AI 到底愿意引用什么样的内容

## 摘要

AI 引用一段内容的判据可以归到六条：段落能独立成立、结论在段首、数字带口径和来源、有可引述的原话、结构便于机械解析、提供别处没有的事实。前三条有公开的实验数据支撑，后三条来自工程实践。关键词密度不在这六条里，因为它被验证过无效。

## 先看实验数据，再看经验

2024 年 KDD 会议那篇 GEO 论文测了九种内容改写策略，其中三种的提升幅度明确。

| 改写策略 | 可见度提升 | 具体指什么 |
|---|---|---|
| 加入直接引述 | 约 27.8% | 引用具体人物的原话，带姓名和身份 |
| 加入统计数据 | 约 25.9% | 把形容词换成数字，并说明数据来源 |
| 增加引用来源 | 约 24.9% | 文中标注信息出处，给出可追溯链接 |

同一批实验里，关键词堆砌的效果为负。这一条对还在用老办法做内容的团队是坏消息，也是必须知道的事。

需要提醒适用范围。这些数字来自论文的实验设置，最高值 40% 是特定方法在特定领域下的上界，线上引擎实测最高约 22%，不能当成普遍预期。

下面六条规则，前三条直接对应上面三个变量，后三条对应段落形态与信息增量。

## 规则一：段落要能独立成立

这是最基础也最常被违反的一条。

模型取的是段落，不是整篇文章。它从页面里抽出一段作为答案依据时，不会带着上下文一起抽。这段话如果依赖上文才能看懂，抽取后就失效了。

反面例子：

> 我们在这方面拥有多年经验，服务过众多知名企业，获得了客户的一致好评。未来，我们将继续秉持初心，为更多企业提供优质服务。

这段话单拎出来，不含任何人名、时间、数字、行业、交付内容。删掉不影响任何信息量。

改法（下面这段用来演示写法，其中的数字为假设值）：

> 舆情监测服务从 2019 年开始提供，截至 2026 年 9 月累计服务 31 家企业，其中制造业 12 家、教育培训 8 家、连锁零售 6 家。监测覆盖新闻、论坛、问答、短视频四类渠道，日报在工作日 9 点前发出，重大负面 2 小时内电话预警。

改完的版本有五个特征。有年份、有数量、有分类、有交付节奏、有异常处置时限。任何一句都能被单独引用。

自检方法。随机抽五段，每段单独发给一个不了解你公司的人，问他这段在说谁、说了什么、有什么依据。三问答不上来就返工。

## 规则二：结论放段首

模型做段落选取时有位置偏好，段首句的权重高于段中句。这不是玄学，是解析成本的问题。

反面例子：

> 在当前市场环境下，随着各类平台算法的不断调整，很多企业发现自己在传统搜索引擎上的投入产出比正在下降，于是在考虑是否需要把预算转移到新的方向。我们认为，GEO 值得投入，但前提是站点技术基础要先过关。

改法：

> 做 GEO 之前必须先修站点技术基础，否则投入基本无效。主要原因是 AI 检索的第一步是抓取，站点屏蔽了爬虫或正文靠 JS 渲染时，内容根本不进入候选池。

改法把判断提到第一句，理由放第二句。读者从前 15 个字就知道这段的结论，模型也一样。

一个附带要求。每篇文章开头 80 字内要给整篇的答案。别用「随着人工智能的快速发展」这类起手，那 20 个字对模型和对人都是噪音。

## 规则三：数字必须带口径和来源

「服务多家知名企业」和「服务 31 家企业，其中 12 家为制造业」，后者的引用概率高得多。

原因有两层。具体数字提供了可验证的锚点，模型在组织答案时需要这类锚点支撑陈述。数字加来源构成一个完整的事实单元，可以整块搬进答案，不用改写。

写法模板：

> 【指标】在【时间范围】为【数值】，统计口径为【口径说明】，数据来源为【来源】。

举例（数字为假设值，用于演示写法）：

> 2026 年 8 月 1 日至 9 月 30 日，对 5 个 AI 平台各测试 20 条问法，共 100 次查询，品牌提及次数从基线的 3 次上升到 11 次。统计口径为「回答中出现公司全称或简称即计一次」，不含仅出现品牌词根的情况。数据来源为本项目监测记录。

这段话长得不像广告，这正是它容易被引用的原因。它读起来像记录。

边界也要说清楚。数字必须真实可核验。编造的数据一旦在交叉验证时被推翻，整个站点的可信度会被连带拉低，修复周期以月计。

## 规则四：留几句可以被直接引述的原话

加入直接引述在实验里的提升幅度最高，接近 28%。原因不难理解，引述把观点绑定到了具体的人身上，可信度从「一家公司在说」变成「一个人在为这句话负责」。

做法是在企业知识库里保留一个引述库，收集三类原话。创始人对行业判断的原话；交付负责人对具体问题的处理经验；客户对交付过程的评价，须获书面授权，可匿名处理为「某制造业客户交付负责人」。

