{
  "version": "https://jsonfeed.org/version/1.1",
  "title": "袁栩栩的博客 — AI · GEO/AEO · 技术",
  "home_page_url": "https://yuanxuxu.com/blog",
  "feed_url": "https://yuanxuxu.com/feed.json",
  "description": "袁栩栩关于 AI Agent 开发、生成式引擎优化（GEO）、答案引擎优化（AEO）与技术管理的深度文章",
  "icon": "https://yuanxuxu.com/favicon.ico",
  "favicon": "https://yuanxuxu.com/favicon.ico",
  "language": "zh-CN",
  "authors": [
    {
      "name": "袁栩栩 (Yuan Xuxu)",
      "url": "https://yuanxuxu.com",
      "avatar": "https://yuanxuxu.com/avatar.jpg"
    }
  ],
  "items": [
    {
      "id": "https://yuanxuxu.com/blog/business-travel-ai-agent-architecture",
      "url": "https://yuanxuxu.com/blog/business-travel-ai-agent-architecture",
      "title": "商旅AI Agent的架构设计",
      "content_text": "<!-- lang:zh -->\n背景：企业差旅管理的结构性挑战\n\n企业差旅管理是指在商务出行场景下，企业对员工的出行规划、资源预订、合规审核与费用报销进行全链路统筹管理的业务系统。\n\n传统差旅管理模式面临三大结构性痛点：\n\n这些挑战的本质是：缺少一个能理解业务语境、自动执行合规校验、贯通全链路的智能中枢——而不仅仅是搜索工具。\n\n本文以一个真实商旅AI Agent为例，深入解析其技术架构与核心机制设计。\n\n<!-- /lang:zh -->\n\n<!-- lang:en -->\nBackground: Structural Challenges in Enterprise Travel Management\n\nEnterprise travel management refers to the end-to-end orchestration of employees' business travel — from trip planning and resource booking to compliance review and expense reimbursement.\n\nTr",
      "summary": "深度解析商旅AI Agent的技术架构——以Workflow-first为核心的设计哲学、三层微服务架构、多企业主体接入体系，以及意图理解、多轮对话、合规校验等核心机制的实现逻辑。",
      "date_published": "2026-04-02T00:00:00.000Z",
      "date_modified": "2026-04-02T00:00:00.000Z",
      "authors": [
        {
          "name": "袁栩栩 (Yuan Xuxu)",
          "url": "https://yuanxuxu.com"
        }
      ],
      "tags": [
        "AI Agent",
        "Workflow",
        "商旅",
        "架构设计",
        "Multi-Agent"
      ],
      "language": "zh-CN",
      "_reading_time_minutes": 11
    },
    {
      "id": "https://yuanxuxu.com/blog/revise-old-content-ai-search-optimization",
      "url": "https://yuanxuxu.com/blog/revise-old-content-ai-search-optimization",
      "title": "旧内容如何借助 AI 搜索优化重新发光",
      "content_text": "<!-- lang:zh -->\n什么是 AEO？为什么它能让旧内容「起死回生」\n\nAEO（Answer Engine Optimization，答案引擎优化） 是针对 AI 问答系统（如 ChatGPT、Perplexity、Google AI Overview）优化内容，使其更易被 AI 引擎引用并直接作为答案呈现的方法论。与传统 SEO 专注于关键词排名不同，AEO 关注的是：你的内容能否被 AI 清晰地理解、提取和引用。\n\n如果你运营一个有几年代积累的品牌网站，很可能积累了大量「沉睡」内容——这些内容有价值，但在 Google 搜索结果中早已沉底。AEO 提供了一种重塑这些内容的方法，让它们重新进入 AI 搜索的答案生态。\n\n这与传统的「重发旧文」不同。AEO 视角下的内容重塑，本质上是一次结构升级，而非简单的时间线刷新。\n\n内容重塑的三大核心策略\n\n1. 主题深度覆盖：Hub-and-Spoke 模型\n\n传统内容策略讲究「一篇文章解决一个问题」。AEO 视角下，更有效的是中心辐射（Hub-and-Spoke）架构：\n\nHub（中心页）：每个核心主题或关键词簇拥有一篇综合性介绍",
      "summary": "AEO（答案引擎优化）正在改变内容的命运——那些沉寂在网站深处的旧文章，通过结构化重塑可以重新获得 AI 搜索的曝光机会。本文详解三大核心策略：主题深度覆盖、内容块级检索、答案合成，以及如何正确理解 SEO 到 AEO 的范式转变。",
