当我们沉迷AI搜索，背后有一场“看不见的战争”
最近，上海寸屋拉面店在门口打出的广告爆红网络，广告内容很神奇，是该店被DeepSeek推荐为“上海最好吃的日本拉面TOP1”：
这个神奇的营销思路引起诸多效仿，但更多的老板可能在问市场部门一个完全相反的问题：“为什么 deepseek 的答案里没有我们？”
这就是AI搜索时代的新难题：传统SEO（搜索引擎优化）在失效，新兴GEO（生成引擎优化）不知从何做起。大模型在“检索”之后，附加了“生成”步骤，自然语言的描述内容，代替了传统的网页排名。现在，大家要争夺的流量入口，已经不是“百度排名”，而是“deepseek的脑回路”。
今天，就给大家分享三个相关的研究。希望能更好的帮助大家理解大模型们的脑回路～
GEO：给AI“洗脑”的七种武器
论文地址：https://arxiv.org/pdf/2311.09735.pdf
根据印度理工学院与普林斯顿大学的《GEO: Generative Engine Optimization》研究，AI生成结果对内容的偏好呈现三大特征：权威崇拜、数据饥渴、逻辑洁癖。论文根据 AI 生成结果对网页原文的重合比例、原文引用的位置衰减速度，进行 GEO 效果评估。通过对比实验，针对搜索引擎排名较低的小网站，论文提炼出七个有效优化策略：
- 数据武装：将定性描述转化为定量指标（如“销量领先”改为“市占率37.2%”），可大模型回答可见度提升65.5%；
- 权威背书：添加权威机构引用（如“据Gartner报告显示…”），可见度提升132.4%；
- 专家话术：植入专业术语、名人语录（如“诺贝尔奖得主XX称…”），可见度提升89.1%；
- 逻辑提纯：删除冗余修辞，用“因为-所以”强化因果链；
- 源头截流：自建行业白皮书、研究报告，抢占AI知识源头；
- 场景适配：法律领域重数据，文旅领域讲故事，医疗领域引论文；
- 长尾渗透：用口语化问答覆盖“厦门哪里吃沙茶面最地道”等自然语言搜索。
看完以后你有什么感觉？没错，人类在相互交流时，也是通过这几招来增强自己的说服力的！文采飞扬的 deepseek 在骗你的时候，也是疯狂的用数字、案例故事、量子名词来伪装自己的！现在，轮到人类去骗 deepseek 了。
CRAW4LLM：大模型的“挑食指南”
论文地址：https://arxiv.org/pdf/2502.13347v1
如果说上面说的 GEO 是影响 AI 的“输出端”，那么卡内基梅隆大学提出的这个CRAW4LLM 则从“输入端”梳理了 AI 搜索的数据筛选逻辑。
事实上，我们在体验不同的 AI 搜索时，可以很显著的感觉到数据筛选差异的影响。比如 kimi 在联网搜索后，会有一步明确的“正在挑选优质权威信息源”。又比如腾讯元宝 AI，产品最大卖点就是可以搜微信公众号文章，但目前它最多只给大模型输入 5 个网页，一不留神，就被低质结果影响了最终答案。
我们不知道这些 AI 搜索产品在联网搜索过程后，会过滤掉多少低质结果。但可以参考一些开源实现的经验，比如浦语·书生大模型的 MindSearch(https://arxiv.org/pdf/2407.20183)说的是 300 个网页。而如果参考 RAG 的经验，AWS(https://aws.amazon.com/what-is/retrieval-augmented-generation/)说的是粗搜 100 个文档，然后重排过滤成 5-10 个。
总之，传统搜索工具返回的 90%+ 的抓取数据，会因为质量低下被半途丢弃，送不到 LLM 面前。而 CRAW4LLM 告诉大家，我们可以通过预训练的文本分类模型，来提前判断网页对 LLM 的价值，优先抓取“高营养”内容。实验显示，该方法仅需抓取 21% 的网页即可达到传统爬虫效果。
论文使用的 DCLM fasttext 分类模型(https://github.com/mlfoundations/dclm/tree/main/baselines#fasttext-filtering)，是 DataComp 在大模型预训练流程中，为了数据清洗方便，自己微调训练的。可以给每篇文档的质量评分，过滤阈值为0.018112，并分类为高质量的Wikipedia 类百科，或 Common Crawl 类网页存档。
所以，在我们的网页内容发布之前，也可以尝试用 DCLM fasttext 快速评判一下，要是评分低于阈值，就赶紧回炉重造吧，省得后面再被 AI 搜索“退货”了。
LLM-as-SERP：大模型想起“小时候的记忆”
项目介绍：https://jina.ai/news/llm-as-serp-search-engine-result-pages-from-large-language-models/
这个项目出自著名的 AI 搜索厂商 jina.ai。他们在尝试复刻 openai 的 deep research 功能时，突发奇想，明明大模型预训练的时候，已经跑了那么多高质量的网页（按估算，相当于全网的 1%-5%，既必应搜索的 30%-50% 索引存量），为什么我们还要费劲再做一遍联网搜索、质量过滤？为什么不能激发大模型“小时候的记忆”，再混合一些最新网页？
为了反其道而行之，jina.ai 干脆把这部分的产品 UI 做成了“伪·搜索引擎”：
LLM 伪造的结果里，当然有真内容，也有假 URL。比如我下载了 node-serp 源码，让 AI 帮我把模型从 gemini 切换成 qwen 后，搜索我司“日志易”关键字，得到的结果：
结果一个真实的 url 都没有。但我们可以很明显地感受到：在 IT 领域，预训练语料真的有很多 CSDN 和 InfoQ。
行动起来
从这三个研究，我们已经可以构建一个针对 AI 搜索的端到端的优化方案。让我们的产品，成为大模型小时候的记忆、长大后的白月光，脱口而出的名字。
不说了，我现在就要行动起来，去给公司注册 CSDN 和 InfoQ 的企业号！
