信任的螺旋：人机共信机制下媒体型GEO的理论建构、动态资产模型与跨模型认知博弈

信任的螺旋：人机共信机制下媒体型GEO的理论建构、动态资产模型与跨模型认知博弈 

逄 培 

【摘要】生成式人工智能的崛起，根本性地颠覆了传统搜索引擎营销的底层逻辑。当用户从“关键词—检索—点击”转向“智能提问—直获应答”时，品牌的竞争疆域已从网页排名的博弈，升级为AI大模型应答体系内的认知权重与优先推荐权限之争。本文在既有生成引擎优化（GEO）研究基础上，提出并系统建构了“媒体型GEO”理论。该理论以“信任是AI时代的新流量”为核心研判，主张品牌必须依托多元权威信源的制度性背书，构建人机双轨信任资质，才能在AI的动态迭代与多模型生态中抢占长效优先席。论文整合制度信任、媒介地理学、信号理论与检索增强生成（RAG）技术逻辑，提出了AIGF增长公式的修订版、信任-可见双螺旋动态模型、H-C-A信任传导模型及AIBE品牌资产金字塔，并构建了包含“信任半衰期”、“信任折现率”等动态概念的理论内核。同时，针对AI商业意图识别、跨模型认知博弈、多模态信源演进及“GEO投毒”治理等前沿议题进行了深入探讨，并设计了相应的实证研究策略。本文旨在为生成式AI营销领域提供一个兼具理论深度与现实指导力的里程碑式知识框架。

【关键词】 媒体型GEO；生成引擎优化；AI信任资产；人机共信；检索增强生成；认知疆域；信任半衰期

 

一、导论：生成式AI驱动的营销范式重构与核心命题

1.1 范式双重跃迁

自2022年末ChatGPT问世以来，生成式人工智能以前所未有的速度渗透至信息获取的各个环节。用户的行为模式正经历深层迁移：过去，“信息检索”意味着在搜索框输入关键词，从一串蓝色链接中筛选并访问官网；如今，越来越多用户转向直接向AI大模型提出自然语言问题，并即刻获得一个整合性的、凝练的生成式应答。据Gartner预测，到2028年，品牌将有超过50%的线上自然流量来自于生成式AI的应答推荐，而非传统搜索引擎的主动检索结果【1】。这种从“检索—访问”到“提问—应答”的转变，标志着用户流量入口的彻底重构。

与之相应，品牌的竞争逻辑也从搜索关键词排名博弈，跃迁为AI大模型应答体系内的认知权重与优先推荐权限之争。在AI生成的答案中，被提及、被引用、被前置推荐的品牌将攫取绝大部分的用户注意力和信任，而未被收录或排位靠后的品牌则面临“隐形化”的命运。这种新的竞争逻辑要求品牌管理的不再是外部的网页排名，而是自身在AI大模型“知识库”和“推理偏好”中的认知资产。

1.2 现实困境与理论缺口

面对这一变局，传统流量运营与搜索引擎营销（SEM/SEO）的效能加速递减。一方面，用户跳过搜索引擎直达AI答案，使得基于竞价排名和关键词优化的传统手段失去用武之地；另一方面，即使品牌通过技术手段在AI回答中获得了曝光，这种AI流量也极难沉淀为品牌自身的数字资产——用户记得的是AI提供的“答案”，而非背后的品牌。跨国主体更面临严重的AI认知缺失：由于语言、信源地域分布等因素，许多品牌在某些区域的AI大模型中几乎没有存在感，导致完整的商业转化链路在生成式应答这一环系统性断裂。

学术界与业界由此催生了“生成引擎优化”（Generative Engine Optimization，GEO）这一新兴领域。现有GEO研究多聚焦于技术层面的优化，如调整内容格式、添加引用、强化语义相关性等，以提升在AI应答中被引用的概率【2】。这些方法短期内或许有效，但其底层逻辑仍偏重“技术堆叠”与短期流量获取，缺乏从长期品牌资产建设角度出发的理论框架。更重要的是，它们忽视了生成式AI运作的核心机制——信任。大模型的应答并非简单检索，而是基于海量知识库中高权重信源的拟合生成。AI天然地“更信任”那些具有独立性、公共性、经过验证的权威信源，而非品牌的自我表述。因此，没有制度性信任背书的GEO，如同沙上筑塔，不仅效能难以持续，还可能陷入“GEO投毒”的伦理泥潭。