      "date_published": "2026-03-21T00:00:00.000Z",
      "date_modified": "2026-03-21T00:00:00.000Z",
      "authors": [
        {
          "name": "袁栩栩 (Yuan Xuxu)",
          "url": "https://yuanxuxu.com"
        }
      ],
      "tags": [
        "AEO",
        "GEO",
        "AI搜索",
        "内容优化"
      ],
      "language": "zh-CN",
      "_reading_time_minutes": 5
    },
    {
      "id": "https://yuanxuxu.com/blog/what-geo-strategies-are-working-in-2026",
      "url": "https://yuanxuxu.com/blog/what-geo-strategies-are-working-in-2026",
      "title": "2026 年真正有效的 GEO 策略是什么？",
      "content_text": "<!-- lang:zh -->\n2026 年真正有效的 GEO 策略是什么？\n\nGEO（Generative Engine Optimization，生成式引擎优化） 指的是针对 AI 搜索、答案引擎和大模型问答系统进行内容优化，让品牌、观点、数据和页面更容易被模型理解、引用和整合进最终答案中的方法体系。它不再只追求“排第几”，而是追求“是否被答案采用”。\n\n到了 2026 年，关于 GEO 的讨论已经从概念炒作进入实操阶段。过去很多团队做搜索优化，核心目标是提升排名、抢点击、提转化；但在 AI 搜索逐渐成为用户入口之后，这套逻辑正在变化。越来越多用户不会先点开一组链接逐个阅读，而是直接向模型提问，再从模型生成的回答中获取结论、建议与推荐。\n\n这意味着，一个品牌即便在传统搜索结果里排名不错，也不一定能在 AI 生成答案中获得可见性。新的竞争点已经不只是“谁排在前面”，而是谁能成为模型生成答案时优先采用的可信信息源。换句话说，GEO 的核心目标，正在从争夺排名转向争夺引用权、定义权和叙事权。\n\n为什么 GEO 的重心从排名转向引用\n\n传统搜索的链路是：用户输入关键词，浏览结果页，点击网",
      "summary": "GEO（生成式引擎优化）正在从排名竞争转向引用竞争。本文系统拆解 2026 年真正有效的 GEO 策略，包括可信来源、新鲜度、机器可读性、实体清晰度、Prompt Library 与叙事漂移修正。",
      "date_published": "2026-03-17T00:00:00.000Z",
      "date_modified": "2026-03-17T00:00:00.000Z",
      "authors": [
        {
          "name": "袁栩栩 (Yuan Xuxu)",
          "url": "https://yuanxuxu.com"
        }
      ],
      "tags": [
        "GEO",
        "AI搜索",
        "SEO",
        "内容策略",
        "品牌传播"
      ],
      "language": "zh-CN",
      "_reading_time_minutes": 11
    },
    {
      "id": "https://yuanxuxu.com/blog/openclaw-telegram-multi-agent-team",
      "url": "https://yuanxuxu.com/blog/openclaw-telegram-multi-agent-team",
      "title": "用 OpenClaw + Telegram Forum Topics 构建多 Agent 团队实战指南",
      "content_text": "<!-- lang:zh -->\n核心定义\n\n多 Agent 团队（Multi-Agent Team） 是指由多个具有独立职责的 AI Agent 组成的协作系统，通过明确的任务分发、路由规则和上下文隔离，实现复杂任务的分工协作。OpenClaw 是一个支持多 Agent 编排的框架，结合 Telegram Forum Topics 可以构建生产级的 Agent 协作体验。\n\n背景与动机\n\n当你需要在同一个项目中同时支持开发和运营工作流时，单一 Agent 往往会面临职责边界模糊、人格串线等问题。本文将介绍一种经过实践验证的多 Agent 架构：main + dev + ops 三角色模型，配合 Telegram Forum Topics 实现自然的任务分流。\n\n为什么需要三个 Agent\n\n一开始很多开发者会想到只配置两个 Agent：\n\n开发 Agent\n运营 Agent\n\n但实际配置下来，这种二元结构存在明显问题：\n\n三角色模型的解决方案：\n\n为什么选择 Telegram Forum Topics\n\n在 Telegram 中实现多 Agent 有三种常见思路：\n\nForum To",
      "summary": "本文详解如何利用 OpenClaw 配合 Telegram Forum Topics 构建分工明确的多 Agent 团队，涵盖架构设计、工作区配置、路由规则与常见坑点，帮助开发者快速搭建生产级的 Agent 协作系统。",
      "date_published": "2026-03-16T00:00:00.000Z",
