MTO Platform · System Documentation · Human Edition

MTO 系统说明书
机器信任优化平台与 MTO 生态

作者Tom (duckwolf) ↗版本人读版 v1.0许可MIT 开源共建技术栈FastAPI + Vue3编排与检索LangGraph + ChromaDB配套文档板块总览 ↗ · MTO 白皮书 v1.1 ↗整理2026-11

摘要
MTO(Machine Trust Optimization,机器信任优化)是一个面向「机器自主交易」时代的开源品牌信任资产治理平台:把品牌主张治理成机器可验证的证据链,让 AI 智能体在自主交易时能核验并信任你。

平台采用 GEO ↔ MTO 递进双层结构:GEO(Generative Engine Optimization,生成式引擎优化)解决「被 AI 看见」,MTO 解决「被机器信任」;二者共用同一套品牌知识资产,构成一次治理、两层受益的资产体系。本文依次说明 MTO 的概念边界、交易路径的三次迁移、四层技术构成、平台与软件系统架构、生态构成、成熟度分级与共建路径。

Keywords MTO机器信任优化GEO生成式引擎优化证据链信任量化A2AAI 智能体品牌信任资产

目录

01什么是:MTO 与 GEO
02交易路径的三次迁移
03GEO ↔ MTO 递进双层
04MTO 的四层技术构成
05MTO 平台三层架构
06软件系统架构
07技术栈
08MTO 生态
09成熟度诚实声明
10开源共建 MTO
11快速开始
12文档导航
01

什么是:MTO 与 GEO
白皮书 §2.3 ↗

MTO 不是替代 GEO,而是在 GEO 之上解决一个更靠后的问题——当决策者是一台机器时,它凭什么信任你。

Generative Engine Optimization

GEO · 生成式引擎优化
解决「被 AI 看见」:当用户在豆包、DeepSeek、元宝等 AI 平台提问时,让品牌被 AI 正确理解、引用、推荐,进入候选答案池。

终点:让 AI 愿意推荐你——拿到入场资格。当下企业正在布局的实操方向。

Machine Trust Optimization

MTO · 机器信任优化
解决「被机器信任」:让机器验证并信任你的产品证据链,从而在自主交易时直接选购。

终点:让机器敢直接买你——实现自主交易。仍处于理论推演阶段,尚未全面落地。

核心判断

GEO 是让 AI 愿意推荐你(拿到入场资格),MTO 是让机器敢直接买你(实现自主交易)。两者是 AI 时代营销逻辑的不同阶段,构成递进双层,而非替代关系。

02

交易路径的三次迁移
白皮书 第一章 ↗

理解 MTO 的前提,是决策主体正在从「人」迁移到「机器」。这不是渠道变迁,而是决策权归属的迁移。

第一代 · 人找货人 → 搜索 / 货架→ 自己比较 → 自己下单优化手段:SEO决策主体:人第二代 · 人问 AI人 → 问 AI「哪个好」→ AI 建议 → 人自己买优化手段:GEO决策主体:机器初筛 + 人终选第三代 · 机器下单人给目标 → 智能体自主检索 · 核验 · 比价 · 下单优化手段:MTO决策主体:机器全权按下「购买」键的主体,从人 → 机器

图 1|交易路径的三次迁移:决策权从人转移到机器

关键洞察

前两代无论入口怎么变,按下「购买」键的都是人,所以「被看见、被推荐」就够了。第三代按下购买键的是机器——而机器不「喜欢」任何品牌,它只做一件事:核验主张是否成立。

03

GEO ↔ MTO 递进双层
白皮书 第二章 ↗

GEO 是地基,MTO 是在地基上盖的房子。两者资产同一套,一次治理、两层受益。

MTO 层 · 被机器信任证据链可核验 · 信任可量化 · A2A 可调用 → 机器自主交易时选择你GEO 层 · 被 AI 看见被正确理解 · 被引用 · 被推荐 → 进入 AI 候选答案池资产层 · 品牌知识底座品牌事实 · 产品事实 · 结构化内容资产