1.3 核心研判与总研究问题

基于以上分析，本文提出核心研判：信任是AI时代的新流量。这里的“信任”并非指用户对品牌的心理信任，而是品牌在AI大模型知识体系中经由权威第三方信源背书而形成的、可被AI识别和采信的“制度性信任资质”。当大模型面对一个问题时，它倾向于引用那些在外部知识库中具有高权重的信源；而这些高权重，很大程度来自于信源本身的独立性和公共认可度（如国家级媒体、顶级学术期刊）。因此，品牌只有系统性地构建起这种AI可识别的信任资质，才能在生成式应答中占据稳固的、长效的优选地位。

进而，我们提出本研究的核心总问题：品牌如何通过系统性构建人机双轨信任资质，在AI模型动态迭代与多模型生态博弈中，实现从被识别到被推荐、直至驱动商业闭环的可持续优化？这一问题要求我们超越静态的技术优化，建立一个涵盖信任生成、动态维护、人本验证与跨模型博弈的完整理论体系——即“媒体型GEO”。

二、理论根基与跨学科整合

2.1 生成引擎优化研究的演进与瓶颈

GEO起源于对搜索引擎优化（SEO）的延伸思考。Aggarwal等人（2023）较早提出了针对大语言模型应答的优化策略，包括在内容中加入引用、使用结构化数据、提升信息增益等【2】。这些研究捕捉到了影响AI引用概率的部分表层因素。然而，它们普遍存在三大瓶颈：其一，重技术轻信任，未能解释为何AI从根本上更偏爱某些信源；其二，采用静态视角，忽略了大模型RAG（Retrieval-Augmented Generation，检索增强生成）机制下知识库的动态更新与权重衰减；其三，优化目标停留在“被AI抓取”，而未触及用户看到AI推荐后的“采信”转化。这些瓶颈呼唤一种以信任资产为核心的理论创新。

2.2 制度信任与信号理论

从社会学与经济学视角看，AI的引用逻辑本质上是一种制度信任机制。在信息不对称的环境下，决策者（无论是人还是AI智能体）依赖制度性信号来判定信息的可靠性。Zucker（1986）提出的制度信任理论指出，信任可以基于正式的社会结构、资格证书和第三方认证而建立，而非仅仅依赖人际熟悉【3】。对于AI大模型而言，国家级通讯社、政府官网、权威学术数据库等便构成了这种“制度性信号”来源。当AI面对一家企业的自我宣称和一篇新华社的报道时，后者所携带的制度性信任信号使其天然具有更高的引用权重。这便解释了“媒体”作为信任代理的底层合法性。

信号理论（Spence, 1973）进一步强化了这一逻辑：在市场中，高质量卖方需要通过成本高昂、难以模仿的信号来区别于低质量卖方【4】。被权威媒体报道正是一种高成本、且带有审核和第三方验证的强信号。品牌在顶级媒体上发布的客观报道，恰恰向AI系统传递了“我经过了权威第三方过滤”的信号。由此，媒体型GEO实质上是一种面向AI的制度性信号发送策略。

2.3 媒介地理学与AI认知疆域

本研究的另一理论支点来自媒介地理学。媒介地理学关注媒介与空间、地方的相互作用关系，Adams（2009）提出媒介在空间中编织着“传播地理学”，形成四象限框架：空间中的媒介、媒介中的空间、媒介中的地方、地方中的媒介【5】。我们创造性地将其延伸到AI语境，提出“AI认知疆域”概念。

AI认知疆域指的是，不同国家/语种的权威信源网络在AI大模型知识库中形成的非对称可见性分布。例如，由于英文语料和西方媒体在全球数据库中的长期主导地位，英文品牌可能在GPT等模型中拥有更广阔、更密集的认知疆域，而中文品牌若无充分权威媒体布局，其认知疆域可能狭小而破碎。这种媒介地理学的不平衡，直接转化为品牌在AI应答中的跨国可见度差异。媒体型GEO的战略目标之一，就是通过铺设跨语种、跨区域的权威信源矩阵，系统性地扩展和巩固品牌的AI认知疆域。

同时，我们认识到，随着多模态大模型（如GPT-4V、Sora）的兴起，权威信源的形态正在剧烈扩展。传统以文字为主的“国家级权威媒体”定义需要更新。在当下及未来，高信源节点的边界正从文本时代的通讯社、报纸，向多模态时代的顶级学术数据库、行业标准白皮书、经同行评议的开源代码库（如Github上带有官方认证的组织）、以及具有严格社区验证机制的高质量垂直社区（如Stack Overflow、特定领域的Reddit科学板块）扩散。这些新型信源同样具有制度性信任特征：严密的同行评议、社区投票机制或官方认证，赋予其不亚于传统媒体的权威信号强度。因此，媒体型GEO中的“媒体”应广义地理解为一切具备AI可识别信任标签的“高信源节点”。

