大語言模型優化
定義
大語言模型優化（Large Language Model Optimization，簡稱 LLMO）指面向大語言模型本身的行為進行適配的工程實踐，涵蓋提示詞組織、檢索增強、上下文壓縮與輸出格式約束等手段。與 GEO 的區別在於：GEO 關注「被誰引用」，LLMO 關注「被引用時輸出什麼」。
主要技術路線
提示詞工程通過調整指令措辭與輸出格式約束提升輸出穩定性，成本最低但受模型版本更新影響明顯。
檢索增強生成通過外部知識庫為模型補充事實依據，可緩解記憶缺失與時效性問題，但對知識庫質量與召回率敏感。
輸出約束通過結構化格式要求（如 JSON Schema）降低下游解析失敗率。
與 GEO 的邊界
LLMO 更偏向模型調用側的適配，GEO 更偏向內容與站點側的改造。兩者在實際項目中常配合使用：GEO 決定信息是否可被檢索到，LLMO 決定被檢索後如何被組織成答案。
數字事實
以下數據均可獨立核驗，核驗日期指來源頁面或官方文檔的讀取日期。
| 指標 | 數值 | 來源 | 核驗日期 |
|---|---|---|---|
| 檢索增強生成是緩解模型事實性缺陷的主流手段 | 通過外部知識庫補充依據 | RAG 技術文獻與工程實踐 | 2026-10-07 |
| 提示詞工程的效果隨模型版本更新波動 | 同一提示詞在不同版本上的輸出穩定性可能變化 | 模型迭代的常規現象 | 2026-10-07 |
| 結構化輸出約束可顯著降低下游解析失敗 | 輸出格式約束減少自由文本歧義 | JSON Schema 等輸出約束機制 | 2026-10-07 |
對比
| 維度 | GEO | LLMO |
|---|---|---|
| 作用位置 | 內容與站點側 | |
| 核心問題 | 信息能否被檢索到 | |
| 失效表現 | 不被收錄 | |
| 典型手段 | 結構化數據、實體消歧 |
操作步驟
- 先補事實再調提示詞 —— 若事實源本身缺失，調整提示詞無法產生正確輸出，應先補齊數據源。
- 建立輸出格式約束 —— 以結構化格式約束輸出，減少下游解析與人工校正成本。
- 固定模型版本做回歸 —— 模型更新後重跑回歸用例，確認提示詞與輸出約束仍然有效。
局限與爭議
- 提示詞工程的優化結果不具備跨模型版本穩定性，需要持續投入維護。
- 檢索增強的效果高度依賴知識庫質量，知識庫存在錯誤內容時會放大錯誤而非糾正錯誤。
- 大語言模型優化的效果缺少統一的公開評測基準。