[論文レビュー] AgenticGEO: A Self-Evolving Agentic System for Generative Engine Optimization

Jiaqi Yuan, Jialu Wang+4 more|arXiv (Cornell University)|Mar 2, 2026

Information Retrieval and Search Behavior被引用数 0

ひとこと要約

AgenticGEOはGEOをコンテンツ条件付き制御問題として定式化し、共進化するMAP-Elites戦略アーカイブと軽量クリティックを用いてブラックボックス生成エンジンへ適応させ、エンジンフィードバックを削減しつつ最先端の結果を達成する。

ABSTRACT

Generative search engines represent a transition from traditional ranking-based retrieval to Large Language Model (LLM)-based synthesis, transforming optimization goals from ranking prominence towards content inclusion. Generative Engine Optimization (GEO), specifically, aims to maximize visibility and attribution in black-box summarized outputs by strategically manipulating source content. However, existing methods rely on static heuristics, single-prompt optimization, or engine preference rule distillation that is prone to overfitting. They cannot flexibly adapt to diverse content or the changing behaviors of generative engines. Moreover, effectively optimizing these strategies requires an impractical amount of interaction feedback from the engines. To address these challenges, we propose AgenticGEO, a self-evolving agentic framework formulating optimization as a content-conditioned control problem, which enhances intrinsic content quality to robustly adapt to the unpredictable behaviors of black-box engines. Unlike fixed-strategy methods, AgenticGEO employs a MAP-Elites archive to evolve diverse, compositional strategies. To mitigate interaction costs, we introduce a Co-Evolving Critic, a lightweight surrogate that approximates engine feedback for content-specific strategy selection and refinement, efficiently guiding both evolutionary search and inference-time planning. Through extensive in-domain and cross-domain experiments on two representative engines, AgenticGEO achieves state-of-the-art performance and demonstrates robust transferability, outperforming 14 baselines across 3 datasets. Our code and model are available at: https://github.com/AIcling/agentic_geo.

研究の動機と目的

• 生成エンジン出力（GEO）の可視性と帰属を向上させる動機（非定常なブラックボックスGE挙動の中で）。
• 多様なコンテンツに適応するよう出力Rewrite戦略を柔軟に適応させる自己進化フレームワークを開発する。
• コストの高いエンジンフィードバックへの依存を低減しつつ、ドメイン横断の堅牢な最適化を維持する。

提案手法

• GEOをコンテンツ条件付き最適化問題として定式化する。
• 多様なコンテンツのためのQuality-Diversity MAP-ElitesアーカイブをRewrite戦略として維持する。
• 戦略選択と推論計画を導く共進化する軽量クリティックを導入する。
• 初期アーカイブからの教師付きターゲットでブートストラップするオフラインククリティック整列。
• オンラインでアーカイブとクリティックをGEフィードバックを限界付きで共進化させる。
• 推論時にクリティック誘導の計画を用いたエージェント的多ターンRewrite。

Figure 1. Characterization of the GEO result on GEO-Bench instances. $y$ -axis reports maximum performance among 9 rewriting strategies, and $x$ -axis reports performance variance among strategies. (i) Optimization success varies greatly by strategy and content. (ii) Existing strategies fail to opti

実験結果

リサーチクエスチョン

• RQ1 AgenticGEOはエンジンとドメインをまたいだ最先端のGEOベースラインと比較してどう性能を出すか。
• RQ2 未知のドメインへ移行しても性能を維持できるか。
• RQ3 パフォーマンスに対する共進化コンポーネント（アーカイブ、クリティック、Evolver）の影響はどうか。
• RQ4 最適化は意味論的意味を保持しつつ可視性と帰属を高めるか。

主な発見

Methods	GEO-Bench word	GEO-Bench pos	GEO-Bench overall	Llama-3.3-70B-Instruct word	Llama-3.3-70B-Instruct pos	Llama-3.3-70B-Instruct overall
No optimization	20.05	20.26	20.21	19.19	19.33	19.20
Keyword Stuffing	20.73	20.86	20.69	19.99	20.16	20.02
Unique Words	17.59	17.94	17.78	16.78	16.66	16.56
Easy-To-Understand	20.10	20.19	20.05	18.72	18.93	18.85
Authoritative	20.41	20.93	20.60	19.41	19.48	19.47
Technical Words	21.22	20.97	21.23	19.55	19.59	19.50
Fluency Optimization	20.66	20.85	20.70

• AgenticGEOは2つの代表的な生成エンジンで最先端の性能を達成し、ベースラインより平均46.4%の向上。
• GEフィードバックの41.2%のみを用いて性能の98.1%を維持し、監視要件を削減。
• インドメインおよびドメイン横断設定の3データセットで14のベースラインを上回る。
• 進化するクリティックは高価なエンジンフィードバックの代替として効果的であり、エンジンアーキテクチャとスケールを超えて一般化。

Figure 2. GEO v.s. AgenticGEO. Static GEO methods apply fixed rewriting heuristics, whereas AgenticGEO maintains an evolving strategy archive and a critic to adaptively retrieve high-scoring strategies for iterative rewriting.