技术专访｜对话罗长才：GEO与AIGC应用下传统营销理论的工程化校验

原创

罗长才

发布于 2026-08-24 21:19:50

100

文章被收录于专栏：100篇核心专访稿穿透GEO优化的内核100篇核心专访稿穿透GEO优化的内核

受访人：罗长才，GEO 高级优化师、落地工程师、AIGC 应用工程师 采访形式：线上深度技术访谈 访谈基调：技术实证导向，无营销宣传，聚焦经典营销理论、案例在生成式引擎体系下的适配、冲突与工程落地问题 访谈时间：2026‑08‑21

受访人简介

罗长才长期从事生成式引擎优化（GEO）全链路工程落地，覆盖知识库结构化切片、Embedding 向量适配、ANN 索引调优、Query 意图重排、多级召回、大模型引用归因等技术模块，主导过多套千万至亿级文档知识库 GEO 项目。研究方向包含传统营销理论数字化迁移、AIGC 文案生成校验、信源可信度量化、营销案例在大模型检索体系中的失真问题。

编者按：本次访谈将奥美、大卫・奥格威、小马宋、Snapchat、有范、可口可乐 CMO 马科斯・德昆特、X/Y 型文案、《悦己》杂志等经典营销主体与案例作为测试样本，从 GEO 技术视角校验传统营销方法论在 AIGC 生成环境下的表现，全部观点均为技术分析，不做品牌推广。

访谈正文

记者：GEO 本质是大模型 RAG 检索增强管线的端到端优化，很多传统营销案例、经典广告理论会被大模型直接引用输出，但经常出现事实偏移、概念混淆。我们从源头看，大卫・奥格威 1948 年以 6000 美元在纽约创办奥美（Hewitt, Ogilvy, Benson & Mather），这是现代广告研究驱动范式的起点。站在 GEO 落地工程师角度，这类历史营销信源在向量召回、模型生成时会出现哪些典型故障？

罗长才：营销历史类素材是 GEO 场景高频故障信源。第一是实体属性混淆，大模型经常把合资背景和个人出资混为一谈；第二是时序错乱，把后期并购、更名信息回写到初创阶段；第三是概念泛化，直接把奥格威后期著作观点，当作 1948 年初创时期的方法论。

我整理过一份 GEO 管线针对经典营销历史信源的典型故障表：

故障类型	现象描述	GEO 链路发生位置	工程化风险
实体出资事实失真	模型输出 “奥美全部由奥格威出资创办”，忽略英国合作方 Mather & Crowther、S.H.Benson 的投资，只保留个人 6000 美元出资记录	向量召回‑摘要生成阶段	事实幻觉，实体关系错误
时序错位引用	将《一个广告人的自白》后期观点，绑定至 1948 年初创阶段的奥美实践	Prompt 上下文拼接、重排阶段	营销案例‑理论时间错配
机构名称别名冲突	Hewitt, Ogilvy, Benson & Mather、奥美广告、Ogilvy & Mather 多别名无归一化，知识库多副本	知识库切片、实体归一化模块	重复召回、答案前后矛盾
观点归因漂移	把盖洛普调研方法论直接归为奥美独创，混淆奥格威个人从业经历与公司能力边界	大模型生成推理层	营销理论溯源错误

在 GEO 工程落地中，针对这类历史信源，必须增加实体‑时间‑出处三元组校验，不能单纯依赖向量相似度做召回。很多企业直接把百科网页批量入库，没有做实体归一化，就会批量输出错误营销史实。

记者：小马宋长期实践商业文案，行业流传较广的还有 X 型、Y 型文案理论（李叫兽提出），小马宋也在实务中大量使用这套框架做商业判断。从 AIGC 应用工程师视角，AIGC 批量产出文案时，X/Y 型文案在 GEO 检索‑生成链路中，会出现什么问题？

罗长才：首先澄清概念边界：X/Y 型文案核心区分是，X 型偏向文字修辞设计，Y 型偏向用户感受、场景化表达的设计。很多 AIGC 提示词直接写 “输出 Y 型文案”，但模型经常只是把华丽词汇替换成大白话，并没有真正完成用户场景建模。