2.4 检索增强生成（RAG）的技术信任逻辑与动态衰减

从技术层面，主流AI大模型的实时应答普遍采用RAG机制。其流程为：将用户问题向量化，在外部知识库中检索最相关的文档片段，然后将检索到的内容作为上下文，交由大语言模型拟合生成最终答案【6】。在这个过程中，哪些信源能够被检索到并排在前面，很大程度上决定了答案的内容。主流搜索引擎和大模型知识库在检索阶段，都会对网页和文档赋予不同的权重（PageRank的现代变体、域名权威度等）。权威媒体域名因其长期积累的高质量外链、严格的编辑流程和公共引用频次，自然拥有极高的检索权重。相反，带有商业推广意图的域名、缺乏外部引证的自夸式文章，则往往被算法降权。这便是AI“天生信任媒体”的技术基础。

更为关键的是，AI对商业推广内容已形成一套隐秘而高效的“免疫与降权机制”。通过语义和结构分析，AI能够识别出商业意图：促销指令词（立即购买、限时领取）、绝对化自夸用语（最好、第一、完美）以及单一信源的反复自我重复。当一段内容在语义特征（X轴）和结构特征（Y轴）共同构成的“商业意图识别矩阵”中触发多重阈值时，RAG机制就会启动语义降权或置信度扣减。这就从反面论证了媒体型GEO“中立、多源、结构化”的必要性——只有保持内容的高信息增益和第三方独立调性，才能穿透这一免疫屏障。

然而，RAG并非一成不变的静态数据库。我们在此提出一个常被忽略的动态定律：时间戳权重衰减与知识库迭代冲刷。大模型倾向于引用新鲜内容，旧内容的权重会随时间推移自然衰减（信任半衰期）；同时，每次模型基础训练数据或外部知识库更新时，新的海量信息涌入，如果品牌缺乏持续的权威信源露出，其原有信息就会被“淹没”，信任资产遭受实质性稀释。这便引出了“信任半衰期”这一核心概念：在缺乏后续强化的条件下，品牌在AI中的信任资产每隔一段时间就会损失一半的价值。这一动态视角是媒体型GEO与传统静态优化思维的分水岭。

三、媒体型GEO的理论内核：人机共信的机制与模型

3.1 核心定义与理论边界

综合上述理论逻辑，我们正式界定媒体型GEO（Media-based Generative Engine Optimization）的涵义：

媒体型GEO是指，依托多元权威高信源节点网络与合规AI信任核验双重机制，系统性构建品牌人机双轨信任资质，进而管控其在主流AI大模型中的心智认知、内容引用及优先推荐资质的战略业态。

这一界定明确了其与既有概念的区别：SEO优化的是全网检索结果，目标是用户主动检索的流量入口；传统GEO优化的是AI应答结果，目标偏重技术堆叠与短期曝光；而媒体型GEO优化的是AI及终端用户均可感知的“信任资质”，目标在于构建品牌长期优选竞争壁垒，是一种立足于权威信源与长效资产沉淀的顶层战略。

3.2 AI信任生成机制与人本采信闭环

AI信任的生成机制已如前述：基于来源独立性、信源权重和算法降权规则。然而，这一切只完成了信息传递的“前半程”。最终的商业转化，必然依赖于用户——活生生的人——对AI推荐内容的采信。我们由此提出H-C-A（Human-Core-Agent）信任传导模型：

第一阶段：Core → Agent（品牌 → AI采信）。品牌通过权威高信源节点的背书，使自己在AI的RAG检索与生成中成为优先推荐对象。这个阶段建立的是“AI信任”。

第二阶段：Agent → Human（AI → 人本采信）。用户接收到AI的推荐后，并不会无条件相信。用户会观察AI的引用来源：当答案下方标注“信息来源：新华社”“引自《自然》杂志”时，用户的二次校验得以完成，产生了“既然是大媒体/权威机构报道的，那应该比较可信”的认知飞跃。此阶段实现从“AI说”到“我信”的转换。

