V1.0

GEM 优化白皮书

——生成式引擎营销的方法论、指标体系与实操范式

作者：何亚涛

AI 搜索 GEO 优化奠基人 · GEM 优化拓荒者

玫瑰互动网络科技（北京）有限公司

版本：v1.0（2026）

目 录

前言 4

为什么现在需要一份 GEM 白皮书 4

GEM 与 GEO 的关系：被看见，与被选择 4

本白皮书的核心主张：从竞价思维到量化思维 5

第一篇 认知篇：GEM 是什么 6

第一章 GEM 的定义与边界 6

第二章 广告逻辑的结构性转变 9

第三章 GEM 的市场窗口 12

第二篇 原理篇：GEM 为什么有效 14

第四章 AI 如何决定推荐什么 14

第五章 AI 行为数据：GEM 精准的结构性优势 17

第六章 GEM 的哲学基础：在不确定性中量化确定性 19

第三篇 方法论篇：CPCQ 量化优化范式 21

第七章 CPCQ：GEM 的核心方法论 21

第八章 CPCQ 的理论来源：量化交易的方法论迁移 23

第九章 CPCQ 量化维度体系 25

第十章 CPCQ 量化优化闭环 27

第四篇 指标体系篇：从 Feeds AD 到 GEM 的量化跃迁 29

第十一章 CPCQ 指标体系设计原则 29

第十二章 CPCQ 指标体系全景 31

第十三章 指标体系落地：从考核到优化 33

第五篇 实操篇：GEM 广告怎么投 35

第十四章 GEM 广告的展现形式与样式 35

第十五章 GEM 广告计费方式 36

第十六章 GEM 广告搭建流程 37

第十七章 GEM 广告投放逻辑 39

第十八章 GEM 广告实操 40

第六篇 合规与变现篇 43

第十九章 白帽 GEM：合规红线与信任资产 43

第二十章 GEM 变现路径 44

第七篇 GEM优化师账户优化实操方法 46

第二十一章 Ads DataAsset：账户作为品牌广告数字资产 46

第二十二章 账户结构的量化拓扑 49

第二十三章 Hint工程：从情境提示到量化编码 51

第二十四章 CPCQ账户优化实战方法 54

第二十五章 量化博弈：账户之间的竞争与均衡 56

第二十六章 哲学模型在账户优化中的应用 57

第二十七章 账户诊断与疑难杂症 58

结语：从竞价思维到量化思维 60

附录 61

附录 A：CPCQ 指标体系速查表 61

附录 B：GEM 投放账户搭建检查清单 62

附录 C：GEM 效果归因验证模板 63

附录 D：术语表 63



前言

为什么现在需要一份 GEM 白皮书

2022 年底，ChatGPT 的发布把“生成式搜索”从实验室推向大众。三年之后，一个事实已经无法回避：用户与信息的交互界面正在经历自搜索引擎诞生以来最深刻的一次迁移——从“输入关键词、浏览链接列表、自行比较筛选”，转向“向 AI 提问、获得综合答案、在对话中完成决策”。

这次迁移对广告行业的冲击是结构性的。当 AI 直接给出答案，用户不再点击十个蓝色链接；当 AI 在答案中推荐品牌，传统搜索广告所依赖的“关键词竞价—点击—落地页—转化”漏斗开始系统性失效。一个新的广告品类正在形成：GEM（Generative Engine Marketing，生成式引擎营销）。

然而，行业对 GEM 的认知目前仍处于高度混乱的状态。有人把它当作“信息流广告的新版位”，有人把它等同于 SEO 的 AI 版本，有人用 SEM 的关键词方法论硬套，也有人在没有任何度量框架的情况下宣称“GEM 必投”。概念满天飞，方法论几乎空白；平台开闸速度很快，而优化师的知识体系更新很慢。

这份白皮书的写作初衷，正是填补这个空白。我们试图回答三个问题：第一，GEM 到底是什么、不是什么；第二，GEM 为什么有效、它的度量基础与传统广告有何本质不同；第三，GEM 应该怎么投、用什么指标投、如何在合规前提下实现可持续的商业回报。

GEM 与 GEO 的关系：被看见，与被选择

在展开方法论之前，必须先厘清一组常被混淆的概念：GEO 与 GEM。

GEO（Generative Engine Optimization，生成式引擎优化）解决的是“被看见”的问题——通过内容、信源、结构化数据等手段，让品牌在 AI 的自然回答中被引用、被提及、被正面描述。它对应搜索营销时代的 SEO：免费、自然、长期、依赖内容资产。

GEM（Generative Engine Marketing，生成式引擎营销）解决的是“被选择”的问题——在 AI 对话与生成式搜索场景中，通过付费手段让品牌以原生广告位、推荐卡片、品牌入口等形式，出现在用户决策的关键节点。它对应搜索营销时代的 SEM：付费、商业、可量化、依赖投放优化。

两者不是替代关系，而是互补关系。GEO 让 AI“自然地提到你”，GEM 让 AI“在商业位上推荐你”。只做 GEM 不做 GEO，如同在沙地上装修——AI 自然回答中若缺乏对品牌的正面认知，付费广告引来的流量会在自然回答中被消解；只做 GEO 不做 GEM，则等于放弃了在用户决策最后一公里的商业卡位。本白皮书的全部方法论，都建立在“GEM 与 GEO 协同”这一前提之上。

本白皮书的核心主张：从竞价思维到量化思维

过去二十年，数字广告优化师的核心能力可以概括为“竞价思维”：选词、出价、调创意、看排名。这套方法论在 CPC（按点击付费）和 oCPC（优化点击出价）时代是有效的，因为整个系统建立在一个共同假设上——用户会点击，点击可追踪，转化可归因。

但 AI 搜索广告动摇了这个假设。当 AI 直接给出综合答案，“零点击”成为主流；当用户与 AI 进行多轮对话，行为数据从碎片化的离散信号变成连续、上下文完整的行为流；当 AI 已经在某种程度上“知道”用户想要什么，优化师还在纠结“出多少钱买一个点击”，就如同在 GPS 导航时代争论“今天往哪个方向走更省汽油”。

本白皮书提出的核心方法论是 CPCQ（Cost Per Click Quantification，点击成本量化）。其核心命题只有一句话：

在 AI 搜索广告中，优化的第一性问题不是“出多少钱”，而是“量化什么”。

CPCQ 不是 oCPC 的参数升级版，而是一次范式转换。它要求优化师从“竞价思维”转向“量化思维”：先定义量化维度，建立量化基准，基于量化反馈持续优化，最后用量化数据验证效果。本白皮书第三篇将系统阐述这一范式，第四篇给出完整的指标体系，第五篇给出可落地的操作流程。

我们不承诺“投了就爆单”。GEM 是一个新渠道，有早期红利，也有规则未定型的不确定性。但我们相信，在任何一个新渠道的早期，决定胜负的从来不是运气，而是谁先建立起科学的度量框架。这份白皮书，就是为这个框架而写。

第一篇 认知篇：GEM 是什么

第一章 GEM 的定义与边界

1.1 GEM（Generative Engine Marketing）大白话定义

GEM，Generative Engine Marketing，生成式引擎营销，指在 AI 对话、生成式搜索、AI 问答等生成式引擎场景中，通过付费方式使品牌被 AI 推荐、引用、带货或以原生广告位形式触达目标用户的营销行为。

用更朴素的语言表达：当用户向豆包、ChatGPT、Kimi、文心一言、Perplexity 等生成式引擎提出问题时，AI 在给出自然回答之后，以品牌卡片、推荐位、信源引用、对话入口等形式，将广告主的品牌信息呈现在用户面前，并按曝光、点击或转化等方式计费——这个商业体系，就是 GEM。

GEM 的本质特征有三：

第一，场景原生。GEM 广告不脱离 AI 对话独立存在，它是 AI 回答体验的一部分，必须遵守生成式产品的内容规范与交互逻辑，不能像传统横幅广告那样强制打断用户。

第二，意图驱动。GEM 的触发依据不是关键词字面匹配，而是用户问题背后的语义意图。同一品牌可以被“国产替代 PLC”和“外国 PLC 太贵想换一个”这两个字面完全不同的问题同时触发，因为系统判断二者指向同一意图。

第三，对话上下文敏感。GEM 广告不是一次性展示，它可以在多轮对话中根据上下文变化调整展示策略。用户追问、比较、进一步澄清需求时，广告的形态与位置都可能随之变化。

1.2 GEM 与 GEO 的本质区别：优化与营销

GEM 与 GEO 经常被混为一谈，但二者在目标、手段、成本、见效周期上存在系统性差异。

一个简单的判断标准：如果 AI 回答中出现的品牌信息来自模型自然生成（基于其训练数据与实时检索），那是 GEO 的成果；如果品牌信息以明确标注“广告/Sponsored”的卡片、入口或推荐位形式出现，那是 GEM 的投放。

二者协同的理想状态是：当用户问“国产 PLC 哪家好”时，AI 自然回答中已经正面提到你的品牌（GEO 成果），同时下方的商业推荐位也出现了你的品牌卡片（GEM 成果）。自然回答建立信任，商业位完成转化。

GEM与GEO的本质区别

1.3 GEM 与 SEM、信息流广告的谱系关系

GEM 不是凭空出现的，它与 SEM（搜索引擎营销）、信息流广告之间存在清晰的演进谱系。

SEM 时代：用户输入关键词，系统在搜索结果页右侧或顶部展示文字广告，按点击付费（CPC）。优化的核心是选词、出价、写创意。用户意图明确但行为离散。

信息流广告时代：用户在社交、视频、资讯平台浏览内容，系统基于用户画像推荐内容形态广告，按 oCPC/oCPM 优化出价。优化的核心是素材、定向、出价。用户意图模糊，行为碎片化。

GEM 时代：用户与生成式引擎对话，系统基于对话上下文推荐原生广告，按 CPCQ（量化点击成本）优化。优化的核心是量化维度、意图对齐、上下文素材、多轮行为。用户意图在对话中逐渐清晰，行为连续完整。

这条谱系背后有一条清晰的主线：广告优化的对象，从“关键词”到“用户画像”，再到“意图与行为流”。每一次范式转移，都要求优化师重新定义“什么值得被度量”。

1.4 GEM 不是什么：三个常见误解

误解一：GEM 就是“AI 时代的 SEM”。

不对。SEM 的优化单位是关键词字面，GEM 的优化单位是语义意图。SEM 的转化路径是“点击→落地页→转化”，GEM 的转化路径嵌入在对话上下文之中。用 SEM 的关键词包硬套 GEM 定向，几乎必然跑不出量。

误解二：GEM 就是“信息流广告的新版位”。

不对。信息流广告是“人刷信息流”，用户被动接受；GEM 是“用户问 AI”，主动表达意图。信息流素材追求前 3 秒抓眼球，GEM 素材追求直接回应用户问题。把信息流素材搬到 GEM 版位，CTR 通常显著低于预期。

误解三：GEM 可以“让 AI 替我说好话”。

不对。GEM 买的是商业推荐位，不修改 AI 的原生回答。任何承诺“投了 GEM，AI 自然回答里全是你”的服务商，都在混淆 GEM 与 GEO 的边界，甚至可能使用灰帽手段。让 AI 自然正面提及品牌，是 GEO 的工作，且必须建立在真实、可验证的内容与信源基础上。

第二章 广告逻辑的结构性转变

2.1 从“人找广告”到“AI 替你选”

传统数字广告的底层逻辑是“人找广告”：用户主动搜索关键词，或者在信息流中主动浏览，广告主通过出价和定向，把自己的广告“推到”用户面前。用户的角色是主动的搜索者或浏览者，广告的角色是“被找到的对象”。

GEM 的底层逻辑发生了反转：AI 替用户选。

当用户问“国产 PLC 哪家好”，AI 不会列出十个品牌让用户自己比较，而是直接给出一个综合判断：A 品牌性价比高，B 品牌服务好，C 品牌适合大企业。用户不需要翻页，不需要逐个点开，AI 已经替他完成了第一轮筛选。

这意味着广告主面对的不再是“如何让用户在十个结果中点击我”，而是“如何让 AI 在替用户做第一轮筛选时，把我纳入推荐清单，并赋予正面描述”。

这个转变对广告创意的影响是深远的。传统广告创意的目标是“吸引点击”，GEM 广告创意的目标是“让 AI 在其推理过程中认为你是值得推荐的选项”。前者比拼的是标题与图片的吸引力，后者比拼的是品牌信息在 AI 上下文相关度、事实准确性、信任信号上的得分。

2.2 从关键词匹配到上下文意图匹配

SEM 的匹配机制是关键词字面匹配（精确匹配、短语匹配、广泛匹配），GEM 的匹配机制是上下文意图匹配。

在 SEM 中，用户搜“PLC 价格”和“PLC 哪家好”是两个完全不同的关键词，需要分别出价、分别写创意。在 GEM 中，这两个问题背后的意图都是“了解 PLC 市场并做出购买决策”，系统会根据对话的完整上下文判断用户处于认知阶段还是决策阶段，并据此决定是否展示广告、展示什么形态的广告。

