地址：https://ipullrank.com/ai-search-manual/introduction
过去十年间，我们都感受到了营销领域发生的根本性转变。但AI搜索的加速涌现，正迫使营销领导者及其团队重新评估受众如何发现并选择他们的品牌。
那些正在塑造搜索下一个篇章的策略和手册已经在推行中。你现在需要做什么才能让你的品牌为未来做好最佳定位？谁又能帮助你确立明确的先发优势？
从10个蓝色链接到零点击结果
在谷歌早期，搜索结果页面很简单：
- 白色背景
- 一个查询框
- 10个垂直排列的蓝色链接
仅此而已。你搜索某个内容，点击链接，然后自己探索网络。搜索引擎就像给你递上一份阅读清单的图书管理员。
但随着时间的推移，用户期望和技术都发生了变化。谷歌研究院的Andrei Broder和Preston McAfee发表的一篇重要论文《网络搜索中的德尔菲成本与收益》告诉我们，搜索存在几种非货币成本，包括：
- 访问成本：访问搜索所需的努力和资源
- 认知成本：制定查询和分析结果所需的心智努力
- 时间成本：花费在搜索过程中的总时间
因此，谷歌“组织世界信息”的使命从“查找”转向了“提供”，以降低用户的这些成本。
谷歌开始在SERP（搜索结果页）中添加新元素，为用户节省一次点击：
- 通用搜索（2007年）：混入图片、新闻、视频
- 知识图谱（2012年）：在页面上直接显示关于人物、地点和事物的信息
- 精选摘要（约2014年）：直接从网站内容中提取答案框
- 本地包和地图：无需访问网站即可提供路线和商家信息
- 人们也在问：推荐后续问题
- 购物轮播和广告：让产品可以直接在搜索中完成购买
这些功能逐渐将SERP转变为一个答案表面，而不仅仅是通往网络的门户。
用户行为也随之改变。到2019年，SparkToro的一项研究显示，超过50%的谷歌搜索产生了零次点击。
多年来，新的模型使搜索引擎能够开始理解搜索意图：
- 知识图谱（2012年）：让谷歌从匹配关键词转向理解实体和概念
- BERT（2018年）：一个突破性的变换器模型，帮助谷歌理解句子中单词的上下文，而不仅仅是关键词
- 向量嵌入（2010年代末–2020年代）：用语义搜索取代关键词匹配，将查询和内容映射为基于意义的多维空间中的点
- MUM和PaLM（2021–2022年）：使谷歌能够一步处理多媒体和复杂查询
然后，最大的转变来临了：AI生成的答案。这些引擎不再向你展示可以去哪里，而是直接给你答案。有时附带引用来源，有时没有。
对于品牌而言，这意味着搜索已经改变。如今，你要努力成为答案的一部分
生成式界面的崛起与合成优先的发现
搜索并非一直如此主动。这种转变的发生，是因为新技术使得机器能够为我们承担更多的工作。
基础搜索引擎（1990年代–2000年代）：
- 你输入一个关键词。
- 搜索引擎将它与网页上的词汇进行匹配。
- 你自己从结果中进行筛选。
更智能的算法（2010年代）：
- 谷歌引入知识图谱，将关于人物、地点和事物的事实联系起来。
- BERT帮助谷歌理解搜索查询的上下文，而不仅仅是关键词。
- 搜索结果开始在页面上显示摘要、精选片段和其他简短答案。
生成式AI的飞跃（2020年代）：
- 随着OpenAI的GPT、谷歌的Gemini和Anthropic的Claude等大型语言模型的兴起，搜索变得具有对话性。
- 这些模型能够总结多个来源，并用通俗易懂的语言回答复杂问题。
- 搜索引擎不再仅仅是找到信息，而是将其综合并作为答案呈现。
如今，AI在用户意图产生的时刻就与其相遇。系统不再等待你自己筛选结果，而是：
- 理解你查询的上下文（有时还包括你的搜索历史）
- 总结最相关的信息
- 在页面顶部直接呈现一个定制的概览
- 有时会为你采取行动，例如起草电子邮件或进行预订
你常常无需点击任何一个链接就能得到答案。2024年，Gartner预测，到2026年，传统搜索量可能下降25%。为什么呢？因为用户不再以同样的方式进行搜索。他们期望即时答案，通过实时优化问题以对话方式与AI交互，并希望他们使用的工具付出更少努力、提供更清晰的答案。
但这种转变引发了重要问题：谁拥有答案？我们能信任它吗？发布商将会怎样？
这些是下一时代搜索面临的挑战。而截至今天，这些问题尚未完全解决。此外，AI在搜索中的作用已不仅限于总结答案。我们正在进入一个阶段，生成模型充当的是智能体而不仅仅是工具，它们能够：
- 将任务分解为多个步骤
- 与其他AI智能体进行沟通
- 在无需持续人工指导的情况下生成见解并完成操作
这种转变由“模型上下文协议”（Model Context Protocol, MCP）等概念驱动。MCP是一种将静态内容转化为动态、可操作的AI体验的系统。你不再是运行单个提示词然后等待回复，而是启动一个完整流程：主AI智能体与MCP通信，然后生成多个具有明确职责的专业化智能体，它们并行工作，从而更快、更高效地完成复杂任务。