      "date_modified": "2026-03-16T00:00:00.000Z",
      "authors": [
        {
          "name": "袁栩栩 (Yuan Xuxu)",
          "url": "https://yuanxuxu.com"
        }
      ],
      "tags": [
        "OpenClaw",
        "Telegram",
        "Multi-Agent",
        "AI Agent",
        "工作流自动化"
      ],
      "language": "zh-CN",
      "_reading_time_minutes": 5
    },
    {
      "id": "https://yuanxuxu.com/blog/coding-agents-epd-transformation",
      "url": "https://yuanxuxu.com/blog/coding-agents-epd-transformation",
      "title": "编码代理时代：EPD 角色的重构与进化",
      "content_text": "<!-- lang:zh -->\n\n编码代理时代：EPD 角色的重构与进化\n\n当 Claude Code、Cursor、Windsurf 这样的 AI 编码代理（Coding Agent）成为日常工具，软件开发的底层逻辑正在发生根本性改变。代码生成的成本骤降，但这并不意味着软件开发变简单了——相反，它重新定义了 EPD（Engineering 工程、Product 产品、Design 设计）这三个角色的价值所在。\n\n一、传统 EPD 流程的终结\n\nPRD 驱动的瀑布式开发\n\n在 AI 编码代理（Coding Agent）出现之前，软件开发遵循一个相对线性的流程：\n\n1. 产品经理撰写 PRD（产品需求文档）\n2. 设计师根据 PRD 创建视觉稿和交互原型\n3. 工程师将设计稿转化为可运行的代码\n\n这个流程的核心假设是：实现（implementation）是最昂贵的环节。因此需要在动手写代码之前，通过文档和设计稿充分沟通，确保方向正确。\n\n瓶颈的转移：从实现到审查\n\n编码代理改变了这个假设。现在，任何人都可以用自然语言描述需求，让 AI 生成可运行的原型。代码生成的成本从\"数天工程师时间",
      "summary": "当 AI 编码代理（Coding Agent）让代码生成变得廉价，工程、产品和设计（EPD）的角色边界正在消解。从实现者到审查者，从专家到通才，EPD 团队正在经历一场深刻的范式转变。",
      "date_published": "2026-03-10T00:00:00.000Z",
      "date_modified": "2026-03-10T00:00:00.000Z",
      "authors": [
        {
          "name": "袁栩栩 (Yuan Xuxu)",
          "url": "https://yuanxuxu.com"
        }
      ],
      "tags": [
        "AI Agent",
        "产品管理",
        "工程实践",
        "设计思维"
      ],
      "language": "zh-CN",
      "_reading_time_minutes": 6
    },
    {
      "id": "https://yuanxuxu.com/blog/claude-code-context-compaction",
      "url": "https://yuanxuxu.com/blog/claude-code-context-compaction",
      "title": "极简分析Claude Code机制与原理：上下文压缩",
      "content_text": "<!-- lang:zh -->\n\n核心概念：上下文压缩（Context Compaction）——给 AI 的\"工作记忆\"定期清桌子\n\n一句话概括： AI 的工作记忆是有限的，三层压缩策略就像\"整理桌面\"——先折叠旧便条、再归档存档、最后主动清场，让 AI 永远有空间继续工作。\n\n---\n\n生活类比\n\n想象你的办公桌（上下文窗口）只有固定大小。你每做一件事，就会在桌上留下一张纸——读了一个文件，留一张；跑了一条命令，留一张。桌子很快就堆满了，新工作没地方放。\n\n三层压缩就是三种不同力度的\"整理桌面\"策略：\n\n第一层（随手折叠）： 把三张纸以前的旧便条折叠成一个小标签，写上\"之前用过 XX 工具\"——内容压缩了，但还在桌上，随时知道做过什么。\n\n第二层（自动归档）： 桌上纸张超过警戒线时，叫来助手把所有纸拍照存档（写入磁盘），然后让助手用一张 A4 纸写一份摘要，把这摘要放回桌上——原始资料没丢，但桌面瞬间清空了。\n\n第三层（主动清场）： 你自己觉得桌子乱了，主动喊助手来做同样的归档+摘要操作，不等系统触发。\n\n---\n\n为什么需要它？\n\nAI 每次 API 调用都要把整个对话历史传过",
      "summary": "三层递进的压缩策略——从静默折叠到全量摘要，再到主动清场，让 AI Agent 实现理论上无限长的会话能力，这是所有长时运行 Agent 的必备基础设施。",
      "date_published": "2026-03-06T00:00:00.000Z",
      "date_modified": "2026-03-06T00:00:00.000Z",
      "authors": [
        {
          "name": "袁栩栩 (Yuan Xuxu)",
