从向量到引用：GEO 背后的语义检索逻辑

一、两段没有相同关键词的文字，为什么可能指向同一件事？

假设有人问 ChatGPT：“我要怎么提高网站内容被 AI 回答采用的机会？”

网上有两段文字。第一段写着：“生成式引擎优化（GEO）着重于提升内容在生成答案中的可见度。”第二段则说：“想让聊天机器人在回答问题时引用你的文章，除了让信息容易被检索，也要提供足以支撑答案的证据。”

两段文字几乎没有重复的核心词汇，讨论的却是同一个问题。反过来看，另一篇文章就算密集出现“GEO”“ChatGPT”“AI 搜索”等字眼，内文也可能只是在综述行业规模，完全没有回答网站运营者该从何下手。

这正是理解语义检索（Semantic Retrieval）的起点：一段内容能不能被找出来，除了看它与查询共享多少字面词汇，也看检索系统能否判断两者在语义上是否相关。但这并不代表传统关键词检索已经退场，更不能据此推论所有 AI 搜索都只靠向量运作。

把问题再往后推一步，真正的落差才会浮现。即使一篇文章顺利通过检索、进入候选名单，它也未必会被放进 AI 的最终回答；就算模型真的采用了文章里的信息，回答下方也未必会附上正确的来源链接。本文想拆开的，正是从“语义相近”走到“被引用”之间那段经常被简化的距离。

二、Embedding 如何把文字转成向量？

把文字放进一个可计算方向的坐标系

在数学上，向量可以理解成一组有顺序的数字。文本嵌入模型（Embedding Model）会把句子、段落或整份文档映射成高维向量，让模型在特定训练目标下学到的语义关联，转化为坐标空间里的几何关系。

为了直观理解，可以先将数百至数千维的向量压缩成一张二维平面图：每一段文字都是一支从原点射出的箭头；当某段内容的箭头方向与用户问题越接近，代表在该模型的表征空间里，两者对应的语义关系越紧密。

衡量两支向量方向有多接近，最常见的指标是余弦相似度（Cosine Similarity）：

阅读这个公式时要格外小心：它是几何定义，不能直接翻译成“1 分代表同义、0 分代表无关、-1 分代表反义”。举例来说，“这家餐厅很好吃”与“这家餐厅很难吃”评价截然相反，却同样围绕餐厅与餐品体验，在许多语义嵌入模型里依然会落在相当接近的位置。语义接近不等于立场一致，更不等于事实正确。

为什么把文字变成数字，不会自动产生“语义”？

让向量之间的距离真正反映句子层级的语义相似，本身就是自然语言处理的重要研究课题。2019 年发表于 EMNLP 的 Sentence-BERT（SBERT）论文发现，若直接把未经句向量微调的原生 BERT 输出拿来取平均或取 [CLS] 向量，在语义相似度基准测试上的表现甚至不如传统的 GloVe 词向量。研究团队因此采用孪生与三元组网络架构重新训练句向量，让两段文字能各自独立编码，再以余弦相似度快速比对（Reimers & Gurevych, 2019）。

该论文提供了一组经典的计算成本对照：在单张 NVIDIA V100 GPU 上，若要从 10,000 个句子中找出最相似的一对，传统逐对送入 BERT cross-encoder 的做法需要执行 49,995,000 次推理，耗时约 65 小时；改用 Sentence-BERT 预先算出句向量并比对余弦相似度，总时间缩短到约 5 秒。正是因为文档向量能够离线预先计算并建立索引，语义比对才得以从昂贵的两两推理，走入可规模化的在线检索。

另一个实践中常被忽略的限制是：向量分数无法跨模型直接比较。不同 Embedding 模型的训练数据、损失函数与维度分布各异；Ethayarajh（2019）针对 BERT、ELMo 与 GPT-2 的分析更指出，这类上下文表征往往挤在高维空间的狭窄锥形区域内，呈现高度各向异性（Anisotropy），导致随机两个无关词汇的余弦相似度也可能远高于 0。因此，市面上偶尔流传“只要段落与问题的 cosine 大于 0.8 就容易被 AI 引用”的说法，在科学上并不存在跨平台通用的门槛。

三、语义相近，如何变成一条搜索结果？

Dense Retrieval 与关键词检索的互补边界

在信息检索（Information Retrieval）领域，稠密检索（Dense Retrieval）会将用户查询与庞大的文档段落库映射到同一个向量空间，再通过近似最近邻搜索（ANN）快速召回最接近的前 K 个候选段落（Top-K）。

