AI 搜索的工作原理:开发者必读的 AI 可见性指南
几十年来,搜索一直是大家熟悉的样子:输入查询词,得到一串网页列表,然后点开其中一个。幕后则是 Google 找出它认为你可能想要的页面,进行排序,给你一份选项清单。
但 AI 驱动的搜索正在改变这种体验。如果你向 ChatGPT、Gemini、Perplexity 或其他 AI 系统提问,得到的可能不再是长长的链接列表。相反,系统会理解你的问题,必要时从不同来源收集信息,然后直接生成一个答案。
这对网站和品牌来说是个重要变化:当已经没有传统排名位置可争时,该怎么办?
这正是 AI visibility(AI 可见性)概念的由来。企业和内容发布者不再只问「我的网站排在第几位?」,而是越来越多地问另一个问题:「当用户提出相关问题时,AI 会提到我们吗?」
这个区别听起来不大,却代表了信息在网络上被发现方式的重大转变。而这正是本文要探讨的内容。
本文将涵盖:
- Google 给你排序结果,AI 给你答案
- 「AI visibility」到底是什么意思?
- AI 是如何决定展示什么内容的?
- AI 搜索的奇特之处:小网站也有机会胜出
- 没有排名,该如何衡量?
- 数据告诉我们关于 AI 搜索的哪些信息
- 这对开发者和内容创作者意味着什么
- SEO 没有消亡,只是衡量指标变了
- 结语
Google 给你排名列表,AI 给你一个答案
想搞清楚搜索引擎和答案引擎的本质区别,关键在于它们处理信息检索的方式不同。
传统搜索引擎会抓取网页、建立索引,根据用户关键词运行排序算法,然后按照权威度和链接权重展示一排候选 URL。至于最终点开哪个、读哪个,完全由提问者自己决定。
AI 搜索则有所不同。用户输入一段自然语言提问后,AI 模型会拆解背后的意图,通过检索增强生成(RAG,一种提升 LLM 准确性的 AI 技术)或自身预训练的参数化记忆找到候选信息,调和相互矛盾的观点,并主动决定展示哪些资源或方案。
最关键的一点是:在 Google 上排名靠前,并不代表 AI 引擎一定会提到你。事实上,Ahrefs 的一项引用研究在分析了数千条提问后发现,ChatGPT、Copilot 等生成式助手引用的 URL 中,只有约 12% 在 Google 针对同一查询的前 10 名里。
虽然 Google 自家的 AI Overviews 较多地取材于传统搜索结果,但独立的对话式引擎会构建自己的答案图谱。AI 可见性并不纠结于抢占某个具体的 URL 位置,更重要的是:你的品牌(及其资源)能否成为机器直接给出的答案的一部分。
“AI 可见性”到底是什么?
抛开各种营销话术,AI 可见性指的就是你的品牌出现在 AI 综合答案中的概率和质量。评估它需要从三个维度展开:
- 品牌提及:模型在回答的文字中明确提到你的公司、服务或产品。比如有人询问轻量跑鞋,你的跑鞋文章会不会出现在推荐列表里?
- 引用(Citations):模型以脚注或链接的形式,把你具体的网页标注为所呈现信息的权威来源。
- 语境与情感倾向:模型如何描述你的品牌。被提及为"高性价比之选"和被描述为"不可靠"或"过时",差别巨大。
这个区分很重要,因为提及和引用并不总是同时出现。AI 模型可能因为把你的品牌理解为已知实体而自由推荐你的产品,却引用第三方技术评测网站作为主要事实依据。反过来,搜索引擎也可能引用你的文档来解释某个 API 标准,但从不把你当作供应商推荐。
那么 AI 是如何决定展示什么内容的?
