基于人工智能的搜索技术的工作原理：为开发人员提供的关于如何提升人工智能技术的可见性的指导指南

几十年来，人们使用搜索功能的方式一直很传统：你输入查询词，系统会返回一系列页面列表，然后你从中选择其中一个点击进入。在幕后，谷歌会找出它认为用户可能会感兴趣的页面，对它们进行排序，最终生成一个选项列表供用户选择。

但由人工智能驱动的搜索正在改变这种体验。如果你向ChatGPT、Gemini、Perplexity或其他人工智能系统提出问题，你可能不会得到一长串可供查看的链接。相反，这些系统能够理解你的问题，在适当的情况下从不同来源收集信息，然后直接生成答案。

这对网站和品牌来说意味着一个重要的变化：当没有传统的排名位置可以争夺时，情况会变成什么样呢？

这时，“人工智能可见性”这个概念就派上了用场。企业和服务提供商不再仅仅问“我的网站在什么排名位置”，而是开始思考另一个问题：“当有人提出相关问题时，人工智能会不会提到我们？”

这种区别听起来可能微不足道，但实际上它代表了在线信息获取方式的重大变化。而这就是我们接下来要探讨的内容。

我们将讨论以下内容：

• 谷歌提供排名结果，而人工智能直接给出答案
• “人工智能可见性”到底意味着什么？
• 人工智能是如何决定展示哪些内容的呢？
• 有趣的是，小型网站在人工智能搜索中依然有可能获胜
• 如何衡量那些没有排名位置的内容呢？
• 数据告诉我们关于人工智能搜索的哪些信息？
• 这对开发者和内容创作者意味着什么？
  • 提取信息的结构
  • 提供可验证的事实依据
  • 针对问题进行优化，而非针对查询片段
• SEO并没有死。只是衡量标准在发生变化。
• 总结

谷歌提供排名结果，而人工智能直接给出答案

如果你想真正了解搜索引擎和答案系统的运作原理，关键就在于它们各自是如何处理信息检索工作的。

传统的搜索引擎会爬取网页，将它们编入索引，然后根据用户的搜索关键词运行排序算法，最终按照页面的权威性和链接价值来展示候选结果。至于用户最终应该点击哪个链接来阅读内容，这个决定完全由提问者自己来做。

人工智能搜索确实带来了一些变化。当用户输入自然语言查询时，人工智能模型会分析其中蕴含的意图，利用“检索增强生成技术”（这种能够提升大语言模型准确性的技术）或其预训练的参数化记忆系统来筛选相关信息，协调各种相互矛盾的观点，并主动决定该展示哪些资源或解决方案。

最关键的一点是：在谷歌上获得高排名并不能保证人工智能系统会提及你的品牌。事实上，一项针对数千条查询语句进行的分析发现，像ChatGPT和Copilot这类生成式助手所引用的URL中，只有大约12%的实际出现在谷歌相关搜索结果的前三名之中。

虽然谷歌自身的人工智能推荐系统会更频繁地从传统搜索结果中提取相关信息，但独立的对话式人工智能系统则会构建属于自己的信息结构。对于人工智能系统而言，真正重要的并不是能否占据特定的搜索位置，而是你的品牌及其相关资源是否能够直接出现在系统的回答结果中。

“人工智能可见性”究竟意味着什么？

如果抛开所有营销术语不谈，“人工智能可见性”实际上代表了你的品牌被纳入人工智能生成答案中的概率及其质量。要评估这一指标，需要从三个不同的维度来进行分析：

• 品牌被提及的情况：人工智能模型是否会在其生成的回答中明确提到你的公司、服务或产品。例如，当有人询问轻量级跑鞋时，你的品牌相关文章是否会出现在推荐列表中？

• 引用情况：人工智能模型是否会将你的网站作为其所提供信息的权威来源进行标注或提供链接。

• 呈现方式与情感倾向：人工智能模型是如何描述你的品牌的。如果被描述为经济实惠的选择，这与被评价为不可靠或过时的情况是完全不同的。

这种区分非常重要，因为品牌被提及和被引用并不总是同时发生的。一个人工智能模型可能会主动推荐你的产品，因为它认为你的品牌是一个值得信赖的实体；但同时它也可能将第三方的技术评测网站作为主要的信息来源。另一方面，某个系统也可能会引用你的文档来解释某种API标准，但却从未将你的公司列为供应商。

那么，人工智能究竟是如何决定该展示哪些内容的呢？

要想理解人工智能是如何选择要纳入搜索结果中的信息的，我们就需要了解现代检索系统的工作原理。

目前的这些系统并不只使用匹配算法，它们还结合了语义分析（人工智能或计算机程序解读词语真实含义和上下文的过程）、向量表示法（将词语、句子或数据转化为数字列表以便计算机理解其意义的方法），以及多源验证（通过多个独立可靠的来源来核实信息的真实性与准确性）等技术。

当用户提交查询请求后，系统并不会将其视为一组需要与索引进行匹配的文字。而是通过密集段落检索以及检索增强生成技术，将用户的请求转化为能够反映其真实语义背景的高维向量表示。随后，系统会在互联网上搜索符合条件的段落，并通过多种评估指标对这些段落进行分析：

