本文根据陈攀（Span）在「英文SEO实战派 · 2026 SaaS & AI 出海增长专题分享会」上的分享整理。Span 拥有 7 年互联网产品经理经验、6 年 Google SEO 经验，曾担任全球化 AI 代表性公司 SEO 负责人，同时也是多家出海 SaaS 的 SEO 咨询顾问。

先看结果：每月 12,000+ 来自 LLM 的真实流量

在正式展开之前，先给大家看一组数据。

这是 GA4 后台的数据截图，时间窗口为 2025 年 11 月 19 日至 12 月 18 日（近 30 天）。在「Session source / medium」维度下，来自 LLMs 的总 Sessions 达到了 12,499，First visits 为 8,979，Engaged sessions 为 8,609，整体 Engagement rate 接近 69%。

其中流量来源的分布非常有意思：chatgpt.com 占据了绝对主导地位，包括 chatgpt.com / (not set) 贡献了 6,255 个 sessions，chatgpt.com / referral 贡献了 5,815 个 sessions，两者合计占总 LLM 流量的 96%以上。Perplexity 紧随其后但差距悬殊，只有约 290 个 sessions。OpenAI、Gemini 等其他平台的贡献更是微乎其微。

到了 2026 年 2 月至 3 月的数据窗口，LLM 流量依然保持在 11,433 sessions 的高位水平，Total users 达到 8,347，说明这并不是一波昙花一现的流量，而是可持续的稳定增长。

这组数据背后，是一个从零开始的新 SaaS 品牌——一款 AI Face Swap 工具，通过系统化的 GEO（Generative Engine Optimization）策略，在不到一年的时间内实现的成果。

接下来，我将从 GEO 认知、策略制定、落地执行、获得结果四个层面，完整还原整个过程。

一、GEO 认知：理解大模型推荐的底层逻辑

在动手做任何事之前，首先需要建立对 GEO 的正确认知。很多人把 GEO 看作一种全新的、独立于 SEO 的东西，但事实并非如此。

1. GEO 是 SEO 的延伸，SEO 是 GEO 的基础

GEO 不是替代 SEO 的东西，而是建立在 SEO 之上的一层新能力。如果你的网站连基本的 SEO 都没做好，在搜索引擎上都没有存在感，那指望 LLMs 来推荐你几乎是不可能的事情。搜索引擎的排名、内容质量、反向链接等传统 SEO 要素，同样是 LLMs 判断一个品牌是否值得推荐的重要信号。

2. LLMs 对大品牌情有独钟，头部效应明显

这是一个非常现实的问题。大模型在生成推荐时，天然倾向于推荐那些它在训练数据中更频繁看到的品牌。品牌知名度越高、在互联网上的提及越多，被 LLM 推荐的概率就越大。这意味着对于新品牌来说，你需要刻意去增加自己在各种数据源中的存在感。

3. LLMs 的信息来源 = 预训练知识 + 实时检索增强（RAG）

理解这一点至关重要。LLMs 的回答并不完全依赖于其预训练时学到的知识，越来越多的模型（尤其是 ChatGPT 的联网模式、Perplexity、Google AI Overview 等）会在生成回答时实时检索互联网上的信息。这就意味着，你发布的内容如果能被这些检索系统抓取到，就有机会被 LLM 引用和推荐。

4. 用户问题会被大模型拆解为多个子查询（Query Fan-out 机制）

当用户问 LLM 一个复杂问题时，模型不会只做一次搜索，而是会将问题拆解成多个子查询，分别检索后再综合生成答案。比如用户问「best face swap for mac」，模型可能会分别搜索「face swap mac app」「best AI face swap 2025」「face swap mac review」等多个变体。理解这个机制，有助于我们在内容布局时覆盖更多潜在的子查询。

5. 不同 LLMs 使用不同的信息源与检索策略

ChatGPT 会引用 Reddit、YouTube、新闻网站、博客等；Perplexity 更依赖结构化的搜索结果和学术类内容；Google AI Overview 则大量引用 Google 自家搜索结果中排名靠前的内容。这意味着你不能只针对一个平台做优化，而需要多渠道布局。