2020 年发表于 EMNLP 的 Dense Passage Retrieval（DPR）是这条路线的代表作（Karpukhin et al., 2020）。DPR 使用双编码器分别处理问题与约 2,100 万个 100 字维基百科段落，并以向量内积（dot product）作为默认相关性函数。只有在所有向量都先归一化为单位长度的前提下，内积才会等同于余弦相似度；换言之，夹角图解有助于建立直觉，却不能当成所有检索系统唯一的底层公式。

更值得营销与内容研究者留意的是 DPR 与传统关键词检索 BM25 的正反对照：在由真实搜索提问构成的 Natural Questions 数据集中，前 20 个召回段落包含答案的比例（Top-20 召回率），DPR 达到 78.4%，明显高于 BM25 的 59.1%；然而在提问者高度沿用原文词汇的 SQuAD 数据集上，BM25（68.8%）反而优于未针对该数据集微调的 DPR（63.2%），结合两者的混合检索则进一步拉高整体表现（Karpukhin et al., 2020）。

这组数据直接打破了“有了向量检索就不再需要关键词”的迷思。稠密检索擅长跨越同义改写与口语提问，稀疏关键词检索则在专有名词、品牌名称、产品型号与法规条号上保有精准优势。现代搜索系统普遍结合两者，谈 GEO 并不需要把 SEO 积累至今的词汇与实体基础推翻。

AI 搜索面对的往往是一组展开后的子问题

传统搜索多半直接拿用户输入的字符串去比对索引；生成式搜索则常在检索前多做一步查询改写与拆解。Google Search Central 在说明 AI 概览（AI Overviews）与 AI 模式（AI Mode）时明确提到查询扩展（Query fan-out）机制：系统会将复杂提问拆解并同时发出多个相关子查询，横跨不同子主题与数据来源取回更广泛的网页链接（Google Search Central, n.d.）。OpenAI 对 ChatGPT Search 的技术说明同样指出，模型会依对话上下文将用户问题改写为一个或多个针对性搜索查询。

举例来说，当用户问“如何衡量 GEO 成效？”，背后展开的检索方向可能涵盖“AI 搜索引用率怎么计算”、“品牌提及与来源链接有何差别”、“不同模型回答波动如何重复抽样”。这三个子问题为教学举例，但足以说明一件事：一篇只反复堆砌“GEO 成效”四个字、却未分别解答指标定义与抽样限制的文章，很难在多路子查询中同时提供有效支撑。

Chunking 的迷思：不必为了 AI 把文章切得支离破碎

由于向量数据库实现时常把长文切成固定或语义段落（Chunk）建立索引，坊间一度衍生出“为了做 GEO，每段文字都必须写成短短几句的独立碎片”的教条。这其实把特定开发框架的工程默认设置，误当成了所有商用搜索引擎的写作规定。

Google 在 2026 年发布的官方文档〈针对 Google 搜索的生成式 AI 功能进行网站优化〉中直接澄清：网站运营者不需要为了迎合生成式 AI 而刻意将内容切成细碎片段（chunking），搜索系统本来就能理解同一页面里涵盖的多个相关子题（Google Search Central, 2026）。真正兼顾人类阅读与机器检索的做法，是让每个章节具备清楚的小标题、明确的先行结论与完整的上下文脉络。

四、从提问到引用，中间经过哪五道关卡？

理解了向量与混合检索，只走到一半。2020 年发表于 NeurIPS 的 Retrieval-Augmented Generation（RAG）论文奠定了“先由检索器取回外部文档，再交由生成模型综合产出回答”的经典范式（Lewis et al., 2020）。到了今天的商用 AI 搜索，系统往往还会叠加多轮查询、质量信号筛选与事后引用对齐。下图整理出五道核心概念关卡，帮助定位内容究竟在哪一步流失（各平台的实际工程架构可能合并、反复迭代或省略部分环节）：

1. 查询展开（Query）：系统解析对话意图，将口语问题改写或拆解为一个或多个搜索子查询。若提问本身不需外部实时数据，模型甚至可能不触发网页检索，直接依参数记忆作答。
2. 候选检索（Retrieval）：检索器通过词汇匹配、向量相似度或混合索引，从可访问的网页库召回一批 Top-K 候选片段。页面若遭到封锁、未被编入索引，或内容与所有子查询都缺乏关联，就会在这一关出局。
3. 重排序（Re-ranking）：第一轮召回追求速度，难免混入“主题擦边但未正面解答”的段落。信息检索系统常在召回后引入精细但计算成本较高的交叉编码器（Cross-encoder），或采用如 ColBERT 这类保留词元层级延迟交互（Late Interaction）的模型重新评分（Khattab & Zaharia, 2020），同时也可能纳入网站权威度与时效性等信号。例如面对“GEO 怎么测量”，一篇详列指标定义与抽样设计的文章，通常比泛谈“GEO 趋势有多重要”的概论更有机会在重排序阶段胜出。
4. 生成与整合（Generation）：进入模型上下文窗口的数十个段落，并不会被平均采用。大语言模型会挑选能直接支撑论点的事实、数据与定义，将多份来源压缩、改写并组装成一段通顺的回答。
5. 标注来源（Citation）：系统在回答句尾或来源栏附上链接。值得注意的是，界面显示的引用清单未必与模型生成时实际依赖的段落一一对应；有些句子融合了多处信息却只挂上单一链接，有些链接甚至是在回答生成后才匹配补上。