上下文意图匹配带来三个直接后果：

第一，定向单位从词包升级为意图场景。优化师不再需要穷尽所有关键词变体，而是要定义用户处于什么样的问题场景、什么样的决策阶段，系统会自动匹配语义相近的提问。

第二，素材需要“对题”而非“抓人”。用户是带着具体问题来的，广告素材如果不能直接回应这个问题，就会被忽略。GEM 素材的标题最好就是用户问题本身，描述给出答案。

第三，多轮对话中意图会演变。用户第一轮问“什么是国产替代”，第二轮问“哪家靠谱”，第三轮问“多少钱”。广告需要根据对话轮次动态调整，而不是用同一套素材贯穿始终。

2.3 从竞价排名到对话式原生推荐

传统搜索广告的排序逻辑是“出价 × 质量分”的乘积排序，广告位是相对独立的商业区块，用户明确知道自己看到的是广告。

GEM 的排序逻辑更为复杂。广告参与 AI 推荐排序的方式，不是简单的“出价高者得”，而是要同时满足三个条件：

1. 上下文相关性：广告主的品牌信息与当前对话意图是否匹配；

2. 内容质量分：广告素材、落地页、品牌信源的质量是否达到 AI 的推荐标准；

3. 出价竞争力：在满足前两个条件的广告主之间，出价因素才发挥作用。

更重要的是，GEM 广告在形态上是“对话式原生推荐”——它不是一个独立的广告区块，而是嵌入在 AI 回答流中的品牌信息。这种形态要求广告必须显著标注“广告/Sponsored”，不得伪装成 AI 的自然推荐，这既是合规要求，也是用户信任的基础。

2.4 为什么 GEM 是独立赛道，而非信息流的延伸

行业内有一种观点：GEM 只是信息流广告多了一个“AI 对话”版位，用现有信息流方法投放即可。这个观点在实践中被证明是错误的，原因有三：

第一，用户意图密度完全不同。信息流用户在“刷”，意图模糊；GEM 用户在“问”，意图明确且在对话中持续收敛。同样一块广告位，GEM 流量的决策阶段通常远高于信息流。

第二，度量基础完全不同。信息流可以用 CTR、CVR、CPA 等传统漏斗指标度量；GEM 场景中“零点击”成为常态，品牌影响发生在 AI 答案层，传统 CTR 无法捕捉完整价值。这正是 CPCQ 范式存在的根本理由（详见第三篇）。

第三，优化动作完全不同。信息流优化师调素材、调定向、调出价；GEM 优化师还需要管理品牌信源、优化 AI 上下文相关度、跟踪 AI 引用率、设计多轮对话触发策略。这些动作在信息流体系中根本不存在。

因此，GEM 不是信息流的延伸版位，而是一个需要独立方法论、独立指标体系、独立优化技能的新赛道。

第三章 GEM 的市场窗口

3.1 ChatGPT 广告商业化时间线

海外生成式引擎的广告商业化，从 2024 年开始进入快车道。以下时间线基于公开报道整理，具体产品形态与开放范围以各平台官方公告为准：

● 2025 年 9 月：OpenAI 首次发布广告平台工程师招聘信息，释放广告业务信号；2025 年 12 月接受首批早期广告主（Target、Ford、Adobe 等）。

● 2024 年：Google 在其 AI 搜索体验（当时称 Search Generative Experience, SGE）中测试广告；2025 年 SGE 正式更名为 AI Overviews 并全面上线，广告主通过 Google Ads 搜索广告和 Performance Max 系列即可在 AI Overviews 中获得曝光。

● 2024 年 11 月：Perplexity 推出首个广告产品 Sponsored Follow-Up Questions（赞助追问问题），按 CPM 计费、邀请制；同期上线 Shopping Hub 购物功能。2025 年下半年起该广告产品增长未达预期，2025 年 11 月暂停新广告主注册，2026 年 2 月停止广告业务。

● 2026 年 2 月：ChatGPT 广告正式在美国开始测试；2026 年 5 月起 OpenAI Ads Manager 向美国广告主全面开放，并在随后扩展至英国、日本、韩国、巴西、墨西哥等市场，海外头部品牌陆续入场。

需要指出的是，海外平台的广告产品形态仍在快速演进中，版位位置、计费方式、定向能力都会持续变化。任何基于某个时间点的“海外 GEM 现状”描述，都应在执行时以平台最新文档为准。

3.2 国内 AI 搜索平台商业化现状与信号

国内生成式引擎的商业化进程，在 2025–2026 年明显加速。几个关键信号：

豆包（字节跳动）：2025 年 10 月接入抖音商城商品卡，支持在对话中推荐商品并跳转抖音成交；2026 年 8 月起对经豆包跳转抖音来客成交的本地生活订单按品类收取渠道服务费。豆包官方明确表示当前对话推荐不收取广告费、商家不能通过付费影响推荐或排序；截至 2026 年 9 月，豆包尚未公开在巨量引擎后台开放标准化的对话内品牌广告投放入口。已落地品类集中在电商与本地生活，企业服务类标准竞价广告仍待官方产品发布。

通义/千问（阿里巴巴）：阿里 C 端 AI 入口由通义千问 App（2025 年 11 月由原通义 App 升级为“千问 App”）与夸克 App 共同承接，商业化主要沿电商、本地生活、地图导航等阿里生态闭环展开；截至 2026 年 9 月，尚未公开面向第三方广告主开放标准化的对话内品牌广告位。

文小言（百度）、Kimi（月之暗面）、腾讯元宝等：各平台均在探索商业化路径，广告产品开放进度不一，需以官方最新公告为准。

国内 GEM 市场的一个显著特征是：大部分企业市场部门甚至不知道 "豆包已经开始商业化（电商商品卡 + 本地生活渠道服务费）"，也不知道 GEM 作为新渠道的存在。这种认知差，正是早期理解 GEM、建立投放能力者的红利来源。

3.3 先发窗口判断：红利期还剩多久

判断一个新广告渠道的红利期，通常看三个信号：广告主数量增长速度、CPC 变化趋势、平台审核松紧度。

基于目前行业观察，我们对 GEM 市场窗口的判断是：

2025–2026 年：从 0 到 1 的试水期。 平台产品未定型，广告主认知不足，CPC 相对成熟渠道偏低，素材审核标准仍在建立中。这个阶段入场的优化师，将以较低的学习成本积累第一批实战经验。

规模化放量期（条件式判断）：当主要平台广告产品趋于成熟、广告主数量大幅增长、CPC 上涨至接近成熟渠道水平、竞争加剧时，GEM 将进入规模化阶段。具体时间窗口取决于各平台商业化节奏，需以官方数据为准。这个阶段的优化门槛将显著提高。

这一判断的含义是明确的：现在是建立 GEM 能力的最佳时间窗口。但必须强调，“红利期”不等于“躺赚期”。GEM 从第一天起就需要科学的度量框架，否则红利会被浪费在无效投放上。这正是本白皮书提出 CPCQ 范式的现实背景。

第二篇 原理篇：GEM 为什么有效

第四章 AI 如何决定推荐什么

4.1 推理、上下文与思维链：AI 决策的底层机制

要理解 GEM 的广告触发与排序，首先需要理解生成式引擎在回答用户问题时的基本工作机制。

当用户向生成式引擎提出一个问题时，系统大致经历以下过程：

第一，问题理解与意图识别。系统对用户输入进行语义解析，判断问题类型（信息查询、产品比较、服务推荐、价格询问等）、领域、语言，以及用户可能所处的决策阶段。

第二，上下文检索（RAG）。系统从其训练数据与实时检索的信源库中，召回与问题相关的内容片段。这些信源可能包括网页、百科、行业报告、产品资料、新闻文章等。品牌的内容资产是否被召回为信源，直接影响 AI 自然回答中是否提及该品牌——这正是 GEO 的作用空间。

第三，推理与思维链生成。系统基于召回的信源，进行多步推理，组织出一个连贯的回答。在这个过程中，系统会对不同信源的可信度、相关性、时效性进行权衡。

第四，广告决策。在自然回答生成的同时或之后，系统根据预设的广告策略，判断当前对话上下文是否适合展示商业内容。如果适合，则从广告库中匹配相关广告主，经过排序后以原生推荐位展示。

理解这一机制的关键在于：AI 对广告的展示决策，与其对自然回答的组织决策，共享同一套上下文理解基础。也就是说，广告主的品牌信息、落地页内容、信源质量，不仅影响广告是否被展示，也影响 AI 对该品牌的整体认知。这是 GEM 与传统广告在技术底层上的根本差异。

4.2 广告触发机制：上下文提示如何匹配

GEM 广告的触发，不是传统意义上的“用户搜了某个词→展示对应广告”，而是“当前对话上下文是否命中广告主设定的意图场景”。

一个典型的触发过程如下：

● 用户提问，系统进行意图识别。

● 系统判断该意图是否落在某个广告主设定的“意图场景”范围内。例如，某国产 PLC 厂商设定的意图场景可能包括：国产替代、价格询问、品牌比较、选型建议等。

● 如果命中，系统评估该广告主的品牌信源、素材质量、出价水平，决定是否在当前对话中展示其广告。

● 如果决定展示，系统根据对话上下文选择最合适的广告形态（回答下方卡片、内嵌推荐、品牌入口等）。

这个机制带来一个重要的实操含义：广告主的定向单位不是关键词列表，而是意图场景描述。优化师需要清晰地描述“用户在问什么类型的问题、处于什么决策阶段时，应该看到我的广告”，而不是简单堆砌关键词。

4.3 排序逻辑：广告如何参与 AI 推荐排序

当多个广告主同时命中同一意图场景时，排序由多个因素共同决定，而非单一出价。

根据公开技术资料与行业实践观察，影响 GEM 广告排序的因素大致包括：

● 上下文相关度：广告主品牌信息与当前对话意图的语义匹配程度；

● 内容质量分：广告素材的事实准确性、信息完整度、落地页体验；

● 品牌信源质量：AI 在自然回答中引用该品牌信源的频次与可信度；

● 出价水平：在以上条件达标后，出价因素发挥作用；

● 历史表现：账户历史 CTR、转化率、用户负反馈等。

需要强调的是，各平台的具体排序因子与权重属于商业机密，且持续调整。本白皮书提供的是排序逻辑的框架性理解，具体权重应以各平台官方文档为准。优化师应建立一个基本认知：在 GEM 中，出价只是排序因子之一，内容质量与意图相关度的权重高于传统搜索广告。

4.4 影响决策的变量清单

综合以上分析，GEM 广告能否获得展示、以什么位置展示、以什么形态展示，受以下变量影响。优化师应在日常工作中系统管理这些变量：

这份清单的核心启示是：GEM 优化师的工作界面远比 SEM 优化师宽。SEM 优化师主要管理关键词、出价、创意；GEM 优化师还必须管理品牌信源、内容质量、上下文策略。这也是 CPCQ 范式之所以必要的现实原因——没有系统的量化框架，这些变量将无法被有效管理。

第五章 AI 行为数据：GEM 精准的结构性优势

5.1 从碎片化行为到连续性行为轨迹

传统数字广告所依赖的用户行为数据，本质上是碎片化的：用户在搜索引擎输入一个词，在信息流浏览若干条内容，在落地页停留几秒，点击某个按钮。这些数据点各自独立，系统只能基于离散信号推断用户画像。

AI 搜索场景中的用户行为数据，具有根本不同的结构。用户不是输入一个关键词就离开，而是与 AI 进行多轮对话：

● 第一轮：“国产 PLC 有哪些品牌？”

● 第二轮：“和西门子比怎么样？”

● 第三轮：“价格大概什么区间？”

● 第四轮：“有没有可以先试用的？”

这四轮对话构成一条连续、上下文完整、时间有序的行为轨迹。系统知道用户从认知阶段进入比较阶段，再进入价格评估阶段，最后进入试用/决策阶段。这种数据密度，是传统搜索广告无法获得的。

5.2 AI 如何预判交易意图

基于连续行为轨迹，AI 可以对用户的交易意图进行多维度预判：

决策阶段识别：用户问“什么是国产替代”，处于认知阶段；问“A 和 B 哪个好”，处于评估阶段；问“怎么联系/多少钱/能不能试用”，处于决策阶段。不同阶段展示不同形态的广告，转化效率差异显著。

品牌倾向识别：用户在对话中主动提及某个品牌、反复追问某个品牌，说明该品牌已进入其候选清单。此时展示竞品广告或互补产品广告，各有不同策略含义。

紧迫度识别：用户使用“马上”“这周”“紧急”等词汇，或询问“最近有没有优惠”，表明交易紧迫度高，适合直接转化型广告。

这种预判能力意味着，GEM 广告可以在用户尚未完成传统转化路径（点击→落地页→表单）之前，就把广告投放到意图最强的时刻。这是 GEM 精准性的结构性来源。

5.3 “AI 里的广告奔着交易去”：数据密度带来的精准质变

行业数据为此提供了佐证。据 Semrush 发布的研究，通过 ChatGPT 等 AI 工具到达网站的访客，其转化率比传统自然搜索访客高约 4.4 倍（数据来源：Semrush 2024 年 AI 搜索流量价值研究，具体数值以原始报告为准）。这一差距的核心原因，正是 AI 行为数据的密度——通过 AI 对话到达网站的用户，通常已经经历了多轮比较与意图收敛，其购买意向显著高于偶然搜索访问者。