6. ChatGPT 占整个 LLMs 流量 80%+ 的市场份额

从实际数据来看，ChatGPT 在 LLM referral traffic 中占据了压倒性的市场份额，超过 80%。这告诉我们一个很实际的策略优先级：如果资源有限，优先搞定 ChatGPT 的推荐。

二、GEO 策略制定：三管齐下的系统工程

基于上述认知，Span 制定了一套三个维度并行推进的 GEO 策略框架。

第一个维度：做好 SEO

这是最基础的一环，也是最不能跳过的一环。具体包括：

• Search Intent Matching：确保每一篇内容都精准匹配用户的搜索意图
• User Interaction：优化用户体验，提升页面停留时间和互动率
• Content：产出高质量、有深度的内容
• Backlink：建立高质量的外链体系
• On-page SEO：做好标题、描述、结构化数据等页面优化
• Technical SEO：确保网站的技术基础扎实，加载速度快、可抓取性好

第二个维度：提升品牌力

LLMs 偏爱有知名度的品牌，因此需要主动提升品牌在互联网上的声量：

• PR：通过新闻稿发布提升品牌的权威性
• Influencer Marketing：借助 KOL 的影响力扩大品牌触达
• Affiliate：通过联盟营销增加品牌曝光
• Ads：适当投放广告增加品牌认知度

第三个维度：影响数据源

这是 GEO 策略中最关键、也最有技术含量的一环：

• 成为 LLMs 引用的数据源：让你的官网内容本身被 LLMs 直接引用
• 加入 LLMs 引用的数据源：在 LLMs 已经在引用的第三方平台上植入你的品牌信息

具体来说：

发布 PR：在知名 PR 平台上发布含有目标 Topic/Keyword 意图的新闻稿。比如在 Yahoo Finance、PR Newswire 等平台发布产品发布的新闻稿，这些内容会被 Google AI Overview 和其他 LLMs 的检索系统抓取。

开展 Influencer Marketing：找 Niche 相关的 YouTuber 发布视频。关键的技巧是——在被 LLMs 引用的 YouTube 视频描述里面插入品牌相关的描述，并做评论置顶。这里有一个很重要的思维转变：Influencer Marketing 的主要目的不是直接的 ROI，而是品牌词搜索量的提升。

加入 LLMs 引用的数据源：这是执行工作量最大的一环。核心方法是——收集目标 prompt/topic/keyword，找出对应 LLMs 引用的所有信息源，针对不同信息源采用不同方法来影响信息源。

三、落地执行：12 个月的系统作战

策略制定完毕后，执行被划分为三个阶段：

• 1 月 - 3 月：打磨产品、做常规 SEO 工作
• 4 月 - 6 月：PR、Influencer Marketing、加入 LLMs 引用的数据源
• 7 月 - 12 月：跟随产品功能新增内容、常规维护

下面展开讲讲 4 月到 6 月这个关键阶段的执行细节。

执行动作一：发布 PR

在 Yahoo Finance（通过 ACCESS Newswire）和 PR Newswire 等平台上发布了产品新闻稿，内容围绕产品的核心功能和差异化卖点展开。

PR 的效果立竿见影。在 Bing 的 AI Mode 中搜索「best face swap ai for mac」，产品已经出现在推荐列表中，引用的信息源正是 PR Newswire 上的新闻稿。

更惊喜的是，Google AI Overview 中搜索「best face swap for mac」，同样出现了该品牌的推荐，右侧引用源列表中清晰可见来自多个新闻媒体的 PR 内容。

这说明 PR 不仅对传统 SEO 有帮助，对于 AI 搜索时代的可见性同样至关重要。

执行动作二：YouTube Influencer 合作

通过与 Niche 相关的 YouTuber（以印度 Influencer 为主）合作，发布了产品评测和教程类视频。在 ChatGPT 中搜索「best face swap ai」，模型直接展示了一条 YouTube 视频作为推荐依据。

同时，在 Google 搜索「best face swap ai」时，视频结果同样占据了 SERP 的显眼位置。YouTube 内容在 SEO 和 GEO 两条线上都发挥了重要作用。

