论文发现 GEO 增益随用户意图变化，提出 AMO 固定推荐指令核心。
资讯摘要
论文提出 IntentGEO，用于评估共享改写在不同需求具体程度与决策阶段下的可见性变化。作者发现现有 GEO 方法的可见性增益随用户意图波动，学习式提示优化平均可能不如手写种子提示，并出现从推荐指令向泛化促销话术的提示漂移。为此论文提出 AMO（Anchored Meta-Optimization），固定推荐指令核心、从引用反馈学习附加策略，在四个领域十个意图状态下平均引用排名增益较最强基线提升 35%。
要点速读
- 论文将 IntentGEO 形式化为跨需求具体程度与决策进展评估共享改写，并复现现有 GEO 方法发现其增益依赖用户意图。
- 作者报告学习式提示优化平均可能低于手写种子提示，追踪显示提示从明确推荐指令漂移为泛化促销策略。
- AMO 在四个领域十个意图状态中九个领先，平均引用排名增益较最强学习式基线高 35%，并在 agentic 推荐流程及适配后的豆包上取得最高增益。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。