原文地址：https://moz.com/blog/guide-to-web-guide

阅读行业新闻，你可能会觉得谷歌搜索正飞速迈向一个全AI的未来，但现实是，大多数搜索（即使是AI模式）都是AI/大语言模型——具体来说是Gemini——与谷歌二十多年来持续优化的核心自然搜索算法的混合体。谷歌网络指南（目前处于测试阶段）让我们得以一窥这种混合搜索未来可能的面貌。表面看来，它很像传统搜索，但其背后由多层AI技术驱动，包括复杂的查询分支扩展。

什么是谷歌网络指南？
谷歌网络指南是一种混合搜索结果，于2025年7月下旬在Google Labs中推出。它结合了谷歌的自然搜索结果与AI（Gemini）功能，通过查询分支扩展来呈现相关子话题和额外结果。
如果你还没见过谷歌网络指南的结果，这里有一张部分截图：

让我们把网络指南分解成几个基本部分：

1. 自然结果（快速搜索）
我最近想更换一些出问题的硬件（好吧，其实也在关注网络星期一的优惠），所以我们以“无线游戏鼠标”的网络指南结果为例来深入看看。

在这个结果的顶部，你会看到一些非常熟悉的内容：

这些结果看起来是自然结果，因为它们（大部分）确实是。注意那个显示“快速匹配”的按钮——这些结果来自谷歌的快速搜索技术，该技术基于RankEmbed，并使用与常规搜索类似的核心技术，但设计得更快、更高效。快速搜索也被用于为Gemini提供信息基础。

2. AI/大语言模型摘要
在那些大部分是自然结果的下方（通常是两条之后），我们会看到“网络指南”标题和一个AI生成的摘要。这个摘要似乎是针对所有结果的，尽管下面的例子聚焦于几个特定产品（请注意高亮部分）：

接下来，真正的乐趣开始了。这就是查询分支扩展发挥作用的地方……

3. 子话题分支扩展
查询分支扩展功能早在五月份就随AI模式一同推出。它试图将查询分解为子话题和后续问题，以更广泛地捕捉搜索者可能的需求。在AI模式和AI概览中，分支扩展查询在后台进行，而网络指南则间接地将它们呈现出来。

在网络指南摘要之后，我们看到一个个结果区块。每个区块都有一个标题和描述，后面跟着最多四个（目前）可见的结果，就像这样：

每个这样的部分都是一个查询分支扩展的产物。虽然分支扩展本身并不显示，但网络指南会生成分支扩展查询，执行分支扩展搜索，对每个分支扩展的相关结果进行排序，然后总结这些结果。据我们所知，这些标题并非分支扩展本身，而是分支扩展的最终结果。

以下是此结果中所有子话题/分支扩展标题的列表：

• 最佳无线游戏鼠标：专家评测与推荐
• 无线游戏鼠标详细对比
• 无线游戏鼠标产品列表与购物
• Razer无线游戏鼠标概览
• 无线鼠标社区推荐与讨论
• 特定无线游戏鼠标深度评测
• 游戏鼠标选购指南与故障排除

请注意，在测试期间（以及不同查询中），任何给定结果的分支扩展部分数量都有很大差异。稍后，我们将根据观察到的网络指南结果，探讨我们认为查询分支扩展过程是如何工作的。

4. AI/大语言模型重写

在网络指南中，AI和Gemini也在以不那么明显的方式工作。看看下面的搜索片段：

这段文字并非页面的元描述，也不是直接从内容中提取的。它是基于对搜索者意图的理解而生成的摘要，解释了该页面如何服务于该意图。换句话说，谷歌/Gemini不仅仅是在总结页面内容，而是在试图告诉你它认为该页面相关的原因。

这是另一个例子，来自一个论坛，它提取了一段相关引文：

可以说，这对搜索者是有好处的，并能带来更相关的点击。然而，作为搜索营销人员，这是搜索的又一次演变，迫使我们放弃对内容的完全控制，转而从更宏观的角度去思考搜索者可能想要什么。