来源与出处

跨平台一致性

信息时效性

结构清晰度

核心评估指标	系统关注的内容	这些指标为何会影响搜索结果
语义相关性	段落的意义、上下文以及词汇之间的关联程度	系统关注的是用户背后的真实意图，而不仅仅是文字本身。
信息密度	段落中是否包含具体数据、统计信息或可验证的内容	模型更倾向于选择那些包含大量事实性信息的段落，而非模糊的定性描述。
段落中是否引用了相关专家的观点或外部参考资料	明确的来源信息有助于模型确保其给出的结论是可靠的。
不同平台上的搜索结果是否一致	如果多个独立评估机构得出的结果相同，模型就会将这些信息视为事实。
段落中的信息是否为最新内容，是否有频繁的更新	这有助于确保提供的信息反映当前的市场状况。
段落的层次结构是否清晰，例如是否使用了HTML标签或表格	结构清晰的段落有助于模型准确提取所需信息，避免误解。

这些评估指标所依据的数学理论基础，源自普林斯顿大学开展的开创性研究“GEO研究”。科学家们通过对10,000条查询在多种生成式搜索引擎上的实验验证，发现针对特定需求进行内容优化，确实可以将相关信息的显示概率提高30%到40%。

更重要的是，这项研究还揭示了生成式模型能够提供哪些类型的“奖励”：

• 添加统计数据：在段落中加入定量数据后，其显示概率增加了41%。人工智能算法更倾向于处理可量化的统计信息，而非诸如“许多用户喜欢……”之类的笼统表述。

• 添加引用内容：以引用的形式提及相关专家的观点，并提供出处信息，可以使段落的显示概率增加28%到40%。

• 传统关键词堆砌的负面影响：传统的搜索引擎优化方法往往依赖关键词的重复使用来提升排名。但普林斯顿大学的研究表明，在像Perplexity这样的模型中，过度使用关键词反而会导致显示概率下降10%，因为大型语言模型能够识别出这种刻意堆砌的行为。

此外，在《国际信息管理数据洞察杂志》上发表的研究表明，对话式搜索引擎在展示某个品牌之前，会对其中立性和一致性进行极其严格的检查。如果某个网站所宣称的内容无法通过第三方机构（如权威行业数据库、学术数据库或同行评议）的认可来得到验证，那么该引擎就会将该品牌从自己的数据库中剔除，以此降低出现错误信息的风险。

查询类型决定了整个筛选过程的结果。例如，像“什么是GPS？”这样的简单查询，会促使教育类资源库提供百科式的解答；而像“哪种跑步手表最适合马拉松训练”这样的具体问题，则需要通过对比分析来获取答案。在这种情况下，模型会综合考虑电池续航能力、跑步社区的用户评价以及相关爱好者的意见等因素。

人工智能并不会选择那些拥有最多链接的网站，也不会依据其他看似可预测的因素来进行选择。相反，它会挑选那些能够用可靠的证据满足用户特定需求的网站。

关于人工智能搜索的奇怪现象：小网站依然有可能胜出

在传统的搜索引擎优化中，那些拥有大量链接的知名大型网站往往能在高流量搜索中占据绝对优势。然而人工智能搜索的工作原理完全不同——它更看重实际效用，而非单纯的域名影响力。

由于人工智能搜索引擎会针对用户的具体需求来寻找答案，因此专业出版机构、小型代理公司以及生产小众产品的企业，往往比大型品牌更容易在搜索结果中名列前茅。例如，一位开发者撰写的2000字文章，专门讲解如何解决某款软件的特定问题，这样的内容对人工智能检索系统来说，其价值远高于那些由企业撰写、充斥着冗长介绍语的3000字博客文章。

数据表明，在网络上提到某个品牌与该品牌被引用的频率之间存在高度相关性，但这种相关性与网站拥有的链接数量并无关联。对6.8亿条人工智能生成的引用数据进行分析后发现，不同搜索引擎所引用的来源往往大相径庭。就连ChatGPT和Perplexity这两种模型，其引用的内容也只有11%是相同的，这正是因为它们的检索机制各不相同。

如何衡量那些没有排名指标的事物呢？

在对话系统中，答案往往是动态组合而成的，因此传统的排名系统在这里就变得毫无意义了。在动态聊天环境中，并不存在所谓的“第四名”这样的概念。两个输入完全相同内容的用户，可能会得到来自完全不同信息源的个性化回答。

为了解决这个问题，业界已经开始采用新的评估指标。这一变化的一个明显体现就是人们开始使用AI排行榜来追踪某些品牌在对话式搜索系统中出现的频率。 这些工具通过模拟现实生活中在不同类别、国家和地区以及各种搜索系统中会提出的查询，来评估这些模型在生成性内容方面的影响力。与静态地跟踪关键词的排名不同，这些工具会分析那些能够引发人们提及相关内容的提示语，以及被用来作为事实依据的主要网站。

