一、黑箱条件下的研究对象GEO（Generative Engine Optimization，生成式引擎优化）面对的是一个Partially Observable Black-box Answer System（部分可观测的黑箱答案系统）。我们可以向人工智能提交问题，保存输入和输出，观察显示引用、可见工具调用、实体提及、比较方式、推荐条件和边界表达；但在通常情况下，我们不能直接查看模型参数、内部来源权重、完整候选集合、隐藏上下文、训练记忆、重排过程和全部生成路径。这产生了两种方向相反、但同样危险的错误。第一种错误是过度确定：看到某篇文章被引用，就断言“这个平台权重高”；看到品牌出现频率上升，就断言“人工智能已经建立品牌认知”；看到干预前后答案不同，就断言“这次发布改变了模型”。第二种错误是过度悲观：因为无法查看内部机制，就认为GEO（生成式引擎优化）无法研究、无法测量，只能凭经验发内容。研究的关键不是假装拥有全知视角，而是明确什么被观察到了、观察是否完整、如何编码、结论属于哪种命题、因果支持到了哪一级，以及它只在哪些条件下成立。因此，GEO（生成式引擎优化）认识论要解决的问题不是“如何猜中人工智能的秘密”，而是：在内部机制无法被完整观察的条件下，如何产生可检查、可复核、可证伪、可限定范围并能够逐步升级的知识。研究对象是答案行为，不是内部心理。人工智能会使用“我认为”“我推荐”“根据这些来源”等拟人化表达，但这些语言不能被当成系统内部心理状态的直接报告；显示“已搜索”也只能证明界面呈现了某种工具调用迹象，不能证明我们已经获得完整的Retrieval Set（检索集合）。本书因此把Conditional AI Answer Behavior（条件化人工智能答案行为）作为当前主要Observation Object（观测对象）。所谓“条件化”，是指任何答案记录都必须放回它产生时的条件中：使用了什么查询、哪个引擎和产品入口、什么时间、哪种账户与会话状态、是否发生工具调用、是否存在已知用户上下文，以及该次运行处于基线还是干预后阶段。我们可以陈述“在已记录的引擎、时间、查询、会话和工具条件下，答案提到了甲企业，并显示引用乙页面；答案使用了‘适合小微企业’这一理由，同时保留了地域限制”，却不能仅凭该记录陈述“人工智能信任甲企业；乙页面拥有固定高权重；模型已经把甲企业写入长期记忆；系统内部先从固定候选池筛选，再按统一规则排序”。前一句是Answer-level Observation（答案层观测），后一句是未经支持的Latent Mechanism Claim（潜在机制命题）。这条边界贯穿本书后续所有诊断、干预和测量。五层研究框架与五类对象、观测键的完整界定见第1章第四节和第2章第四节。二、五轴认识标注：一项结论不能只写“置信度高”一个模糊的Confidence Score（置信分数）很容易把不同性质的不确定性揉成一个数字。本书不采用这种伪精确表达，而要求重要结论至少沿五个轴分别标注：Epistemic Status（认识状态） × Observability（可观测性） × Claim Mode（命题性质） × Causal Confidence（因果置信度） × Scope（适用范围）1. Epistemic Status（认识状态）：它目前处于什么知识阶段状态含义允许的使用方式Accepted（已接受）当前项目已接受的定义、边界或方法规则可作为当前工作依据，但不自动等于自然规律或完整机制已被证明Operational Hypothesis（操作性假设）有理由提出、可指导登记实验，但尚未完成验证必须与干预、预期观察和检验条件绑定，不得包装成已证实因果Validated Pattern（已验证模式）按预定义口径获得充分、可审查的重复支持并通过正式准入只能在登记的适用范围内使用；当前正式登记为空Rejected（已否定）已被当前体系明确否定的通用说法或方法只能作为反例或历史决策保留，不得重新包装后恢复Unknown（未知）当前证据或观测能力不足只能作为研究问题，不得由Agent（智能体）或服务人员自行补全Draft（草案）尚未完成正式审查的新定义或结构