执行动作三：加入 LLMs 引用的数据源

这是整个执行过程中工作量最大、也最需要精细化运营的环节。

第一步：建立追踪表格

团队建立了一份详尽的追踪表格，记录每一个目标主题/关键词，对应在不同 LLMs（Perplexity、Claude、Google Search、AI Mode、ChatGPT 等）上被引用的所有信息源 URL，标注内容类型（Reddit、Blog、Quora、Forum、YouTube、Directory、Download Website、PR 等），并追踪执行状态。

这份表格的核心逻辑是：你不是在猜测 LLMs 会引用什么，而是实际去查验每一个 prompt 下 LLMs 正在引用什么，然后针对性地去影响这些已经被引用的数据源。

第二步：具体执行

以 ChatGPT 搜索「best face swap for mac」为例，可以看到其引用的 Sources 包括 Reddit 帖子、博客文章、评测网站等多种类型。

针对不同类型的数据源，采取不同的操作方式：

• Reddit：在相关 Subreddit 中发布帖子和评论，推荐产品
• Blog：与博客作者合作，在已有的测评文章中加入产品链接或提及
• Quora：在相关问题下发布包含产品推荐的回答
• Forum：在技术论坛中参与讨论，自然地提及产品
• Directory / Download Website：在 AI 工具目录网站中提交产品信息

第三步：使用工具追踪效果

团队使用 Ahrefs 的 Brand Radar 功能获取产品相关的 Prompts 数据，然后将这些 Prompts 放到 Profound 平台进行持续的数据追踪。

通过 Profound 可以看到产品在 230 个相关 prompts 中的表现，包括每个 prompt 的可见性百分比、排名变化、情感分析等，实现了从执行到效果的完整闭环。

Quora 运营实战

Quora 虽然在国内不太受重视，但在海外 SEO 和 GEO 领域仍然有不小的价值。特别是 Google AI Overview 会引用 Quora 上的回答内容。

实战中，团队在 Quora 上针对「best face swap ai」「best face swap for video」等相关问题发布了约 20 条 Post 和 Comments。效果是 Google AI Overview 在回答相关问题时，直接引用了 Quora 上的推荐内容，将品牌列为首选推荐。

Reddit 运营实战

Reddit 是 ChatGPT 最重要的第三方数据源之一。在 ChatGPT 中搜索「best face swap ai」，可以看到 Citations 中 Reddit 帖子占据了重要位置。ChatGPT 甚至会直接引用 Reddit 用户的评价作为推荐依据。

4-6 月执行量总结

在 4 月至 6 月这三个月内，团队完成了以下执行工作：

• 发布 PR 3 篇
• 合作发布 YouTube 视频 16 个（以印度 Influencer 为主）
• 发布 Reddit Post ~150 篇
• 做 Reddit Comments ~150 条
• 发布 Quora Post 和 Comments ~20 条
• Blog 插入链接合作 3 条

这些数字看起来并不夸张，但关键在于精准——每一次操作都是基于实际的 LLM 引用数据来执行的，而不是盲目地批量生产内容。

四、获得结果：数据说话

品牌词搜索量持续提升

从 Google Search Console 的数据来看，品牌词的搜索量在 2025 年全年呈现出清晰的上升趋势。12 个月内，品牌词累计获得了 363K 次点击，450K 次展示，平均 CTR 高达 80.7%，平均排名第 1 位。

从趋势图上可以看到，品牌搜索量从 2025 年初的近乎为零，在 3 月开始出现明显增长，4-6 月（正好是 PR + Influencer + 数据源影响的执行期）出现了跳跃式增长，7 月之后虽然进入常规维护阶段，搜索量仍然持续攀升，到年底稳定在每日 1500-2000 次点击的水平。

GEO 可见性排名第三

在 Profound 平台的数据中，该品牌在同品类竞品中 GEO 可见性已经上升至第 3 位，Visibility Score 达到 19.2%，仅次于 Reface（34.1%）和 Pixlr（20.9%）这两个成熟品牌，而排在其后的 YouCam（18.2%）和 Fotor（17.2%）都是耳熟能详的老牌工具。

作为一个成立不到一年的新品牌，能在 LLM 推荐中与这些老牌产品同台竞技，充分说明了 GEO 策略的有效性。

月均 12K+ LLM 流量

最终成果回到开头的数据——近 30 天来自 LLMs 的流量达到了 12,000+ sessions，其中 8,900+ 为 First visits，说明这些流量大部分是全新用户，是真正的增量。

