当患者把症状输入 Bing Copilot，回答下方出现了一行小字：“来源：MedlinePlus。”这不是广告，而是生成式引擎对权威健康内容的点名。MedlinePlus 是美国国家医学图书馆（NLM）运营的患者教育网站，它的内容被生成式引擎引用并不意外，但背后有一个内容团队反复面对的两难：是把资源投入优化现有高流量页面，还是新建专门针对 AI 问答的决策页？在生成式引擎优化（GEO）的语境里，这个选择没有标准答案，但 MedlinePlus 的公开实践提供了一个可核验的观察样本。

情境

MedlinePlus 是美国卫生与公众服务部下属国家医学图书馆（NLM）运营的消费者健康信息网站，提供超过 1000 个健康主题的权威内容，涵盖疾病、药物、检查和健康工具。它不卖产品，不接广告，核心任务是让公众获得可靠、易懂的医学信息。在传统搜索引擎时代，MedlinePlus 依靠结构化数据、内部链接和长期积累的权威性，在健康类关键词中占据稳定排名。当生成式引擎（如 Bing Copilot、Google AI Overview）开始直接回答问题并列出引用来源时，MedlinePlus 的内容自然成为候选。但被引用不等于被点击，也不等于用户真正读完。内容团队开始思考：生成式引擎如何选择引用源？我们现有页面结构是否适配？

根据 GEO 的通用原则（Wikipedia 词条“Generative engine optimization”对其有定义），生成式引擎优化关注的是内容如何被大语言模型在生成答案时引用、总结或推荐。不同于传统 SEO 追求排名和点击，GEO 更看重内容是否能被模型“读懂”并作为可信依据。对于医疗健康这类 YMYL（Your Money or Your Life）领域，模型的引用倾向更加保守，权威性、来源透明度和结构化程度成为关键。

复杂之处

MedlinePlus 面临的第一层复杂在于：同一健康主题下，用户意图高度分化。有人搜“高血压”，可能是想了解定义；有人搜“高血压怎么降”，是寻求生活方式建议；还有人搜“高血压药副作用”，是药物安全查询。传统 SEO 会用一篇长文覆盖所有子主题，但生成式引擎更倾向于从多个来源拼凑答案，每个来源只被引用一小段。这意味着，一篇面面俱到的长文可能因为信息密度不够高、段落主题不突出而被模型忽略。

第二层复杂在于：现有的高流量页面已经承载了大量结构化数据和用户评论，改动成本高，且可能影响传统搜索表现。如果为了适配生成式引擎而大幅调整标题、段落顺序或增加问答区块，可能会破坏原有排名。内容团队需要在“保持传统搜索流量”和“提升生成式引擎可见性”之间权衡，而这两者的优化方向并不总是一致。

第三层复杂在于：生成式引擎的引用机制不透明。Bing Copilot 可能引用 MedlinePlus 的某个疾病页面，也可能引用其新闻稿或工具页面。团队无法直接控制模型选择哪一个页面，只能通过内容结构和信号来增加被引用的概率。更棘手的是，模型有时会错误归因或混合多个来源，造成信息失真。MedlinePlus 没有能力修改模型输出，只能通过优化源页面来降低被误读的风险。

他们怎么选

从公开可核验的信息看，MedlinePlus 并没有宣布一个“GEO 专项计划”。但如果我们观察其页面更新和结构变化，可以发现一些与 GEO 原则相符的实践。根据 Wikipedia 的 GEO 词条，优化措施包括：提高内容清晰度、使用结构化数据、增加引用和来源标注、优化段落长度以便模型摘录、针对常见问题提供直接答案。

MedlinePlus 的疾病页面通常以“概述”开头，紧接着是“症状”“诊断”“治疗”“预防”等明确的小标题，每个部分用短段落和要点列表呈现。这种结构天然适合生成式引擎抓取：模型可以轻松定位到“治疗”部分并摘录其中的要点。此外，MedlinePlus 在页面底部提供“参考文献”和“审阅日期”，增加了内容的可追溯性。这些特征并非专门为 GEO 设计，但客观上符合模型对权威来源的偏好。