          "url": "https://yuanxuxu.com"
        }
      ],
      "tags": [
        "Claude Code",
        "AI Agent",
        "上下文管理",
        "源码解析"
      ],
      "language": "zh-CN",
      "_reading_time_minutes": 6
    },
    {
      "id": "https://yuanxuxu.com/blog/claude-code-autonomous-agent",
      "url": "https://yuanxuxu.com/blog/claude-code-autonomous-agent",
      "title": "极简分析Claude Code机制与原理：自主Agent",
      "content_text": "<!-- lang:zh -->\n\n核心概念：自主 Agent——从\"等人派活\"到\"自己找活干\"\n\n一句话概括： 队友不再被动等领导分配，而是主动盯着任务看板，空闲时自己抢未认领的任务，60 秒没活才自动下班——真正的自组织。\n\n---\n\n生活类比\n\n以前（s09\\~s10）的队友像坐在工位等电话的员工——领导不打电话，就一直坐着发呆。\n\ns11 的队友像共享单车调度员——送完一辆回来，不等调度中心指令，自己走到屏幕前看哪里还有需要调度的车，直接去干；盯了60秒没活，才打卡下班。\n\n这个转变的本质是：控制权从领导下移到了每个队友自身，领导只需要把任务挂到看板上，剩下的系统自动消化。\n\n---\n\n三个容易忽略的设计细节\n\n细节一：收件箱优先于看板。 空闲轮询时先检查收件箱，再扫任务看板。这保证了领导的直接指令永远比\"自己找活\"优先级更高。\n\n细节二：只抢\"三无任务\"。 扫描时必须同时满足：状态 、无 owner、无 blockedBy——被依赖卡住的任务即使没人认领也不会被抢，与 s07 任务依赖图无缝衔接。\n\n细节三：身份重注入防失忆。 上下文压缩（s06）后 messages 会被清",
      "summary": "深入解析Claude Code的自主Agent机制——从被动等待到主动认领任务，60秒空闲自动下班。通过源码分析揭示WORK/IDLE两阶段循环、收件箱优先级、身份重注入等核心设计细节，展示真正的自组织Agent集群如何实现无人值守运转。",
      "date_published": "2026-03-05T00:00:00.000Z",
      "date_modified": "2026-03-05T00:00:00.000Z",
      "authors": [
        {
          "name": "袁栩栩 (Yuan Xuxu)",
          "url": "https://yuanxuxu.com"
        }
      ],
      "tags": [
        "Claude Code",
        "AI Agent",
        "自主Agent",
        "源码分析"
      ],
      "language": "zh-CN",
      "_reading_time_minutes": 4
    },
    {
      "id": "https://yuanxuxu.com/blog/claude-code-background-tasks",
      "url": "https://yuanxuxu.com/blog/claude-code-background-tasks",
      "title": "极简分析Claude Code机制与原理：后台任务",
      "content_text": "核心概念：自主 Agent——从\"等人派活\"到\"自己找活干\"\n\n一句话概括： 队友不再被动等领导分配，而是主动盯着任务看板，空闲时自己抢未认领的任务，60 秒没活才自动下班——真正的自组织。\n\n---\n\n生活类比\n\n以前（s09\\~s10）的队友像坐在工位等电话的员工——领导不打电话，就一直坐着发呆。\n\ns11 的队友像共享单车调度员——送完一辆回来，不等调度中心指令，自己走到屏幕前看哪里还有需要调度的车，直接去干；盯了60秒没活，才打卡下班。\n\n这个转变的本质是：控制权从领导下移到了每个队友自身，领导只需要把任务挂到看板上，剩下的系统自动消化。\n\n---\n\n三个容易忽略的设计细节\n\n细节一：收件箱优先于看板。 空闲轮询时先检查收件箱，再扫任务看板。这保证了领导的直接指令永远比\"自己找活\"优先级更高。\n\n细节二：只抢\"三无任务\"。 扫描时必须同时满足：状态 、无 owner、无 blockedBy——被依赖卡住的任务即使没人认领也不会被抢，与 s07 任务依赖图无缝衔接。\n\n细节三：身份重注入防失忆。 上下文压缩（s06）后 messages 会被清空到只剩摘要，队友可能\"忘了自己是谁",
      "summary": "深入解析Claude Code的自主Agent机制——从被动等待到主动认领任务，60秒空闲自动下班。通过源码分析揭示WORK/IDLE两阶段循环、收件箱优先级、身份重注入等核心设计细节，展示真正的自组织Agent集群如何实现无人值守运转。",
      "date_published": "2026-03-05T00:00:00.000Z",
      "date_modified": "2026-03-05T00:00:00.000Z",
      "authors": [
        {
          "name": "袁栩栩 (Yuan Xuxu)",
          "url": "https://yuanxuxu.com"
        }