数据告诉我们关于AI搜索的哪些信息

当我们分析有关AI在互联网上可见度的汇总数据时，可以发现模型所产生的引用内容中存在一些明显的模式。 首先，独立开发的聚合网站和评测平台所获得的引用价值通常要高于品牌自己拥有的网站。在回答关于产品的比较问题时，生成式模型会尽量避免给人一种带有偏向性的宣传印象。如果引用供应商的网站来说明为什么该产品是最佳选择，那就违背了中立性的原则。因此，新闻媒体、测试机构以及Reddit或Quora这样的在线论坛才会被作为主要信息来源，而品牌自己的官网则很少会被提及。 其次，搜索引擎的架构也会影响其引用行为。以下深入的分析数据显示，不同的搜索引擎会优先引用互联网上的不同类型内容：

• ChatGPT主要会引用百科全书、新闻媒体以及各种参考资料。

• Perplexity则更倾向于引用论坛帖子、开发者的网站以及实时的讨论内容。

• Google AI Overviews主要依赖当前的搜索指数，并直接引用来自可靠商业网站的文本内容。

例如，在云存储这样一个竞争激烈的领域，某个云服务提供商之所以会在搜索结果中脱颖而出，并不是因为它的广告投入更多，而是因为其相关文档在Reddit和Stack Overflow等论坛上被频繁搜索。

这对开发者和内容创作者意味着什么

要适应由AI驱动的互联网环境，就需要重新评估页面的构建方式、结构安排以及维护流程。对于开发者、技术写作人员以及内容创作者来说，他们的关注点应该从关键词优化转向确保内容能够被机器顺利理解。

提取信息的结构

生成式搜索引擎会将长篇文本分解成被称为“嵌入”的小片段。如果一个页面的布局过于复杂，导致答案被隐藏在宣传性内容或客户端的JavaScript代码之后，爬虫可能就无法提取到其中的核心信息。

• 使用描述性强的 `

  ` 和 `

  ` 标签，这些标签能够准确反映用户的问题意图。

• 在每个标题下的第一句话中直接给出明确、不含糊的答案。
• 在比较说明中使用原生的 HTML 表格和简洁的无序列表，而不是自定义的界面元素。

提供可验证的事实依据

大型语言模型被训练成会优先考虑共识内容，并避免使用未经证实的说法。你可以通过将观察结果与真实数据点关联起来，使系统更容易验证你的内容：

• 明确注明作者的资质信息、主要研究数据以及来源链接。
• 定期更新事实性资料（如价格等级、集成方法及版本号等信息）。过时的内容在检索过程中会被过滤掉。
• 采用标准的结构标记格式（如 `Article`、`TechArticle`、`Product`、`FAQPage`），以便自动化爬虫能够获取清晰明确的元数据。

优化内容以适应问题查询，而非简单的关键词片段

传统的搜索方式鼓励人们使用像“最佳轻量级笔记本电脑的电池续航时间是多少”这样的查询语句。而相比之下，用户与人工智能交流时会使用更自然、更具层次性的问题，例如“哪款14英寸笔记本电脑在运行 Docker 容器的情况下能够支持8小时的飞行任务？”创建针对具体场景、内容层次丰富的内容，才能确保你的页面包含人工智能生成推荐结果所需的所有关键信息。

SEO并未消亡，只是评估标准发生了变化

生成式搜索的出现让人们再次预测搜索引擎优化会因此而失效。但实际上，SEO并没有消失，而是分化成了两个互补的方向：

1. 传统的搜索引擎仍然是互联网流量的重要推动者。
2. 人工智能引擎仍然依赖开放网络的索引来补充它们的知识库。

对于这两种技术而言，良好的网站架构、快速的页面加载速度以及可靠的编辑标准依然是必不可少的条件。

真正发生变化的是对成功的定义。一个网站可能在传统搜索结果中排名靠前，但却不会出现在人工智能生成的摘要中；相反，一份专业的技术指南虽然可能从未在某个关键词的搜索结果中排在第一位，却能够为人工智能生成数以百万计的聊天回复提供有用的信息。

谷歌教会了我们如何争夺搜索结果页面的首位位置，但人工智能搜索则要求我们成为那些被智能系统信赖的信息来源，让它们能够在为用户提供知识服务时依赖我们提供的内容。

在下一个时代中取得成功的，将不是那些利用算法来获取点击量的人，而是那些在网络上发布最清晰、最具权威性、最容易被验证的答案的人。

总结

^{搜索领域发生的最大变化，并不在于人工智能会取代谷歌。事实上，最关键的变化在于人工智能正在改变“在网络上获得可见性”这一概念本身的含义。 虽然较高的排名仍然能够吸引流量，但排名已不再是唯一重要的因素。随着越来越多的人向人工智能系统寻求直接答案，品牌和网站也需要思考：自己的信息是否真的会被选中、被引用，并被纳入这些答案之中。 归根结底，目标非常简单：创造那些真正能够回答问题、易于获取、且足够值得信赖的信息。因为在人工智能驱动的搜索系统中，你的网站必须成为这些答案的一部分。}