图 2|MTO / GEO / 资产 三层递进依赖关系

表 1|递进双层的四个关键判断
关键判断 说明
跳过 GEO 做 MTO 不成立 机器连你都检索不到,遑论信任你。GEO 是必需的入场券。
只做 GEO 会停在半路 被 AI 推荐了,但机器要自主下单时你没有可核验的证据链,依然出局。
两者的资产是同一套 GEO 用它做引用,MTO 用它做核验——一次治理,两层受益。
当下该怎么做 先用 MTO 的标准整理资产,再靠 GEO 拿当下收益;不必等 MTO 成熟才开始准备。
04

MTO 的四层技术构成
白皮书 第四章 ↗

MTO 不是单点工具,而是一套分层能力。缺任何一层,机器都无法完成「验证 → 信任 → 成交」。

L1

证据链层 · Evidence Chain
把分散的产品主张重构为可被独立核验的结构化证据:证据清单化 → 结构化 → 关联化。任何一条对外主张都能指向支撑它的原始证据(签发方 + 有效期)。

L2

机器可读层 · Machine Readability
让机器无歧义地读取证据:字段命名标准化、口径明确、语义无歧义;通过 MCP 等标准接口向 AI 系统暴露能力与数据。不依赖图片、扫描件、口语化文案承载关键事实。

L3

信任量化层 · Trust Scoring
把「信任」从模糊判断转为可测量、可对比、可追踪的指标。设计原则:可复算、可解释、可审计、防操纵。当前未经过真实交易场景验证,不构成决策依据。

L4

协议与执行层 · Protocol & Execution
让核验能力被机器直接调用:MCP(工具连接)+ A2A(智能体协同)+ Agentic Commerce(授权与结算)。外部智能体可不经人工对接,自主发现、授权、调用。

① 证据链Evidence Chain② 机器可读Readability③ 信任量化Trust Scoring④ 协议执行A2A · MCP主张 → 证据 → 核验 → 信任 → 成交(缺一层即无法闭环)

图 3|MTO 四层技术构成与闭环

05

MTO 平台三层架构
白皮书 第五章 ↗

本平台是递进双层结构:GEO 打底(由 GeoLook 引擎提供),MTO 在上。

MTO 层 · 机器信任证据链建模与治理 · 信任量化评分 · A2A 能力暴露 · 机器调用审计日志GEO 层 · AI 可见性(由 GeoLook 引擎提供)站点状态审计 · AI 答案采样 · 缺口诊断 · 工单生成与闭环验收 · 渠道 / 竞品分析资产层 · 品牌知识底座品牌事实库 · 产品事实库 · 结构化内容资产 · 知识库检索

图 4|MTO 平台递进双层架构

表 2|平台的六个核心动作
核心动作 说明
治理 把品牌事实从散落材料中抽取、归一化、结构化。
建链 为每条关键主张挂上可溯源的证据。
量化 计算证据完整度、可信度、一致性与时效性。
暴露 通过 A2A / MCP 等协议把核验能力开放给机器调用。
验证 持续巡检 AI 答案中的品牌表现,形成闭环工单。
留痕 记录机器访问与决策依据,可审计、可复盘。
定位差异

本平台与纯 GEO 工具的差异不在 GEO 做得更好,而在于多了两层:AI 智能体编排(洞察 / 编排 / 创意 / 归因)与 A2A 机器间协议,以及 MTO 核心的证据链建模与信任量化。纯 GEO 工具回答「AI 提到我了吗」;MTO 平台继续回答「机器凭什么信我」。

06

软件系统架构
前端 Vue 3 + Vite,后端 FastAPI + Uvicorn,AI 编排基于 LangGraph,知识检索基于 ChromaDB,数据落地于 PostgreSQL / Redis。

