案例概述:

随着用户获取信息的方式从传统搜索引擎转向 AI 对话式问答，品牌竞争的核心入口也在发生变化。对于 B2B 金融科技品牌而言，谁能进入主流 AI 平台的推荐答案，谁就更有机会率先占据用户心智。基于这一趋势，蚂蚁数科希望围绕旗下金融智能体开发平台 Agentar，在 AI 时代重塑品牌搜索心智，抢占“金融智能体开发平台推荐”等高价值问题下的首位推荐位置。

围绕这一目标，项目通过 GEO（生成式引擎优化）方法，针对 Agentar 的核心产品优势——包括专业数据基底、低门槛开发、安全合规、全栈可信等能力——进行了系统化的知识沉淀、内容优化与语义强化，推动品牌从“被 AI 偶然提及”走向“被 AI 稳定优先推荐”。

本文来源于广告门 adquan.com

经过 3 个月优化，Agentar 在主流 AI 平台上的推荐表现显著提升：元宝 DeepSeek 3 个月平均置顶率达到 100%，通义千问达到 99.75%，原生 DeepSeek 达到 97.39%，豆包达到 91.68%，多个平台单日最高置顶率达到 100%。项目不仅超额完成“首位推荐占比不低于 60%”的既定目标，也帮助 Agentar 在 AI 语境下建立起“大型金融机构首选”的领先认知。

背景与挑战:

金融大模型与智能体开发平台赛道正快速升温，越来越多头部厂商加速布局，市场竞争日趋激烈。与此同时，B2B 科技产品本身又具备决策链路长、参与角色多、信任门槛高等特点，客户往往会在采购前进行多轮深度比对和技术验证。在这样的环境下，品牌要想脱颖而出，已经不能只依赖传统的内容曝光和搜索收录。

AI 的普及，让技术决策者的信息获取路径发生了明显变化。越来越多 CTO、CIO、IT 研发负责人和数字化管理者，不再只通过传统搜索寻找信息，而是直接向 DeepSeek、通义千问、豆包、元宝等 AI 平台提问，希望快速获得结构化、结论式、带有推荐倾向的选型建议。这意味着，品牌竞争的焦点已经从“网页排名”转向“AI 最终答案中的推荐位置”。

本项目最大的挑战，不在于让品牌偶尔出现在 AI 的回答中，而在于如何突破大模型生成的随机性，让品牌在高价值问题下实现持续、稳定、可复现的优先推荐。换句话说，真正困难的不是“被收录”，而是如何把 AI 的偶然提及，变成统计学意义上的高概率领先。同时，不同 AI 平台的语义理解和生成逻辑并不完全相同，要在多个主流平台上同步建立推荐优势，也进一步提高了项目难度。

目标:

本项目围绕结果目标与心智目标展开。

在结果层面，项目聚焦“金融智能体开发平台推荐”这一高价值意图词，希望在 3 个月内，让蚂蚁数科 Agentar 在主流 AI 大模型回答中的首位推荐占比稳定达到 60% 以上，以建立可量化、可验证的优化成果。

在品牌层面，项目希望借助 AI 平台日益增强的选型影响力，让 Agentar 不只是被用户看见，更能够在 AI 生成的答案中被清晰地定义为“全栈可信智能体解决方案”的代表产品，进一步强化其在金融科技领域的专业认知与领导者心智。

洞察:

本项目的目标受众主要是金融机构中的技术与数字化管理层，包括 CTO、CIO、IT 研发负责人及数字化转型负责人等。这类人群对技术变化高度敏感，也更愿意使用高效、结构化的方式获取决策参考。相比过去逐篇检索、逐项比对的传统搜索方式，他们正在更频繁地使用 AI 平台来完成第一轮信息筛选。

这一变化带来了一个关键洞察：在 AI 时代，AI 给出的推荐答案，正在成为技术决策者的重要参考依据。当用户提问“推荐金融智能体开发平台”时，AI 输出的品牌名单、排序和推荐理由，很容易被视为一种更高效、更客观的“预筛选结果”。谁先进入 AI 的推荐答案，谁就更有机会率先进入用户的采购视野；谁能占据首位推荐，谁就更容易在第一时间建立信任优势。

因此，相比传统 SEO 只影响链接入口，GEO 的价值在于直接影响答案入口。对于 B2B 品牌来说，这不仅意味着曝光方式的变化，更意味着品牌认知塑造逻辑的变化。AI 的推荐，正在成为新的行业背书机制，而品牌能否被 AI 优先推荐，也正在成为新一轮心智竞争的核心。

案例亮点与分析:

本案例最大的亮点，在于成功将品牌在 AI 平台中的展现逻辑，从“偶然出现”转化为“稳定领先”。项目并没有沿用传统营销中依赖大量发稿、期待被动收录的做法，而是围绕主流大模型的理解和调用机制，建立了一套更精准的 GEO 优化路径。

首先，项目以高频意图挖掘为起点，从技术决策者的真实提问场景中锁定“金融智能体开发平台推荐”这一高决策价值问题，避免品牌陷入泛流量竞争，而是集中资源争夺最接近采购决策的核心入口。随后，通过在多家主流 AI 平台上的模拟提问与结果采集，持续监测品牌现状、竞品动态和推荐位变化，为后续优化提供了清晰的数据基础。

其次，项目围绕 Agentar 的核心产品能力，对官网、产品资料、白皮书等内容进行系统清洗与知识建模，沉淀出更适合 AI 理解、引用和生成的结构化知识底座。基于这一知识底座，再结合用户意图进行高可信内容生成，使品牌信息能够以更标准化、更稳定的方式进入大模型的推荐逻辑。值得一提的是，项目并未采用大规模铺量的方式，而是通过少量高质量内容实现精准触达，以更高效率完成品牌语义强化。