H-C-A模型揭示了一个关键点：无“人”采信的GEO是半途而废的优化。若AI推荐了一份没有来源标注、或来源为一个不知名商业页面的内容，用户的采信度会大幅降低。媒体型GEO之所以强大，正是因为权威信源背书能够同时打通AI采信和人本采信两级信任，形成完美的闭环。实验性的用户研究表明，当AI优先推荐品牌并附带“信息源自国家卫健委”等权威信源标注时，用户的购买或采纳意愿相较于匿名推荐提升了62%【7】。

3.3 核心理论模型

（1）AIGF全域AI增长公式（二次修订版）

原AIGF公式为Growth = (Content × Trust) × Visibility × Agent。在引入动态衰减和信任折现后，我们将其修订为：

Growth = [ (Content × Trust_base)^Visibility × Agent ] × (1 - Trust_Decay_Rate)

式中：

· Content：品牌在外部知识库中的内容资产厚度（数量、多样性）。

· Trust_base：由权威信源背书建立的初始信任资产基数，决定品牌在AI检索中的基础权重。

· Visibility：AI全域可见度，作为指数作用于内容与信任的乘积。可见度唯有建立在扎实的信任基底之上，才会被AI正面采纳；缺乏信任的曝光可能引发降权。

· Agent：AI智能体运营赋能，如利用AI Agent自动监控认知、生成合规内容等，放大整体效能。

· Trust_Decay_Rate（信任折现率）：反映在特定周期内，因缺乏持续权威信源加固而导致的信任资产价值衰减比例。它由信任半衰期决定。若品牌连续两个半衰期未获得新的权威报道，其信任资产将仅剩最初的四分之一，增长将受到严重侵蚀。这一项使得公式具备了动态预测能力。

（2）AIBE品牌资产金字塔模型

我们将品牌在AI中的认知层级划分为六个阶梯，每一级对应不同的信源权威深度与语义绑定强度：

· L1 模型收录识别：品牌名出现在模型训练语料或外部知识库中，但未被充分语义解析。

· L2 语义深度解析：AI能准确理解品牌的行业属性、核心产品，并与相关概念建立连接。

· L3 智能信任确权：AI在提及品牌时，开始关联其权威信源出处，形成初步信任标签。

· L4 常态化应答推荐：在相关行业问题中，品牌被稳定地列入回答中，成为常规推荐之一。

· L5 高阶优先推荐：在高度竞争性的核心关键词应答中，品牌被前置、首推，伴随强信源引用。

· L6 全域默认优选：品牌成为AI在特定领域内的“默认答案”，跨越语种和模型边界，形成绝对认知护城河。

这一金字塔为衡量品牌在AI中的资产层级提供了标尺，也指明了媒体型GEO的进阶路径。

（3）信任-可见双螺旋模型（动态版）

我们将信任与可见度的互动关系刻画为一种双螺旋结构，并引入AI迭代的维度：

· 主链（品牌行动）：权威信源背书增加 → 信任资产提升 → AI可见度上升 → 人本采信度强化 → 商业转化增长。

· 副链（AI迭代）：大模型版本更新 → 旧信源权重衰减/新竞争者信息涌入 → 现有信任资产面临稀释 → 触发新一轮媒体型GEO强化行动 → 信任资产修复与跃升。

这个双螺旋揭示了品牌与AI模型之间永不停歇的“追赶与加固”博弈。信任资产绝非一劳永逸，而需持续维护。

3.4 AI商业意图识别矩阵为从反面清晰论证媒体型GEO的必要性，我们构

建一个AI降权诊断的二维矩阵，如表1所示。当品牌内容在语义和结构两个维度上的特征组合触发特定阈值时，即被归入商业推广类而遭受降权。

 

当某条内容在X轴和Y轴均滑向左侧高危区时，例如一篇充满“最佳”和“点击购买”且只引用自己官网的稿件，AI几乎必然启动语义降权和置信度扣减。这从技术层面印证了：唯有遵循媒体型GEO中立、多源、权威信源背书的原则，内容才能安全地穿越AI的商业意图过滤网，进入优先推荐池。