在最近的一次iPullRank网络研讨会上，Andrea Volpini 用以下例子解释了MCP及其能力：假设你想弄清楚网站流量下降是否与搜索引擎结果页面上AI概览的兴起有关。你不必手动进行分析，而是可以让一个AI智能体网络来接手。
- 智能体1：分析你核心查询词的搜索引擎结果页面，查看是否存在AI概览。
- 智能体2：从Google Search Console（GSC）中拉取数据，查找点击量和展示量的下降情况。
- 智能体3：模拟AI模式查询，测试你的网站在对话式搜索中的呈现效果。
- 智能体4：检查你的知识图谱实体或富媒体搜索结果资格是否发生变化。
- 智能体5：审查你的内容结构和语义信号，评估AI可读性。
- 智能体6–10：执行竞品基准分析、外链分析和可见度评分。
然后，这些智能体可以向你汇报，甚至直接更新你的仪表板、电子表格或监控警报。智能体成为你与网络之间、以及不同数据层、工具和任务之间的新中介。这就是搜索的未来。
生成式引擎优化（GEO）的定义
搜索行业正处于一场身份转变之中。几十年来，我们一直将帮助搜索引擎找到你内容的过程称为SEO。
但是，当搜索引擎本身阅读你的内容并直接为你回答问题，而你无需点击任何其他链接时，这又该叫什么？
这正是行业目前试图解决的问题。业界出现了不同的名称：
- 答案引擎优化（AEO）
- AI优化（AIO）
- 大语言模型SEO（LLM SEO）
- 以及我们iPR使用的：生成式引擎优化（GEO）
GEO描述的是帮助生成式引擎正确理解、提取和呈现你信息的技术基础设施、数据结构和权威信号。与SEO（其受众是阅读搜索摘要的人类用户）不同，GEO的主要受众是机器。你的目标是让AI模型能够准确摄取、整合并解释你的内容。
它涉及以下几个方面的优化：
- 语义清晰度：你的内容需要无歧义、结构良好，并与AI模型所识别的概念保持一致。
- 权威性：引擎更倾向于呈现可信、来源可靠的内容。这意味着要获得引用、展示专业度并建立强大的品牌存在感。
- 跨模态可访问性：现在不仅仅是文本了。生成式引擎会从图像、视频、表格、图表、PDF甚至代码片段中提取信息。你的信息需要以多种形式存在并且易于理解。
为了让你的内容适应Google Gemini、Perplexity以及带浏览功能的ChatGPT等生成式系统，GEO关注的是表层之下的机器可读层面：
- 结构化数据
- 清晰的主题相关性
- 信任信号
- 多模态就绪
SEO关注的是在搜索引擎结果页面上的排名。GEO关注的是成为答案的一部分——无论是否显示链接。 随着搜索引擎演变为生成式引擎，GEO为我们提供了一个框架，确保内容不仅被发现，而且被正确理解和呈现。
相关性工程的定义
相关性工程（Relevance Engineering, r19g） 是一种跨渠道的方法论，它系统性地将内容置于信息系统中，以交付高度相关且有价值的结果。它超越了关键词层面，去理解上下文、意图以及数据之间的关系，旨在确保在正确的时间将正确的信息传递给正确的用户。
这一多学科领域借鉴了以下方面的知识：
- 信息检索
- 人工智能
- 用户体验
- 内容策略
- 数字公关
对话式AI搜索在很大程度上关乎“相关性”，并且可以通过数学方式进行评分——将文档和查询映射到多维向量空间中。文档向量越接近查询向量，相关性就越高。在相关性工程中，相关性变成一个可以衡量的分数，而不是一个猜测。
现代AI搜索的核心是一个称为检索增强生成（RAG） 的过程。RAG 并非纯粹从模型的训练数据中回答问题，而是结合了两个步骤：
- 检索来自外部来源（如网站、数据库或内部文档）中最相关、最新的内容
- 将这些信息馈入生成模型，由模型将其整合成人类可读的答案
正是 RAG 让生成式引擎变得动态起来：你的内容越适合搜索和检索层，就越有可能为 AI 生成的回答提供支持。搜索系统能找到你的内容吗？AI 能用你的内容构建出清晰、可信的答案吗？
这对相关性工程和 GEO 都至关重要，因为它改变了优化的目标。现在，你要优化的内容是：让检索系统能在向量空间中快速找到它，识别出它在主题上的相关性和权威性，然后将其传递给生成模型，使之成为答案的一部分。
这意味着需要带着意图去构建内容、数据和基础设施：将信息组织成大语言模型和基于向量的检索系统能够发现的形式。随着语义检索的发展，超过 80% 的 AI 概览所引用的不再是仅首页，而是深层页面。
重点关注：
- 语义聚类
- 可衡量的相关性
- 向量嵌入（Embeddings）
- 精简相关性较低的内容
- 将主题相近的页面进行聚类
最终的结果将是一个为 AI 优先界面而精心设计的内容生态系统：它不仅针对传统搜索进行了优化，更能在零点击的 AI 概览和对话式智能体中获得排名，而且整个过程无需依靠猜测。