把这五道关卡摊开，整篇文章最核心的诊断原则便一目了然：进入检索候选、被答案实质采用、以及获得正确的引用标注，是三件必须分开观察的结果。

五、KDD 2024 的 GEO 论文真正证明了什么？

既然进入候选池不保证被采用，修改网页本身的写法，究竟能不能改变它在生成答案里的可见度？

普林斯顿大学、印度理工学院德里分校与 Allen AI 等机构学者于 KDD 2024 发表的开创性论文〈GEO: Generative Engine Optimization〉，首次为这个问题建立了系统化的实验基准（Aggarwal et al., 2024）。研究团队构建包含 10,000 条多元查询的 GEO-bench，先对每道问题固定取回 Google 搜索前五条网页来源，再交由 GPT-3.5-turbo 依据这五份来源生成附带行内引用的回答；实验每次仅对其中一份目标来源施加特定的内容改写策略，借此比较改写前后该来源在回答中的可见度变化。

读懂这项实验设计的边界非常关键：因为五条输入来源已经预先固定，这篇论文测试的是“候选内容在生成与引用阶段被采用的程度”，并没有测试“改写能否让网页在 Google 或检索器里排名上升”，更不能直接类推为今天所有商用模型都按固定比例加分。

论文的主观与客观评估中，最常被引用的是字数与位置加权指标 Position-Adjusted Word Count（综合计算引用句占回答字数的比例，并赋予越靠前的句子越高权重）。图 3 与表 1 整理了论文 arXiv v3 版本表 1 的核心结果：

综合表 1 与论文后续实验，可以提炼出四点经得起检验的结论与限制：

1. 提供具体证据与清晰表达，有助于模型抽取组织答案：在固定候选池中，加入具名引述（27.2）、统计数据（25.2）、流畅化改写（24.7）与标明出处（24.6）均显著优于未优化基准（19.3）。相对地，单纯把语气改得更武断自信（Authoritative）在不同领域表现不一，并未展现同等稳定的提升。
2. 关键词堆砌无助于字数位置指标，但评估指标本身会影响结论：Keyword Stuffing 在 Position-Adjusted Word Count 降至 17.7（低于基准 8.3%），在论文另一组 200 题 Perplexity.ai 测试中也从 24.1 跌至 21.9；不过在表 1 由 GPT-4 评分的 Subjective Impression 指标上却微幅升至 20.2。这提醒研究者，单一指标不足以概括所有面向。
3. Perplexity 外推实验仍属受控环境：研究团队在 Perplexity.ai 测试时，Quotation Addition 同样将字数位置指标从 24.1 推升至 29.1（约 +20.7%），Cite Sources 在主观印象指标提升最高约 37%。但该实验是以文件上传方式指定系统仅从这五份文字作答，与真实用户在开放网络搜索、由平台自行决定检索池的场景仍有距离。
4. 低排名来源在生成阶段有机会翻盘，但前提是先挤进候选池：在多来源同时改写的对抗设定下，原本位居 Google 第 5 名的网页采用 Cite Sources 后，字数位置指标相对暴增 115.1%，而第 1 名来源反而下滑 30.3%。这说明只要能进入前段候选清单，生成模型更看重段落本身的证据密度；同时也要破除坊间常见的误传：诚如本站〈当 AI 开始引用 AI 生成的文章〉所考证，这篇 GEO 论文从头到尾都没有测试“新增 FAQ 区块”，而 Ahrefs 在 2026 年追踪 1,885 个新增 JSON-LD 结构化数据页面的研究，同样未观察到显著的 AI 引用增长。

