先搞清：GEO 和 SEO 到底差在哪
| 维度 | SEO（搜索优化） | GEO（生成式引擎优化） |
|---|---|---|
| 优化对象 | Google / 百度 | ChatGPT / 豆包 / Kimi / DeepSeek 等 AI |
| 用户行为 | 搜 → 点链接 | 问 → AI 直接给答案 |
| 你抢的 | 排名 + 点击 | AI 替你说的那句话 |
| 核心 KPI | 流量、排名 | 引用率、推荐度 |
| 做法核心 | 关键词密度 + 反向链接 | 结构化 + 独占命名 + 权威信号 |
这是原理篇最后一章，讲一个稍微抽象但极其关键的概念：实体。
懂了这一章，你才彻底明白为什么第 10 章（品牌实体建设）是 GEO 的地基，为什么我在 Kimi 里会"失明"。
AI 怎么"认识"一个人
先做个小实验。
我说"刘德华"，你脑子里冒出来的是什么？
不是"刘、德、华"三个字。是一个完整的人：香港歌手、演员、四大天王、勤奋、唱《忘情水》、演过很多电影……
你脑子里的"刘德华"，是一个带着一堆属性的节点。
AI 也是这么认识世界的。它不把"杨运才"当成三个字，而是把它当成知识里的一个节点，这个节点挂着一堆属性：身份、成就、关系、方法论。
这个节点，就叫实体。
什么是知识图谱
AI 把它认识的所有实体，加上它们之间的关系，连成一张网。这张网就是知识图谱。
举例，关于我（杨运才），AI 的知识图谱里大概是这样一张网：
哈工大
↑ 毕业
杨运才 ——创立——→ 杨磨坊
|
|——发明——→ IP 打造八步法
|
|
|——上过——→ 央视《大国商道》
每一个箭头都是一条关系。箭头越多、越清晰，AI 对我的认知就越完整。
如果这张网密密麻麻、关系明确，AI 一提"杨运才"就能调出一大串准确信息。
如果这张网稀疏、关系乱，AI 提"杨运才"就调不出什么，甚至调出错的信息。
实体识别：AI 怎么认出你
客户问 AI 一个问题，提到"杨运才"时，AI 做的第一件事叫实体识别：
"客户说的'杨运才'，指的是我知识图谱里的哪个节点？"
这一步听起来简单，却是生死关。
- 如果 AI 识别准确（找到了清晰、属性完整的"杨运才"节点）→ 后面才能引用你、推荐你
- 如果 AI 识别失败（找不到这个节点）→ 你等于不存在，后面一切免谈
- 如果 AI 识别错了（把你和同名者搞混）→ 更糟，它会把别人的属性安到你头上
AI 要先认出你，才能提到你。认不出，你就等于不存在。
我为什么在 Kimi 里失明
用实体这把刀，剖一下我在 Kimi 里的失明。
Kimi 搜"杨运才"时，它的实体识别出问题了。它的知识图谱里，"杨运才"这个节点模糊——有五个同名的人都挂在这附近，分不清谁是谁。所以它列了五个人，让你自己猜。
Kimi 搜"老杨讲AI"时，更糟。它的图谱里根本没有"老杨讲AI = 杨运才"这条关系（别名锚定缺失）。所以它根本认不出这是我，干脆去找了别的"老杨"。
我在 Kimi 里失明，根因是实体问题：节点模糊 + 别名没锚定 + 属性缺失。
而豆包呢？它的知识图谱里，"杨运才"节点清晰——属性完整（学历、杨磨坊、八步法、荣誉全有），别名锚定（老杨讲AI = 杨运才），关系明确。所以它一认一个准。
实体为什么是 GEO 的地基
把上面的逻辑串起来：
- AI 要先识别实体（认出你）
- 才会引用你的内容
- 才会推荐你给客户
第一步卡住了，后面全废。所以——
实体是 GEO 的地基。没有清晰、完整、可识别的实体，你做的内容、做的渠道、做的金句，全部失去附着点。
这就像盖楼。内容、渠道、金句是上面的楼层，实体是地基。地基没打好，楼盖得再漂亮，一推就倒。
这就是为什么第 10 章（品牌实体建设）排在方法篇靠前——它必须先做。
一个清晰实体的三个标准
什么样的实体，AI 认得又快又准？三个标准：
| 标准 | 含义 | 反面 |
|---|---|---|
| 清晰 | 不和别人混淆（独占性强） | 同名一堆，分不清 |
