GEO（生成式引擎优化）最近在国内市场上开始有点热闹了。

热闹的原因是有不少软件开发公司推出了所谓的GEO优化系统。

不了解GEO是啥的小伙伴可以回看老板AI应用课：AI营销获客之什么是GEO 补补课。

简单的说，就是软件开发公司会给很多有需要的企业推销软件会员服务。

譬如以前做过SEO的一些企业，现在每个月交个一两千，或者有些收费可能更高。

你企业相关的关键词，就可以被客户在Deepseek、豆包、元宝等AI应用上搜索到。

比如，你的客户在豆包上问：“广州最好吃的饭店是哪一家”这样的问题。

而你已经提前做了GEO，豆包就会把你家的饭店信息推荐给客户。

这么讲大家就应该能够理解了，GEO算是在市场上获得了初步认可。

即很多企业才过了了扫盲阶段，才开始接触和认识GEO，那必然会呈现跟当年SEO一样的市场乱象。

这种乱象说白了就是不少企业又将成为一波韭菜，被信息差、认识差无情收割。

所以不要盲目地购买这个软件，那个服务，先多看看老马的文章。

老马也考虑过，与其给大家按部就班科普GEO，还不如直接告诉大家怎么实操怎么做。

当然，真正的实操一篇文章肯定是讲不完的，所以分几篇连载，希望大家多点赞多转发。

有了大家的支持，老马才更有动力分享更多的干货。

正好前天有个小伙伴发来一个GEO优化系统软件的广告视频询问老马，觉得很牛逼啊，值不值得购买。

那下面老马就从市面上这类软件入手，由里到外，深入浅出，扒个精光给大家看清楚。

砸没砸人家饭碗，不是老马说了算的，因为有些人，他就算懂了，知道怎么操作了，还是愿意花钱找人弄。

就跟你饿了要吃饭，懒得做饭点外卖一个道理，因而不能一概而论。

1、关键词蒸馏

小伙伴发给老马的广告视频，其实就是演示一套GEO优化系统软件怎么使用，怎么牛逼的过程。

由于原视频存在该公司的名称和软件名称，避免饭碗砸到底的广告嫌疑，就不放出来给大家看了。

这个操作过程，展示了软件的一个功能，叫关键词蒸馏，即你给一个公司主体的名称。

再加你要设置的目标关键词，比如广州老马科技公司，这是公司主体，目标关键词一般是你的产品服务。

假设产品服务是NAS服务器，那么输入以上信息后，软件就能帮你蒸馏出一堆新的关键词。

这里先做一个名词定义，本文所讲的模型跟大模型、大语言模型是一个意思，方便大家理解。

首先蒸馏这个词就很高大上对不对，AI行业内一般叫模型蒸馏，即小模型（学生模型）向大模型（老师模型）学习。

把老师学会的大学知识，传递迁移给学生，使得一个小学生，也懂大学的知识。

而这个关键词的蒸馏，说白了就是关键词拓展和挖掘，背后就是写一段固定的提示词模版。

再根据输入的不同公司主体，产品和服务关键词，替换掉提示词模版中对应的关键词，把槽位填上去。

接着，再发给Deepseek之类的大模型，就能够帮你写出很多不同的新关键词，以及长尾关键词。

这个跟模型蒸馏有啥关系？完全是牛头不对马嘴，就算不是模型蒸馏，也完全曲解了蒸馏的意思，纯属于生搬硬套。

为了方便大家理解，老马在这里也给大家做了一个演示，不过老马的提示词模版没有写得很详细。

只是简单的一句话，就已经基本能够实现这个所谓的关键词蒸馏，大家在实际操作的过程中，可以进一步细化提示词。

细化提示词，就是写更多的条件，要求AI最终给你组合出来的新关键词更加准确。

老马使用Deepseek，输入了以下一段提示词：

公司名称：广州老马科技有限公司，主打产品：nas服务器，请针对以上两个关键词，帮我拓展组合20条符合客户搜索习惯的长尾关键词，或者搜索问题

结果就是Deepseek已经针对不同的场景，给出已经组合好公司主体跟目标关键词的新关键词，也就是所谓的关键词蒸馏，如图：

老马的科技公司是在广州的，Deepseek也组合了地域场景的新关键词，如“广州本地NAS服务器上门安装服务”。

所以，像这种GEO优化系统软件，里面的功能换个高大上的“蒸馏”名字包装一下。

其底层逻辑很简单，根本操作也是基于以前的SEO的关键词优化那一套，换汤不换药。

而你不了解其中的原理，就会需要为认知差付费，甚至被屠龙刀割肉。

2、模型训练

这个软件还有一个主要的核心功能，叫模型训练。意思就是说你已经有了上面蒸馏过的一堆新关键词。

就可以把这些新关键词喂给AI，然后让AI学会，以后客户去问AI的时候，问题如果包含了这些关键词的。

豆包就会把你的公司信息推荐给客户，从而实现给你公司和产品服务曝光引流的效果。

这又是典型忽悠小白的营销术语包装，当然也有不少小白是认为自己平时在跟豆包说话，不断地投喂资料内容，就是在训练模型。

