工作原理：大模型如何检索、筛选与引用

06检索增强生成：答案背后的证据链从哪里来

要理解 GEO，先要理解一件事：绝大多数生成式引擎并不是凭记忆回答你的问题，而是在回答前先去“查资料”。这套机制叫检索增强生成（Retrieval-Augmented Generation，RAG），它把“模型的知识”与“此刻网上的材料”缝在一起，也正是企业内容能够介入的地方。

为什么需要“先查再答”

大模型的参数里存着训练时见过的世界，但参数是冻结的：它不知道上周发布的价格，也不知道你公司昨天换的负责人。更麻烦的是，当模型不知道时，它会顺着语言惯性编出一个看起来合理的答案，这就是“幻觉”。RAG 的初衷就是给模型一副“可以随时查阅的资料”，让答案有据可依。

对营销而言，这个设计带来一个关键结论：模型回答的内容，很大程度上取决于它此刻能查到什么。查到的材料质量高、口径一致、结构清晰，答案就更准确、更可能带上你的名字；查不到，或者查到的都是别人的转述，你就只能出现在“据说”“有观点认为”这类模糊表述里，甚至完全缺席。

RAG 的四个部件

把 RAG 拆开，大致是四个部件协同工作：索引负责把网页变成可检索的数据；检索器负责根据问题找出候选；重排器负责从候选里挑出更相关的片段；生成器负责把这些片段组织成自然语言。四个部件中，索引与检索决定了“有没有你”，重排决定了“用不用你”，生成决定了“怎么描述你”。

三种常见的检索来源

不同产品的检索来源不一样，企业需要知道自己要进入的是哪一张“货架”。常见的有三类：

• 自建索引。平台自己抓取并维护一份网页索引，类似一个小型搜索引擎。能不能进入，取决于抓取与收录。
• 合作搜索接口。调用外部搜索引擎的结果作为候选。此时传统 SEO 的表现会直接影响 AI 可见度。
• 实时联网抓取。针对时效性问题现场抓取若干页面。此时页面的可访问性、加载速度与正文可解析性尤为关键。

这三类来源的权重在不同产品、不同问题上会动态变化。同一个品牌可能在某些平台上被频繁引用，在另一些平台上完全消失，原因往往不是内容质量，而是没进入那张索引。所以在做诊断时，我们总是先问：目标平台的资料是从哪里来的。

对企业意味着什么

RAG 的存在，让 GEO 有了一条清晰的因果链：内容被索引 → 被召回 → 被重排选中 → 被写进答案。每一环都可以用工程手段改善，也都可以用数据验证。反过来，如果一家企业连官网都抓不到，或者页面正文全是图片，那么无论写多少稿、投多少广告，都不会改变它在 AI 答案里缺席的命运。

07查询理解与意图拆解：同一个问题为何答案不同

同一个问题，今天问和明天问，答案可能不同；同一天用两个账号问，答案也可能不同。很多企业因此认为“AI 不可控”。实际上，这种差异大部分来自查询理解与检索路径的随机性，理解它，反而能找到稳定的优化空间。

问题被“翻译”了三次

用户的原话进入系统后，往往会经历三次翻译。初次是意图归类：这是找信息、找服务、做比较，还是要一个操作步骤？第二次是实体归一：把口语里的说法映射到标准名称，比如把“那个做 AI 搜索优化的”映射到“GEO”。第三次是查询重写：生成若干个更适合检索的表达，可能包含同义词、上位词、具体场景。

这三次翻译中，任何一次出现偏差，都会导致检索方向偏离。比如用户问“GEO 培训靠谱吗”，如果系统把它理解成“GEO 是什么”，就会给出科普型答案，企业即使有大量课程口碑内容也不会被调用。理解这一点，就能解释为什么有些明显该被引用的页面始终不出现：不是页面不行，而是问题被理解成了另一个问题。

意图的四层结构

我们在做内容规划时，通常把一个业务问题拆成四层：

四层缺一层，链路就断。只有认知内容，用户认可却不行动；只有销售页，用户没被说服就先看到价格，转身就走。很多企业的内容问题不是“量不够”，而是层次不全：评估层几乎空白，于是 AI 在回答“靠不靠谱”时只能引用第三方的猜测。

追问带来的机会

对话式产品的一个特点是鼓励追问。用户在得到初步答案后，常会继续问“那具体怎么做”“有没有便宜的方案”。这些追问往往比初始问题更接近成交，因为此时用户已经完成了初步筛选。

对企业来说，这意味着内容不能只停在“是什么”，还要准备下一层的问题。一篇讲“GEO 是什么”的文章，如果末尾自然延展到“怎么开始做”“预算怎么定”，就更可能被下一次追问调用。相反，如果每篇文章都独立成岛、彼此不衔接，模型在追问时找不到后续材料，就会转向其他信源。

