Baiyuan GEO Platform Whitepaper

Chapter 2 — 百原GEO Platform 系統總覽

百原GEO Platform（下稱「百原GEO」或「本平台」）是本書主角，由百原科技（Baiyuan Technology）開發與維運。本章是後續 10 章的地圖索引。

目錄

• 2.1 設計哲學：從監測工具到閉環系統
• 2.2 三大模組
• 2.3 核心資料流
• 2.4 技術棧
• 2.5 多租戶資料隔離
• 2.6 AI 平台覆蓋
• 本章要點
• 參考資料

---

2.1 設計哲學：從監測工具到閉環系統

市場上第一代 GEO 工具多數停留在監測層面：提供一個儀表板，告訴使用者「你現在幾分」。問題是，監測只是診斷，不是治療。使用者看到低分之後會問：「然後呢？」

百原GEO 的設計起點，是把整個流程視為一個閉環（Closed Loop）：

Fig 2-1：閉環系統的六階段

flowchart LR
    A[監測<br/>Scan] --> B[診斷<br/>Diagnose]
    B --> C[優化<br/>Optimize]
    C --> D[部署<br/>Deploy]
    D --> E[驗證<br/>Verify]
    E --> A
    E -.->|幻覺偵測| F[修復<br/>Remediate]
    F --> D

Fig 2-1: 每一環節都必須可被自動化、可被量化、可被追溯。任何必須「人工做一次」的環節都是系統的疤痕。

基於這個原則，我們把系統切分為三個模組。

---

2.2 三大模組

2.2.1 Scan Module — 監測

負責週期性地把品牌送去問 AI，把回應抓回來、結構化、評分。

核心職責

• 意圖查詢生成：依品牌產業動態產生 20–60 則代表性問題
• 多平台派發：同一組問題分發到 15+ 個 AI 平台與搜尋引擎
• 回應抽取：從自然語言回答中抽出「品牌是否被提及」「提及位置」「情感語氣」「競品共現」
• 評分計算：依七維度演算法合成 GEO 總分（見 Ch 3）
• 訊號維持：遇到平台中斷時啟用 Stale Carry-Forward 機制（見 Ch 4）

技術選型

• 任務隊列：BullMQ on Redis，支援重試、優先級、速率限制
• AI 路由：自研 modelRouter 服務，主路徑 OpenAI-compatible 中轉 + 各廠商直連 fallback（見 Ch 5）
• 掃描模式：常規週期（daily）+ 哨兵（4h，見 Ch 9）+ Phase 基線（週／雙週，見 Ch 10）

2.2.2 Visibility Module — 對外可見性

負責讓 AI 更容易認識、引用這個品牌。

核心職責

• 結構化實體資料管理：Schema.org JSON-LD，25 產業特化 × 三層 @id 互連（見 Ch 7）
• AXP 影子文檔：為 AI Bot 產生 pure HTML + JSON-LD + Markdown 的「乾淨版內容」，與人類使用者看的網站解耦（見 Ch 6）
• CF Worker 注入：於網路邊緣偵測 AI Bot UA，動態回傳影子文檔或透傳原站
• GBP 資料整合：作為實體商家的「事實主控源」，單向同步到 Schema.org（見 Ch 8）
• 知識源建構：串接 Wikipedia / Wikidata / LinkedIn 等可被 AI 抓取的權威平台

2.2.3 Quality Module — 質量保證

負責偵測並修復 AI 對品牌的錯誤認知，讓閉環收斂。

核心職責

• 幻覺偵測：從 AI 回應中抽取「關於品牌的聲明」與 Ground Truth 比對
• ClaimReview 生成：為每個已確認的幻覺產生 Schema.org ClaimReview 結構
• 知識庫同步：把修正資訊推送到 RAG 系統，讓後續檢索能覆蓋該錯誤
• 兩層掃描閉環
  • Layer 1 哨兵（4h ／ 搜尋型平台）— 快速驗證修復是否被抓取
  • Layer 2 完整（24h ／ 知識型平台）— 含分數與指紋驗證的深度確認

---

2.3 核心資料流

Fig 2-2：一次完整的品牌治理循環

flowchart TD
    U[使用者建立品牌] --> W[Wizard 引導 Schema.org 填寫]
    W --> G[系統產出 AXP 影子文檔 + JSON-LD]
    G --> CF[CF Worker 對 AI Bot 提供影子內容]
    CF --> S[Scan Module 派發意圖查詢<br/>到 15+ AI 平台]
    S --> R[回應回流 → 評分]
    R --> D[儀表板呈現七維度<br/>+ 競品對比 + 缺口分析]
    R --> Q[Quality Module 偵測幻覺]
    Q --> C[生成 ClaimReview<br/>注入 AXP + RAG]
    C --> V[哨兵／完整掃描驗證]
    V -->|收斂| S
    V -.->|仍有問題| C