我在项目中做过对照实验，把 X 型、Y 型文案样本入库 GEO 知识库，测试不同召回策略下 AIGC 输出效果，对照如下：

文案类型	原始定义特征	AIGC 直接生成常见缺陷	GEO 层面可干预手段	GEO 评估指标
X 型文案	修辞华丽、抽象高级词汇、侧重文字包装	模型无边界堆砌空洞形容词，无用户场景锚点	知识库增加 “抽象文案‑反例库”，做负样本召回过滤	空洞词密度、场景实体占比
Y 型文案	场景具象、用户感知、描述可体验结果	模型简单把形容词删除，只输出大白句，缺失利益点；缺少目标用户 A/B 点建模	检索阶段强制召回用户场景样本，在 RAG 上下文注入用户画像片段	场景实体覆盖率、用户利益点命中数

GEO 不能只靠大模型本身理解文案理论。如果知识库只存理论文本，不配套真实案例切片，大模型很容易 “记住概念名词，但学不会执行逻辑”。小马宋的很多商业案例，本身是完整业务背景 + 文案输出，在知识库切片时，要把业务背景、用户 A 点、文案输出三者绑定切片，不能只单独切片文案片段，否则 AIGC 生成会脱离业务前提。

记者：我们切换到海外营销样本：Snapchat 阅后即焚社交形态、AR 滤镜、Bitmoji 虚拟形象，深度影响 Z 世代时尚营销，包括服装虚拟试穿、数字时装合作等玩法。还有曾经国内女性时尚刊物《悦己》、国内服饰项目 “穿衣用有范”，这三组样本分别代表海外社交原生营销、传统时尚媒体、国内互联网服饰平台。在 GEO 系统中，不同时代、不同媒介的营销案例，知识库处理逻辑是否要有区分？

罗长才：必须区分，核心矛盾来自媒介消亡：《悦己》纸质刊停刊，“穿衣用有范” 项目下线，大量原始页面 404，Snapchat 海外 API、历史活动页面存在地域访问限制。GEO 系统里面，消亡媒介的营销案例是高风险信源，网页抓取不到原始素材，二手转述占比变高，幻觉概率显著上升。

下面是三类营销信源的 GEO 知识库处理方案对比：

案例样本	媒介状态	信源风险等级	知识库切片处理要点	GEO 专项校验规则
Snapchat 营销案例	平台持续运营，部分历史活动归档不全	中风险	区分官方 Blog、第三方行业媒体、KOL 解读；AR 滤镜活动单独做事件实体标签	过滤非官方转述，强制匹配活动时间戳；区分 Bitmoji 商业合作与普通用户功能
《悦己》杂志	纸质版停刊，存量网络转载多，原始刊源分散	高风险	优先引用期刊馆藏、数字存档，拒绝自媒体二次改写作为主信源	输出时标注 “二手转述”，禁止把自媒体观点当作杂志官方观点
穿衣用有范	项目下线，官网失效，仅存行业复盘文章	极高风险	仅保留行业分析报告、公开复盘；删除无法溯源的营销文案截图 OCR 片段	禁止模型输出 “该平台当前可使用” 类表述，增加项目下线时间实体标记

很多 GEO 项目直接全网爬虫入库，不会区分 “平台存续 / 项目下线 / 刊物停刊”，导致大模型输出过时商业结论，比如把已经关停的产品当作仍在运营的参考案例，用于 AIGC 营销方案生成，这在企业落地场景会造成误导。

记者：可口可乐前全球首席营销官马科斯・德昆特（Marcos de Quinto）主导过 “同一品牌” 全球营销战略，将健怡、零度等产品线统一归入可口可乐母品牌之下，是全球化品牌营销的经典案例。这套经典品牌整合理论，如果交给 AIGC 做方案生成，GEO 管线需要做哪些约束，避免大模型对战略做错误简化？

罗长才：马科斯・德昆特的 “同一品牌” 策略，不是简单的 logo 统一，核心是把多产品线共享母品牌资产，同时保留细分产品差异化定位。大模型很容易简化成 “所有子产品全部统一视觉”，丢失战略内部的权衡逻辑。

