本文聚焦于如何防御生成式搜索引擎遭受恶意生成引擎优化（GEO）攻击。GEO 通过改写网页内容，使其更符合搜索引擎的引用偏好，从而在生成答案时被优先采纳。近年来，GEO 已从手工改写演进到自动化、具备代理能力的优化，显著提升了目标文档在答案中的出现频率。
防御面临两大难题：一是改写后的文档在事实层面仍与原文一致，使得事实核查和困惑度过滤失效；二是这些文档放大的特征同样出现在高质量的良性内容中，难以区分。
为克服上述限制，本文提出 GEO Defender，这是一种与攻击链对齐的两阶段防御方案，且无需对目标大语言模型进行微调。第一阶段 Shield Reranker 在冻结的基础重排序器上学习基于偏好的防御残差，能够在保持相关性判断的同时降低 GEO 改写文档的排名。第二阶段 Training‑Free Shield Generation（TFSG）将防御结果蒸馏为自然语言经验库，在推理时引导目标模型的来源使用。
实验在两款最先进的闭源大模型和三款开源大模型上，针对七种 GEO 攻击进行评估。结果显示，GEO Defender 将平均攻击成功率从 50.32% 降至 6.20%，同时保留了 94.12% 的良性证据使用，答案质量未受显著影响，并能对未见过的攻击构造实例实现泛化。
点评