      ],
      "tags": [
        "Claude Code",
        "AI Agent",
        "自主任务",
        "源码分析"
      ],
      "language": "zh-CN",
      "_reading_time_minutes": 1
    },
    {
      "id": "https://yuanxuxu.com/blog/claude-code-planning-and-coordination",
      "url": "https://yuanxuxu.com/blog/claude-code-planning-and-coordination",
      "title": "极简分析Claude Code机制与原理：规划与协调",
      "content_text": "<!-- lang:zh -->\n\n核心概念：TodoWrite（待办写入 / 计划先行）\n\n一句话概括： 给 AI Agent 配一个\"任务清单\"，强制它先列计划再干活，防止它做着做着就跑偏或忘事。\n\n---\n\n生活类比\n\n想象你雇了一个装修工人，给他说\"把房子翻新一下\"。\n\n没有清单的工人： 想到哪做到哪，刷完墙发现忘了修水管，拆了地板才想起来还没买瓷砖。\n有清单的工人： 先列出「1. 检查水电 2. 购买材料 3. 拆除旧设施 4. 安装新设施 5. 验收」，每完成一项就打勾，进度一目了然。\n\nTodoWrite 就是给 AI Agent 配的这个\"清单本\"。\n\n---\n\n源码解析\n\n1. TodoManager：任务状态管理器\n\n关键设计：\n单任务约束： 同时只能有一个任务处于  状态，强制 Agent 专注当前任务。\n状态机：  →  → ，清晰的状态流转。\n\n2. Nag Reminder：连续 3 轮不更新清单自动催促\n\n⚠️ You haven't updated your todo list in ${this.NAG_THRESHOLD} turns.\n      ",
      "summary": "从 TodoWrite 到 Task Graph，深入解析 Claude Code 如何让 AI Agent 从「即兴发挥」进化到「有条不紊」——通过任务清单、技能按需加载、依赖关系图三大机制，实现复杂任务的可靠执行。",
      "date_published": "2026-03-05T00:00:00.000Z",
      "date_modified": "2026-03-05T00:00:00.000Z",
      "authors": [
        {
          "name": "袁栩栩 (Yuan Xuxu)",
          "url": "https://yuanxuxu.com"
        }
      ],
      "tags": [
        "Claude Code",
        "AI Agent",
        "任务系统",
        "源码解析"
      ],
      "language": "zh-CN",
      "_reading_time_minutes": 7
    },
    {
      "id": "https://yuanxuxu.com/blog/claude-code-tools-and-execution",
      "url": "https://yuanxuxu.com/blog/claude-code-tools-and-execution",
      "title": "极简分析Claude Code机制与原理：工具与执行",
      "content_text": "<!-- lang:zh -->\n\n核心概念：Agent 循环（Agent Loop）——一切的起点\n\n一句话概括： AI Agent 的最小内核就是一个  循环——不断问 AI\"你还要用工具吗\"，要就执行工具把结果还给它，不要就结束。整个系列后面 11 个章节都建立在这 30 行代码之上。\n\n---\n\n生活类比\n\n想象你雇了一个助手帮你查资料写报告，但这个助手只会说话、不能自己动手。\n\n没有循环的世界（手动模式）：\n你说：\"帮我查一下这个项目用什么测试框架\"\n助手说：\"我需要看 requirements.txt 这个文件\"\n你自己去打开文件，把内容复制粘贴给助手\n助手说：\"还需要看 setup.py\"\n你再去复制粘贴……\n\n你就是那个循环——每次工具调用都要人工中转。\n\n有了 Agent 循环：\n你说一次需求，循环自动帮你跑腿——助手要看文件，循环去读；助手要跑命令，循环去执行；助手说\"好了不需要了\"，循环才停下来。\n\n这个循环就是 Agent 的\"自动驾驶\"模式。\n\n---\n\n为什么只需要一个工具（Bash）？\n\nBash 是 Linux/Mac 的命令行工具，能执行几乎任何操作：",
      "summary": "AI Agent 的最小内核就是一个 while 循环——不断问 AI「你还要用工具吗」，要就执行工具把结果还给它，不要就结束。本文深入解析 Claude Code 的 Agent 循环与 Tool Dispatch 机制，理解这 30 行代码就理解了所有 AI Agent 框架的底层本质。",
      "date_published": "2026-03-04T00:00:00.000Z",
      "date_modified": "2026-03-04T00:00:00.000Z",
      "authors": [
        {
          "name": "袁栩栩 (Yuan Xuxu)",
          "url": "https://yuanxuxu.com"
        }
      ],
      "tags": [