为什么答案会“随机”

答案的差异主要来自四个随机源：检索结果的排序抖动、切片截断的位置、重排模型的采样、生成时的措辞选择。这些环节都带有一定的非确定性，所以同一问题出现两三种不同表述是正常的。

理性的做法不是追求“每次都一样”，而是观察稳定出现的要素：品牌名是否出现、核心事实是否正确、竞品是否总在名单里、负面描述是否反复出现。把注意力放在这些稳定信号上，才能判断优化是否真的起作用。用一张单次截图去证明效果好或不好，都是不专业的。

08信源筛选：模型眼中值得引用的页面特征

假设模型已经召回了二十个页面，它凭什么选其中三个？这个问题没有公开答案，但从大量观察中可以归纳出一组稳定的偏好。理解这些偏好，比研究某个平台的“内部算法”更有实际价值。

特征一：主题聚焦，而不是大而全

一篇只回答“GEO 培训一般多少钱、包含什么”的文章，通常比一篇“公司介绍 + 全部业务 + 行业资讯”的页面更容易被引用。原因很简单：切片之后，聚焦的页面每一段都在回答同一个问题，重排打分更高；而大杂烩页面切成碎片后，多数片段与问题无关。

这也解释了为什么企业官网的“关于我们”很少被引用，而知识库里的具体文章经常被引用。官网负责建立信任，知识库负责被引用，两者分工明确。

特征二：事实密度高，形容词密度低

模型需要的是可搬运的信息：数字、时间、名称、条件、步骤。一段充满“专业、领先、贴心、全方位”的文字，语义上接近于零，因为它不包含任何可验证的内容。相反，“课程共 27 节、总时长约 313 分钟、自开通起 1 年内可看”这样的描述，既能被直接引用，也能被用户核对。

我们在改稿时常用一个简单指标：每三百字里，有多少个可以被核实的具体信息。低于三个，这篇稿子大概率只是情绪表达，很难成为信源。

特征三：结构清晰，层级可解析

标题层级、段落长度、列表与表格，都是给机器的“路标”。一个有 H2/H3 层级、每段不超过五六行、关键并列项用列表呈现的页面，切片质量明显更好。相反，几千字不分段的文本，切在哪里都可能割裂语义。

需要强调的是，结构不是给搜索引擎看的“作弊技巧”，而是降低理解成本的设计。人读起来也更舒服，这一点在移动端尤其明显。

特征四：来源可追溯，责任主体明确

页面是否标明作者、机构、更新时间、联系方式，会显著影响可信度判断。一个匿名页面写“业内数据显示”，与一个署名机构写“根据某年某月某机构发布的报告”，在重排中的待遇通常不同。原因不在于模型“相信权威”，而在于可追溯的内容更容易被交叉验证。

对企业来说，这意味着最基础的几件事必须做到：页面底部有主体信息与备案号，文章有作者与日期，引用数据给出处，联系方式真实可达。这些不是形式主义，而是“敢被核查”的信号。

特征五：与站点整体主题一致

模型在评估一个片段时，也会参考它所在的站点。一个长期专注某个领域的站点，其内容在该领域的可信度更高；一个什么话题都发的站点，单篇内容的权重会被稀释。这就是“主题纵深”的价值。

对中小企业而言，不必追求大而全的门户，反而应该做“窄而深”：把一个细分领域讲透，让站点在该领域形成清晰的实体关联。站群策略之所以有效，前提也是每个站点有独立主题，而不是几百个站发同一篇文章。

这五条特征有一个共同点：它们都不是“技巧”，而是把内容做得更清楚、更可信的自然结果。这也意味着 GEO 与用户体验并不冲突——真正为了被引用而做的改造，通常也让真人读得更顺畅。凡是需要牺牲可读性去迎合机器的做法，往往也难以持久。

09段落级采信：整篇文章为何不再是被引用的单位

在 SEO 时代，我们优化的是“页面”；在生成式时代，被选中的往往是“段落”。这个单位的变化，解释了为什么有些长文只被引用一句话，也解释了为什么短文有时反而更容易胜出。

切片是怎么发生的

文档进入检索系统前，通常会被切成若干块（chunk）。切法有多种：按固定字数滑窗、按标题层级切、按语义相似度切。无论哪种，目标都是让每一块自成一体：单独拿出来读，仍然知道在说什么。