六、从“相关”到“可用”：拆开四层内容工作

将语义检索机制与 GEO-bench 实验放在一起看，可以把网站面对生成式搜索的工作拆解为四个层次，每一层对应的技术机制与证据强度各有不同：

在第一层“可被发现”上，网站运营者特别需要区分不同用途的 AI 爬虫。以 OpenAI 官方文档为例，负责为 ChatGPT 搜索建立索引与引用的爬虫是 OAI-SearchBot，而收集模型训练语料的则是 GPTBot；网站可在 robots.txt 独立允许搜索检索并封锁模型训练，但若封锁了 OAI-SearchBot，网页内容就不会作为搜索答案的引用来源出现（OpenAI, n.d.）。各家爬虫的完整权衡可参考本站〈robots.txt 该不该挡 AI？〉。

同时，也必须正面回应针对 GEO 概念最强烈的反方观点。Google 在 2026 年的官方指南直言，从 Google 搜索的运作架构来看，无论外界称之为 AEO 或 GEO，核心依然建立在既有的 SEO 基础与原创内容质量之上；网站不需要追逐长尾问题的每一种问法变体，也不需要为 Google 搜索额外建立 llms.txt（Google Search Central, 2026）。

这份官方立场与“把 GEO 当成取代 SEO 的独门捷径”形成鲜明对比。综合现有证据，最务实的定位是将 GEO 视为观察并改善内容在生成式回答中可见度与归因质量的研究框架：检索入口、重排序权重与最终引用呈现仍由各平台掌控，内容创作者能掌握的则是把可发现性、解题密度与可查证性做好，再通过固定题组反复观测实际变化。

七、即使 AI 附上来源，引用就一定支持那句话吗？

走完前面四层，最后还有一个常被营销报表忽略的盲点：当 AI 回答真的附上你的网址，或者引用了某篇外部报道来介绍你的品牌，那个引用标记真的能支持回答里的那句话吗？

斯坦福大学团队于 EMNLP Findings 2023 发表的〈Evaluating Verifiability in Generative Search Engines〉，曾通过人工逐句核对当时四款生成式搜索引擎（Bing Chat、NeevaAI、Perplexity.ai 与 YouChat）的回答与所附来源（Liu et al., 2023）。研究结果相当警醒：平均只有 51.5% 的生成句子获得所附引用的完整支持（引用召回率），而在系统标出的所有引用链接里，平均也只有 74.5% 确实支持它所挂载的那项叙述（引用精确率）。

这组数字反映的是 2023 年受测系统的历史基准，不能直接套用为 2026 年最新模型的准确率；但它揭示的结构性问题至今依然存在：引用率（Citation Rate）与引用忠实度（Citation Faithfulness）是两把不同的尺。模型可能在整合多篇网页时发生张冠李戴，也可能把来源里带有前提条件的局部数据，改写成毫无保留的普遍断言。

这也是为什么在评估品牌可见度时，单看“品牌被提到几次”很容易失真：模型主动推荐、列为负面警示案例、附上官网链接却写错价格，表面上都算一次曝光，对品牌的实质影响却天差地远。在本站 GEO 主题页与〈AI 搜索时代的检索机制报告〉中，LS-Labs 提出以 MCAC 四项诊断（品牌提及 Mention、来源引用 Citation、信息正确性 Accuracy、行动承接度 Conversion-readiness）分项记录、不混加成单一总分，正是为了把“有没有提到”、“链接到哪一页”、“事实说得对不对”以及“回答有没有给出下一步”拆开检验。

八、结语：从被找到，走向有凭据地被采用

回到文章开头的问题：为什么两篇语义同样贴近问题的文章，最后只有一篇出现在 AI 的回答里？

向量与稠密检索解释了前半段。Embedding 让搜索系统得以跨越字面措辞的差异，在数千万个段落里快速召回意思相近的候选内容；但余弦相似度不会替文章核查事实、不会衡量证据强弱，更无法保证生成模型在改写答案时把功劳归给正确的来源。

如果说传统搜索让内容运营者关心“用户在结果页上看不看得见这个链接”，生成式搜索则多出了一道必须追问的课题：“系统从这个页面取走了哪些信息、说得对不对，又把引用归给了谁？”而当用户的需求从“查信息”再往前跨到“请 AI 智能体直接订位、比价或调用服务”，竞争场域还会进一步延伸到 TSO（工具选择优化）与 AX（智能体体验）。

对网站运营者而言，理解语义检索绝非放弃 SEO 基本功的理由；对研究者而言，也不该把单一向量公式当成跨平台通吃的万灵丹。当提问经过改写展开、候选段落历经混合检索与重排序，最后由语言模型重组为答案，唯有同时具备可检索结构、具体解题密度与一手可查证出处的内容，才更有理由在生成式回答中留下清楚且忠实的引用痕迹。