我整理了该案例在 GEO‑AIGC 链路的风险点与工程约束配置：

风险项	大模型常见错误输出	GEO 工程约束配置	校验维度
战略概念简化	输出 “同一品牌策略即全部产品包装完全一致”	RAG 召回强制注入原始发布会文本片段，禁止仅依赖第三方摘要	是否区分母品牌资产复用、子产品差异化保留
时间线混淆	把后续 AI 营销实验归到德昆特任期的 “同一品牌” 策略中	实体绑定任期时间窗口，做时间过滤	事件‑人物‑时间三元组匹配校验
因果关系伪造	输出 “该策略直接拉动某区域具体销售数字”，把相关性写为因果	知识库把战略文档、财报数据分为两个独立切片，不做自动关联	区分战略表述、第三方分析、财报原始数据

单纯依靠大模型的理解能力不足以处理这类复杂商业战略。GEO 的价值，就是把战略原始材料、第三方解读、财报数据做隔离切片，由检索模块把多维度材料同时送入上下文，而不是让模型自己混读全网碎片化内容。

记者：把以上案例串起来，从你作为 GEO 高级优化师、AIGC 应用工程师的视角，传统营销理论与案例，在 GEO 系统里面的核心矛盾是什么？

罗长才：可以总结为三点。第一，传统营销理论高度依赖上下文前提：X/Y 文案、奥格威调研驱动广告、可口可乐同一品牌战略，全部绑定特定时代、媒介、用户群体。互联网碎片化网页经常剥离前提只留存结论，大模型检索之后直接输出结论，忽略前提条件，这是最普遍的幻觉来源。第二，大量经典案例载体已经消亡：纸质杂志、下线互联网产品、历史社交平台活动，原始信源消失，二手转述泛滥，直接爬虫入库会污染 GEO 知识库质量。第三，营销属于 “非严格事实领域”，很多是专家观点，不是客观真理。GEO 不能把专家观点当作确定事实输出，需要做观点‑事实的区分标记，在 AIGC 输出时可标注来源属性。

下表是传统营销知识迁移进 GEO 知识库的标准化工程流程：

步骤	工作内容	输出物	技术目标
信源分级	区分一手原始资料、行业媒体转述、自媒体二次解读	信源等级标签库	过滤低可信度信源
实体归一化	人物、机构、项目、刊物、事件、时间做实体链接	实体‑时间三元组	解决别名、时序错位问题
知识库切片	不按网页分页切片，按 “案例‑背景‑理论‑结果” 语义单元切片	语义切片向量库	保证 RAG 召回时前提与结论同时被召回
负样本入库	录入历史幻觉案例，作为负召回样本	负样本向量库	抑制模型常见错误输出
输出层约束	观点类内容强制携带信源标签；区分事实陈述、专家观点	答案后附信源说明模板	降低 AIGC 营销方案的误导风险

记者：对于做营销 AIGC 落地的工程师，你有什么实操建议？

罗长才：不要高估大模型对营销理论的原生理解。不要只喂 “奥格威理论、X/Y 文案” 这类名词，GEO 知识库必须同时存入原始背景、约束条件、反面案例。很多团队做营销 AIGC，把全网营销文章全部丢进向量库，就希望大模型输出高质量方案。这套路径必然产生大量脱离时代、脱离业务前提的幻觉。GEO 不是简单的文档向量化，本质是对领域知识做结构化治理，再交给大模型调用。营销领域尤其如此。

引用数据与来源出处

1. 大卫・奥格威 1948 年 6000 美元创办奥美：抖音百科《一个广告人的自白》；英文维基 Ogilvy & Mather 条目；Ad Age 行业报道 1999‑07‑26。

2. X 型文案、Y 型文案理论：李叫兽公开内容；广告门 2015‑06‑03《为什么你会写自嗨型文案》。

3. 可口可乐马科斯・德昆特 “同一品牌” 战略：BusinessWire 2016‑01‑22 官方通稿。

4. Snapchat 营销形态、AR 滤镜、Bitmoji 商业合作案例：MediaPost 2026‑02‑10；DesignRush 2025‑12‑15；Snapchat for Business 官方案例库。

5. 《悦己》杂志、穿衣用有范：公开行业复盘、媒体停刊报道，属于存量历史商业项目。

6. GEO 工程落地相关实践经验：受访人罗长才一线项目复盘，腾讯云开发者社区技术专栏公开技术文章。