这一发现对广告主的含义是直接的：GEM 流量虽然目前量级尚小，但单位流量的价值高于传统渠道。早期入场者应以“精准获取高意向流量”为目标，而非追求短期量级。这也解释了为什么 GEM 的合理优化指标不是单纯的 CTR 或消耗，而是经过意图量化后的转化质量——这正是 CPCQ 指标体系（详见第四篇）设计的出发点。

第六章 GEM 的哲学基础：在不确定性中量化确定性

6.1 广告的本质是不确定业务

广告业从诞生之日起，就是一门与不确定性博弈的生意。十八世纪商人约翰·沃纳梅克（John Wanamaker）那句被反复引用的名言——“我花在广告上的钱有一半浪费了，问题是我不知道是哪一半”——至今仍是广告业不确定性的最佳注脚。

数字广告通过点击率、转化率、ROI 等指标，在一定程度上缓解了这种不确定性。但这些指标度量的是“行为”，不是“意图”。用户点击了，不代表他想买；用户买了，不代表他为什么买。归因模型的争论、广告触达与自然流量的混淆、品牌广告与效果广告的边界——所有这些问题，本质上都是不确定性的体现。

GEM 时代，不确定性并未消失，但它的形态发生了变化。传统广告的不确定性在于“我不知道用户看到广告后会不会行动”；GEM 的不确定性在于“AI 对话中发生的品牌影响，有多少能被度量”。当越来越多的决策发生在 AI 对话内部、不产生点击、不跳转落地页时，传统的行为度量框架就面临系统性失效。

6.2 确定性阶梯：从曝光到交易的五层跃迁

CPCQ 范式提出的“确定性阶梯”，是对广告不确定性的结构化拆解。它把广告效果分解为五个逐层确定化的阶段：

曝光（不确定性最高）

↓ 第一次确定化：用户注意到品牌信息

点击（用户用行为确认兴趣）

↓ 第二次确定化：用户主动获取更多信息

对话（用户开始追问，意图可追踪）

↓ 第三次确定化：意图在多轮交互中收敛

交易意图（AI 通过连续行为预判决策阶段）

↓ 最终确定化：意图转化为实际购买行为

交易（广告从概率变成结果）

这一阶梯的核心思想是：广告效果不是一个二元结果（转化了/没转化），而是一条从高度不确定到高度确定的连续谱。每一层跃迁，都伴随着信息的增加和不确定性的降低。优化的任务，不是追求“一步到位的转化”，而是管理每一层跃迁的成本与效率。

传统广告指标（CTR、CVR、CPA）主要度量了阶梯中的“点击”和“交易”两层，忽略了中间的“对话”和“交易意图”层。CPCQ 指标体系（Impression-Q、CTR-Q、CPA-Q 等）的设计目标，就是让每一层跃迁都可以被独立度量和优化。

6.3 量化不是消灭不确定性，而是拆解不确定性

需要明确强调的是：CPCQ 并不幻想消灭广告的不确定性。任何声称“量化即可保证 ROI”的说法，都是对量化方法的误解。

量化的真正价值在于：把一团模糊的不确定性，拆解成若干可比较、可追踪、可优化的概率信号。

● 不可量化的“品牌感觉”，变成“AI 引用率 35%、排序位置第 2.3、信源引用总量 12 条”；

● 不可比较的“素材好坏”，变成“CTR-Q 2.1% vs 1.3%”；

● 不可归因的“这次投放有没有效果”，变成“暴露组 vs 对照组在交易意图强度上的统计差异”。

这不是玄学，而是把决策从“凭感觉”变成“看数据”。正如量化交易没有消灭市场风险，但让交易员可以系统化地管理风险；CPCQ 也没有消灭广告不确定性，但让优化师可以系统化地度量和优化广告效果。

这一哲学立场，贯穿本白皮书后续所有方法论、指标体系与操作流程。

第三篇 方法论篇：CPCQ 量化优化范式

第七章 CPCQ：GEM 的核心方法论

7.1 CPCQ 的定义：Cost Per Click Quantification

CPCQ（Cost Per Click Quantification，点击成本量化），由何亚涛提出，是面向 AI 搜索结果广告的量化优化范式。

CPCQ 的完整定义是：在生成式引擎广告场景中，通过建立系统化的量化维度、量化基准与量化闭环，把广告优化从“出价驱动”转变为“量化驱动”——先定义度量什么，再决定如何出价、如何创意、如何迭代。

这一定义包含三个关键词：

● 量化（Quantification）：不是凭感觉判断投放效果，而是用结构化指标度量；

● 范式（Paradigm）：不是某个优化技巧，而是整套思维方式的转换；

● 面向 AI 搜索广告：CPCQ 的适用场景是生成式引擎广告，不是传统 SEM，也不是通用信息流。

7.2 核心命题：优化的第一性问题不是“出多少钱”，而是“量化什么”

CPCQ 的理论原点是一个简单但深刻的命题：

在 AI 搜索广告中，优化的第一性问题不是“出多少钱”，而是“量化什么”。

在传统广告时代，优化师的第一反应是“我的出价是多少、怎么调出价”。因为传统广告的度量框架（CTR、CVR、CPA）已经预先定义了“什么值得被度量”，优化师只需要在这个框架内调整出价。

但在 GEM 时代，传统度量框架系统性失效（详见 7.3），优化师面对的不再是“在既定框架内调价”，而是“首先要决定建立什么样的度量框架”。如果度量的对象错了——比如仍然用传统 CTR 衡量 AI 对话中的品牌影响——那么出价再精准也是在错误的方向上努力。

这就是“先量化，再优化”的含义：优化动作（出价、创意、定向）的正确性，取决于前置的量化维度是否定义正确。

7.3 CPCQ 与 oCPC 的本质区别：先量化后优化 vs 先出价后量化

CPCQ 经常被误解为 oCPC（Optimized Cost Per Click，优化点击出价）的升级版。这是一个需要澄清的关键误解。

一句话区分：oCPC 的“O”优化的是出价策略；CPCQ 的“Q”量化的是广告对象本身。

oCPC 仍然建立在“用户会点击”的假设上，它优化的是“出多少钱买一个点击”。但 GEM 场景中，大量品牌影响发生在 AI 对话内部，不产生传统点击；用户行为连续完整，意图可被 AI 预判。在这种场景下，仍然问“出多少钱买点击”，就如同 GPS 导航时代争论“怎么调整方向”——方向已经由系统给出，真正的问题是“如何确认系统的路线是对的”。

因此，CPCQ 不是 oCPC 的参数调优，而是 AI 搜索广告场景下的必要范式转换。

7.4 谱系定位：CPC → oCPC → CPCQ

CPCQ 在广告优化史上的位置，可以用一条清晰的谱系来定位：

CPC（Cost Per Click，按点击付费）——SEM 时代：优化对象是“点击”本身。广告主为每次点击付费，优化师通过选词、出价、创意来争取点击。这一阶段的度量单位是点击。

oCPC（Optimized CPC，优化点击出价）——信息流时代：优化对象是“点击的价值”。系统根据历史转化数据，自动调整每次点击的出价，高转化意图的点击出高价，低转化意图的点击出低价。优化师的核心工作是设定转化目标和提供转化数据。

CPCQ（Cost Per Click Quantification，点击成本量化）——AI 搜索时代：优化对象是“广告对象本身”。在 AI 已经能够预判用户意图的场景下，优化师首先需要建立的是“量化什么维度才能理解这次投放的效果”，然后才是出价、创意、迭代。

这条谱系背后的主线是：广告优化的对象，从“点击”到“点击价值”，再到“广告对象本身”。每一次转移，都要求优化师重新定义“什么值得被度量”。

第八章 CPCQ 的理论来源：量化交易的方法论迁移

8.1 量化交易的核心逻辑：建模、回测、异常检测

CPCQ 的“量化”并非修辞，它有明确的方法论来源——金融领域的量化交易。

量化交易的核心思想是：不靠直觉和经验，靠系统化的数据建模、多因子分析、统计验证，把交易决策变成可回测、可优化、可迭代的算法过程。它的基本工作流程包括：

● 基准建立（Benchmarking）：先建立一个可对比的基准线，判断当前策略表现是否正常；

● 异常检测（Anomaly Detection）：当实际表现偏离基准时，识别异常信号并归因；

● 策略回测（Backtesting）：新策略在历史数据上验证，避免直接上实盘；

● 统计验证（Statistical Validation）：用统计方法判断策略效果是否显著，而非偶然。

这套方法论的核心价值在于：它把“交易员觉得这次操作对了”转变为“数据证明这次策略在统计上优于基准”。

8.2 为什么 AI 搜索广告需要量化框架

GEM 场景之所以特别需要量化框架，原因有三：

第一，数据密度高但传统度量失效。AI 对话产生连续、完整的行为数据，但传统 CTR/CVR 无法捕捉对话内部的品牌影响。没有新的量化框架，这些高密度数据就无法转化为优化依据。

第二，变量复杂且耦合。GEM 投放同时受意图匹配、品牌信源、素材质量、出价、上下文等多个变量影响，变量之间相互耦合。凭经验调整某一个变量，无法判断效果来自哪个变量。量化框架通过分层指标，把复杂变量拆解为可独立观测的维度。

第三，早期市场缺乏行业基准。GEM 是新渠道，没有成熟的行业 CPC/CPA 基准可参考。优化师需要自己建立量化基准，才能判断“当前效果是好是坏”。

8.3 从量化交易到量化广告的方法论迁移路径

CPCQ 将量化交易的四个核心环节，系统迁移到广告优化场景：

需要说明的是，广告技术领域并非首次引入量化交易方法论。行业内已有先行者将量化交易方法引入广告技术（具体机构与年份以公开行业资料为准），验证了这一迁移路径的可行性。CPCQ 的贡献在于：首次将这一方法论系统化地提出为面向 AI 搜索广告的优化范式，并给出了完整的指标体系与优化闭环。

第九章 CPCQ 量化维度体系

CPCQ 将 GEM 投放的量化维度，划分为三个层次：答案层、交互层、交易意图层。三层递进，从“品牌在 AI 答案中的状态”到“用户与广告的互动”，再到“用户是否即将交易”。

9.1 答案层量化：AI 引用率、排序位置、信源引用总量

答案层回答的问题是：品牌在 AI 给出的自然答案中，处于什么位置？

这一层不再是“出现/未出现”的二元判断，而是一个连续光谱：

● AI 引用率（Brand Mention Rate）：在目标品类词的 AI 回答中，品牌被提及的频次与概率。这是答案层最基础的量化指标。

● 排序位置（Ranking Position）：当多个品牌在同一回答中被提及时，本品牌的推荐优先级。排序位置越靠前，用户注意力份额越高。

● 信源引用总量（Source Citation Count）：品牌发布的内容（官网、白皮书、新闻稿、案例等）被 AI 的 RAG 机制抓取为参考信源的次数。这一指标直接反映 GEO 资产的厚度。

● 品牌可见度得分（Brand Visibility Score）：综合以上指标形成的答案层量化分，用于横向比较不同品牌在 AI 答案中的整体可见度。

答案层量化的核心价值在于：它把“AI 喜不喜欢提我们”这个模糊问题，变成了可追踪、可对比、可优化的数字。

9.2 交互层量化：对话发起率、追问深度、行为轨迹

交互层回答的问题是：用户看到品牌信息后，是否进一步互动？互动深度如何？

● 对话发起率（Conversation Initiation Rate）：AI 给出初步推荐后，用户是否就该品牌发起进一步对话（追问、要求比较、询问价格等）。这一指标衡量品牌信息对用户的吸引力。

● 用户停留时长（Engagement Duration）：用户在包含品牌信息的 AI 回答上停留的时间。停留越长，说明内容与用户意图越相关。

● 追问深度（Follow-up Depth）：用户围绕品牌进行了几轮追问。追问深度越高，说明用户决策越接近交易阶段。

● 多轮行为轨迹（Multi-turn Behavior Trace）：把孤立的交互串联为有序的行为序列。这是 AI 数据连续性的直接红利——传统广告无法获得这样的序列数据。

交互层量化的核心价值在于：它捕捉了传统广告完全忽略的“对话内部行为”。在 GEM 场景中，大量品牌影响发生在用户点击广告之前的对话过程中，交互层指标让这些影响变得可度量。

9.3 交易意图层量化：意图强度评分与决策阶段识别

交易意图层是 CPCQ 最具差异化的一层，回答的问题是：用户当前的行为，距离真实交易还有多远？

基于连续行为轨迹，AI 可以为每个用户计算一个“交易意图强度评分”，包括：

● 决策阶段识别：用户处于认知阶段（了解品类）、评估阶段（比较品牌）、还是决策阶段（询问价格/试用/联系）。

● 品牌倾向性：用户在对话中对本品牌的提及频次、正面表述、比较倾向。

● 紧迫度信号：时间敏感词（“马上”“这周”）、价格询问、试用请求、联系方式询问等。

交易意图层量化的核心价值在于：它让广告主可以按照“意图强度”而非“点击行为”来优化投放。高意图强度的用户，即使尚未点击广告，也值得更优的展示位置和出价。这是传统 CPC 无法实现的——传统 CPC 只能为已经发生的点击付费，而 CPCQ 可以基于 AI 预判的意图强度，提前优化展示策略。