        "Claude Code",
        "AI Agent",
        "工具系统",
        "源码解析"
      ],
      "language": "zh-CN",
      "_reading_time_minutes": 12
    },
    {
      "id": "https://yuanxuxu.com/blog/agent-skill-engineering",
      "url": "https://yuanxuxu.com/blog/agent-skill-engineering",
      "title": "Agent Skill 工程化：6 条原则让 AI 代理真正好用",
      "content_text": "<!-- lang:zh -->\n\nAgent Skill 工程化：6 条原则让 AI 代理真正好用\n\nAgent Skill 是为 AI 代理（Agent）编写的结构化指令包，包含元数据、操作步骤、参考资料和可执行脚本。它的作用是让 Agent 在特定场景下获得专业能力——不是通过更大的模型或更长的 prompt，而是通过精心设计的模块化知识。好的 Skill 让 Agent 从\"什么都能聊\"变成\"这件事我能做好\"。\n\n大多数人写的 Agent Skill 是废的。\n\n不是因为 LLM 不够聪明，而是因为 Skill 本身有问题：元数据太模糊导致根本触发不了，所有内容塞进一个文件导致上下文窗口爆炸，用自然语言描述复杂流程导致 Agent 每次执行结果都不一样。\n\n问题不在模型，在工程。\n\n在上一篇文章中，我们讨论了 Agent 工程化的五个层级——从最小可行 Agent 到生产系统。但无论你的 Agent 处于哪个层级，Skill 的质量都是决定实际效果的关键变量。一个 Level 5 的生产系统配上写得稀烂的 Skill，效果可能还不如一个 Level 1 的 Agent 配上精心",
      "summary": "大多数 Agent Skill 写出来就是废的——触发不了、上下文爆炸、输出不稳定。本文基于 Claude Code 等主流 AI 编程工具的实践经验，总结 Agent Skill 工程化的 6 条核心原则，从目录结构、元数据优化、渐进式加载到确定性脚本和 LLM 驱动验证，帮你构建真正可靠的 AI 代理技能。",
      "date_published": "2026-02-27T00:00:00.000Z",
      "date_modified": "2026-02-27T00:00:00.000Z",
      "authors": [
        {
          "name": "袁栩栩 (Yuan Xuxu)",
          "url": "https://yuanxuxu.com"
        }
      ],
      "tags": [
        "AI Agent",
        "Agent Skill",
        "LLM",
        "提示工程",
        "Claude"
      ],
      "language": "zh-CN",
      "_reading_time_minutes": 8
    },
    {
      "id": "https://yuanxuxu.com/blog/llm-optimization",
      "url": "https://yuanxuxu.com/blog/llm-optimization",
      "title": "LLM 优化：让品牌出现在 AI 回答中",
      "content_text": "<!-- lang:zh -->\n\nLLM 优化：让品牌出现在 AI 回答中\n\nLLM 优化（LLMO） 是指针对大语言模型（LLM）输出结果进行内容优化的实践，目标是在 ChatGPT、Perplexity、Claude、Gemini 等 AI 平台的回答中获取品牌引用和曝光。与传统 SEO 不同，LLMO 更关注实体识别、语义清晰度、内容可提取性，以及 AI 能否准确理解和引用你的内容。\n\n很多品牌在 Google 排名首页，却在 AI 搜索中完全隐身。这种现象正在改变数字营销的格局。\n\n---\n\n为什么 LLM 优化突然重要\n\n规模已经很大\n\nChatGPT 每天处理 20 亿次查询，周活用户 8 亿。Google Gemini 和 AI Overview 月活超 10 亿。Perplexity 2025 年 5 月月处理量达 7.8 亿次。\n\n转化质量更高\n\nBubblegum Search 的数据显示，AI 引荐流量的转化率约为自然搜索的 2 倍。原因很简单：用户通过 AI 来访时，已经经过了筛选和比较，处于决策漏斗的更下游。\n\n竞争窗口正在关闭\n\n2024-2025 年最早",
      "summary": "Google 排名首页却在 AI 搜索中隐身？本文系统介绍 LLM 优化的 9 个实战策略，从内容可提取性、实体识别、主题关联到 Wikipedia presence，帮助品牌在 ChatGPT、Perplexity 等 AI 平台获取曝光。",
      "date_published": "2026-02-25T00:00:00.000Z",
      "date_modified": "2026-02-25T00:00:00.000Z",
      "authors": [
        {
          "name": "袁栩栩 (Yuan Xuxu)",
          "url": "https://yuanxuxu.com"
        }
      ],
      "tags": [
        "LLM",
        "AI",
        "SEO",
        "数字营销"
      ],