五、Bonus：Reddit 运营实战手册

Reddit 在整个 GEO 策略中扮演了非常重要的角色，Span 在分享中专门拿出来做了详细的经验分享。

1. 找到高价值的 Post

第一步是找到那些已经有搜索流量的 Reddit 帖子。可以通过两种方式：

方式一：Google 搜索 — 在 Google 中搜索「关键词 site:reddit.com」，查看哪些 Reddit 帖子已经在 Google 排名靠前，拥有搜索流量（可以通过 SEO 工具查看 Search Traffic 数据）。

方式二：Ahrefs Site Explorer — 在 Ahrefs 中查看 reddit.com 的 Top Pages，按关键词过滤，找出与你的产品相关的高流量帖子。

找到这些帖子后，有两种操作路径：去做 Comments（在已有帖子中评论推荐产品），或者模仿帖子结构发布新的 Post。

2. 让自己的 Comments 排在前面

在 Reddit 中，评论的排序主要由 Upvote 数量决定。因此需要：

• 给自己的评论做 Upvote
• 在其他高赞评论下面做 Comment 的 Comment（子评论）

这样可以让你的产品推荐内容在帖子中获得更高的可见度。

3. 在 Upwork/Fiverr 上招聘 Reddit Freelancer

Reddit 运营是一项需要专业技能的工作——你需要有养号过程、了解各个 Subreddit 的规则、知道怎样自然地推荐产品而不被删帖。因此，最高效的方式是在 Upwork 或 Fiverr 上招聘专业的 Reddit Marketing Freelancer 或 Agency。

4. 筛选候选人

选择标准包括：有经验、高评分、有成功案例。建议同时合作几个 Freelancer，通过实际效果来做筛选，最终保留表现最好的 1-2 个长期合作。

5. 按结果付费

推荐采用按结果付费的模式，参考价格：

• 一条成功的 Comment = $3 - $10
• 一条成功的 Post = $10 - $15
• 一个成功的 Upvote = $1

这里的「成功」指的是评论/帖子没有被删除，且保持可见状态。

六、观点总结

最后，Span 分享了四个核心观点：

1. SEO 是 GEO 的地基，而不是可选项

不要因为 AI 搜索的兴起就放弃传统 SEO。恰恰相反，SEO 做得越好，你在 GEO 中获得推荐的概率也越高。两者是互相增强的关系。

2. GEO 是跨渠道/跨平台的协同工程

GEO 不是在某一个平台上做一件事就能搞定的，而是需要 PR、YouTube、Reddit、Quora、Blog、Directory 等多个渠道协同推进。每个渠道影响的是不同 LLMs 的不同数据源，只有形成合力才能产生显著效果。

3. 长期做你真正相信的事情，结果自然呈现

GEO 和 SEO 一样，都不是短期就能看到效果的事情。从开始做到看到明显的流量增长，这个案例经历了大约 6 个月的时间。需要耐心和持续的投入。

4. GEO 接下来怎么做：一切围绕品牌提及展开

未来 GEO 的核心竞争力，归根到底还是品牌力。你的品牌在互联网上被提及得越多、越正面，LLMs 就越有可能在相关场景中推荐你。一切策略和执行，最终都应该围绕「增加品牌提及」这个核心目标来展开。

写在最后

这个案例最让我印象深刻的地方，不是最终 12K 月流量的数字，而是整套方法论的系统性和可复制性。

总结下来，GEO 的核心方法论可以归纳为三步：

1. 搞清楚 LLMs 在引用什么 — 对你的目标关键词，逐一查验各个 LLM 平台的引用源
2. 有针对性地影响这些引用源 — PR、Reddit、Quora、YouTube、Blog，根据实际引用情况精准出击
3. 持续追踪和迭代 — 用 Ahrefs Brand Radar、Profound 等工具持续监控效果，动态调整策略

在 AI 搜索日益普及的今天，LLM referral traffic 正在成为继 Google organic traffic 之后的下一个重要流量来源。对于出海 SaaS 品牌来说，越早布局 GEO，就能越早吃到这波红利。

希望这篇实战案例能够给正在做出海 SaaS 的朋友们一些启发。如果你也在做 GEO 相关的工作，欢迎在评论区分享你的经验和心得。