第十章 CPCQ 量化优化闭环

10.1 多维度量化采样

CPCQ 闭环的第一步，是系统化地采集三层量化维度的数据。

这一步的关键不是“装更多工具”，而是明确“要采集什么、多久采集一次、采集后存哪里”。一个基础的量化采样体系包括：

● 答案层采样：定期（如每周）在目标 AI 平台上搜索品类核心词，记录品牌引用率、排序位置、信源引用。这部分与 GEO 监测共用数据。

● 交互层采样：从广告平台后台导出对话发起率、停留时长、追问深度等数据。

● 交易意图层采样：从 CRM、表单、客服记录中，将成交客户与 AI 广告触达记录进行匹配，计算不同意图强度对应的转化率。

采样的频率建议：答案层每周一次，交互层每日，交易意图层每两周一次归因分析。

10.2 量化基准建立

有了数据之后，第二步是建立量化基准。

量化基准是回答“什么是正常”的参照系。没有基准，所有指标数字都失去意义。基准建立包括：

● 历史基准：本品牌过去 4–8 周的平均指标水平。新投放开始后，与自身历史基准对比。

● 行业基准：通过行业报告、代理商数据、平台公开 benchmark，获得同行业的参考区间。GEM 行业基准尚在形成中，初期可以参考传统搜索广告的同类指标作为下限。

● 对照基准：通过 exposed/control 实验（详见 10.4），建立“看过 GEM 广告的用户”与“没看过的用户”在关键指标上的差异。

基准建立的过程，本质上是在回答三个问题：我们过去做到了什么水平？行业平均是什么水平？我们的投放带来了多少增量？

10.3 异常检测与策略调整

第三步是基于基准进行异常检测，并据此调整策略。

典型的异常场景包括：

● CTR-Q 连续 3 天低于基准的 50%：素材问题，启动素材更新流程；

● 对话发起率下降但 CTR 不变：广告吸引了点击但对话质量下降，可能是定向过宽；

● CPA-Q 上升但 CTR-Q 正常：落地页或流量质量问题，检查落地页转化路径；

● 答案层 AI 引用率下降：GEO 内容资产衰减，补充信源内容。

异常检测的关键原则是：先归因，再调整。不要看到一个指标变差就立刻改出价或换素材，先通过分层指标定位问题出在哪一层（答案层？交互层？交易意图层？），再针对性调整。

10.4 量化效果验证与归因

闭环的最后一步，是验证优化动作是否真的带来了效果。

GEM 场景中的归因，比传统广告更复杂，因为大量品牌影响发生在 AI 对话内部。CPCQ 框架推荐以下归因方法：

● 预埋“暗号”关键词追踪：在广告落地页中设置独特的品牌专属词或活动词，监测用户在 AI 平台上的二次搜索行为（参考行业内从业者提出的暗号追踪思路）；

● 链接追踪与平台闭环：通过 UTM 参数、独立落地页、专属优惠券码，追踪从 AI 广告到转化的直接路径；

● A/B 测试与交叉对比：不同素材、不同定向、不同出价方案之间进行交叉测试；

● Exposed/Control 因果推断：将用户随机分为两组，一组展示 GEM 广告，另一组不展示，比较两组在交易意图、品牌搜索、实际转化上的差异。这一方法在国际上已有成熟产品实践（如 DISQO 的 AI Search Lift、Google 的 GMMM 框架），国内广告主可结合自身数据条件实施。

归因验证的核心原则是：优化动作是否有效，用数据回答，不用“AI 好像更喜欢这个内容”回答。

第四篇 指标体系篇：从 Feeds AD 到 GEM 的量化跃迁

第十一章 CPCQ 指标体系设计原则

11.1 后缀式 Q 命名规则：为什么是“传统指标+Q”

CPCQ 指标体系采用统一的命名规则：传统指标名称 + 后缀 `-Q`。例如，传统指标 CPC 对应 CPCQ 体系中的 `CPC-Q`，传统指标 CTR 对应 `CTR-Q`，传统指标 CPA 对应 `CPA-Q`。

这一命名规则不是随意选择，而是经过三重考量的结果。

11.2 认知成本、发音习惯与理论逻辑的三重考量

第一重：认知成本最低。

广告优化师群体对 CPM、CPC、CTR、CPA 等传统指标已经形成“肌肉记忆级”的认知。如果完全创造一套新名词（如“AI 互动率”“对话转化率”），行业需要付出巨大的学习成本。保留传统指标名称作为前缀，在其后叠加 `-Q`，意味着优化师只需要理解“这个指标在 GEM 场景下的量化含义有何不同”，而不需要从零开始记忆一套全新体系。

第二重：发音更顺畅。

从语音传播角度，Q 与 C 两个辅音相连（如“QCPC”）读起来拗口，中间需要停顿。后缀式命名（CPC-Q）在语流中有自然的元音缓冲，口播、培训、客户沟通时都更顺畅。这一看似细节的设计，对一套需要被行业广泛传播的方法论而言并非小事。

第三重：理论逻辑更严密。

传统指标（CPM、CPC、CTR、CPA）度量的是“不确定性下的基础行为”——曝光、点击、转化。它们是整个度量体系的地基。`-Q` 后缀代表的“量化”，是叠加在这个地基之上的、面向 AI 场景的确定性度量层。后缀式命名准确反映了这种“地基+楼层”的理论结构：传统指标是基础，Q 指标是在 AI 搜索场景中对基础指标的量化升级。

11.3 主范式与子指标的关系：CPCQ 是“主义”，CPC-Q 是“工具”

需要特别澄清一个概念：CPCQ 与 CPC-Q 不是同一层级的概念。

● CPCQ（Cost Per Click Quantification）是整个范式的名称，是“主义”——它代表一种思维方式、一套方法论、一个优化闭环；

● CPC-Q 是 CPCQ 范式下的一个具体指标，是“工具”——它度量的是“量化后的单次点击成本”。

打个比方：CPCQ 就像“精益生产”这套管理哲学，CPC-Q、CTR-Q、CPA-Q 就像精益生产体系中的具体工具（看板、安灯、5S）。理解 CPCQ 是“主义”而 CPC-Q 是“工具”，有助于避免两个常见误解：一是以为“用了 CPC-Q 这个指标就等于掌握了 CPCQ”，二是以为“CPCQ 就是一个新的出价方式”。

第十二章 CPCQ 指标体系全景

以下按展现类、点击类、转化类、下载/安装类、全链路五大类，完整列出 CPCQ 指标体系。

12.1 展现类指标：Impression-Q、CPM-Q

Impression-Q（量化展现量）

传统展现量只数“广告被展示了多少次”。Impression-Q 度量的是“在 AI 答案层中，品牌被用户实际注意到、可能影响决策的有效展现”。它综合考虑品牌提及概率、排序位置、信源引用总量，形成“答案层可见度得分”。

CPM-Q（量化千次展现成本）

传统 CPM 是每千次广告展示的成本。CPM-Q 是每千次“有效量化展现”的花费。有效展现的定义比传统展示更严格——它要求品牌信息出现在 AI 答案中、用户可能实际阅读到的位置。

12.2 点击类指标：Click-Q、CTR-Q、CPC-Q

Click-Q（量化点击量）

传统点击量只数“用户点了多少次”。Click-Q 度量的是“交易意图点击”——用户基于 AI 预判的高意图点击。Click-Q 比传统点击携带更高的决策确定性，因为它的触发前提是 AI 已经完成了上下文意图识别。

CTR-Q（量化点击率）

传统 CTR 衡量素材本身的吸引力。CTR-Q 衡量的是“AI 行为数据预判下的点击概率”，反映 AI 推荐语境中用户对品牌信息的响应强度，而非孤立素材的吸引力。

CPC-Q（量化点击成本）

CPC-Q 是 CPCQ 范式的核心指标，度量的是“量化后的单次确定性点击成本”。与传统 CPC 不同，CPC-Q 对应的点击经过了意图量化，成本更高但确定性也更高。CPC-Q 是“先量化，再计费”这一核心命题的直接体现。

12.3 转化类指标：Conversion-Q、CVR-Q、CPA-Q

Conversion-Q（量化转化量）

传统转化量只数“注册/下单了多少次”。Conversion-Q 度量的是“AI 通过连续行为数据预判的交易意图，实际转化为行为的次数”。转化的定义在 CPCQ 框架下更丰富，不限于注册和下单，还包括 AI 预判的高确定性交易意图。

CVR-Q（量化转化率）

传统 CVR 衡量落地页的转化效率。CVR-Q 衡量的是“对话深度、追问意图带来的确定性转化率”，反映 AI 交互中用户决策阶段的推进效率。

CPA-Q（量化转化成本）

CPA-Q 是每获得一个“量化后的确定转化”的平均花费。在 CPCQ 框架下，转化不仅包括平台定义的注册、下单，也包括经过量化验证的高确定性交易意图。需要说明的是，信息流考核中“单次转化成本”与“每行动成本”都缩写为 CPA；在 CPCQ 体系中统一用 CPA-Q 指代，并区分“标准转化”与“自定义行动”两类。

12.4 下载/安装类指标：CPD-Q、CPI-Q

CPD-Q（量化下载成本）

App 投放场景中，每次下载的成本。CPD-Q 强调下载基于用户全量行为轨迹预判，成本对应的是高意向用户。

CPI-Q（量化安装成本）

每次安装并激活 App 的成本。安装行为经 AI 行为数据预判，确定性更高、可归因性更强。

12.5 全链路指标：CTCVR-Q、ROI-Q

CTCVR-Q（量化曝光转化率）

从不确定曝光到确定交易的全链路量化指标。CTCVR-Q 衡量的是 AI 搜索广告从曝光到最终转化的整体概率，而非传统意义上的“CTR×CVR”简单相乘——它包含了对话层和意图层的信息增益。

ROI-Q（量化投资回报率）

ROI-Q 是剔除噪音后的真实量化收益。它不仅计算直接销售收益，还纳入 AI 行为数据带来的长期品牌资产增值（AI 引用率提升、信源资产积累、自然推荐份额增长）与交易意图沉淀。ROI-Q 的视角比传统 ROI 更长期、更全面。

第十三章 指标体系落地：从考核到优化

13.1 如何为 GEM 投放设定量化 KPI

设定 GEM 投放 KPI，应遵循以下原则：

原则一：先定维度，再定数值。

不要一上来就拍一个“CPA 目标 200 元”。首先确定要考核哪些维度（答案层？交互层？交易意图层？），然后再为每个维度设定合理数值。维度选错了，数值再精准也没有意义。

原则二：分阶段设定指标。

● 冷启动期（前 2–4 周）：看过程指标（Click-Q、对话发起率、追问深度），不看终局 ROI-Q。数据样本不够时，终局指标会失真。

● 跑量期：看效率指标（CPC-Q、CPA-Q、CTR-Q），与行业基准和自身历史基准对比。

● 稳定期：看全链路指标（CTCVR-Q、ROI-Q），纳入品牌资产沉淀。

原则三：每个 Q 指标都要能回答“量化依据是什么”。

不能量化的指标不要放进 KPI 表。如果某个指标无法定义“这个数字是怎么算出来的、数据从哪来”，它就不应该出现在正式考核中。

13.2 量化指标的归因验证方法

任何量化指标都需要经过归因验证，才能确认它反映的是真实的投放效果，而非巧合或外部因素。常用的归因验证方法包括：

● 时间序列对比：投放前后，同一品牌在 AI 答案层的指标变化；

● 多市场/多地区对比：投放城市与未投放城市的指标差异；

● Exposed/Control 实验：随机分组，一组看广告一组不看，比较差异；

● 暗号追踪：在广告中植入独特关键词，监测用户后续在 AI 平台的搜索行为。

归因验证的最低要求是：任何“效果显著”的结论，至少需要一种以上的归因方法交叉验证。

13.3 从指标看板到优化决策

指标体系的最终目的，不是“做一张漂亮的看板”，而是驱动优化决策。一个有效的 GEM 指标看板，应做到：

● 三层分层展示：答案层、交互层、交易意图层，一目了然；

● 基准线标注：每个指标旁边显示历史基准和异常阈值；

● 下钻能力：点击某个异常指标，可以下钻到计划、素材、时段、意图词包维度；

● 行动建议联动：当指标触发异常阈值时，看板提示可能的原因和建议动作。

看板的设计原则是：让优化师在 5 分钟内回答“今天有没有问题、问题出在哪、下一步做什么”三个问题。

第五篇 实操篇：GEM 广告怎么投

第十四章 GEM 广告的展现形式与样式

14.1 AI 答案原生推荐位

目前 GEM 最主流的展现形式，是在 AI 给出自然回答之后，于回答下方或侧边出现的品牌推荐卡片。这一形态在 ChatGPT Sponsored Messages、豆包搜索推荐广告中均有采用。

一张标准的原生推荐卡片通常包含以下组件：广告主名称、品牌图标（favicon）、标题、描述、品牌图片或视频、落地页链接，以及必须显著标注的“广告/Sponsored”标识。