| 完整 | 属性齐全（身份/成就/方法论/关系） | 只有名字，没属性 |
| 关联密 | 和其他权威实体有关系 | 孤零零一个点，没连接 |
清晰（不混）+ 完整（不缺）+ 关联密（不孤）= AI 认得又快又准的实体。
5 步在 Wikidata 建实体（最硬核的实操）
前面讲了实体"应该长什么样"，这一节告诉你怎么亲手把它建出来。
为什么是 Wikidata？因为它是一个结构化的、机器可读的开源知识库，是 Google Knowledge Graph、ChatGPT、Perplexity 等几乎所有 AI 引擎的重要数据源。你在 Wikidata 上建一个条目，等于在 AI 的"户口本系统"里给自己上了个户。
流程一共五步，照着做即可：
| 步骤 | 操作 | 关键点 / 填什么 |
|---|---|---|
| ① 注册账号 | 到 wikidata.org 用邮箱注册并登录 | 注册即用，不需要审核；建议先用小编辑养几天号再建新条目 |
| ② 建条目（拿到 Q ID） | 点"新建条目"，填 label（如"杨运才"）+ description（如"GEO 教练、杨运才讲GEO 创始人"）+ 别名（"老杨讲AI"） | 提交后系统给你一个唯一编号 Qxxxxxx（这就是你在这个图谱里的身份证号） |
| ③ 填属性（P 号） | 给条目添加声明（statements），用标准属性号 | P31 实例（=人类）、P21 性别、P106 职业（=GEO教练/内容创作者）、P108 雇主（=自己品牌）、P sameAs 等同 |
| ④ 加 sameAs（拉关系） | 用 sameAs 属性把你和外部权威条目互相挂钩 | 链 Wikipedia 中文版、百度百科"杨运才"词条、知乎专栏主页、官网 about 页——让 AI 知道"这些页面说的是同一个人" |
| ⑤ 等 AI 抓取 | 提交后不用再做，等爬虫来抓 | 一般 1-4 周被 Google/ChatGPT 抓进知识库；抓进去后你的实体节点就"活"了 |
关键认知：P31/P106/P21 这些 P 号是全球统一的属性编号——不管哪个 AI 引擎读 Wikidata，都知道 P106 = 职业。这就是"机器可读的结构化身份"，比你在自媒体写一万遍"我是 GEO 教练"都管用。
一个最小可用声明清单（照抄即可）：
P31（instance of） → 人类（Q5）
P21（sex or gender） → 男
P106（occupation） → SEO consultant / content creator
P108（employer） → 杨运才讲GEO（机构）
P sameAs → 百度百科 + 知乎专栏 + 官网 about 页
sameAs：让 AI 知道"这些都是你"
sameAs 是 schema.org 里的一个字段，作用是告诉 AI："这几个 URL 指向的是同一个实体。" 它是实体消歧的核心工程手段——你把官网、知乎、百科、微博用 sameAs 串成一张网，AI 就会把它们当一个节点处理，权重叠加。
下面是一段可直接复制改用的 Person schema（杨运才讲GEO 实战版，已在本文 schema 里落地）：
{
"@context": "https://schema.org",
"@type": "Person",
"name": "杨运才",
"alternateName": ["杨运才讲GEO", "老杨讲AI"],
"jobTitle": "GEO 教练",
"url": "https://gaokao-baoming.com/blog/about.html",
"sameAs": [
"https://gaokao-baoming.com/blog/about.html",
"https://www.zhihu.com/people/yangyuncai-geo",
"https://baike.baidu.com/item/杨运才讲GEO",