其实可以理解，普通用户去真正了解大语言模型背后的技术，学习难度是比较大的。

所以老马就用最简单容易理解的思路，给大家科普一下，为什么说普通用户，甚至于这些做GEO的软件公司，都无法训练豆包，Deepseek的模型。

模型只是背后的能力，对外呈现出来的是已经封装好的软件应用，比如豆包APP，Deepseek的APP，或者网页，电脑客户端。

用户一般使用的也是这些封装好的软件应用，背后的大语言模型，你是看不到的，是放在人家豆包、Deepseek自己服务器上的。

其次，模型是分版本的，细心一点你就会发现，Deepseek公司对外发布新模型的时候，都会说这次发布的模型版本是R1还是V3，或是V3.1。

而每个版本的模型，它经过训练后所学习到的知识，是有截止时间点的，23年发布的模型，它所学的知识可能就是停留在23年之前。

不可能说23年之后的时间点，比如24年跟25年新出来的知识，它也学会了，对吧。

如果你要让这个23年发布的模型，也学习到24年跟25年的新知识，那就得重新训练模型。

训练模型是一件非常耗时耗钱的事情，成千上万个GPU（你可以理解为显卡），几个月甚至半年一年的时间。

这个成本是很大的，所以为什么像Deepseek的APP或者网页应用上，都有一个联网搜索的功能按钮。

你打开后（豆包是默认打开的），Deepseek虽然只懂得23年之前的知识，23年之后的知识就可以通过联网搜索去全互联网找。

找到之后，再补充过来回答你，这就给了大部分小白一个错觉，好像Deepseek是与时俱进的。

老马也给大家截图了豆包跟Deepseek目前模型知识的截止时间，如图：

说完了模型版本，大家就知道模型的知识是有局限的，有边界的，那如果我一定要训练模型，怎么办？

首先，你选择训练的基座模型（就是基本的底层大语言模型），得是开源的。

Deepseek是开源的，豆包不是开源的，这个大家都清楚，那你就可以通过一些模型分发平台，比如Hugging Face（抱抱脸），去下载好对应的模型版本。

再准备好相关的显卡和服务器硬件，配置好系统环境，准备好训练数据，通过Pytorch或TensorFlow这类框架去训练。

框架你没必要去深入了解是什么东西，权当是模型训练的工具即可，其它的显卡服务器啥的都应该好理解。

大语言模型训练的过程就是一个不断改变模型参数和权重的过程，参数你可以简单理解为知识，模型所学到的知识量。

权重可以简单理解成当用户询问一个问题时，用哪条知识去回答最准确，那对应的这条知识权重就越高。

模型的训练还可以分成全量参数训练和部分参数训练，简单理解就是全部知识训练和部分知识训练。

有些重构或者模型规模扩大，通用能力大幅提升的新版本，都经过了一次全量参数训练，坏处是其训练成本很高。

好处是，模型所学的全部知识都更新了，脱胎换骨了，最终得到的就是一个全新的，更强大的模型。

一般来说只有Deepseek，豆包这样的专业模型公司才会这样做，他们也有足够的财力物力去支撑。

普通的公司去下载开源的Deepseek模型做二次训练，都只是采用部分参数训练，也叫部分参数微调，LoRa微调（微调技术的一种）。

准备一部分的训练数据，也就是需要模型学会的知识，这类知识偏向于专业知识，比如法律、金融、医学知识。

因为Deepseek虽然学习的知识面、知识量很广很多，通用知识掌握得很好，但对于某一垂直行业领域，特别专业的知识，并不一定擅长、掌握得很好。

因此就需要准备这样的知识，去做部分参数训练，等于补充一下，让模型在回答这个行业领域问题的时候，更加专业准确。

到这里，大家应该对模型的训练都有了一个基本的了解。

那问题来了，大家平时在用的Deepseek网页和APP，或者豆包的网页和APP，都是人家公司自己搭建的应用。

相对应的，模型也是人家公司搭建的，运行在人家公司的服务器上，请问你怎么训练它们？

你跑人家公司的服务器机房，偷偷地蹲在服务器旁边去训练么？还是说人家公司给你开通了绿色通道，你有权限远程去训练。

以上都是不可能实现的事情，就算你神通广大可以去训练人家的模型了，老马也是佩服你到家了。

人家好好的一个模型，通用知识能力很强，被你一通瞎训练，出了问题了，话都说不利索了，更别提正常回答问题了。

那请问，豆包跟Deepseek的几千万用户，还怎么用它们的APP跟网页，这不就是瞎扯淡，乱套的事情么。

呀，码到这里一看三千多字，再写大家都看不下去了，留到下一篇继续，揭秘完了开始教大家实操，保证干到塔克拉玛干沙漠。