      "language": "zh-CN",
      "_reading_time_minutes": 9
    },
    {
      "id": "https://yuanxuxu.com/blog/five-levels-of-agentic-software",
      "url": "https://yuanxuxu.com/blog/five-levels-of-agentic-software",
      "title": "Agent 工程化的五个层级：从最小可行 Agent 到生产系统",
      "content_text": "<!-- lang:zh -->\n\nAgent 工程化的五个层级：从最小可行 Agent 到生产系统\n\nAgent 工程化（Agentic Software Engineering） 是指将大语言模型（LLM）与工具调用、持久化存储、长期记忆和多智能体协作能力系统性结合，构建能够自主完成复杂任务的软件系统的工程方法论。其核心原则是：从最简单的可行方案出发，按需逐级添加能力，在每一步验证行为。\n\n大多数团队在构建 Agent 时都会犯同一个错误：一上来就搞多 Agent 编排、自主推理循环和复杂基础设施，然后花几周时间调试为什么最简单的任务都会失败。\n\n正确的路径其实很朴素：从简单开始，逐步添加能力，每一步都验证行为。\n\n本文以一个轻量级编程 Agent（Gcode）为例，展示 Agent 工程化的五个层级，每个层级只添加一种新能力。所有代码均基于 Agno 框架。\n\n---\n\n五个层级总览\n\n---\n\nLevel 1：带工具的 Agent\n\n没有工具的 Agent 只是一个 LLM，它能推理，但什么都做不了。工具是将 LLM 变成 Agent 的关键。对于编程 Agent，最小可行工具",
      "summary": "大多数团队构建 Agent 时都会犯同一个错误：一上来就搞多 Agent 编排和复杂基础设施。本文以编程 Agent 为例，系统梳理 Agent 工程化的五个层级——从带工具的最小可行 Agent，到带存储与知识、记忆与学习、多 Agent 团队，直至生产级系统，每个层级只添加一种新能力，帮助团队找到适合自己的最优复杂度。",
      "date_published": "2026-02-24T00:00:00.000Z",
      "date_modified": "2026-02-24T00:00:00.000Z",
      "authors": [
        {
          "name": "袁栩栩 (Yuan Xuxu)",
          "url": "https://yuanxuxu.com"
        }
      ],
      "tags": [
        "AI Agent",
        "Agent工程化",
        "LLM",
        "Agno",
        "多智能体"
      ],
      "language": "zh-CN",
      "_reading_time_minutes": 8
    },
    {
      "id": "https://yuanxuxu.com/blog/ai-search-technical-demystified-llm-to-rag",
      "url": "https://yuanxuxu.com/blog/ai-search-technical-demystified-llm-to-rag",
      "title": "AI搜索的技术解密：从LLM到RAG的完整链路",
      "content_text": "<!-- lang:zh -->\n\n什么是 GEO？\n\nGEO（Generative Engine Optimization，生成引擎优化） 是专门针对 AI 搜索引擎（如 Perplexity、ChatGPT、Gemini）的内容优化策略。它的目标不是获取点击，而是让你的品牌和内容成为 AI 生成答案时的首选信息源。\n\n理解 GEO，必须先理解 AI 搜索引擎的底层技术架构。\n\n---\n\nLLM 的核心局限：知识截止日期\n\n大型语言模型（LLM）通过在海量文本上进行预训练来获取知识，但这种训练是一次性的，存在知识截止日期（Knowledge Cutoff）。训练结束后，模型的参数被冻结，无法获取新信息。\n\n这意味着：\n模型对训练截止日后发生的事件一无所知\n模型可能\"记住\"了错误或过时的信息\n对于时效性强的查询（如\"最新的 iPhone 价格\"），纯 LLM 无法给出准确答案\n\nRAG 技术正是为了解决这一根本局限而生的。\n\n---\n\nRAG：检索增强生成的完整链路\n\nRAG（Retrieval-Augmented Generation）是现代 AI 搜索引擎的核心技术。它的工作流程分",
      "summary": "AI搜索引擎究竟是如何工作的？本文深入拆解从LLM基础原理到RAG检索增强生成的完整技术链路，揭示AI如何选择信息源、构建答案，以及GEO（生成引擎优化）的核心策略。",
      "date_published": "2026-01-25T00:00:00.000Z",
      "date_modified": "2026-01-25T00:00:00.000Z",
      "authors": [
        {
          "name": "袁栩栩 (Yuan Xuxu)",
          "url": "https://yuanxuxu.com"
        }
      ],
      "tags": [
        "AI搜索",
        "RAG",
        "GEO",
        "LLM",
        "技术解析"
      ],
      "language": "zh-CN",