Fig 2-2: 閉環可以以「小時」為單位（哨兵）或以「日」為單位（完整掃描）運作；使用者看到的只是儀表板上的分數變化，背後是上述八個步驟的持續循環。

---

2.4 技術棧

層級	技術	主要職責
Edge	Cloudflare Workers	AI Bot UA 偵測、影子文檔注入、sitemap／robots 代管
Frontend	Next.js 16（Webpack）+ React 19 + TypeScript + Tailwind v4	儀表板、品牌管理、Wizard、i18n（zh-TW ／ en）
API	Node.js + Express 4 + Helmet + express-rate-limit + Zod	REST API、多租戶、JWT + 2FA
Worker	BullMQ 5 + Node.js 任務執行程序	掃描、評分、AXP 生成、幻覺偵測、RAG 同步
AI Routing	自研 modelRouter + OpenAI SDK + 各廠商直連 SDK	多 Provider 容錯
Data	PostgreSQL 16 + pgvector + Redis 7	關聯資料、向量檢索、快取、隊列
Deploy	Docker Compose on AWS Lightsail（PROD）／ 本機 Docker（UAT）	環境隔離
RAG	中央共用 RAG 引擎（內部 SaaS 基礎設施）	多租戶知識庫同步與查詢

截至 2026-04-18，系統已演進至 v2.19.4；累計功能迭代約 20 個 minor version、migration 檔案 139 支、前端頁面 60+、API endpoint 180+。

---

2.5 多租戶資料隔離

百原GEO 是 B2B SaaS，同一個資料庫同時服務多組客戶，資料隔離是合約等級的義務，不是一個「最好有」的 nice-to-have。我們採用雙保險策略：

1. Row-Level Security（RLS）on PostgreSQL：在 brands、scan_results、geo_scores 等核心表建立 RLS 政策，依 current_setting('app.org_id') 過濾；即使應用層寫錯 SQL，資料也不會跨組洩漏
2. App-level filter：每個 query 層的 API 仍然顯式帶上 org_id，與 RLS 形成雙層驗證；若 RLS 政策被誤刪，應用層仍能保障隔離

Fig 2-3：雙保險示意

flowchart LR
    R[HTTP Request] --> M[Auth Middleware<br/>解析 org_id]
    M --> C[Controller]
    C --> Q[Query Layer<br/>顯式帶 WHERE org_id]
    Q --> PG[(PostgreSQL)]
    M -.->|SET app.org_id| PG
    PG --> RLS{RLS Policy<br/>依 current_setting 過濾}
    RLS --> D[(Data)]

Fig 2-3: 應用層與資料庫層各自獨立執行一次過濾。單一層出錯不會造成跨組洩漏。

此設計來自早期一次接近失誤的事件：僅靠應用層帶條件，人類會忘記；僅靠 RLS，政策變更時無法被一般 CI 偵測。雙保險讓兩種疏漏都需要同時發生才會出問題。

---

2.6 AI 平台覆蓋

截至本書撰寫時，百原GEO 覆蓋 15 個 AI 平台，分成三群：

類型	數量	代表平台
全球通用型	7	OpenAI GPT-4o／4o-mini、Anthropic Claude、Google Gemini、Meta Llama、Mistral、xAI Grok、Cohere
中文模型	5	百度文心、DeepSeek、月之暗面 Kimi、智譜 ChatGLM、阿里通義千問
搜尋型	3	Perplexity、ChatGPT Search、Google AI Overview（爬蟲側）

覆蓋一個平台的成本不僅是「串一個 API」，還包括：model ID 映射、extraParams 設計、timeout／retry 策略、幻覺偵測模板、評分校準、UI 呈現。每加一個平台約需 2–4 個工程日。

---

本章要點

• 百原GEO 以「閉環」設計為起點，監測、診斷、優化、部署、驗證五環皆自動化
• 系統切分為 Scan／Visibility／Quality 三大模組，各自對應後續章節
• 技術棧以 Next.js 16 + Express + BullMQ + PostgreSQL 16 + pgvector + Redis 為核心
• 多租戶隔離採 RLS + App-level filter 雙保險，容錯單一層人為失誤
• 覆蓋 15 個 AI 平台（全球 7 + 中文 5 + 搜尋型 3），每加一平台成本 2–4 工程日

參考資料

• Ch 3 — 七維度評分演算法
• Ch 4 — Stale Carry-Forward
• Ch 5 — 多 Provider AI 路由
• Ch 6 — AXP 影子文檔
• Ch 7 — Schema.org Phase 1
• Ch 8 — GBP API 整合
• Ch 9 — Closed-Loop 幻覺修復
• Ch 10 — Phase 基線測試

---

導覽：← Ch 1: GEO 時代背景 · 📖 目次 · Ch 3: 七維度評分 →

This site is open source. Improve this page.