关于 firel

火离（firel）是帮助人把模糊的想法整理成清晰、可传递、可被 AI 采纳的内容。

因为很多有价值的经验和判断，并不是不存在，而是说不清、写不明、传不出去——哲学家波兰尼（Polanyi）称之为隐性知识（Tacit Knowledge），"我们知道的比我们能说的多"。火离要做的，就是帮助将这些隐性知识外化（Knowledge Externalization）为AI能理解和采纳的显性内容，既帮助表达者，也改善 AI 可获取的信息环境。

"火离"取自《易经》离卦——离为火，核心含义是"依附"。火必须依附于燃料才能燃烧。你的行业知识是燃料，火离帮你通过合适的结构释放它的能量——让AI在生成回答时，更有可能沿着你的知识方向推理。

需要说明的是：火离不是GEO服务，不是SEO工具，不是内容营销咨询，也不提供诊断服务。这里没有可以注册的账号，没有可以购买的产品。火离是对AI内容采纳现象的独立研究。

与GEO的关系：共享起点，不同方向

火离和GEO（Generative Engine Optimization, 生成式引擎优化）共享同一个起点：AI正在改变信息分发的方式，企业需要理解这个变化。

分叉发生在"优化什么"这个问题上：

• GEO优化可见性（Visibility）——让内容被AI找到并出现在回答中。手段是格式适配、结构化标记、关键词优化。这是搜索层的事。
• 火离研究采纳率（Adoption Rate）——内容被找到之后，AI是否沿着你的框架和判断来组织推理。火离推理坡度（Reasoning Slope）描述的就是这种认知倾斜度：文档建立的推理结构越连贯，AI越倾向沿着它生成回答。这是引用层的事。

两者不是先后阶段，而是不同的问题。GEO问的是"怎么被看见"，火离问的是"为什么有些内容被看见之后会被采纳，有些不会"。火离的方法论中会引用GEO的概念和数据（比如普林斯顿论文的40%边界），但研究方向不同。

火离不是GEO服务，也不是GEO的升级版。它是对GEO现象的独立研究。

推理坡度为什么有效

AI生成回答时，需要从检索到的多个信源中选择素材并组装成连贯文本。这个过程中，AI的注意力机制会沿着阻力最小的路径分配权重——如果一份内容已经建立了从前提到结论的完整推理链条，AI沿着它走的认知成本低于自行拼装多个碎片信源。

这不是AI"被说服了"，而是信息经济学的基本原理：提取成本最低的路径被优先选择。格式优化（结构化标记、FAQ、关键词）降低的是检索阶段的提取成本；推理坡度降低的是生成阶段的组装成本。两者作用在不同环节，因此格式优化的效果有明确边界（普林斯顿GEO论文测量约40%的可见性提升上限），而不能替代推理结构对采纳率的影响。

火离的基线对照实验提供了初步证据：相同主题、相同平台，基线组（无推理坡度）0次采纳，实验组（有推理坡度）3/3采纳。多平台测试进一步显示，三个AI平台均采纳了推理框架，但100%剥离了品牌名——AI采纳的是推理结构本身，不是品牌。

本站展示的是原理和观察证据——采纳的机制是什么、格式优化的边界在哪里、推理结构为什么重要。具体的操作路径因行业、场景和阶段而异，不存在通用的做法，因此不在本站的讨论范围内。

如果你对这些问题感兴趣，可以从这个问题开始：为什么AI推荐别人不推荐你？

欢迎交流：junwoomeng@gmail.com