一个值得注意的选择是：MedlinePlus 并没有大规模新建独立的“决策页”或“问答页”。相反，它继续维护现有主题页，但逐步加强了页面的结构化标记，例如使用 Schema.org 的 MedicalWebPage 类型，并在关键位置加入 FAQ 区块。这种做法可以看作是在“优化现有页面”和“新建决策页”之间选择了前者，但用结构化数据弥补了现有页面的不足。换句话说，他们把资源花在了让现有内容更容易被模型解析上，而不是另起炉灶。

当然，这并不意味着 MedlinePlus 完全排斥新页面。它在某些高搜索量主题下新增了“健康工具”或“交互式决策辅助”页面，但这些页面更多是产品功能的延伸，而非纯粹的 GEO 内容。从外部观察，团队的重心仍然是强化核心内容的结构和权威信号。

公开结果

要评估 MedlinePlus 在生成式引擎中的表现，最直接的方法是观察其在 Bing Copilot 回答中的提及频率。虽然我们无法获得官方数据，但可以通过公开的测试和第三方观察来推断。多个独立测试显示，当用户向 Bing Copilot 询问一般性健康问题（如“流感和感冒有什么区别”或“高血压的日常管理”），MedlinePlus 经常出现在引用来源中，有时甚至排在 Mayo Clinic 或 WebMD 之前。这种可见性并非偶然：MedlinePlus 的域名权威性（来自 .gov 和政府背景）、内容的中立性（无商业推广）以及清晰的结构，使其成为模型偏好的来源类型。

另一个可观察的结果是：MedlinePlus 的页面在传统搜索中的排名并未因结构化调整而下降。相反，其点击率可能因为生成式引擎的引用而获得额外曝光——用户在 AI 回答中看到“来源：MedlinePlus”后，可能会主动搜索该网站。这种间接流量虽然难以精确归因，但符合“品牌提及”的价值逻辑：即使模型不直接给出链接，来源标注本身也提升了品牌可信度。

需要注意的是，生成式引擎的引用是动态的，同一问题在不同时间、不同上下文下可能引用不同来源。MedlinePlus 无法保证每次都出现在答案里，但其内容基础使其成为高频候选。GEO 的目标不是垄断引用，而是提高被选中的概率，并在被选中时提供准确、可验证的信息。

你若遇到同一两难

如果你是医疗健康内容团队的负责人，面临“改首页还是先写决策页”的选择，MedlinePlus 的实践提供了一个参考框架：

先评估现有页面的结构化程度。如果页面已经有清晰的小标题、短段落和要点列表，那么优化成本低，收益可能明显。使用 Schema.org 标记医疗实体、症状、治疗等信息，可以帮助模型更准确地理解页面内容。这相当于给你的内容“贴标签”，让模型在回答相关问题时更容易定位。

再判断用户意图的分散程度。如果你的核心主题下存在多个高意图子问题（例如“XX 药怎么吃”“XX 病能自愈吗”），而现有页面无法一一覆盖，那么新建一个针对性的决策页或 FAQ 页可能是必要的。但不要盲目新建，先检查现有页面是否可以通过增加段落或调整结构来覆盖这些意图。新建页面会分散权重，除非你真的有增量信息。

关注来源透明度和更新日期。生成式引擎倾向于引用可验证、有明确审阅机制的内容。在页面显著位置标注“医学审阅：XX 医生，日期：YYYY-MM-DD”可以增加信任信号。同时，定期更新内容，避免模型引用过时信息。

不要忽视传统搜索。即使你的目标是 GEO，传统 SEO 的基础仍然重要。内部链接、外部引用、页面速度等因素会影响模型的抓取和索引效率。一个在传统搜索中表现不佳的页面，也不太可能被生成式引擎频繁引用。

最终，这是一个资源分配问题。MedlinePlus 选择了“先优化现有页面，用结构化数据弥补差距”，这与其资源充足、已有大量高质量内容的背景有关。如果你的团队资源有限，可能需要优先创建少数几个高价值的决策页，而不是全面优化。没有唯一正确答案，关键在于理解你的内容资产和用户意图分布，然后做出可解释的取舍。

想进一步了解生成式引擎优化的通用原则，可以阅读 GEO 是什么 或对比 SEO 与 GEO 的区别。

还容易问的

在观察 MedlinePlus 的实践时，内容团队常会问到以下问题，我们基于公开资料给出回答。