原生推荐位的设计原则是“融入对话但不混淆广告与自然回答”。它必须让用户清楚地知道这是商业内容，同时不破坏 AI 回答的阅读体验。

14.2 对话式广告形态

除了回答下方卡片，部分平台还在探索更深度的对话式广告形态。例如：

● 在 AI 回答中内嵌品牌推荐（Google AI Overviews 摘要内嵌位）；

● 用户追问时，在后续轮次中再次展示品牌信息；

● 品牌专属对话入口，用户点击后进入与品牌 AI 助手的直接对话。

对话式广告形态的优化重点不再是“一张卡片怎么写”，而是“在多轮对话的哪个节点、用什么方式、推荐什么内容”。这要求广告主对用户决策路径有清晰理解。

14.3 品牌引用卡片与信源标注

在 GEO 与 GEM 协同的场景中，AI 自然回答引用品牌信源时，通常会标注信源名称（类似学术引用）。这种标注本身就是一种品牌曝光。GEM 投放可以通过提升品牌信源质量（白皮书、案例、新闻稿、结构化数据），增加 AI 自然引用的概率。

需要明确的是：品牌信源引用属于 GEO 范畴，不是 GEM 付费广告。但 GEM 优化师应同时管理这两类资产，因为它们共同影响品牌在 AI 答案中的整体可见度。

14.4 多轮对话中的广告触发场景

多轮对话是 GEM 区别于传统广告的核心场景。一个典型的多轮触发链路：

● 第一轮（认知）：用户问品类问题，AI 给出概览，品牌以推荐卡片形式出现；

● 第二轮（比较）：用户追问品牌比较，AI 给出对比，相关品牌再次出现；

● 第三轮（决策）：用户询问价格/试用/联系方式，AI 引导至品牌落地页或直接转化。

广告主应针对不同轮次准备不同素材：认知轮用品牌介绍，比较轮用差异化卖点，决策轮用转化引导。

第十五章 GEM 广告计费方式

15.1 传统计费方式回顾：CPM、CPC、oCPC

在介绍 GEM 计费之前，先简要回顾传统计费方式：

● CPM（千次展现成本）：按展示次数计费，品牌曝光类广告常用；

● CPC（单次点击成本）：按点击计费，效果类广告最常用；

● oCPC（优化点击出价）：系统根据转化数据自动调整每次点击的出价。

这三种方式在 GEM 平台上仍在使用，作为基础计费框架。

15.2 CPCQ 量化计费范式：CPM-Q、CPC-Q、CPA-Q

在 CPCQ 框架下，传统计费指标升级为量化版本：

● CPM-Q：按千次有效量化展现计费，有效展现的定义比传统展示更严格；

● CPC-Q：按量化后的确定性点击计费，点击经过意图质量化；

● CPA-Q：按量化后的确定转化计费，转化包含 AI 预判的高意图行为。

需要说明的是，目前各 GEM 平台的计费产品仍以传统 CPC/CPM 为主，CPCQ 量化计费更多体现在优化师内部的度量框架中，而非平台官方计费选项。随着 GEM 市场成熟，量化计费有望成为平台产品的演进方向。

15.3 从“点击计费”到“量化交易意图计费”

CPCQ 范式的长期方向，是从“为点击付费”转向“为量化后的交易意图付费”。

这一转变的逻辑是：传统 CPC 为所有点击付费，其中大量点击来自低意图用户，成本浪费严重；CPCQ 则根据 AI 预判的交易意图强度，对不同质量的点击差异化定价。高意图点击出高价，低意图点击出低价甚至不展示。

在平台尚未提供完整量化计费产品之前，优化师可以通过以下方式在现有 CPC 框架内实现类似效果：按意图词包分层出价（核心词高出价、长尾词中出价、场景词低出价），本质上是手动实现“按意图差异化定价”。

15.4 计费方式选择策略与成本控制

选择计费方式的一般原则：

● 品牌曝光目标：CPM/CPM-Q，追求答案层可见度；

● 流量获取目标：CPC/CPC-Q，给落地页导流；

● 线索/转化目标：CPA/CPA-Q（或 oCPC 自动优化），按转化付费；

● 冷启动期：手动 CPC，控制成本、积累数据；

● 跑量期：自动出价或 oCPC，让系统放量。

成本控制的关键纪律：日预算不低于目标 CPA 的 20 倍（给系统探索空间）；新计划前 72 小时不大改出价；每次出价调整幅度不超过 10%–20%。

第十六章 GEM 广告搭建流程

16.1 账户体系与权限配置

当前国内 GEM 广告后台尚未标准化，以下账户体系参考海外 GEM 平台（ChatGPT Ads、Google AI Overviews）与国内巨量引擎现有信息流广告后台的通用结构，待国内 GEM 平台开放后以实际后台为准：

● 账户：对应广告主主体，管理资金、资质、权限；

● 计划（Campaign）：对应业务目标或产品线，设定优化目标和日预算；

● 单元（Ad Group）：对应定向人群和版位，设定地域、意图词包、出价；

● 创意（Ad）：对应具体素材，上传图片/视频、撰写标题描述、挂载落地页。

权限配置上，建议按角色分级：优化师负责计划操作，数据分析负责报表查看，管理者负责充值和合同。多客户管理时，每个客户独立账户或独立报表视图，避免数据混淆。

16.2 品牌知识库与信源资产搭建

GEM 与传统投放的一个重要区别是：广告主需要先建设品牌知识库，再谈投放优化。

品牌知识库包括：

● 官网核心页面（产品介绍、解决方案、客户案例、关于我们）；

● 结构化数据（产品参数表、FAQ、对比表、权威认证）；

● 公开信源（新闻稿、行业报告、媒体报道、第三方评测）；

● 品牌事实库（品牌名、产品名、核心卖点、差异化优势、常见问答）。

这些资产不仅服务于 GEO（提升 AI 自然引用率），也直接影响 GEM 广告的上下文相关度和质量分。AI 在评估广告主品牌信息时，会参考这些信源。

16.3 投放计划创建：目标设定、意图对齐、素材配置

创建一条 GEM 投放计划的标准步骤：

● 选择优化目标：根据业务目标选择曝光/点击/线索/转化（详见第十五章计费方式）；

● 设定预算与时段：冷启动期日预算不低于目标 CPA×20；先全时段跑 3 天再根据数据收窄；

● 配置意图定向：按意图场景而非关键词列表配置定向，分核心词包、长尾词包、场景词包三层；

● 选择版位：只勾选 AI 对话位，避免与信息流版位混淆；

● 配置素材：每个单元 3–5 条素材（冷启动），素材标题直接回应用户问题；

● 挂载落地页：落地页第一屏直接回答用户问题，结构 AI 友好，加载速度 < 3 秒；

● 设置监测链接：配置 UTM 参数和转化追踪。

16.4 归因追踪配置与数据回传

归因追踪是 GEM 投放中最容易被忽略、却最影响长期优化效果的环节。标准配置包括：

● UTM 参数：每条广告链接携带 utm_source、utm_medium、utm_campaign、utm_term、utm_content；

● 转化事件埋点：在落地页部署广告平台 JS SDK，追踪表单提交、电话点击、购买等事件；

● 服务端回传（CAPI）：对于 iOS 用户占比较高的客户，通过服务端到服务端的转化回传，绕过隐私限制；

● 暗号追踪：在落地页或客服话术中植入品牌专属词，监测用户在 AI 平台的二次搜索。

第十七章 GEM 广告投放逻辑

17.1 广告触发机制与意图匹配

如第四章所述，GEM 广告触发的核心是上下文意图匹配，而非关键词字面匹配。优化师在配置定向时，应将“意图场景描述”而非“关键词列表”作为定向单位。

实操建议：针对每个产品，列出用户可能提问的 30–50 个真实问题，按认知/比较/决策三个阶段分类，作为意图词包的基础。这些问题应该来自真实客服记录、销售反馈、搜索下拉词，而不是凭空想象。

17.2 推荐排序逻辑与量化竞价

GEM 广告排序由上下文相关度、内容质量分、品牌信源质量、出价、历史表现等多因素共同决定（详见 4.3）。优化师的优化方向应覆盖这些因素，而非只调出价。

在 CPCQ 框架下，推荐排序的优化对应三层量化：提升答案层品牌可见度（GEO 资产）、提升交互层响应率（素材与上下文）、提升交易意图层转化效率（落地页与转化路径）。

17.3 投放策略的动态调整

GEM 投放不是一次性设置，而是持续动态调整。典型的调整节奏：

● 冷启动（前 72 小时）：不做大幅调整，让模型探索；

● 第一周：根据数据关停末位计划，优化头部计划的定向和素材；

● 第二至四周：逐步放量，测试新素材和新意图词包；

● 稳定期：每周例行素材更新、数据归因、预算重新分配。

调整的依据不是“感觉不好”，而是量化指标的异常偏离。

17.4 CPCQ 优化闭环在投放中的应用

将第十章描述的 CPCQ 优化闭环，应用到日常投放中：

● 采样：每日导出三层量化数据；

● 基准：与历史基准和行业基准对比；

● 异常检测：发现指标偏离，定位问题出在答案层、交互层还是交易意图层；

● 策略调整：针对性优化（素材/定向/落地页/信源）；

● 效果验证：调整后观察 2–3 天，用量化指标确认改善。

这个闭环每周至少完整运行一次。

第十八章 GEM 广告实操

18.1 从零搭建一个 GEM 投放计划（本演示以 ChatGPT Ads为操作参照，国内 GEM 平台开放后可类比执行）

以下以一个 B2B 软件客户（国产 ERP）为例，演示完整搭建流程：

第一步：前期准备。 营业执照、ICP 备案、行业资质齐全；官网产品页和客户案例页已上线；落地页已制作（H1 直接回应用户问题，3 个核心卖点，客户 logo 墙，CTA 表单不超过 3 个字段）。

第二步：开户与充值。 通过代理商或自助开户，上传资质，完成首充。

第三步：创建计划。 优化目标选择“线索收集”；日预算 1600 元（仅为国内信息流广告冷启动示例，非 ChatGPT Ads 官方数字）；投放时段先全时段。

第四步：配置单元。 定向：全国、30–45 岁、企业决策者兴趣标签；意图词包：核心词“国产 ERP”“替代 SAP”，长尾词“中小公司 ERP 选型”，场景词“ERP 实施周期”；出价：手动 CPC 3.6 元（此出价为示例值，实际出价以平台后台建议为准）。

第五步：上传创意。 3 条素材：产品图+标题“国产 ERP 哪家好？”，15 秒视频讲差异化优势，客户案例图+数据。

第六步：挂载落地页与监测。 落地页链接带 UTM 参数；转化追踪 JS SDK 已部署。

第七步：提交审核，等待过审后启动。 前 72 小时观察数据，不大幅调整。

18.2 AI 生文与上下文提示词模板实操

GEM 素材文案的撰写，可以借助 AI 辅助，但必须经过人工审核。一个实用的提示词模板：

“我是一家 [行业] 公司的市场负责人，产品是 [产品名]，目标客户是 [客户画像]。请帮我写 5 条 GEM 广告标题，要求：1）直接回应用户问题；2）不使用绝对化用语；3）不贬低竞品；4）每条不超过 25 字。”

AI 生成的文案必须人工检查：是否包含绝对化用语、是否与事实一致、是否符合平台政策。AI 是提效工具，不是免责工具。

18.3 量化数据看板搭建与效果监测

一个基础的 GEM 量化看板应包含：

● 答案层：AI 引用率周趋势、排序位置、信源引用数；

● 交互层：Click-Q、CTR-Q、对话发起率、追问深度；

● 交易意图层：Conversion-Q、CVR-Q、CPA-Q、ROI-Q；

● 异常告警：关键指标偏离基准时标红。

看板可以在广告平台自带报表基础上，叠加第三方数据（如 GEO 监测工具的数据）综合搭建。

18.4 归因验证与优化迭代实操

每月进行一次归因验证：

● 对比投放期与非投放期，品牌在 AI 答案中的引用率变化；

● 对比暴露组与对照组（如有条件）的转化差异；

● 检查暗号关键词在 AI 平台的搜索量变化；

● 计算 ROI-Q（包含品牌资产增值的全口径 ROI）。

归因结果用于指导下月预算分配和素材方向。

18.5 常见问题排查与避坑指南

以下是 GEM 投放中最常见的五类问题及排查思路：

问题一：零曝光。 排查：预算是否充足？意图定向是否过窄？素材是否过审？版位是否选错？

问题二：有曝光无点击。 排查：素材 CTR-Q 是否低于基准？标题是否回应用户问题？图片是否清晰可辨？

问题三：有点击无转化。 排查：落地页加载速度？H1 是否对题？表单字段是否过多？信任状是否充分？

问题四：转化多但质量差。 排查：定向是否过宽？是否引入了“免费”“招聘”等无关意图？是否需要增加否定词？

问题五：成本突然上涨。 排查：是否进入素材衰退期？行业竞争是否加剧？账户是否有违规记录？先降出价 10%–20%，观察 2 天再决定换素材。

第六篇 合规与变现篇

第十九章 白帽 GEM：合规红线与信任资产

19.1 广告政策与禁忌类目

GEM 广告的合规框架建立在中国现行广告法律法规体系之上，主要包括：《中华人民共和国广告法》《互联网广告管理办法》《个人信息保护法》《数据安全法》《生成式人工智能服务管理暂行办法》等。

以下类目属于禁投或严格限投范围（具体以各平台最新审核规则为准）：

禁投类目：赌博、色情、毒品、枪支弹药、非法金融、医疗诊疗服务、处方药、烟草、以及法律法规禁止的其他品类。

限投类目（需前置资质）：教育（办学许可证、ICP 备案）、金融（相应金融牌照）、医疗器械（经营许可证）、法律（律所执业证）、房地产（预售许可证）、招商加盟（特许经营备案）。

