AgenticGEO：面向生成式搜索引擎的自进化智能体优化系统

AgenticGEO是AIcling团队开源的生成式引擎优化（GEO）系统，将传统静态启发式方法转变为内容自适应的智能体系统。它通过MAP-Elites策略档案与共进化评价器，实现极少查询反馈下的高效内容优化，在跨域实验中展现卓越迁移能力。核心目标是最大化内容在生成式引擎输出中的可见性和归因度，解决黑盒系统预测难、静态策略不适应多样性、高反馈成本等挑战。

搜索引擎正从基于排名的检索模式转向LLM为核心的生成式合成模式，内容优化目标从追求排名转向争取被生成式引擎采纳引用。生成式引擎优化（GEO）应运而生，但面临三大挑战：生成式引擎是黑盒系统、传统静态策略无法适应内容多样性、优化需大量引擎交互反馈成本高。

AgenticGEO将GEO定义为内容条件控制问题，核心架构包含三个组件：1. MAP-Elites策略档案：质量多样性策略记忆库，自适应选择最优策略组合；2. 共进化评价器：轻量级代理模型，近似引擎反馈，降低真实查询依赖，推理时指导多轮改写；3. 推理时多轮改写机制：迭代式内容改进，动态调整策略。

AgenticGEO工作流程分三阶段：1. 离线评价器对齐：用Qwen2.5-1.5B通过LoRA微调建立初始策略评估能力；2. 在线策略-评价器协同进化：有限查询预算下演化策略档案，校准评价器；3. 推理时规划执行：评价器分析内容特征，从Top25策略选组合，最多3轮改写迭代。

在GEO-Bench基准测试中，以归因词数、位置加权引用顺序、综合指标评估。实验涵盖域内测试、跨域测试、低反馈场景，下游引擎包括Qwen2.5-32B-Instruct和Llama-3.3-70B-Instruct。结果显示AgenticGEO在14个基线中最优，极低反馈预算下仍保持强劲表现，验证共进化评价器降低查询成本的有效性。

AgenticGEO已完整开源，代码仓库提供复现指南。支持GEO-Bench、MSdata、电商数据等数据集，兼容本地OpenAI兼容API（vLLM、llama.cpp）及云端API。采用MIT许可证，鼓励社区贡献，支持预加载缓存、并发处理，通过环境变量配置模型路径和参数。

AgenticGEO标志GEO从规则驱动转向智能体驱动。对创作者：优化策略更个性化动态化，无固定模板；对SEO从业者：自动化自适应优化成核心竞争力，开源代码和预训练模型提供研究实践基础。

AgenticGEO结合进化算法、强化学习和智能体架构，为GEO开辟新路径。自进化特性和低反馈优化能力使其在实际部署中优势显著。随着生成式AI发展，此类自适应优化系统将在内容生态中扮演更重要角色。