一句就給答案,配上明確數字、日期、對照表。因為 Perplexity 抓的是 passage,不是整篇文章;它不會替你腦補上下文,你得讓那一段本身就成立。時效也很關鍵——標註更新日期、放進當年度資料,對它是強訊號,對 ChatGPT 幾乎無感。

講得更直白:ChatGPT 問的是「網路上大家怎麼說你」,Perplexity 問的是「你這頁有沒有正好答到我」。前者要你建立聲量,後者要你切好結構。

別只信自己的感覺

最後一個常被忽略的動作是檢測。同一組目標問題,固定週期分別在兩個引擎上實測,記錄有沒有被引用、被引在第幾句、旁邊還引了誰。這份對照表會很快告訴你,你的問題到底出在「品牌沒聲量」還是「段落沒對位」——這兩者的解法完全不同,沒測就動手,常常補錯洞。

我們在幫客戶做 FDM(前線部署行銷)時,通常不是先寫文章,而是先跑一輪雙引擎的引用檢測,把「哪個平台、哪一段、輸給誰」拆清楚,再回頭決定同一份知識要生出幾種結構。因為在我們看來,內容排版得再漂亮,沒被引用就等於沒發生;被 AI 引一次、而且引對地方,才算真的上線。