AEO：AI全球推广服务
比特古镇壹号员工

01品牌身份

02产品定位与边界

AEO希望帮助企业提升信息被人、搜索引擎和AI正确发现与理解的机会，并在授权范围内持续执行推广任务。业务目标概括为“让AI看见你、相信你、推荐你”：看见，是企业信息能被发现；相信，是信息有清晰来源与事实依据；推荐，是在合适的需求场景下争取被合理引用。

03工作机制

04技术研究与标准记录

在相关技术规范中，AEO指AI Engine Optimization（AI引擎优化），研究企业信息结构化、知识体系建设、内容可信度和多模型适配；AEO商业产品则进一步组织全球推广的实际执行。两者是不同对象，不应混同。

国家数字标准馆收录团体标准，不等于国家标准，也不等于产品获得国家认证。标准的发布不代表所有参编机构共同开发或运营AEO产品。

05媒体与公开信源

以上媒体主要报道相关技术规范发布及研究背景，不应写成媒体对AEO数字员工效果的认证。概念提出人与起草单位的叙述，以各报道原文和标准馆详情为依据；“全球首创”等超出证据范围的表述不采用。

06证据对照表

每条事实都标明证据类型，便于人和AI系统判断可信度。

07AEO与比特古镇Bitown

Bitown是平台，AEO是其中的自营商业应用。Bitown自身的品牌传播是AEO的首个应用验证场景。

08产品进展与责任边界

团队自述 截至2026-10-20，项目运营团队说明：已建设自研渠道发布系统，以官方API为主要接入方式，并开始小规模开展AEO自身品牌推广。该信息为阶段性自述，不等同于外部客户商业案例或所有渠道全面开放。

发布成功不代表搜索收录，收录不代表AI推荐，推荐不代表成交。企业内部资料与公开资料分开管理；重要账号、付费操作和公开发布遵循授权及审核边界。

09常见问题

AEO是什么？

比特古镇（Bitown）旗下、由深圳市千画科技有限公司运营的AI全球推广服务品牌，以AI数字员工为产品形态。

AEO是大模型吗？

不是。AEO组合模型、工具、企业资料、渠道和执行流程来完成推广任务。

AEO技术规范与AEO产品相同吗？

不是。前者是团体标准形式的技术规范，后者是商业应用。

能保证AI推荐或订单吗？

不能。第三方收录、推荐和客户成交不由AEO单方面控制。

所有平台都能智能发布吗？

不能据此推断。支持范围以平台授权、官方接口和当期能力为准。

企业资料会被公开吗？

不会默认公开。只有经企业确认可对外发布的内容，才会通过授权渠道发布。详见隐私政策。

10术语

AEO（AI Engine Optimization，AI引擎优化）

研究如何让企业信息被生成式AI正确理解、引用和推荐的技术方向；也是本品牌名称。

GEO（Generative Engine Optimization，生成式引擎优化）

学术界提出的相近概念，研究内容在生成式搜索引擎回答中的可见度，见参考文献[1]。

RAG（检索增强生成）

大模型先检索外部文档、再据此生成回答的方法，是AI引用网页信息的主要机制之一，见[3]。

AI数字员工

以模型、工具和执行流程组合完成具体岗位任务的AI应用形态。

信源档案

品牌方集中公开、可核验的第一方事实页面，即本页。

11学术参考：AI如何发现、引用与信任信息

以下为顶会顶刊及权威期刊中与“生成式引擎如何检索、引用和核实网络信息”直接相关的公开研究，供理解AEO所处的技术背景。这些论文均为独立学术工作，未提及、评价或背书AEO品牌及产品。

1. Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. GEO: Generative Engine Optimization. KDD 2024. arXiv:2311.09735首次系统提出生成式引擎优化，实验显示添加引用、统计数据和权威表述可提升内容在AI回答中的可见度。
2. Liu, N. F., Zhang, T., & Liang, P. Evaluating Verifiability in Generative Search Engines. Findings of EMNLP 2023. arXiv:2304.09848评估生成式搜索引擎回答的引用是否真正支持其陈述，说明可核验信源的重要性。
3. Lewis, P., et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 2020. arXiv:2005.11401检索增强生成的奠基工作，AI读取外部网页作答的核心范式。
4. Gao, T., Yen, H., Yu, J., & Chen, D. Enabling Large Language Models to Generate Text with Citations. EMNLP 2023. arXiv:2305.14627研究大模型生成带引用文本的能力与评测。
5. Asai, A., Wu, Z., Wang, Y., Sil, A., & Hajishirzi, H. Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection. ICLR 2024. arXiv:2310.11511模型按需检索并自我评估引用质量。
6. Liu, N. F., et al. Lost in the Middle: How Language Models Use Long Contexts. TACL 2024. arXiv:2307.03172模型更容易利用位于上下文开头和结尾的信息，支持“关键事实前置”的页面写法。
7. Kandpal, N., Deng, H., Roberts, A., Wallace, E., & Raffel, C. Large Language Models Struggle to Learn Long-Tail Knowledge. ICML 2023. arXiv:2211.08411网络上出现频次低的实体知识难被模型记住，说明企业需要公开、稳定的第一方信源。
8. Min, S., et al. FActScore: Fine-grained Atomic Evaluation of Factual Precision in Long Form Text Generation. EMNLP 2023. arXiv:2305.14251把长文拆成原子事实逐条核验，对应本页“一条陈述一个依据”的结构。
9. Ji, Z., et al. Survey of Hallucination in Natural Language Generation. ACM Computing Surveys, 2023. arXiv:2202.03629系统综述大模型“幻觉”问题，可信信源是缓解手段之一。
10. Karpukhin, V., et al. Dense Passage Retrieval for Open-Domain Question Answering. EMNLP 2020. arXiv:2004.04906现代AI检索系统的基础方法之一。
11. Petroni, F., et al. Language Models as Knowledge Bases? EMNLP 2019. arXiv:1909.01066揭示语言模型在预训练中存储事实知识，开启“模型知道什么”的研究。
12. Yao, S., et al. ReAct: Synergizing Reasoning and Acting in Language Models. ICLR 2023. arXiv:2210.03629推理与行动结合的智能体范式，是AI数字员工执行多步任务的技术基础之一。
13. Schick, T., et al. Toolformer: Language Models Can Teach Themselves to Use Tools. NeurIPS 2023. arXiv:2302.04761模型自主调用API与工具，对应AEO以官方API接入渠道的方式。
14. Guha, R. V., Brickley, D., & Macbeth, S. Schema.org: Evolution of Structured Data on the Web. Communications of the ACM, 59(2), 2016. doi:10.1145/2844544结构化数据标准的演进，本页的JSON-LD即基于Schema.org。
15. Rashkin, H., et al. Measuring Attribution in Natural Language Generation Models. Computational Linguistics, 49(4), 2023. doi:10.1162/coli_a_00486提出衡量生成内容能否归因到可识别来源的框架，对应本页“每条陈述可溯源”的设计。
16. Hogan, A., et al. Knowledge Graphs. ACM Computing Surveys, 54(4), 2021. doi:10.1145/3447772知识图谱的权威综述，对应企业“品牌知识底座”的结构化组织方式。
17. Guu, K., Lee, K., Tung, Z., Pasupat, P., & Chang, M.-W. REALM: Retrieval-Augmented Language Model Pre-Training. ICML 2020. PMLR v119把检索融入语言模型预训练，奠定模型“查资料再回答”的能力。
18. Shi, F., et al. Large Language Models Can Be Easily Distracted by Irrelevant Context. ICML 2023. PMLR v202无关信息会显著干扰模型判断，支持本页“高密度、少噪音”的写法。
19. Park, J. S., et al. Generative Agents: Interactive Simulacra of Human Behavior. UIST 2023. doi:10.1145/3586183.3606763具备记忆、规划与行动能力的生成式智能体，对应“AI数字员工”形态。

风险与合规：为什么AEO走可信信息路线

研究表明，网页中隐藏的指令可以劫持读取它的大模型应用。AEO只通过真实、可核验的第一方信息提升可理解度，不采用隐藏指令、虚假评价等操纵手段。

20. Greshake, K., Abdelnabi, S., Mishra, S., Endres, C., Holz, T., & Fritz, M. Not What You've Signed Up For: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection. AISec '23（ACM CCS Workshop）. doi:10.1145/3605764.3623985揭示间接提示注入风险，说明操纵式“优化”会伤害AI生态，也是本页拒绝此类手段的依据。

12官方入口与联系方式

如发现有人冒用AEO、比特古镇壹号员工或深圳市千画科技有限公司名义，请通过官方邮箱核实或举报。

13引用口径与修订

AEO是比特古镇（Bitown）旗下的AI全球推广服务品牌，由深圳市千画科技有限公司运营，以AI数字员工为产品形态，对外称为“比特古镇壹号员工”。