前端 · Vue 3 + Vite品牌诊断 · 竞品逆向 · 多模态 · 监测看板后端 · FastAPI + UvicornAPI 路由层(10 模块,69+ 端点)诊断 / 意图 / 知识 / 内容 / 监测 / 多模态 / 竞品 / 业务 / GeoLook业务逻辑层LangGraph 编排 · RAG(ChromaDB + BGE-M3)· 多模态 · 竞品逆向GeoLook 引擎内核(上游 MIT)· GEO 全链路:诊断 → 采样 → 工单 → 资产 → 验收backend/geolook/ · /api/v2/geolookPostgreSQLRedisOllama / LLMChromaDB

图 5|软件系统架构:前端 / 后端 / 数据与引擎

07

技术栈
Backend

后端
FastAPI 0.109+ · SQLAlchemy 2.0 · LangChain 0.3+ / LangGraph 0.2+ · ChromaDB 0.5+(BGE-M3 嵌入)· PostgreSQL 15+ / SQLite · Redis 7+(缓存)· Celery(可选)

Frontend

前端
Vue 3.5+(Composition API)· Vite 5 · Element Plus 2.9+ · Vue Router 4 · Axios 1.20+ · 自定义像素科技风主题(深空黑 + 霓虹)

AI / Agent

AI 与智能体
Ollama(qwen3.5:9b)/ OpenAI / DeepSeek / Qwen · LangGraph 多智能体编排(规划 → 执行 → 反思)· 4 大 Agent:洞察 / 编排 / 创意 / 归因

Protocol / Infra

协议与基础设施
REST + OpenAPI(/docs Swagger)· MCP 兼容 · A2A 就绪 · Function Calling 就绪 · Docker / Docker Compose · Nginx 反向代理

08

MTO 生态
白皮书 §5.4 ↗

MTO 平台并非孤岛:它位于「GEO 引擎 + AI 智能体 + 机器间协议 + 品牌资产」组成的生态中央,并通过协议基础设施连接更广阔的 Agentic 网络。

MTO 平台品牌信任资产治理平台GEO 引擎GeoLook(上游 MIT)AI 智能体编排洞察 / 编排 / 创意 / 归因品牌知识库ChromaDB + RAG品牌资产事实 / 产品 / 内容MCP工具 / 数据源连接A2A智能体协同Agentic Commerce授权与结算8 大 AI 平台DeepSeek / 豆包 …

图 6|MTO 生态:平台居中,连接 GEO 引擎、AI 智能体、机器间协议与品牌资产

协议基础设施(生态底座)

MCP(Anthropic 2024/11 发布,2025/12 捐赠 Linux Foundation 旗下 AAIF)解决智能体与工具 / 数据源的连接;A2A(Google 2025/4,核心 Agent Card + Task)解决智能体间协同;Agentic Commerce(Mastercard Agent Pay / OpenAI + Stripe / Google AP2 三路线)解决机器发起的授权与结算。

MTO 要成立,前提是机器能够跨组织地验证证据——一个封闭系统里的「信任分」没有意义。因此底层约定必须开放、可审计、可互操作,这也是本项目选择开源的根本原因。

09

成熟度诚实声明
白皮书 第八章 ↗

本项目主动声明边界,避免概念炒作。MTO 目前仍属理论推演阶段,请勿据此做商业决策。

表 3|各组成部分的成熟度分级
组成部分 成熟度 说明
GEO 层能力 可用 站点审计、答案采样、缺口诊断、工单闭环、验收,均可实际运行并产出结果。
AI 智能体层 可用但依赖配置 能力已实现,需自行配置各模型 API Key;未配置的引擎降级为人工采样。
A2A 协议层 接口就绪,生态未成熟 协议与接口已实现,但外部尚无规模化支持 A2A 交易的商业生态。
MTO 方法论本身 理论推演阶段 机器自主交易尚未大规模发生;本框架是推演与工程化尝试,不是已落地方案。
信任量化指标 实验性 指标设计合理但未经过真实交易场景验证,不构成任何决策依据。
风险提示

