AI 概覽是怎麼生成答案的:拆到子查詢這一層
摘要:AI 概覽不是"把排名第一的文章摘要一遍"。它通常把一次提問拆成若干子問題(子查詢擴充套件),逐個檢索、抽取、拼裝,再挑幾段掛上引用。理解了這一層,你就明白為什麼有些長文從不被引用,而一段兩百字的問答頁卻天天出現——能被選中的單位是"段落",不是"文章"。
關鍵要點
- 一次提問會被拆成多個子問題。 答案段的每個分句背後,往往對應一個獨立的檢索動作。
- 被選中的單位是段落,不是頁面。 頁面只是承載段落的容器,段落能不能獨立成立才是關鍵。
- 檢索增強生成是這套機制的技術底座。 先檢索、再生成,意味著"你的內容有沒有被檢索到"先於"寫得好不好"。
- 引用位偏好可驗證的表述。 有數字、有口徑、有來源的段落,比形容詞堆砌的段落更容易被掛角標。
- 寫作為檢索服務,不為"通讀體驗"服務。 長文仍然要寫,但每一節都要能單獨拿出來回答一個問題。
一、從一次提問到一段答案
使用者輸入一句話,系統內部大致走三步。
第一步是理解與拆解。 把提問拆成若干可獨立檢索的子問題。問"跨境獨立站怎麼做 GEO",可能被拆成:GEO 是什麼、獨立站與平臺站在 GEO 上的差異、具體動作清單、見效週期。每個子問題各自去檢索。
第二步是檢索與抽取。 對每個子問題,檢索系統返回一批候選頁面,然後從這些頁面裡抽取"能回答該子問題"的片段。這一步用的是檢索增強生成的思路:先找證據,再組織語言,而不是讓模型憑記憶作答。檢索增強生成這套方法在 2020 年的論文裡就有系統描述,核心就是把"檢索器"和"生成器"接起來,讓輸出受證據約束。
第三步是拼裝與掛引用。 把各片段組織成一段連貫回答,併為採用到的片段掛上來源角標。角標數量有限,通常是 2 到 4 個,這是結構上的稀缺,不是最佳化能突破的。
理解了這三步,很多現象就有解釋。為什麼你的 3000 字長文從沒被引用?因為它的每一節都在"鋪墊",沒有一節能單獨回答一個子問題。為什麼一篇 800 字的問答頁天天出現?因為它的每一段都是"結論 + 條件",正好是抽取想要的形態。
想知道品牌在 ChatGPT、Perplexity 的答案裡佔多少份額?
了解通智 GEO二、子查詢這一層:一篇文章要打多個靶
子查詢擴充套件帶來的直接後果是:同一個頁面可能同時對上多個子問題,也可能一個都對不上。
對上多個是好事——同一篇文章在不同提問下被反覆引用,是可見性最穩的形態。但對上的前提是頁面內部有清晰的分節,每節各自回答一個問題。如果整篇文章只回答"一個大問題",那它只能對上最外層的那一個子查詢,命中率自然低。
我們的做法是把選題拆成"主問題 + 3 到 5 個子問題",每個子問題一個小標題,每個小標題下第一句就是結論。這樣一篇文章實際上是在打四到六個靶,而不是一個。
再補一個常被跳過的環節:拼裝時的"合併同類"。多個子問題的答案如果指向同一結論,系統會合併成一句並只掛一個角標;如果幾個來源結論衝突,它通常選擇更保守、更有條件的表述。這對寫作者的含義是:與其把一個結論說得斬釘截鐵,不如把條件寫清楚——有條件的那一版更容易在衝突中被保留下來。
| 層級 | 對應什麼 | 寫法要求 | 判定 |
|---|---|---|---|
| 主問題 | 頁面標題與摘要 | 一句話說清這頁解決什麼 | 標題能被單獨引用 |
| 子問題 | 每個 H2 一節 | 首句給結論,後續補條件 | 抽掉上下文仍成立 |
| 支撐證據 | 每節的資料與來源 | 數字帶口徑與年份 | 能被第三方核查 |
| 邊界說明 | 每節末尾的條件句 | 明確適用與不適用 | 不與結論矛盾 |
這張表裡最容易被忽略的是"邊界說明"。沒有邊界的結論在拼裝時風險高——系統把一句"適用於中小規模"的結論當成普適結論拼進去,會誤導使用者,所以它更願意引用帶條件的表述。寫得越具體,被採用的機率越高。
三、引用位為什麼給了別人
按我們復盤的專案,進不了引用位通常是五個原因:
- 段落無法獨立成立。 大量使用"該方案""上述配置""如前所述",切片後語義懸空。
- 沒有可核查的證據。 全是判斷句,沒有數字、年份、來源。
- 實體不清。 頁面上沒有明確的產品名、機構名、標準名,系統判斷不出這頁在講誰。
- 時效可疑。 版本號、價格、政策都過期,或頁面沒有明確的更新日期。
- 檢索不到。 被
noindex、需要登入、內容靠前端非同步渲染,抓取階段就拿不到。
第 5 條最冤枉,也最常見。我們在一次抽檢裡發現某客戶的幫助中心整塊內容靠非同步載入,抓取到的 HTML 裡只有標題沒有答案,等於所有 FAQ 都在白寫。修復方式很簡單:把內容渲染進初始響應,摺疊只做視覺狀態。