内容红线：不得使用“最”“第一”“国家级”等绝对化用语；不得作虚假承诺；不得贬低竞品；不得使用 AI 生成虚假用户评价或证言；不得在广告素材中出现二维码、微信号、手机号等站外引流信息；广告必须显著标注“广告”标识。

GEM 优化师应每周查阅平台审核规则更新，将新变化同步到素材审核流程中。

19.2 AI 幻觉抑制与 E-E-A-T 信任建设

生成式 AI 存在“幻觉”风险——即可能生成看似合理但事实不准确的内容。当 AI 在回答中错误描述品牌产品时，品牌方应通过 GEO 手段修正：提供更准确、更权威的信源，推动 AI 更新其回答。

E-E-A-T（Experience 经验、Expertise 专业性、Authoritativeness 权威性、Trustworthiness 可信度）是 Google 等平台评估内容质量的框架，同样适用于 GEM 场景。品牌应通过以下方式建设信任资产：

● 在官网和公开信源中提供准确、完整、可验证的产品信息；

● 发布客户案例、第三方评测、行业认证；

● 确保内容作者和发布主体清晰可追溯；

● 及时纠正 AI 回答中的事实错误。

19.3 白帽 GEM 共识与行业标准

GEM 作为新兴行业，正在形成白帽操作共识。本白皮书倡导以下原则：

● 不通过技术手段操纵 AI 自然回答（如恶意诱导、批量生成虚假信源）；

● 广告与自然回答明确区分，不伪装；

● 用户对话数据合规收集与使用，不违规留存或二次营销；

● 所有投放数据真实，不刷量、不造假；

● 尊重平台规则，不寻找“钻空子”的技巧。

白帽 GEM 不仅是法律要求，也是长期商业利益所在。靠灰帽手段短期获取的流量，一旦被平台识别，将面临账户封禁、品牌信誉受损等不可逆后果。

第二十章 GEM 变现路径

20.1 路径一：企业自投

对于有内部市场团队的企业，GEM 可以作为自有的新营销渠道。自投的优势是直接控制数据和策略，成本主要是人力和广告消耗；挑战是需要培养具备 GEM 能力的团队。

自投企业建议从一个品类、一个平台、一个目标开始，用 2–4 周完成冷启动测试，再逐步扩大。CPCQ 量化框架可以帮助企业建立内部度量体系，避免“投了但不知道效果如何”。

20.2 路径二：代运营接单

对于代运营公司或独立优化师，GEM 是新的服务产品线。代运营的收入模式通常为“基础服务费 + 广告消耗返点”。

代运营的核心竞争力不在于“帮客户花多少钱”，而在于“能否用量化框架证明投放效果”。CPCQ 指标体系可以作为代运营服务的标准化交付物，帮助客户理解“这笔钱花得值不值”。

报价建议：月服务费根据客户预算规模和服务深度定价，消耗返点通常在行业常见区间内（具体比例以市场行情为准）。早期不建议签订效果对赌协议，待数据积累足够后再考虑。

20.3 路径三：代理返点

对于具备开户渠道能力的服务商，代理返点是基础收入来源。随着 GEM 平台广告产品成熟，预计将开放更多代理政策。服务商应密切关注各平台代理商招募公告。

20.4 组合打法：GEM+GEO+信息流

最有效的 GEM 变现策略不是单一渠道，而是组合打法：

● GEO 建设长期品牌资产，让 AI 自然正面提及品牌；

● GEM 在决策关键节点付费卡位，加速转化；

● 信息流 维持品牌曝光和用户再营销。

三者协同的逻辑是：GEO 解决“被信任”，GEM 解决“被选择”，信息流解决“被记住”。对于有预算的企业客户，这一组合可以作为完整的 AI 时代营销方案。

第七篇 GEM优化师账户优化实操方法

说明： 本篇面向已掌握GEM基础操作、希望从“会投”进阶为“投得精”的专业优化师。以CPCQ为方法论底座，以Ads DataAsset为资产框架，以Hint工程为核心操作对象，贯穿对话意图与数据信号两条操作线索。

第二十一章 Ads DataAsset：账户作为品牌广告数字资产

21.1 从DataAsset GEO到Ads DataAsset：资产逻辑的迁移

何亚涛提出的DataAsset GEO™优化方法论，核心定义是：将品牌所有可被AI利用的信息视为可长期存储、反复调用、持续增值的数据资产，通过系统化架构存入品牌专属知识体系，让AI在回答用户问题时主动调取。

这一方法论的理论突破在于：把GEO的工作对象从“内容”升级为“资产”。内容可被消耗，资产可被积累。每一条结构化信息存入知识体系后，会在AI后续回答中反复被调用、持续产生价值。

现在把这个逻辑迁移到广告账户。

GEM优化师每天面对的账户，表面是花钱工具——充钱、建计划、调出价、看消耗。但换一个视角：账户的本质是一个持续积累、可被量化、可被迭代的数字资产池。账户中的结构、数据、素材和对话意图轨迹，与DataAsset GEO中的品牌信息资产在逻辑上完全同构。

两者的核心差异在于资产对象：DataAsset GEO的资产对象是“品牌可被AI利用的信息”，Ads DataAsset的资产对象是“可被AI推荐系统利用的投放信息与行为信号”。资产逻辑相同，操作对象不同。

21.2 Ads DataAsset的定义：账户不是消耗工具，而是增值资产

Ads DataAsset（广告数据资产） ，是指在GEM广告账户中，可被AI推荐系统持续调用、可被优化师持续迭代、可被量化验证其增值效果的投放要素总和。

其核心命题是：广告账户不是消耗工具，而是可增值资产。优化师的核心工作不是“花钱”，而是“养资产”。

传统优化师的工作逻辑是“消耗—转化—核算”，账户被当作一个花钱买流量的管道。Ads DataAsset的工作逻辑是“积累—增值—复用”，账户被当作一个持续生长的资产池。

这个视角转换带来三个操作层面的变化：

第一，考核周期变化。消耗视角下，优化师关注当日、当周的转化成本；资产视角下，优化师同时关注资产的长期增值——创意库是否在丰富、数据信号是否在积累、对话意图资产是否在扩展。

第二，优化动作变化。消耗视角下，优化动作是“调整出价、更换素材”；资产视角下，优化动作是“优化资产结构、增强信号密度、迭代创意资产、丰富意图资产”。

第三，失败定义变化。消耗视角下，一条计划跑不出量就是失败；资产视角下，一条计划即使消耗低，只要产生了有价值的对话意图数据信号，它就在为下一轮投放积累先验——它不是失败，而是资产积累。

21.3 四类资产：结构资产、数据信号资产、创意资产、对话意图资产

Ads DataAsset包含四类资产，每一类都有独立的量化维度和增值路径。

第一类：结构资产。 账户-计划-单元-创意四层结构本身构成资产。合理的结构分层决定了AI推荐系统能否高效匹配广告与对话意图。结构不是一次性搭建动作，而是需要持续优化的资产。每一次计划重组、单元拆分、创意归位，都是在调整资产结构。结构资产的量化指标包括：意图覆盖率（结构覆盖的对话意图场景数量）、匹配效率（单位消耗产生的有效对话意图匹配次数）、结构熵值（结构复杂度与匹配效率的比值）。

第二类：数据信号资产。 账户运行中积累的曝光数据、点击数据、转化数据、对话意图数据、行为轨迹数据，构成可被AI学习的信号资产。数据信号越丰富、越连续、越结构化，AI对账户的意图预判越精准。CPCQ的三层量化维度——答案层、交互层、交易意图层——正是数据信号资产的量化框架。数据信号资产的量化指标包括：信号密度（单位消耗产生的有效数据点数）、信号连续性（数据在时间轴上的覆盖完整度）、信号信噪比（有效信号与噪音信号的比例）。

第三类：创意资产。 标题、文案、图片、视频、落地页不仅是“素材”，更是可复用资产。一条验证过的高转化创意，可以在不同计划、不同单元、不同时段中反复调用。创意资产化管理意味着：建立创意库、标注创意标签、追踪创意生命周期、量化创意迭代效果。创意资产的量化指标包括：创意存量（可用创意总数）、创意周转率（单位时间内创意迭代次数）、创意衰减曲线（创意从上线到效果衰退的时间函数）。

第四类：对话意图资产。 这是GEM账户区别于传统广告账户的核心资产。用户在AI对话中产生的多轮交互轨迹——追问、比较、价格询问、试用请求——构成对话意图资产。这些资产的价值在于：它们不仅是“这次投放的数据”，更是“下一次投放的先验”。每一次对话交互都在为下一次投放积累先验信息。对话意图资产的量化指标包括：意图覆盖度（已识别的对话意图类型数量）、意图深度（每种意图类型的平均追问轮次）、意图迁移率（用户从一种意图迁移到另一种意图的概率矩阵）。

21.4 Ads DataAsset与CPCQ的关系：量化维度与资产对象的闭环

Ads DataAsset是CPCQ在账户层面的操作化落地。两者构成完整闭环：

CPCQ定义量化维度 → Ads DataAsset承载量化对象 → 量化反馈驱动资产增值 → 增值后的资产提升下一轮量化基准

具体而言：优化师用CPCQ指标体系（Impression-Q、CTR-Q、CPC-Q、CPA-Q等）对Ads DataAsset的各类资产进行量化评估；量化结果告诉优化师哪些资产在增值、哪些在贬值、哪些需要补充；优化师根据量化反馈调整资产结构、更新数据信号、迭代创意、丰富对话意图资产；调整后的资产进入下一轮投放，产生新的量化数据，形成资产增值循环。

这个闭环的关键在于：CPCQ不是一次性的度量工具，而是持续的资产审计工具。每一次量化采样，都是对资产价值的一次重新评估。

21.5 资产增值循环：量化评估→资产调整→再投放→新基准

资产增值循环的四个环节：

量化评估。 用CPCQ三层量化维度对四类资产进行定期审计。结构资产看意图覆盖率与匹配效率；数据信号资产看信号密度、连续性与信噪比；创意资产看存量、周转率与衰减曲线；对话意图资产看覆盖度、深度与迁移率。

资产调整。 根据量化评估结果，执行资产调整动作。结构资产调整包括计划重组、单元拆分、创意归位；数据信号资产调整包括增强采样频率、标注数据质量、补充缺失信号；创意资产调整包括淘汰衰退创意、补充新创意、优化创意标签；对话意图资产调整包括更新情境提示、补充上下文提示、扩展H2—H5分层覆盖。

再投放。 调整后的资产进入新一轮投放。这一轮投放的目标不仅是获取转化，更是验证资产调整的有效性——调整后的资产是否带来了更高的匹配效率、更精准的意图识别、更短的转化路径。

新基准。 新一轮投放产生的量化数据，成为下一轮量化评估的新基准。资产增值循环的本质是：每一次循环，基准都在提升，资产都在增值。

这一循环的哲学基础是“复利思维”：每一次投放都在为下一次投放积累资产，资产的增值不是线性的，而是复利的。这与DataAsset GEO“可长期存储、反复调用、持续增值”的核心理念完全一致。

第二十二章 账户结构的量化拓扑

22.1 从“三层结构”到“量化拓扑”：账户-计划-单元-创意的GEM适配

传统信息流广告的账户结构是三层：计划（Campaign）、单元（Ad Group）、创意（Ad）。GEM在此基础上增加了一层——广告系列层，形成四层结构：广告系列、计划、单元、创意。

但结构层级的增加不是简单的数量变化，而是拓扑关系的变化。传统三层结构中，计划对应目标，单元对应定向，创意对应素材，三者是线性包含关系。GEM四层结构中，广告系列对应量化范围，计划对应意图密度分层，单元对应H2—H5提示编码，创意对应素材兑现，四者构成网状的量化拓扑关系。

这个拓扑关系的核心是：每一层都在承载不同的量化信号。广告系列层承载预算与周期的量化边界，计划层承载对话意图密度的量化分层，单元层承载情境提示的量化编码，创意层承载素材与落地页的量化兑现。

拓扑结构的设计原则是：让每一层都成为数据信号的独立采集单元。 如果某一层不能独立采集数据信号，这一层的结构就是冗余的。

22.2 计划分层的量化原则：按对话意图密度分层，而非按产品线分层

传统信息流广告中，计划通常按产品线或目标分层——一个产品一条计划，一个转化目标一条计划。GEM中，计划分层的原则不同：按对话意图密度分层。

对话意图密度，是指某一类对话意图在目标用户群体中的出现频率与转化强度。密度高的意图场景，用户提问频繁、决策路径清晰、转化概率高；密度低的意图场景，用户提问零散、决策路径模糊、转化概率低。

按对话意图密度分层意味着：高密度意图单独成计划，中密度意图合并成计划，低密度意图作为长尾计划或放弃。这样做的理由是：AI推荐系统对意图密度的识别能力是有限的，如果把高密度意图和低密度意图混在同一条计划中，系统会倾向于学习高密度意图的信号，低密度意图的信号会被淹没。

量化操作：对每个目标品类，列出用户可能提问的30—50个真实问题，按认知、比较、决策三个阶段分类，统计每个阶段的问题出现频率与转化强度，计算意图密度值，按密度值高低分配计划。