要理解 AI 如何挑选要纳入搜索结果的实体,我们需要先了解现代检索引擎的工作原理。
目前的系统并不只靠匹配算法,还结合了语义分析(AI 或程序理解词语真实含义和语境的过程)、向量表示(把词语、句子或数据转换成数字列表,让计算机能理解其含义)以及多源验证(跨多个独立可靠来源交叉核实某个论断或数据集,以确认其真实性)。
用户提交 prompt 后,系统并不会把它当作一组待索引匹配的词。借助稠密段落检索和 Retrieval-Augmented Generation(RAG),引擎会把请求转换为包含真实语义上下文的高维向量嵌入,然后在互联网上搜索候选段落,并通过多种信号进行分析:
核心信号 | 引擎评估的内容 | 为何会影响回答 |
语义相关性 | 含义、上下文和向量邻近度 | 解决用户背后的真实意图,而非逐字匹配文本。 |
信息密度 | 是否包含硬数据、统计数据和可验证的论断 |
模型更青睐包含具体事实的内容,而非模糊的定性描述。 |
引用与出处(Attribution & Provenance) | 有引用标注的外部参考来源 | 来源透明,模型才能放心地支撑其论断。 |
跨来源一致性(Cross-Source Consensus) | 多个独立平台相互印证 | 如果独立评审机构的结论一致,模型就会将其视为事实。 |
信息新鲜度(Information Freshness) | 近期的时间戳和持续更新 | 确保规格、价格和库存信息反映当前市场真实情况。 |
结构可提取性(Structural Extractability) | 清晰的语义层级(HTML 标签、表格) | 模块化、干净的内容块让模型能准确摘录段落而不产生误读。 |
这些信号背后的数学依据来自普林斯顿大学那项开创性的 GEO 研究。科学家们通过在多个生成式搜索引擎上进行 10000 次查询实验,证实了有针对性的内容优化可以将来源在 AI 结果中的可见度提升 30% 到 40%。
更重要的是,这项研究揭示了生成式模型给予奖励的优先级:
- 加入统计数据:加入量化信息后可见度提升 41%。AI 算法更喜欢可量化的数据,而不是“很多用户偏爱……”或“效率极高……”这类笼统的说法。
- 加入引言/引用:以引言形式引用领域专家观点并注明出处,可见度可提升 28% 到 40%。
- 传统关键词堆砌反而是惩罚:传统 SEO 主要靠重复关键词来优化排名。但普林斯顿的研究显示,在 Perplexity 等模型中,关键词堆砌会使可见度比基线还低 10%,因为 LLM 能识别出这种重复是操纵性文本。
此外,发表在《International Journal of Information Management Data Insights》上关于检索增强 LLM 搜索的研究表明,对话式引擎在展示某个品牌之前,会对中立性和一致性进行非常严格的核查。如果网站上的说法无法通过第三方共识来验证——比如权威的行业数据库、学术数据库或同行讨论——引擎就会将该实体从数据库中过滤掉,以降低产生幻觉的风险。
查询类型决定了整个筛选过程。例如,"什么是 GPS?"这类简单查询会调用教育类资源库生成百科式的回答;而"马拉松训练用哪款跑表最好"这类操作性查询则需要对比式检索,模型会交叉核对电池续航、跑步社区里的 GPS 评测以及爱好者的意见等信息。
AI 不会选择外链最多的网站,也不看其他那些看似可以预测的指标。它选择的是能用可验证的证据、满足用户场景中各个方面的网站。
AI 搜索的奇特之处:小网站依然有机会胜出
在传统 SEO 中,拥有海量外链的成熟巨头往往在高流量搜索结果上占据难以撼动的垄断地位。而 AI 遵循完全不同的原则:它看重的是实用性,而非纯粹的域名权威。
由于 AI 搜索引擎寻找的是针对请求特定方面的答案,专业出版方、小型机构和小众产品厂商往往能排在各大品牌之前。一位开发者写的 2,000 字文章,专门讲解如何调试某款软件的边缘问题,对综合引擎来说,比企业发布的、充满开场套话的 3,000 字标准博客文章有价值得多。
数据显示,品牌在网上的提及量与生成式引用高度相关,而与传统的反链数量关联不大。一项对 6.8 亿次 AI 引用的分析表明,不同引擎引用的来源可能差异巨大。由于检索模型各不相同,就连 ChatGPT 和 Perplexity 之间也只有 11% 的引用重叠。
没有排名的东西怎么衡量?