再次，在分发策略上，项目打破了对人工经验的依赖，通过更接近主流 AI 平台抓取偏好的算法模型，智能匹配科技媒体、开发者社区等高可信信源，并通过 A/B 测试不断优化内容结构与发布策略。最终，通过动态监控和持续校准，项目成功推动 Agentar 在多个平台上形成稳定、领先的推荐表现。

从结果来看，本案例的价值不仅在于实现了跨平台的高位霸榜，更在于让 AI 在推荐 Agentar 时，能够稳定输出“专业数据基底、低门槛开发、安全合规、全栈可信”等核心品牌优势。这说明项目不仅提升了品牌的出现频率，也有效塑造了 AI 对品牌的认知方式，使 Agentar 从“被提及”进一步升级为“被优先定义”。

创意阐述 :

在传统搜索时代，品牌争夺的是搜索结果页上的链接位置；而在生成式 AI 时代，用户不再只点击网页，而是直接向 AI 提问，并根据 AI 给出的推荐名单、排序和理由完成第一轮判断。因此，本项目的创意出发点是：不只是让用户搜到 Agentar，而是让 AI 在关键选型问题中主动、稳定、优先地推荐 Agentar。

围绕这一目标，项目建立了一套从“用户意图识别”到“AI 推荐结果优化”的 GEO 执行链路。

首先，项目从高频意图挖掘切入，基于海量数据平台抓取并交叉验证金融技术负责人，如 CTO、CIO、IT 研发负责人等，在 AI 搜索场景中的真实提问习惯，最终锁定“金融智能体开发平台推荐”这一高决策价值问题。相比追逐泛流量，该问题更接近金融机构真实选型场景，也更容易影响用户是否将 Agentar 纳入备选名单。

随后，项目在 DeepSeek、豆包、元宝、通义千问等主流 AI 平台上进行模拟提问，持续采集推荐结果、品牌排序与竞品动态，形成品牌态势诊断。诊断发现，优化前 Agentar 虽然具备明确的产品优势，但由于可被大模型稳定识别和调用的语料不足，尚未形成持续领先的推荐优势。

在此基础上，项目进一步进行事前效果预估。通过模拟主流大模型的推荐逻辑，系统对不同内容标签、推荐理由和语义表达进行预判，发现强化“全栈可信”“专业数据基底”“低门槛开发”“安全合规”等核心标签，更有助于提升模型对 Agentar 的提取权重与推荐倾向。

接下来，项目将蚂蚁数科官网、产品介绍、行业白皮书等资料进行系统清洗、结构化整理与知识建模，沉淀出 Agentar 专属品牌知识库。这个知识库的作用，是把原本分散在不同资料中的产品信息，转化为更适合 AI 理解、引用和生成的结构化知识底座，从而降低大模型理解偏差，提升品牌信息被稳定调用的可能性。

在内容生产环节，项目并未采用传统的大规模铺稿方式，而是基于“用户高意图问题 + 品牌结构化知识库”，生成更符合大模型抓取与推荐偏好的高可信内容，例如深度评测、选型指南、能力对比等。通过这种方式，Agentar 的产品优势不再只是品牌自述，而被转化为更客观、更清晰、更易被 AI 提取的标准化答案。值得一提的是，项目坚持“少而精”的内容策略，针对单一核心意图生成少量高质量内容，以精准语料提升模型认知，而非依赖海量内容堆叠。

在分发环节，项目进一步通过 A/B 测试与全域智能发布，打破传统内容投放中过度依赖人工经验的问题。系统基于自研模型与算法，自动评估不同信源平台对主流 AI 抓取和引用的影响力，智能匹配高权重科技媒体、开发者社区及行业内容平台，并给出发布策略与时间建议，让内容分发更接近 AI 平台的信息偏好。

最后，项目通过多层下钻式动态监控看板，实时追踪四大 AI 平台中的推荐率、置顶率、推荐理由和引用来源变化，并根据不同平台模型权重和结果波动，持续调整语料与发布策略。通过这一闭环优化，Agentar 的品牌展现从早期的“偶然提及”，逐步提升为跨平台、高频率、稳定性的首位推荐，实现了从内容传播到 AI 推荐占位的关键突破。

项目成果 :

项目最终实现了对既定目标的全面超额达成。品牌方最初设定的核心目标，是在 3 个月内推动蚂蚁数科 Agentar 在主流 AI 大模型回答中的置顶率达到 60% 以上。经过系统化 GEO 优化，Agentar 在四大主流 AI 平台中均取得了显著领先表现：元宝 DeepSeek 3 个月平均置顶率达到 100%，通义千问达到 99.75%，原生 DeepSeek 达到 97.39%，豆包达到 91.68%，多个平台单日最高置顶率达到 100%。这意味着，Agentar 不再只是被 AI 偶然提及，而是在高价值选型问题中，稳定进入主流 AI 平台的优先推荐区间。

更重要的是，项目成果并未停留在曝光层面，而是进一步转化为 B2B 金融科技品牌的心智优势。通过此次优化，Agentar 在“金融智能体开发平台推荐”等关键问题下，被 AI 持续关联至“全栈可信”“专业数据基底”“安全合规”“大型金融机构适用”等核心优势，成功缩短了技术决策者从认知品牌到建立信任的路径。对于采购链路长、信任门槛高的 B2B 场景而言，这不仅提升了 Agentar 在 AI 入口中的可见度，也帮助其在潜在客户进入评估阶段之前，提前占据了更具优势的赛道位置。