把所有部分整合起来，以下是网络指南结果的一个视觉总结：

网络指南给人的感觉确实比AI模式更接近自然搜索，但现实情况要复杂一些。我们来谈谈幕后发生的事情。

究竟什么是查询分支扩展？
当谷歌推出AI模式时，谷歌搜索副总裁兼负责人莉兹·里德曾写道：

AI模式使用我们的查询分支扩展技术，将您的问题分解为子话题，并同时代表您发出大量查询。这使得搜索能够比传统的谷歌搜索更深入地探索网络……

虽然“大量”可能有些夸张，但AI模式从视觉上证实了谷歌确实执行了额外的搜索并分析了多个搜索结果页面（不过现在似乎看不到这条消息了）。通常，这大约是半打左右的搜索量。例如：

当网络指南在Google Labs推出时，搜索产品组经理贾斯汀·吴也证实了网络指南结果中使用了查询分支扩展，他说：

与AI模式类似，网络指南使用了查询分支扩展技术，同时发出多个相关搜索以识别最相关的结果。

然而，除了从专利中获得的一些洞见外，谷歌几乎没有透露查询分支扩展是如何工作的，或者他们通常使用哪些类型的分支扩展。

我们能观察到哪些分支扩展？
这是过去几个月我们在Moz一直在探索的问题。基于网络指南的标题，我们能否开始拼凑出谷歌可能正在执行的查询分支扩展类型，并生成我们自己的分支扩展查询？

利用观察到的标题，我们着手理解分支扩展过程可能的运作方式。这涉及到相当多的推理，最终结果与其说是谷歌工作原理的精确模型，不如说是一个理解更广泛过程的框架。

我们的研究最终归纳出了一个包含10种分支扩展的分类法，如下图所示：

这10种分支扩展类型大致按“用户旅程”的逻辑组织。搜索者试图达成什么目标？他们为实现最终行动可能经历哪些步骤？我们来逐一深入探讨并举例说明。

随着我们迈向这个混合搜索世界，或许应逐渐摆脱传统搜索查询的思维，转向思考问题（或用大语言模型的术语来说——“提示词”）。因此，以下所有示例都基于这个问题：“最适合玩家的无线鼠标有哪些？”

1. 语义扩展
在AI/大语言模型的世界里，表达大致相同的意思有很多种方式。语义扩展是指用不同词汇但含义相近的查询或提示词。例如：

• “哪些游戏鼠标能为玩家带来最佳表现？”
• “有哪些适合玩家的优质无线鼠标？”

2. 实体扩展
实体扩展围绕某个实体展开——可以是人物、地点、事物或品牌。例如：

• “HyperX鼠标适合FPS玩家吗？”
• “Pulsar对游戏玩家来说是可靠选择吗？”

3. 后续问题扩展
这个类型可能不言自明——搜索者接下来很可能会问什么？接下来的两种扩展类型是后续问题的变体，这里有一些通用例子：

• “无线游戏鼠标能用多久？”
• “无线鼠标适合竞技游戏吗？”

4. 属性扩展
属性扩展是专注于特定功能或属性的后续问题，例如：

• “游戏鼠标的电池续航有多重要？”
• “DPI对游戏鼠标影响大吗？”

5. 前瞻扩展
那么后续问题之后呢？前瞻扩展会向前看两步或更多，有时甚至会考虑到交易后的问题。例如：

• “哪些灵敏度设置有助于新手玩家？”
• “无线鼠标用户需要哪些配件？”

6. 事实性扩展
接下来三种扩展类型深入信息意图领域。事实性扩展顾名思义，专注于事实、数据和细节。例如：

• “职业选手通常选择多少回报率？”
• “游戏玩家多久更换一次无线鼠标？”

7. 教程扩展
教程扩展会深入某个主题，例如操作指南。这三种信息类扩展是内容营销的绝佳切入点。例子包括：

• “如何延长游戏鼠标电池续航”
• “如何设置新游戏鼠标？”

8. 观点扩展
观点扩展专注于人的视角和意见，包括讨论和论坛内容，谷歌对此类内容非常倚重。例如：

• “游戏主播通常推荐哪些鼠标？”
• “为什么有些玩家极其推崇腕托？”

9. 比较扩展
最后两种扩展类型沿着转化漏斗向下，指向具体的行动或交易。比较扩展会对两个或更多物品或概念进行比较。例如：

• “光学鼠标和激光鼠标，哪个更耐用？”
• “高端鼠标真的比平价鼠标好吗？”