当答案在对话中动态生成时,传统的排名追踪工具就没什么用了。动态聊天系统里并不存在固定的"第四名"。两个输入完全相同提示词的用户,可能收到基于完全不同来源定制生成的回答。
为了解决这个问题,行业开始转向新的评估指标。一个明显的信号是AI 排行榜的出现,用来追踪某些品牌在对话式问答引擎中出现的频率。
这类工具通过模拟真实场景下的查询——覆盖不同品类、国家和引擎——来衡量品牌的生成式声量份额。团队不再静态追踪关键词排名,而是分析哪些提示词会触发品牌提及,以及哪些网站被作为事实依据引用。
数据揭示了 AI 搜索的哪些规律
分析 AI 可见度的汇总数据后,可以总结出模型引用来源的几个关键规律。
首先,独立的聚合类和评论类网站比品牌自有网站的引用价值更高。在回答产品对比类问题时,生成式模型会尽量避免给人留下带有偏向性的推广印象。引用厂商自己的网站来说明它为什么是最好的选择,显然违背了中立性原则。因此,编辑类刊物、评测实验室以及 Reddit、Quora 这类在线论坛往往成为主要来源,而品牌官网只是偶尔被引用。
其次,引擎的架构决定了引用习惯。下面的深度分析基准显示,不同引擎引用的网络区域差别很大:
- ChatGPT 主要引用百科类来源、新闻媒体和综合性参考资料。
- Perplexity 更偏好论坛帖子、开发者网站和实时讨论内容。
- Google AI Overviews 主要依赖当前排名靠前的搜索索引,并直接摘取可靠商业网站的内容片段。
举个例子,在云存储这类竞争激烈的市场中,某家云服务商可能在推荐结果中脱颖而出,并不是因为它投放了更多广告,而是因为它的技术文档在 Reddit、Stack Overflow 等各类论坛上被大量搜索和讨论。
这对开发者和内容创作者意味着什么
要适应由 AI 介导的网络,就需要重新审视页面的构建、组织和维护方式。对开发者、技术写作者和内容创作者来说,重心已经从关键词优化转向了机器可读性。
为内容提取而设计结构
生成式引擎会把长文本切分成更小的片段,也就是所谓的 embeddings。如果页面布局混乱,核心答案被埋在推广文案或客户端 JavaScript 之下,爬虫可能就无法提取到关键信息。
- 使用描述性的
<h2>和<h3>标签,直接对应具体问题。 - 把直接、明确的答案放在每个标题下的第一句话里。
- 对比类参数信息用原生 HTML 表格和干净的列表呈现,而不是自定义 canvas 组件。
提供可验证的事实锚点
LLM 在训练中被要求优先采信共识内容,避免无依据的说法。你可以把观点锚定在真实数据上,让系统更容易验证你的内容:
- 注明清晰的作者资质、一手研究数据和直接的来源链接。
- 定期更新事实性文档(如价格方案、集成方式和版本号)。过时内容会在检索过滤阶段被淘汰。
- 采用标准 schema 标记(
Article、TechArticle、Product、FAQPage),为自动化抓取工具提供明确的元数据。
面向问题优化,而非查询片段
传统搜索鼓励用户使用"续航最好的轻薄笔记本"这类查询。而在 AI 时代,用户会用更口语化的方式提问:"哪款 14 英寸笔记本在运行 Docker 容器的情况下还能撑过 8 小时的航班?"创作能覆盖这类具体、多层场景的内容,能确保你的页面恰好包含 AI 构建完整推荐所需的语义节点。SEO 没死,只是衡量标准变了
生成式搜索的出现,又引发了那套熟悉的"SEO 已死"论调。但 SEO 并不会消失,它正在分化成两个互补的方向:- 传统搜索引擎依然是互联网流量的关键来源
- AI 引擎仍依赖开放网络的索引来补充自己的知识库