请勿将本平台的 MTO 能力用于对外商业承诺。现阶段它是一块面向未来的实验田,而不是一套可以直接卖钱的成熟产品。一个不敢承认自己还没落地的框架,不值得你投入。

10

开源共建 MTO
MTO 的底层约定必须开放、可审计、可互操作——不是姿态,是技术前提。我们更欢迎否定意见。

表 4|共建目标与所需支持
共建目标 当前状态 需要什么
证据链的数据模型 初版设计 不同行业的证据类型与溯源需求
信任量化指标 实验性 真实的验证场景与反例,用来证伪
A2A 核验接口 接口就绪 真实的机器调用方接入测试
机器可读知识文件约定 已实践 更多实现方参与,形成事实标准
行业证据模板 待补充 快消 / 美妆 / 3C / 医疗健康等领域知识
参与方式

提交 Issue 挑战框架(尤其欢迎「这个指标算不出来」「这个假设不成立」的具体反例)· 提交 PR 补充行业证据模型 · 参与规范讨论 · 开展证伪实验。

11

快速开始
后端(FastAPI,端口 5006)
cd backend # 建 venv 并安装依赖 cp .env.example .env # 配置环境变量 uvicorn app.main:app --host 0.0.0.0 --port 5006 --reload

API 文档:http://localhost:5006/docs

前端(Vue 3 + Vite,端口 5173)
cd bmn-frontend npm install npm run dev # 访问 http://localhost:5173

Docker(推荐)
docker-compose up -d # 一键启动全部服务

Agent 调用示例
触发诊断:POST /api/v2/geo/diagnosis/start → 轮询 /status/{task_id} → /result/{task_id}。所有端点可在 /docs 查看 OpenAPI Schema,支持 MCP / Function Calling 自动适配。

12

文档导航
板块体系 —— 本页为板块 A。MTO 文档共五个板块,另设一个总览页:

· MTO 板块总览 —— 五个板块的分工、选读路径与版本对照(建议从本页进入)。

· 板块 B · 研究与行业洞察 —— 为什么成立、边界在哪里。

· 板块 C · 学术理论与落地 —— 理论是否成立、如何证伪。

· 板块 D · 战略与公司经营 —— 怎么定位、怎么赚钱、怎么组织。

· 板块 E · 商业战略与广告交易 —— 广告与媒体链路如何机器化。

本说明配套以下文档,建议按序阅读:

① MTO 平台定义说明 —— 概念辨析、四层技术构成、成熟度分级、共建路线图(平台视角)。

② MTO 白皮书 v1.1 —— 行业研究白皮书(9 章 + 4 附录,含 AAO 关系裁定与 GEO 团标 / 国际标准基线),独立于本平台实现,可单独对外引用。GitHub 源文件 ↗

③ README —— 项目总览、核心特性、系统架构、API 与部署。

④ llms.txt —— 面向 LLM / Agent 的结构化项目入口(AI 可读)。

⑤ 系统说明书 · 原版存档 —— 原站像素风版本,正文内容与本页一致。

使用声明

本项目为个人学习与技术研究的非商业项目,无任何商业部署意图。MTO 概念目前仍属理论推演阶段,尚未全面落地,请勿据此做商业决策。GEO 引擎内核源自开源项目 GeoLook(MIT 许可),版权归其作者所有。如认为本仓库任何内容侵犯您的权益,请联系 duckwolf@qq.com,核实后第一时间删除,不作抗辩。

MTO 平台 · 机器信任优化 — 系统说明书(人读版)

MIT 开源 · 作者 Tom (duckwolf) · 配套文档见上方「文档导航」

GitHub 仓库个人网站Issue / 反馈白皮书 v1.1板块总览原版存档