第 3 條則牽涉到實體建設。頁面裡通篇是"我們的產品""本方案",沒有一次出現完整產品名與所屬機構,機器很難把它掛到某個實體上。這條和知識面板、維基資料那類實體工作是一套邏輯:先讓機器知道你是誰,再談它願不願意引你。
不理解機制的人會以為"排名靠前就會被引用",實際鏈條要長得多:先被檢索到,再被判定為可抽取片段,再在拼裝時被選中,最後角標位還有名額上限。四步裡任何一步斷了,前端都看不到你的名字——這也是為什麼"我們排第三但一次沒被引用"是常見現象,而不是矛盾。
第五步其實還有一層:答案段被展示之後,使用者是否繼續追問、是否點選角標、是否很快返回搜尋,這些行為會成為系統判斷"這段答案夠不夠用"的輸入。所以段落寫得讓人一眼看懂、點到即走,反而更可能被持續採用;把使用者繞進長文的寫法,短期拿到點選,長期會失去位置。這個邏輯談不上公平,但它是機制。
四、四步寫法改造
把我們自己的改寫流程攤開,四步:
第一步,給每節加結論句。 三十到六十字,先說結論,再說為什麼。刪掉所有"隨著……的發展"。
第二步,把證據貼到結論旁。 數字、年份、口徑、來源四件套,緊跟在結論句之後,不要放到文末的"資料來源"裡就完事——文末列表是給讀者的,段落內的證據是給抽取的。
第三步,斷掉指代。 通讀一遍,把所有"該""上述""前者"改成具體名詞。判斷標準:隨手抽一段發給同事,他能不能看懂。
第四步,寫清邊界。 每個結論後面補一句適用條件(規模、行業、地區、版本)。這一步會讓文章顯得"不絕對",但被引用的機率更高。
可控的做法是把改造拆成單變數:第一輪只改開頭摘要與要點列表,第二輪再補資料來源與作者資訊,每輪之間留兩週觀察期,同一批問法各跑一次。一次全改看著快,但出了問題歸不了因——這也是很多團隊改完長文卻說不清哪一步起作用的真實原因。
五、邊界:機制決定的天花板
三件事要認清。
第一,展示由系統決定。哪些查詢會出 AI 概覽,不由你控制;你能做的是在它出現時儘量被引用。
第二,引用位稀缺。2 到 4 個角標意味著大多數合格內容也進不去,這是結構性的,不是質量問題。
第三,比較型問題偏向第三方。使用者問"哪個好",系統更願意引用做過橫向評測的來源。企業自述優勢在這類問題裡天然吃虧,靠的是公開可比的第三方資料。
反過來說,可控的部分很清楚:段落能否獨立成立、證據是否貼著結論、實體是否明確、頁面是否可被抓取。這四件事沒有一件需要"猜演算法",全是寫作與工程的基本功。
還有一個與檢索直接相關的工程問題:分頁與引數頁。很多站點的同一內容存在多個 URL(帶引數、帶分頁、帶跟蹤碼),抓取端抓到的是哪一個版本不確定。如果這些版本的內容不一致(例如某個版本缺了資料塊),引用就可能落到殘缺的那一版。解決辦法是用 canonical 收斂到唯一版本,並保證每個版本渲染出的正文一致。
常見問題
Q:AI 概覽會直接抄我的原文嗎?
會複用句式與事實,但通常經過重組。所以"結論句寫得好"很重要——被複用的往往就是那一句。
Q:需要給 AI 單獨準備一份精簡版內容嗎?
不需要。官方口徑是不必為 AI 功能做特殊最佳化;把現有頁面按"分節 + 結論句 + 證據"改造即可。
Q:長文還有意義嗎?
有,但形態要變。長文的價值在覆蓋多個子問題,而不是篇幅本身;一節一個子問題,比一篇三千字不分節更有用。
Q:多語言站點裡,哪個語言版本更容易被引用?
取決於提問語言與地區。英文提問通常優先英文頁;中文提問優先中文頁。別指望一個語言版本吃掉所有市場。
Q:改完之後多久能觀察到變化?
以周計。要等重新抓取與重新評估;四周無變化的,先查索引與渲染問題,再談內容。
關於通智雲
通智 GEO 做的是"對外可見性"的雙引擎。機制層面的東西我們不猜,能測的都測:子查詢覆蓋、段落可抽取性、引用落點,每一項都有記錄。
相關閱讀
資料來源
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks(Lewis et al., 2020)
- AI features and your website(Google Search Central 官方文件)
- Search Quality Rater Guidelines(Google 搜尋質量評估指南)
立即行動
- 自查一:把文章每個 H2 的第一句單獨摘出來,看能不能獨立成立。
- 自查二:檢查頁面首屏 HTML 裡有沒有完整答案,還是隻靠前端渲染。
- 需要外部視角:聯絡我們做一次段落可抽取性體檢