格式要求三条。用引号包住原话；紧跟身份说明，写清姓名、职务、相关年限；不加修饰，保留口语里的犹豫和不完整。

举例，这里用论文作者的原话做一个示范。作者在论文摘要中写道「GEO can boost visibility by up to 40% in generative engine responses」，并紧接着说明这个效果在不同领域差异明显，需要分领域优化。前半句常被服务商单独引用，后半句才是它的限定条件。

这个例子说明一件事。原话之所以有说服力，在于它包含了限定条件。只截取对自己有利的半句，一旦被读者查到原文，可信度会掉得比不引用更厉害。

还有一个提醒。引述必须真实。编造客户评价在《广告法》第二十八条的界定里属于虚构使用效果，这不是文风问题。

## 规则五：结构要便于机械解析

三个具体要求。

**一段一件事。** 单段不超过 120 字。段落之间不靠「此外」「与此同时」承接，靠小标题承接。

**对照信息一律上表。** 表格转成纯文本时行列关系不丢，是模型提取准确率最高的形态。段落里写「A 比 B 好，但 C 在成本上更有优势」，模型可能抽错；写成三行三列的表，抽取不会错。

**小标题写成判断句或问句。** 「AI 抓不到你，先查这三件事」比「网站可抓取性分析」有用。前者本身就是一条信息，后者只是一个分类标签。

## 规则六：提供别处没有的事实

前五条是形态，这一条是内容本身。

模型在挑选引用来源时，会倾向信息增量高的页面。同一个事实在五千个页面重复，它只需要引一个。能提供别人提供不了的东西，才有机会被选中。

信息增量有四个来源，按获得难度排。

**自有数据。** 自家平台的监测数据、交付记录、客户行业分布。这是最难被抄的。

**一线经验。** 具体到某个平台上某个动作的细节。比如知乎新号直接发带品牌的回答容易被限流，先发三条不带品牌的专业回答再开始带，这类细节只有干过的人写得出来。

**失败记录。** 什么情况下做不成、为什么。全网讲成功的多，讲失败少。

**可核验的时间线。** 某个平台某次算法调整之后，具体的应对和结果。带日期的记录有独占性。

## 各平台的偏好不一样，别信通用结论

经常有人问某个平台喜欢什么内容、偏好哪些信源。公开可查的只有各平台的官方文档和技术博客，其余说法多数是推断。

可行的处理方式是自己测。用同一套 50 条问法，在 5 个平台上各跑一遍，记录每条回答引用了哪些域名，统计域名分布。这个动作做两次，间隔一个月，就能看出各平台的偏好差异，比读十篇行业分析管用。

需要提醒一点。平台的信源策略会变，测出来的结论有保鲜期，至少每季度重测一次。

## 一份可直接用的写作检查表

- 开头 80 字内是否给出了整篇答案
- 随机抽五段，每段能否独立成立
- 每个数字是否有时间范围、统计口径、数据来源
- 是否至少有两处带姓名和身份的直接引述
- 单段是否都在 120 字以内
- 对照类信息是否已改为表格
- 小标题是否为判断句或问句
- 是否有至少一处别处查不到的事实
- 是否出现「最好」「第一」「唯一」「百分百」等绝对化用语
- 是否有真人署名、审核人、更新日期
- 是否配置了 Article 与 FAQPage 结构化数据

## 常见问题

**一定要写得很长吗？**
不必。判断标准是信息密度，不是字数。一篇 800 字全是事实的文章，效果通常好过一篇 3000 字全是铺垫的文章。

**可以用 AI 辅助写吗？**
可以辅助整理，但事实必须来自企业自己的口径表。纯 AI 生成的行业通稿有个明显特征，通篇正确但没有一条具体信息，这类内容在语料里已经过剩，引用价值低。

**加了引述和统计就一定有效果吗？**
不一定。论文的结论是这些策略在特定条件下有效，效果还受领域和平台影响。可以确定的是，不加这些的内容在任何平台都不占优势。

**旧文章要全部重写吗？**
优先改三类。被 AI 引错过内容的、排名尚可但内容空洞的、涉及核心业务的。其余低价值页面可以直接 301 到新页面，不用逐篇翻新。

## 参考来源

1. Aggarwal P. 等，《GEO: Generative Engine Optimization》，KDD 2024，https://arxiv.org/abs/2311.09735
2. GEO Wiki 关于 GEO 与 SEO 关系的说明，https://geo.wiki/generative-engine-optimization
3. 腾讯云开发者社区《当你的客户开始问AI：普通人也能看懂的GEO》，https://cloud.tencent.com/developer/article/2760429

## 相关阅读

《企业知识库怎么建，从口径统一到可被引用》
《五个主流 AI 平台的信源偏好差异，以及怎么自己测》