22.3 单元粒度的量化临界点：粗细之间的决策模型

单元粒度是指一个单元中承载多少个广告和多少个情境提示。粒度太粗，AI匹配不精准；粒度太细，数据信号不足以支撑学习。

这里存在一个量化临界点：当单元中广告数量少于3条时，数据信号不足以支撑AI学习；当单元中广告数量多于10条时，单条广告的数据信号被稀释，匹配精度下降。 最优区间通常在3—5条。

但这个临界点不是固定的，它受三个变量影响：品类竞争度（竞争度越高，需要更多广告测试）、预算规模（预算越高，可以支撑更细的粒度）、意图密度（密度越高，可以支撑更粗的粒度）。

决策模型可以形式化为：

最优广告数量 = f(预算规模/竞争度×意图密度)

预算规模越大、竞争度越低、意图密度越高，单元中可容纳的广告数量越多。反之则应减少。

22.4 创意数量的量化边界：从边际效用递减到饱和曲线

创意数量的增加，边际效用递减。每增加一条创意，带来的增量效果不是恒定的，而是递减的。

饱和曲线描述的是：创意数量从1增加到3条时，边际效用最高；从3条增加到5条时，边际效用下降但仍有正收益；从5条增加到10条时，边际效用趋近于零；超过10条后，边际效用为负——过多的创意会稀释数据信号，导致AI无法有效学习。

因此，创意数量的量化边界是：每个单元3—5条创意是甜点区，5—10条是次优区，超过10条是负效区。

这个规律的理论依据是信息熵：当创意数量过多时，每条创意获得的数据信号减少，账户内部的信息熵增加，AI的匹配效率下降。

22.5 结构资产的量化诊断：用数据信号判断结构是否健康

结构资产的健康度，可以通过三个数据信号诊断：

意图覆盖率。 账户中已配置的对话意图场景数量，除以目标品类中的总意图场景数量。覆盖率低于60%，说明结构存在盲区。

匹配效率。 单位消耗产生的有效对话意图匹配次数。匹配效率持续下降，说明结构冗余或粒度不当。

结构熵值。 结构复杂度与匹配效率的比值。熵值过高，说明结构过于复杂但效率未提升；熵值过低，说明结构过于简单，可能遗漏意图场景。

三个指标共同构成结构资产的量化诊断体系。每月进行一次诊断，根据诊断结果调整结构。

第二十三章 Hint工程：从情境提示到量化编码

23.1 情境提示（Situation Hint）与上下文提示（Context Hint）的本质区别

情境提示（Situation Hint）与上下文提示（Context Hint）经常被混用，但两者存在本质区别。

情境提示描述的是广告适用的外部场景——用户在什么情境下需要这个产品。例如：“适合备战首次5公里跑的初学者、带缓震功能的日常跑鞋”。情境提示回答的是“在什么场景下需要我”。

上下文提示描述的是广告适用的对话语境——用户在什么样的对话上下文中应该看到这个广告。例如：“当用户在比较不同品牌的缓震跑鞋、询问价格区间或咨询选购建议时展示”。上下文提示回答的是“在什么对话中展示我”。

情境提示侧重场景描述，上下文提示侧重对话语境描述。在GEM账户操作中，两者需要配合使用：情境提示界定广告的外部适用场景，上下文提示界定广告的内部对话触发条件。

23.2 Hint五层编码模型：字面—语义—对话意图—场景—约束

Hint工程的核心是对提示词进行分层编码。五层编码模型如下：

第一层：字面层。 提示词的字面表述。例如“国产ERP”“替代SAP”。字面层是最基础的编码单位，但也是最容易被AI忽略的——AI不依赖字面匹配，而是理解语义。

第二层：语义层。 提示词的语义指向。例如“国产ERP”的语义指向是“中国本土企业资源规划软件”。语义层是AI理解的核心层。

第三层：对话意图层。 提示词对应的用户对话意图。例如“国产ERP”可能对应认知意图（了解品类）、比较意图（比较品牌）、决策意图（询问价格/试用）。对话意图层决定了广告在对话的哪个阶段被触发。

第四层：场景层。 提示词对应的具体使用场景。例如“中小制造企业”“多工厂协同”“财务业务一体化”。场景层让广告匹配更精准。

第五层：约束层。 提示词的限定条件。例如“价格区间50—100万”“实施周期3—6个月”“只支持私有化部署”。约束层过滤低价值流量，将预算导向高意向用户。

五层编码模型的核心逻辑是：从字面到约束，编码密度逐步增加，匹配精度逐步提升。 优化师的工作，就是把提示词从字面层逐步推进到约束层。

23.3 H2—H5量化漏斗：对话意图的分层编码与匹配优先级的数学解释

H2—H5量化漏斗是对五层编码模型的实操简化，分为四个层级：

H2—H5的数学解释可以借用燕尾突变模型。燕尾突变是突变论中的一种模型，描述当两个控制变量同时变化时，系统状态可能发生分岔。在Hint匹配中，H2（核心需求）和H5（约束条件）是两个控制变量，它们共同决定广告是否在特定对话中展示。

当H2匹配度高、H5约束宽松时，广告展示概率高；当H2匹配度低、H5约束严格时，广告展示概率低；当H2匹配度中等、H5约束适中时，广告展示概率出现分岔——可能在某一类对话中展示，在另一类对话中不展示。这个分岔点，就是Hint优化的关键操作点。

23.4 提示词21种用法在GEM账户中的迁移与适配

何亚涛在GEO生成引擎优化中提出的提示词21种用法，可以系统迁移到GEM账户操作中。以下是核心迁移路径：

用法1—7：意图识别类。 原用于识别AI回答中的品牌提及与意图信号，迁移后用于识别对话中的意图类型与决策阶段。操作动作：将21种用法中的意图识别模式，转化为H2—H5的编码规则。

用法8—14：内容优化类。 原用于优化内容以提升AI引用率，迁移后用于优化情境提示以提升匹配精度。操作动作：将内容优化的结构、语义、场景优化方法，应用于Hint的五层编码。

用法15—21：效果监测类。 原用于监测GEO效果，迁移后用于监测Hint匹配效果。操作动作：将监测指标转化为数据信号采集规则，纳入CPCQ量化体系。

迁移的核心原则是：GEO的提示词用法面向“内容被AI引用”，GEM的提示词用法面向“广告被AI匹配”。 对象不同，逻辑相通。

23.5 燕尾突变与Hint匹配：当一条提示词引发数据信号分岔

燕尾突变模型在Hint匹配中的应用，可以用一个具体案例说明。

某国产ERP厂商在广告组中配置了以下Hint：

H2：国产ERP替代SAP

H3：中小制造企业ERP选型

H4：ERP实施周期与成本

H5：预算50—100万，私有化部署

投放后发现一个现象：当用户对话中包含“替代SAP”时，广告展示概率高，但转化率低；当用户对话中包含“中小制造企业”时，广告展示概率中等，但转化率高；当用户对话中同时包含“替代SAP”和“预算50—100万”时，广告展示概率低，但转化率极高。

这就是燕尾突变：H2（替代SAP）和H5（预算50—100万）两个控制变量的组合，导致广告展示概率出现分岔。优化师的操作动作是：将“替代SAP+预算50—100万”作为高优先级Hint组合，单独配置广告组，提高出价，确保在这个分岔点上获得展示优势。

23.6 Hint工程的量化评估：如何用数据信号测量一条提示词的好坏

一条Hint的好坏，不能凭感觉判断，必须用数据信号量化评估。评估指标包括：

匹配精度。 该Hint触发的对话中，有效对话意图占比。精度低于30%，说明Hint过于宽泛。

意图深度。 该Hint触发的对话中，用户的平均追问轮次。深度低于2轮，说明Hint触发的对话意图不够深入。

转化效率。 该Hint触发的对话中，最终转化为交易意图的比例。效率低于账户均值，说明Hint质量偏低。

信号密度。 该Hint在单位时间内产生的有效数据信号数量。密度过低，说明Hint触发的对话量不足，需要优化或替换。

四个指标共同构成Hint工程的量化评估体系。每周对账户中所有Hint进行一次评估，淘汰低效Hint，优化中等Hint，放大高效Hint。

第二十四章 CPCQ账户优化实战方法

24.1 量化基线：冷启动期的数据信号采集与参照系选择

冷启动期的核心任务不是“跑量”，而是“积累数据信号”。量化基线的建立，是冷启动期最重要的操作。

量化基线包括三个参照系：

历史基线。 本账户过去4—8周的平均指标水平。新计划上线后，与自身历史基线对比，判断是否正常。

行业基线。 同品类、同平台的行业平均指标水平。GEM行业基准尚在形成中，初期可以参考传统搜索广告的同类指标作为下限。

对照基线。 通过exposed/control实验，建立“看过GEM广告的用户”与“没看过的用户”在关键指标上的差异基线。

冷启动期的量化操作：前72小时不做大幅调整，让AI积累数据信号；第4—7天，对比历史基线和行业基线，判断计划是否健康；第2—4周，建立对照基线，判断GEM广告的增量效果。

24.2 异常检测：控制图思想在GEM账户中的数据信号应用

控制图是质量管理中的经典工具，用于判断过程是否处于受控状态。在GEM账户中，控制图思想可以用于异常检测。

操作方法是：对每个核心指标（CTR-Q、CPC-Q、CPA-Q等），计算历史均值和标准差，设定上下控制限（通常为均值±2倍标准差）。当指标连续3天超出控制限时，触发异常告警。

异常检测的关键原则是：先归因，再调整。 不要看到一个指标变差就立刻改出价或换素材，先通过分层指标定位问题出在哪一层——答案层？交互层？交易意图层？——再针对性调整。

24.3 归因验证：因果推断在GEM中的数据信号落地

GEM场景中的归因比传统广告更复杂，因为大量品牌影响发生在AI对话内部。CPCQ框架推荐以下归因方法：

时间序列对比。 投放前后，同一品牌在AI答案层的指标变化。

多地区对比。 投放城市与未投放城市的指标差异。

Exposed/Control实验。 随机分组，一组看广告一组不看，比较差异。

暗号追踪。 在广告中植入独特关键词，监测用户后续在AI平台的搜索行为。

归因验证的最低要求是：任何“效果显著”的结论，至少需要一种以上的归因方法交叉验证。

24.4 迭代节奏：周度、月度、季度优化周期设计

GEM账户的迭代节奏建议：

周度迭代。 检查Hint匹配效果，淘汰低效Hint，优化中等Hint。检查创意衰减曲线，在创意进入衰退期前主动迭代。

月度迭代。 检查结构资产健康度，诊断意图覆盖率、匹配效率、结构熵值。检查数据信号资产密度，补充缺失信号。

季度迭代。 检查Ads DataAsset整体增值情况。重估CPCQ量化基准。调整预算分配策略。

迭代节奏的设计原则是：周度看信号，月度看结构，季度看资产。

24.5 量化复盘：从数据信号看板到优化决策的闭环

量化复盘的目的是：让优化师在5分钟内回答“今天有没有问题、问题出在哪、下一步做什么”。

一个有效的GEM指标看板应包含：三层分层展示（答案层、交互层、交易意图层）、基准线标注（历史基准和异常阈值）、下钻能力（点击异常指标可下钻到计划、素材、时段、意图词包维度）、行动建议联动（指标触发异常阈值时提示可能原因和建议动作）。

复盘的核心原则是：数据信号驱动决策，而非感觉驱动决策。

第二十五章 量化博弈：账户之间的竞争与均衡

25.1 纳什均衡与GEM竞价：为什么出价不是越高越好

纳什均衡是博弈论中的核心概念：在一个博弈中，当每个参与者都选择了最优策略，且没有任何参与者能通过单方面改变策略获得更好结果时，系统达到均衡。

GEM竞价是一个典型的博弈场景。多个广告主竞争同一个对话意图场景的展示机会。如果所有广告主都提高出价，展示成本上升，但展示份额不变——没有人获得额外优势，所有人的成本都增加了。这就是“竞价军备竞赛”。

纳什均衡的启示是：出价不是越高越好，而是要在均衡点上找到最优策略。 均衡点取决于三个变量：自身转化效率、竞品出价水平、平台排序权重。优化师的任务不是“出价比别人高”，而是“在均衡点上找到自身优势的最大化”。

25.2 信息熵与创意多样性：避免账户内卷的量化方法

信息熵是信息论中衡量不确定性的指标。在GEM账户中，信息熵可以衡量创意多样性。

当账户中所有创意都高度相似时，信息熵低——AI无法从创意中获取差异化信号，匹配效率下降。当账户中创意差异化程度高时，信息熵高——AI可以从不同创意中学习不同的意图信号，匹配效率提升。

避免账户内卷的量化方法是：监控创意信息熵，保持熵值在合理区间。 熵值过低，说明创意同质化严重，需要增加差异化创意；熵值过高，说明创意过于分散，需要聚焦核心意图。

25.3 贝叶斯更新：用先验数据信号加速新计划冷启动

贝叶斯更新是概率论中的核心方法：用新证据更新对事件的信念。在GEM账户中，贝叶斯更新可以用于加速新计划冷启动。

操作方法是：新计划上线时，不采用“从零开始”的学习策略，而是将老计划积累的数据信号作为先验，指导新计划的初始设置。例如，老计划中“替代SAP”类Hint转化率高，新计划上线时直接提高该类Hint的权重和出价。