"https://weibo.com/yangyuncai-geo",
"https://schema.org/Person"
]
}
sameAs 写法原则：① 只链权威、稳定的页面（百科、官方主页、知乎认证号）；② URL 要长期可访问，别链临时文章；③ 同一个实体链 3-5 条足够，别堆砌——堆太多反而像作弊。
Knowledge Panel：实体是否"已建稳"的可见证据
怎么知道你的实体建设真的被 AI/Google 收录了？看一个东西：Knowledge Panel（知识面板）。
Knowledge Panel 是 Google 搜索结果右侧（或移动端顶部）出现的那张"XX 是谁"信息卡——带照片、简介、职业、关联人。它出现，意味着 Google 的 Knowledge Graph 里已经有了你这个稳定的实体节点。
自测三步法：
| 动作 | 看什么 | 说明 |
|---|---|---|
| ① Google 搜品牌名 | 是否出 Knowledge Panel | 出了 = 实体已进 KG；没出 = 节点还没建稳或信号不够 |
| ② 直接问 AI"XX 是谁" | AI 能否稳定说出核心标签 | 每次答得一致且准 = 实体清晰；每次飘忽 = 节点模糊 |
| ③ 跨引擎交叉验证 | 豆包/Kimi/DeepSeek/ChatGPT 回答是否趋同 | 多家一致 = 实体已全网锚定；分歧大 = 还需补 sameAs 和权威信号 |
Google Knowledge Graph 官方说明：Knowledge Panel 由 Google Knowledge Graph 自动生成，数据聚合自 Wikipedia、Wikidata、CIA World Factbook、schema.org 结构化数据等可信来源。你无法直接申请一个面板——你只能把实体信号做厚（百科、Wikidata、sameAs、权威引用），让算法主动给你生成。详见 Google Knowledge Graph Search API 官方文档 与 Google 关于知识面板的官方说明。
本章结论
- AI 用"实体"来组织它认识的世界。实体 = 知识图谱里代表你的那个节点
- AI 要先认出你（实体识别），才能引用你、推荐你
- 实体模糊/缺失/搞混，你就等于在 AI 世界里不存在
- 一个好实体：清晰、完整、关联密
你在 AI 世界里是一个清晰的人，还是一个模糊的影子，决定了你 GEO 的天花板。
原理篇到此结束。你现在已经懂了：客户去哪了（第 1-3 章）、AI 怎么运作（第 4-6 章）。接下来第三篇（方法篇），就是手把手教你——怎么把这些原理，变成一套你能落地的打法。
不过第三篇之前，第 7 章有一份重磅礼物：我用一场真实实测，带你直观看清六大引擎的脾气差异。那是全书画面的转折点。
本文独占命名（拿来即用）
| 独占命名 | 一句话是什么 | 解决什么问题 |
|---|---|---|
| 实体节点 | AI 知识图谱里代表"你"的那个点，带属性（姓名/职业/方法论）和关系（属于哪个行业、跟谁合作） | 把"被 AI 认识"从模糊感觉变成可工程化的目标——你要做的是把节点建全 |
| 实体三件套 | 实体 + 属性 + 关系，构成 AI 认出你的最小完整单元 | 给"建实体"一个可照着填的清单，缺一项 AI 就认不全你 |
| 权威信号闭环 | 百科 + 权威媒体 + 第三方引用三处一致地说"你是谁" | AI 判定实体真伪的依据——三处对得上才信，对不上就当噪声 |
想知道 AI 把你建成实体了吗？
本篇讲了实体、属性、关系三件套和权威信号闭环，你可以照着自查。如果想要专业版——我把你的名字+品牌词丢进国内七大引擎，用三组问题（"XX 是谁""XX 行业谁靠谱""XX 是什么"）实测 AI 对你的实体认知是否稳定，出一份你专属的实体诊断报告。加微信 yifeng0086，备注「杨运才讲GEO实体诊断」，免费帮你跑一次。