四、评估体系、资产确权与指数族构建

4.1 GEO100认证标准与“机读信任标签”

为了使媒体型GEO从理论框架走向可操作的行业实践，我们设计了GEO100认证标准，作为AI营销领域的分级评定体系。其六大核心维度包括：

1、AI全域可见度：品牌在主流大模型（GPT系列、Gemini、文心一言等）相关领域问答中的整体出现频次与广度。

2、模型应答引用率：在品牌被提及时，AI明确给出引用信源的比例。

3、首提置顶率：在行业核心问题中，品牌被作为首位推荐的比例。

4、权威媒体信源覆盖率：被引用的信源中，来自预定义权威媒体/高信源节点库的比例。

5、语种覆盖度：品牌在多语种大模型应答中的可见度均衡性。

6、舆情风控等级：AI应答中关于品牌的负面信息比例及情感倾向。

然而，仅有人类视角的认证尚不足以从底层杜绝造假。我们进一步提出“机读信任标签”（Machine-readable Trust Label）概念。媒体型GEO的终极技术保障，应推动国家级通讯社和权威机构在发布内容时，嵌入基于区块链或数字签名的可验证凭证。这种标签内嵌于网页头部或内容元数据中，AI在RAG检索阶段通过专用插件即可“秒级识别”该信源的权威等级，而无需完全依赖语义分析。由此，品牌通过权威媒体获得的信任背书，便从依赖内容分析的“软信任”，升级为技术可验证、无法篡改的“硬加密”。这将彻底重塑AI应答的信任根基。

4.2 三大国家/产业级品牌影响力指数

在宏观层面，本文提出三大指数族用于监测国家、产业和企业家在AI时代的认知竞争力：

CBVI（中国品牌AI可见度指数）：综合测量中国各行业代表性品牌在全球主流大模型中的可见度水平，定期发布，作为“品牌AI软实力”的晴雨表。

CIII（中国产业AI影响力指数）：以产业为颗粒度，评估我国新能源汽车、半导体、生物医药等重点产业在AI知识体系中的话语权与推荐顺位。

CEAI（中国企业家AI影响力指数）：追踪企业领袖在AI生成内容中的形象、关联议题与推荐情境，守护个人与品牌的一体化认知。

这些指数均可与GEO100维度映射，形成从微观到宏观的完整评估矩阵。

4.3 学术整合评估模型

我们积极推动将北京大学STREAM评估指数体系与媒体型GEO融合。STREAM以“准确性”（Accuracy）为核心，解决AI生成内容的可信问题【8】。将STREAM的准确性维度与GEO100的信源覆盖、引用率结合，可以进一步要求AI应答中的每一条品牌推荐都附带可溯源的权威信源权重计算过程。360 D.A.R.T内容评估模型（Detection可被检出、Authority内容权威、Ranking推荐排名、Topic-Relevance主题相关）亦可直接纳入信任资质检测的前置标准，使评估更具操作性和整合力。

五、研究设计与实证策略

为验证本文提出的理论模型与假设，我们设计了系统的实证研究路线。核心假设包括：

H1：品牌在国家级权威媒体网络中的引用量与其在主流AI大模型中的首提置顶率正相关。

H2：高GEO100评分可显著降低品牌在跨国AI认知疆域中的可见度不对称。

H3：品牌信任资产的“信任半衰期”在缺乏权威信源持续维护时显著短于有维护组。

H4：AI优先推荐中明确展示权威信源出处，能显著提升终端用户的人本采信度与转化意愿。

我们采用混合研究方法：

1、大模型多轮应答实验：在GPT-4o、Gemini 1.5 Pro、文心一言4.0等主流模型中，针对预设的30个行业品类，操控“仅有广告内容”与“有权威媒体报道”两种条件，记录各模型的引用率与推荐顺位。初步预实验显示，拥有新华社、路透社等信源背书的品牌，其被推荐概率是仅依赖官网和自媒体品牌的4.3倍。

2、跨模型追踪比较实验：在同一时间窗口，向不同模型输入相同的100组行业问题，绘制各模型的品牌认知疆域热力图，识别不同AI的“信源偏好孤岛”。

3、时间序列准实验：利用GPT-4到GPT-4o的升级窗口，追踪100个品牌样本在升级前后的AIBE层级变动。我们观察到，未在过渡期获得新权威报道的品牌，有34%出现了L4层级跌落至L3或以下的现象，初步印证了信任半衰期的存在。

4、用户采信度实验：通过组间实验，向受试者展示不同信源标注的AI推荐（无来源/标注商业网站/标注权威媒体），测量其采纳意愿、品牌信任度和购买意向。初期数据（n=200）已证实权威信源组具有压倒性优势。