      "_reading_time_minutes": 7
    },
    {
      "id": "https://yuanxuxu.com/blog/ai-driven-software-development-2026-paradigm-shift",
      "url": "https://yuanxuxu.com/blog/ai-driven-software-development-2026-paradigm-shift",
      "title": "AI驱动的软件开发实践：2026年范式转变",
      "content_text": "<!-- lang:zh -->\n\nAI 重塑软件开发全景：六大核心岗位转变\n\nAI 正在对软件开发团队的每一个岗位进行系统性重塑。这不是\"用 AI 辅助写代码\"，而是整个工作范式的根本性转变：\n\n核心洞察：AI 接管了重复性的执行工作。代价是，每个人都需要更强的方向感和审查能力。不再是\"快速生产\"的专家，而是\"快速验证\"的专家。\n\n---\n\n产品经理工作流革命\n\n市场调研与 PRD 生成\n\n传统模式（耗时 1.5-2 周）：手工调研（1周）→ 撰写 PRD（3-5天）→ 评审修改（2-3天）\n\nAI-Native 模式（耗时 1.5-2 小时）：Deep Research 全网调研（30分钟）→ AI Agent 生成结构化 PRD（1小时）→ 人工审查业务逻辑（30分钟）\n\n整体效率提升 10x，从周级别压缩到小时级别。\n\n核心工具栈：ChatGPT Deep Research、Google Deep Research、Manus、Kimi、Minimax Agent、墨刀 AI、Gemini。\n\nPM 的核心价值转变：不再是\"文档撰写者\"，而是\"问题定义者\"。时间分配从\"40% ",
      "summary": "AI 正在重塑软件开发的每一个环节。本文从产品经理、设计师、工程师、QA 到 DevOps，全面拆解 AI-Native 开发模式的实战工作流，以及 AI-DLC 框架如何将团队效率提升 5-10 倍。",
      "date_published": "2026-01-18T00:00:00.000Z",
      "date_modified": "2026-01-18T00:00:00.000Z",
      "authors": [
        {
          "name": "袁栩栩 (Yuan Xuxu)",
          "url": "https://yuanxuxu.com"
        }
      ],
      "tags": [
        "AI开发",
        "软件工程",
        "AI-DLC",
        "Cursor",
        "Claude"
      ],
      "language": "zh-CN",
      "_reading_time_minutes": 8
    },
    {
      "id": "https://yuanxuxu.com/blog/ai-brand-visibility-training-data-to-rag",
      "url": "https://yuanxuxu.com/blog/ai-brand-visibility-training-data-to-rag",
      "title": "AI品牌可见性优化：从训练数据到实时检索的完整策略",
      "content_text": "<!-- lang:zh -->\n\n核心概念：双渠道可见性\n\n理解 AI 品牌可见性，必须先理解两条根本不同的渠道：\n\n训练数据（Training Data） 是模型的长期记忆。它包含了模型在预训练阶段学习到的所有知识，是静态的、内化的，决定了模型对品牌的基础认知。类比来说，这是一个人的受教育背景和世界观。\n\n实时检索（Grounded Search） 是模型的实时眼睛。通过 RAG（检索增强生成）技术，模型在回答问题时实时查阅最新信息，是动态的、外挂的。类比来说，这是一个人在回答问题前去图书馆查阅的资料。\n\n这两条渠道的核心差异如下：\n\n---\n\n训练数据的工作机制\n\n训练数据的形成分为三个阶段：\n\n数据摄入：模型\"阅读\"互联网上的海量文本，包括 Common Crawl、Wikipedia、书籍、代码库。这是原材料。\n\n压缩与内化：通过数月的计算，模型寻找词语间的概率关系，知识被\"压缩\"进数十亿个参数权重中。\n\n冻结状态：训练结束，参数被冻结。此时模型拥有了\"世界观\"，但对训练截止日之后发生的事一无所知。\n\n关键洞察：不可变性（Immutability）\n训练数据就像琥珀中的昆虫。",
      "summary": "AI搜索引擎通过训练数据与实时检索两条渠道决定品牌的可见性。本文从底层原理到实战策略，全面拆解品牌在AI时代的生存法则，包括双渠道机制、提示词追踪标准、实体聚类分析和6个月实施路线图。",
      "date_published": "2026-01-10T00:00:00.000Z",
      "date_modified": "2026-01-10T00:00:00.000Z",
      "authors": [
        {
          "name": "袁栩栩 (Yuan Xuxu)",
          "url": "https://yuanxuxu.com"
        }
      ],
      "tags": [
        "GEO",
        "AI搜索",
        "品牌可见性",
        "RAG",
        "SEO"
      ],
      "language": "zh-CN",
      "_reading_time_minutes": 7
    }
  ]
}