这意味着两件事。其一，段落内部要自足：主语明确、指代清楚、结论完整。其二，段落之间的依赖要少：如果一段话必须读完前三段才能理解，切出来就是废块。

一段话的“自足性”测试

我们给编辑一个很土但有效的测试：把这段话单独复制到一个空白文档里，给一个不了解上下文的人看，他能不能看懂、能不能判断真假。如果看不懂，说明指代太多（“它”“该产品”“上述方案”）；如果判断不了真假，说明缺少主体与依据。

举个例子。不合格的写法是：“我们的课程性价比很高，服务也很到位，很多学员反馈不错。”合格的写法是：“墨子教育咨询的《GEO 优化实战训练营》为线上录播加直播答疑，含 27 节视频课与 1 年社群服务，商城标价 6980 元，阶段性活动价以商品页为准。”后者被单独切出来，仍然是一块可用的事实。

开头句决定命运

切片之后，重排模型往往重点看块的开头。开头如果是一句空话（“随着互联网的发展……”），整块的价值会被拉低；开头如果是明确结论（“GEO 的见效周期通常以季度计，原因是索引更新与内容采信都需要时间”），整块就很容易被选中。

所以我们在改稿时会强制一个规则：每个小节的段首，必须是一句可独立成立的判断句。这句判断句最好包含主体（谁）、对象（关于什么）、结论（怎么样）。它既是给读者的路标，也是给模型的“摘要”。

长度也有讲究

段落太短（一两句），信息量不足，容易被判为噪声；段落太长（十几行不分段），切片后语义割裂。经验上，一百到三百字一段比较合适，既能把一个观点讲完整，又不至于跨主题。列表项则相反，短一些更好，因为每条都是独立要点。

还有一个常被忽略的细节：表格与列表天然适合被切片。一行“项目 / 价格 / 包含内容”的信息，比一段描述更容易被准确提取。这也是为什么我们在白皮书里大量使用表格——它既方便人快速对比，也方便机器精确读取。

对内容规划的影响

如果被引用的是段落，那么内容规划的基本单位就应该是“问题—答案对”，而不是“文章”。一篇文章可以由五到八个问答对组成，每个问答对都能独立服务一个提问。这样的结构有两个好处：一是提高被切片命中的概率，二是方便后续更新——改一个问答，不必重写全文。

10事实交叉验证与时效性信号：错误信息如何被放大与矫正

模型在给出结论前，会尽量让多个来源互相印证。这既是机会，也是风险：一致的正面事实会被强化，矛盾的错误信息也会被反复传播。理解这套机制，才能管好品牌在 AI 里的“公共形象”。

交叉验证的三种结果

当模型检索到多份材料时，可能出现三种情况。一致：多处描述相同，模型会更有信心地采用，甚至给出肯定语气。冲突：不同来源说法不一，模型可能回避具体数字，用“通常在……之间”模糊处理，或者选择它认为更权威的一方。缺失：只有单一来源，模型可能引用但语气谨慎，也可能干脆不写。

这三种结果对应三种治理策略。一致的正面事实要持续维护，避免被新内容打破；冲突要尽快定位源头并统一口径；缺失则要补足可核验的材料。很多企业只在“缺失”时着急，却忽略了“冲突”才是最伤品牌的情况——因为冲突会让模型选择沉默，而沉默等于缺席。

错误信息是怎么被放大的

错误通常不是模型编的，而是被它读到的材料带偏的。常见路径有三条：

1. 过期信息。三年前的报价页仍可访问，模型读到旧价格，用户拿去和现价对比，产生不信任。
2. 第三方误写。某篇行业盘点把你的业务范围写错，被多个站点转载，形成“多数一致”的假象。
3. 自我矛盾。官网一处写“全国服务”，另一处写“仅限本地”，模型无法判断，只能模糊表述。

这三条路径有一个共同解法：建立单一事实源，并让全网向它对齐。这也是第六篇要展开的品牌事实库工程。

时效性到底怎么起作用

生成式引擎对“新”有明显偏好，原因不神秘：多数问题涉及当下，旧材料更容易出错。体现方式包括：页面上的更新时间、内容的增量修订、外部链接与提及的新鲜度、结构化数据里的日期字段。

但“新”不等于“改个日期”。如果只把日期改成今天而内容没变，短期或许有效，长期会被识别为低质更新。正确的做法是实质性迭代：补充新数据、修订过时结论、增加新的问答、更新价格与政策。每次更新留下可读的变更说明，既对用户负责，也给机器明确信号。

一个真实的治理顺序

我们在项目里通常按这个顺序处理事实问题：先盘点（把所有对外口径收集起来）→ 再定源（确定哪一份是权威版本）→ 后对齐（官网、媒体、平台、百科逐处修正）→ 再监测（每月抽查关键问题的答案）。顺序不能颠倒，因为在对齐之前做内容分发，只会把错误扩散得更广。