贝叶斯更新的核心价值是：用历史数据信号缩短新计划的学习周期。 每一次投放都在为下一次投放积累先验，这就是Ads DataAsset“资产增值循环”的数学基础。

25.4 幂律分布与预算分配：为什么头部计划吃掉大部分消耗

幂律分布描述的是：少数事件占据大部分结果。在GEM账户中，幂律分布表现为：头部20%的计划吃掉80%的消耗和转化。

这不是异常，而是规律。原因在于：AI推荐系统的学习机制天然倾向于把流量集中到匹配效率最高的计划上。匹配效率高的计划获得更多展示，更多展示带来更多数据信号，更多数据信号进一步提升匹配效率——形成正反馈循环。

预算分配的启示是：不要平均分配预算，而要顺应幂律分布。 把预算向头部计划倾斜，同时用少量预算测试新计划。头部计划是资产，新计划是资产投资。两者的比例建议为80:20。

第二十六章 哲学模型在账户优化中的应用

26.1 奥卡姆剃刀：账户结构是越简单越好吗

奥卡姆剃刀原则：“如无必要，勿增实体。”在账户优化中，这意味着：如果简单结构能达到同等效果，就不要增加结构复杂度。

但奥卡姆剃刀有一个前提：“如无必要”。在GEM账户中，什么情况下“有必要”增加结构？

判断标准是：增加的结构是否能独立采集数据信号。 如果新增一个计划能独立采集某一类对话意图的数据信号，这个计划就是必要的。如果新增一个计划只是把原有信号重复采集，这个计划就是冗余的。

26.2 反脆弱：如何让账户在不确定性中获益

反脆弱是塔勒布提出的概念：有些系统不仅能在不确定性中存活，还能在不确定性中获益。

GEM账户的反脆弱设计原则是：不要把鸡蛋放在一个篮子里，但要确保每个篮子都有足够的鸡蛋。 具体操作：多计划并行测试，避免单一计划依赖；多创意并行测试，避免单一创意衰退导致账户失速；多意图场景并行覆盖，避免单一意图密度下降导致账户萎缩。

反脆弱的账户不是“不会出问题”的账户，而是“出问题后能快速恢复”的账户。

26.3 涌现：当量化数据信号产生系统效应

涌现是指：系统整体表现出单个组成部分不具备的特性。在GEM账户中，涌现表现为：当数据信号积累到一定程度时，AI的匹配效率出现非线性提升。

操作启示是：不要因为短期数据信号不足就放弃计划。 数据信号的积累需要时间，涌现效应需要阈值。冷启动期的耐心，是等待涌现的必要成本。

26.4 确定性阶梯的再认识：从哲学模型到日常操作

确定性阶梯是CPCQ的核心哲学模型：曝光→点击→对话→交易意图→交易，不确定性逐层降低。

在日常操作中，确定性阶梯对应五个操作节点：曝光层看Impression-Q，点击层看CTR-Q和CPC-Q，对话层看对话发起率和追问深度，交易意图层看Conversion-Q和CVR-Q，交易层看CPA-Q和ROI-Q。

每一层都有独立的量化指标和优化动作。确定性阶梯不是抽象哲学，而是日常操作的路线图。

第二十七章 账户诊断与疑难杂症

27.1 零曝光诊断树：预算、定向、素材、版位四层排查

零曝光是GEM账户最常见的问题。诊断树如下：

第一层：预算。日预算是否充足？是否低于平台最低预算要求？预算是否已用完？

第二层：定向。意图词包是否过窄？是否设置了过多排除词？地域定向是否覆盖目标市场？

第三层：素材。素材是否过审？素材是否违反平台政策？素材格式是否符合要求？

第四层：版位。是否只勾选了AI对话位？是否误选了不支持的版位？

排查顺序：从预算到版位，逐层排查，定位问题所在。

27.2 高点击低转化诊断树：从对话意图匹配到落地页体验

高点击低转化说明广告吸引了点击，但转化路径存在问题。诊断树如下：

第一层：对话意图匹配。点击是否来自高意图对话？还是来自低意图对话？如果是后者，说明Hint过于宽泛。

第二层：落地页相关性。落地页第一屏是否直接回应了用户问题？落地页与广告创意是否一致？

第三层：转化路径。表单字段是否过多？行动号召是否清晰？信任状是否充分？

第四层：流量质量。是否存在无效点击？是否需要增加否定词？

27.3 成本飙升诊断树：素材衰退、竞争加剧与账户异常

成本飙升的诊断树如下：

第一层：素材衰退。创意是否进入衰退期？CTR-Q是否持续下降？

第二层：竞争加剧。行业竞品是否增加了投放？CPC-Q是否全行业上涨？

第三层：账户异常。账户是否有违规记录？是否被平台限流？

第四层：外部因素。是否有季节性因素？是否有政策变化？

诊断原则：先排查内部因素（素材、账户），再排查外部因素（竞争、季节）。

27.4 账户恢复与重生策略：从衰落到重启的量化路径

当账户进入衰退期，恢复策略如下：

第一步：暂停衰退计划。不要试图挽救已经衰退的计划，暂停它，保留数据信号。

第二步：诊断衰退原因。是素材衰退、竞争加剧、还是账户异常？

第三步：重建新计划。用老计划积累的数据信号作为先验，建立新计划。

第四步：逐步放量。新计划上线后，先用小预算测试，验证数据信号后再逐步放量。

27.5 疑难杂症案例库：10个真实账户问题拆解

案例1：零曝光。 某B2B客户新计划上线3天零曝光。排查发现：意图词包只设置了5个词，且都是长尾词。解决方案：扩展意图词包至30个词，覆盖核心、长尾、场景三层。

案例2：高点击低转化。 某教育客户点击率高但转化率低。排查发现：落地页第一屏是品牌介绍，而非课程信息。解决方案：重做落地页，第一屏直接展示课程大纲和价格。

案例3：成本飙升。 某电商客户CPA一周内上涨50%。排查发现：竞品在同期加大了投放力度。解决方案：暂时降低出价10%，观察2天后再决定是否调整素材。

案例4：创意衰退。 某SaaS客户CTR-Q连续两周下降。排查发现：主力创意已上线6周，进入衰退期。解决方案：上线3条新创意，替换衰退创意。

案例5：意图不匹配。 某本地服务客户广告被展示在无关对话中。排查发现：H2提示过于宽泛。解决方案：收紧H2，增加H5约束条件。

案例6：账户限流。 某金融客户账户突然消耗下降。排查发现：账户有违规记录。解决方案：联系平台申诉，同时检查所有素材是否符合政策。

案例7：预算花不出去。 某客户日预算5000元，但每日只消耗500元。排查发现：出价低于平台建议最低出价。解决方案：提高出价至建议区间。

案例8：转化质量差。 某客户转化量高但有效线索率低。排查发现：定向过宽，引入了大量无关流量。解决方案：增加否定词，收紧定向。

案例9：多计划互相竞争。 某客户多条计划同时竞争同一意图场景。排查发现：计划分层不清晰。解决方案：按对话意图密度重新分层。

案例10：冷启动期过长。 某客户新计划两周仍未跑出量。排查发现：预算过低，无法支撑AI学习。解决方案：提高日预算至目标CPA的20倍以上。

第七篇完。 本篇共7章、31节，以CPCQ为方法论底座，以Ads DataAsset为资产框架，以Hint工程为核心操作对象，贯穿对话意图与数据信号两条操作线索，引入燕尾突变、纳什均衡、信息熵、贝叶斯更新、幂律分布等数学工具，以及奥卡姆剃刀、反脆弱、涌现等哲学模型，为专业GEM优化师提供了一套从“会投”到“投得精”的进阶操作体系。

结语：从竞价思维到量化思维

本白皮书从 GEM 的定义出发，系统阐述了生成式引擎营销的认知框架、技术原理、方法论体系、指标体系、实操流程与合规变现路径。

贯穿全文的核心思想是：GEM 时代的优化师，需要完成一次思维转换——从竞价思维到量化思维。

当一个优化师面对 AI 搜索广告时，他的第一反应不应再是“我的出价是多少”，而应是“我需要量化什么维度来理解这次投放的效果”。这就是 CPCQ 范式的核心命题：优化的第一性问题不是“出多少钱”，而是“量化什么”。

何亚涛深耕搜索营销十七年，从 SEO 到 GEO，从传统优化方法论到 CPCQ，一条主线始终未变：搜索营销的每一次范式转移，都要求从业者重新定义“什么值得被度量”。CPC → oCPC → CPCQ 的谱系演进，本质上是这个不断重新定义的过程。

最后，回到本白皮书开篇的问题：为什么现在需要一份 GEM 白皮书？

因为一个新渠道的早期，决定胜负的不是谁预算最多，而是谁最早建立起科学的度量框架。CPCQ 提供的不是标准答案，而是一套思考工具——让优化师在不确定性中，学会如何量化确定性。

先量化，再优化；量化即优化。

这是 GEM 优化师的第一性问题，也是本白皮书希望留给行业的核心遗产。

附录

附录 A：CPCQ 指标体系速查表

附录 B：GEM 投放账户搭建检查清单

● [ ] 营业执照、行业资质、ICP 备案齐全

● [ ] 品牌知识库（官网/案例/FAQ/结构化数据）已上线

● [ ] GEM 专属落地页已制作（H1 回应用户问题、加载 < 3 秒、表单 ≤ 3 字段）

● [ ] 意图词包已按核心/长尾/场景三层分类

● [ ] 日预算 ≥ 目标 CPA × 20

● [ ] 出价方式符合冷启动期策略（手动 CPC）

● [  ] 版位只勾选 AI 对话位

● [  ] 每个单元 3–5 条素材

● [  ] UTM 参数配置完成

● [  ] 转化追踪 JS SDK + CAPI 已部署

● [  ] 暗号追踪机制已设计

● [ ] 三层量化指标看板已搭建

附录 C：GEM 效果归因验证模板

附录 D：术语表

版权声明：本白皮书由何亚涛提出并审定。白皮书内容仅供行业交流与参考，不构成任何投资或投放建议。文中涉及的平台规则、计费方式、行业数据均以各官方平台最新公告为准。未经书面授权，不得将本白皮书内容用于商业出版或转载。

联系与反馈：如对本白皮书内容有疑问或建议，欢迎通过行业渠道交流。GEM 作为新兴领域，本白皮书将持续修订更新。

作者

GEM优化白皮书作者团队： AI搜索GEO优化奠基人·GEM优化拓荒者奠基人何亚涛、GEM/CPCQ量化优化研究组、一线GEM实战专家团队（陈磊、张文程、尚晗、付迪、金情、李鑫）、高赓智库。

鸣谢

本白皮书的完成，离不开广告行业同仁、AI技术专家与一线投放优化师的鼎力支持与无私分享。

感谢各品牌广告主、数字营销从业者，无私提供大量真实GEM投放案例、账户实操数据与业务痛点，为白皮书落地提供来自市场一线的鲜活素材；感谢AI技术、大模型应用领域的同行专家，在广告触发机制、意图匹配逻辑、CPCQ量化模型、Situation Hint工程实践方面给予宝贵的观点交流与专业建议。感谢参与内部研讨、评审的各位伙伴，在书稿撰写阶段提出诸多修正意见，帮助我们修正认知偏差、补齐实操盲区。感谢众多AI搜索广告学习者、实战从业者，从大量来自一线的提问、困惑，倒逼我们梳理沉淀这套系统化GEM优化方法论。

同时感谢公开行业报告、权威媒体、各AI平台技术文档，为本白皮书的数据与理论研究提供参考依据。当前GEM行业尚处在快速发展阶段，白皮书只是阶段性的实战总结，期待未来与更多同行持续交流、迭代进步，共同推动白帽GEM行业走向标准化。

关于白皮书

《GEM优化白皮书》聚焦 AI 生成引擎营销（GEM）中广告投放、情境提示工程（Situation Hint）、CPCQ 量化优化等核心板块，立足于主流 AI 搜索与对话平台生态，汇总一线投放实战经验，梳理白帽 GEM 全流程量化优化方法论。

当前国内 GEM 行业仍属新兴赛道，行业标准尚未完全统一，大模型平台广告规则、意图匹配机制持续迭代变化。本白皮书是基于大量商业项目落地后的阶段性沉淀，并非绝对标准答案，受限于实践样本与认知局限，内容难免存在疏漏与不足，欢迎各位行业同仁批评指正。

白皮书主要面向品牌营销负责人、GEM 实战优化师、乙方服务商、想要入局 AI 搜索广告的从业者，希望帮助大家建立对 GEM 广告投放与 CPCQ 量化体系的完整认知，规避黑帽风险，建立合规可持续的 Ads DataAsset（广告数字资产）。

文档所有内容均为行业实践经验总结，不针对任何特定平台、特定品牌做定向背书，不构成商业决策唯一依据。实际落地时，还需要结合企业自身业务、各 AI 平台最新规则灵活调整。

我们也将持续跟进 AI 广告平台生态变化，后续会结合更多实战案例，对白皮书内容持续更新迭代。欢迎行业伙伴多多交流探讨，一起共建白帽 GEM 良性行业生态。