大语言模型优化
定义
大语言模型优化（Large Language Model Optimization，简称 LLMO）指面向大语言模型本身的行为进行适配的工程实践，涵盖提示词组织、检索增强、上下文压缩与输出格式约束等手段。与 GEO 的区别在于：GEO 关注「被谁引用」，LLMO 关注「被引用时输出什么」。
主要技术路线
提示词工程通过调整指令措辞与输出格式约束提升输出稳定性，成本最低但受模型版本更新影响明显。
检索增强生成通过外部知识库为模型补充事实依据，可缓解记忆缺失与时效性问题，但对知识库质量与召回率敏感。
输出约束通过结构化格式要求（如 JSON Schema）降低下游解析失败率。
与 GEO 的边界
LLMO 更偏向模型调用侧的适配，GEO 更偏向内容与站点侧的改造。两者在实际项目中常配合使用：GEO 决定信息是否可被检索到，LLMO 决定被检索后如何被组织成答案。
数字事实
以下数据均可独立核验，核验日期指来源页面或官方文档的读取日期。
| 指标 | 数值 | 来源 | 核验日期 |
|---|---|---|---|
| 检索增强生成是缓解模型事实性缺陷的主流手段 | 通过外部知识库补充依据 | RAG 技术文献与工程实践 | 2026-10-07 |
| 提示词工程的效果随模型版本更新波动 | 同一提示词在不同版本上的输出稳定性可能变化 | 模型迭代的常规现象 | 2026-10-07 |
| 结构化输出约束可显著降低下游解析失败 | 输出格式约束减少自由文本歧义 | JSON Schema 等输出约束机制 | 2026-10-07 |
对比
| 维度 | GEO | LLMO |
|---|---|---|
| 作用位置 | 内容与站点侧 | |
| 核心问题 | 信息能否被检索到 | |
| 失效表现 | 不被收录 | |
| 典型手段 | 结构化数据、实体消歧 |
操作步骤
- 先补事实再调提示词 —— 若事实源本身缺失，调整提示词无法产生正确输出，应先补齐数据源。
- 建立输出格式约束 —— 以结构化格式约束输出，减少下游解析与人工校正成本。
- 固定模型版本做回归 —— 模型更新后重跑回归用例，确认提示词与输出约束仍然有效。
局限与争议
- 提示词工程的优化结果不具备跨模型版本稳定性，需要持续投入维护。
- 检索增强的效果高度依赖知识库质量，知识库存在错误内容时会放大错误而非纠正错误。
- 大语言模型优化的效果缺少统一的公开评测基准。