10. 交易扩展
最后，交易扩展明确进入商业或交易领域。搜索者已准备好采取行动，例如购买。例子包括：

• “游戏鼠标通常在什么时候打折？”
• “哪里可以买到适合无线鼠标的鼠标垫？”

需要注意的是，这10种分支扩展类型并非详尽无遗，彼此之间也可能存在重叠。我们的目标是提供一个框架，以理解分支扩展发生的原因和方式，并说明梳理这些扩展如何帮助营销人员更好地理解搜索者的完整旅程。

整合这十种扩展类型

让我们回顾之前的地图，并加入我们讨论过的一些示例：

所有这些对SEO有何影响？
好消息是——混合搜索至少部分基于自然结果，而网络指南在很大程度上依赖于谷歌的核心搜索算法。迈向混合搜索的未来，我们必须牢记以下三点：

1. 搜索是一场对话
无论是优化查询并点击结果，还是与大语言模型进行实际的你来我往，搜索本质上都是一场对话。自然语言是人类与生俱来的默认模式，而搜索向对话式演变的趋势已经持续了十多年。

2. 我们不得不学会放手
无论你如何精心打磨内容、标题或元描述，谷歌都将越来越多地对其进行总结和解读。和你一样，我有时也会对此感到沮丧，但重要的是将重点引导至对搜索者有益的方向，即使这意味着要放弃控制他们每一步行动的尝试。

3. 排名将变得更加复杂
混合搜索，尤其是网络指南，仍然存在排名，但需要考虑两点。首先，如果某个特定的分支扩展能更好地满足搜索者的需求，他们可能更青睐那部分结果。换句话说，如果结果是某个最符合搜索者意图和需求的分支扩展中的首条，那么排名第6的结果也可能是最相关的。
其次，可能更令人不安的是，任何给定分支扩展内的结果，很可能来自于该子查询的自然排名前列。也就是说，结果#7实际上可能是另一个不同查询下的结果#1或#2。这意味着我们必须在多个子查询上竞争，才能在某个网络指南结果页面上获得排名。

但AI模式不就是未来吗？
你可能听到营销人员谈论时，仿佛一个仅由Gemini驱动的AI模式未来是不可避免的。我认为这极不可能，原因有很多，但让我们聚焦两个主要原因。

1. 大语言模型并非无所不能
即使是OpenAI也已承认，“幻觉”是大语言模型的特性而非缺陷。搜索基础信息和检索增强生成技术（RAG）能提供帮助，但无法解决根本问题。大语言模型是基于概率的语言模拟器，存在许多局限性。
即使没有幻觉问题，大语言模型也不适合某些任务，例如导航类和本地搜索。因此，你已经看到谷歌在AI模式中添加链接和功能，实质上将其转变成了混合搜索结果。

2. 生成式AI成本高昂
我们知道OpenAI正在大量烧钱，早期估算表明，处理大语言模型提示词的成本至少是谷歌和必应传统搜索成本的十倍。虽然基础设施在改进，成本在下降，但同时也有压力要推出更新、更大、能力更强的模型，这又推高了成本。例如，Gemini 3一经发布，谷歌就立即将其整合进了AI模式。
与此同时，AI模式的结果对谷歌来说更难货币化，这打乱了谷歌长期以来的努力——即利用搜索结果页面功能，将搜索者引导至转化漏斗下游，那里广告和购物结果更有效。收入减少而成本大幅增加的模式显然是不可持续的。
请注意，这并非是非此即彼的选择——我们最终可能会采用介于网络指南和AI模式之间的某种混合方案，也可能会出现一种逻辑，将某些搜索路由至AI模式（让它做擅长的事），而将其他搜索路由至网络指南。

这对SEO是好消息还是坏消息？
简而言之，我认为网络指南和其他类型的混合搜索对SEO行业是好消息——它们基于自然结果，并且基于我们早已熟知并喜爱（或讨厌，取决于当天情况）的核心算法。
更广泛地说，无论谷歌搜索采取何种形式，人类都希望使用自然语言，而机器在提供自然语言结果方面正在不断进步。这也是一个好消息，并且是我们已经走了十多年的道路。
无论未来是更倾向于传统的自然结果，还是更倾向于大语言模型和AI驱动的结果，我们都需要理解更广泛的搜索旅程，理解人们采取行动的路径，以及如何在路径的多个节点上满足他们的需求。网络指南正在为我们展示沿途的路标。