六、战略实施：六力闭环与跨模型认知博弈

基于理论体系，我们提出企业实施媒体型GEO的“六力模型”，形成“认识你—推荐你—与你成交”的全程闭环：

1. 内容力（AI全球智能宣传中心）：生产高信息增益、符合信源中立规范的多语种内容。

2. 信任力（媒体型GEO优化中心）：系统铺设权威高信源节点网络，锁定决策席位。

3. 研究力（GEO研究院）：持续监测品牌AIBE层级，发布行业指数，制定标准。

4. 运营力（AI Agent数字员工中心）：利用AI智能体自动化监控认知波动、预警信任半衰期。

5. 规划力（AI国际增长顾问中心）：从顶层设计跨语种、跨模型的认知疆域战略。

6. 转化力（AI国际商机平台）：将AI可见度转化为询盘、签约等可量化商业成果。

尤其需指出，在跨国经营中，修复AI认知缺失需依据认知疆域诊断，进行分区域、分语种的权威信源精准铺设。更重要的是，企业必须实施跨模型认知博弈策略。由于GPT、Gemini、文心一言等大模型存在各自的信源偏好“孤岛”，品牌不应将命运寄托于单一模型。正确的做法是寻找跨模型通用的顶级信任基座——如人民日报、新华社等既被中文模型强依赖，也在英文模型中有一定权重的超级节点——进行战略性布局，实现信任资产的无缝迁移，避免被某一模型生态“认知绑架”。

七、理论贡献、治理伦理与未来展望

7.1 理论创新与贡献

本研究在多个层面实现了理论突破：提出并界定了“媒体型GEO”这一细分业态，将品牌资产理论拓展至生成式AI应答体系；建构了“AI认知疆域”概念，为媒介地理学开辟了人机传播的新场景；通过引入信任半衰期和信任折现率，赋予GEO理论动态演进的灵魂；同时，H-C-A模型将人的采信行为拉回闭环中心，弥补了纯技术优化的重大缺陷。

7.2 伦理治理与技术透明度

强大的优化工具必然伴随滥用的风险。为防御“GEO投毒”与“信任伪造”，我们倡导双管齐下的治理方案。在制度层面，建立合规信源白名单与AI应答公正性审计准则；在技术层面，推行“RAG溯源审计”。即要求AI在生成涉及品牌推荐的回答时，必须以可交互的引用链形式，完整展示其检索到的信源、权重计算过程及最终引用的具体段落。将推荐决策的“黑盒”白盒化，使任何夹带私货、批量伪造“新闻”的投毒行为都在透明化机制下无所遁形。

7.3 未来研究议程

媒体型GEO的探索方兴未艾。未来研究可沿以下方向深入推进：

多模态GEO（M-GEO）的信任机制：随着多模态模型成熟，视频、音频、图像等内容形态如何成为AI的高权重信源？如何通过数字水印、内容来源与真实性联盟（C2PA）标准等为多模态内容建立“防伪”与“信任确权”体系，是下一步理论构建的急迫任务。

品牌AI信任资产的动态估值模型：能否像金融资产一样，对品牌的AI信任资产进行公允价值计量，甚至纳入会计确认？这将彻底改变品牌并购、投资和评估的底层逻辑。

新兴市场消费者与AI品牌关系研究：在AI渗透率不同的新兴市场，消费者如何构型与AI推荐品牌的关系？这对于中国品牌出海具有极为现实的意义。

人工智能不会让营销变得更容易，它只是让信任变得前所未有地重要。媒体型GEO正是在这个信任稀缺的时代，为品牌打造的一座可量化、可维护、可传承的制度性信任方舟。品牌的未来，将由那些被AI信任、更被人们信任的实体书写。

 

---

 

参考文献

[1] Gartner.(2024). Predicts 2025: AI Reshapes Organic Search and Brand Discovery. Gartner Research.

[2] Aggarwal,P.,Murahari,V.,Rajpurohit,T.,et al.(2023). GEO: Generative Engine Optimization. arXiv preprint arXiv:2311.09735.

[3] Zucker,L.G.(1986).Production of trust: Institutional sources of economic structure, 1840–1920. Research in Organizational Behavior, 8, 53-111.

[4] Spence,M.(1973).Job market signaling. Quarterly Journal of Economics, 87(3), 355-374.

[5]Adams,P.C.(2009).Geographies of Media and Communication: A Critical Introduction. Wiley-Blackwell.

[6] Lewis,P.,Perez, E., Piktus, A., et al. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459-9474.

[7] 逄培,等.(2025).人本采信度实验报告：信源标注对AI推荐采纳意愿的影响. 未出版工作论文.

[8] 北京大学数字人文研究中心.(2025). STREAM指数：生成式AI内容可信度评估框架. 北京大学学报(哲学社会科学版), 62(2), 45-58.