AI 搜索怎么决定引用谁:一次提问,背后是十几次检索
同一句问题,你在不同的时间问同一个 AI,得到的答案可能不一样。有时它提到你,有时它提到同行,有时谁都不提。这不是它出了故障,也不是你的内容在这几分钟里退化了。
这是机制决定的。要理解它,得先看清楚 AI 搜索在做一件和传统搜索完全不同的事。
本文整理自对 Ahrefs《Answer Engine Optimization》课程前四讲的阅读与核对,数据均标注原始出处与统计时间。文中涉及的判断,是我们结合自己官网数据做的推论,与课程原意分开标注。
第一个问题:AI 从哪里拿信息
AI 搜索有两个信息来源,它们的性格完全不同。
训练数据是模型在训练时吃进去的海量文本——书、网页、PDF、社媒、视频字幕,本质上是互联网的一个快照。你问它某个知名公司 CEO 是谁,它不查任何东西就能答,因为这条信息已经在参数里了。
问题在于训练数据是静态的。它大约每半年更新一次。也就是说,你上周上线的产品、上个月改的定位,它不知道。
实时检索是另一套。当问题太新、太具体,或者需要当下的事实,AI 会真的去搜:调用搜索接口,拉回一批页面,读完,再基于读到的内容生成回答。这套流程叫 RAG,检索增强生成。
这两条路对应两种影响方式。第一种是让品牌在互联网上被提及得足够广、足够久,最终被卷进训练数据。第二种是确保 AI 在实时检索时,能抓到你的页面。
第二种我们熟悉,那就是 SEO。你在 Google 里能不能排上去、有没有外链、内容是不是真的有用,直接决定 AI 现搜时会不会抓到你。所以传统 SEO 不是被替代了,它是这件事的地基。
第二个问题:一次提问,会被拆成多少次检索
传统搜索是一对一:一个提问,一组结果。后来变成多对一:不同说法可能命中同一批结果。
AI 搜索把它翻了过来:一对多。一个提问被拆成很多个子查询,同时跑。
这个技术叫 query fan out。举一个课程里的例子:有人输入"帮我规划 11 月去日本五天",AI 会在后台拆成几十条更细的子查询——东京住哪个区域合适、京都 11 月天气怎么样、日本铁路周游券值不值得买——并行检索,再把多个来源的信息合成一个完整回答。
拆成多少条?据 Seer Interactive 与 Nectaf 的研究,平均一次提问会触发 9 到 11 条子查询,高的能到 28 条。ChatGPT 的深度研究模式,为了回答"买一个红色手机壳"这种问题,跑了 420 次搜索。
这里有一个特别容易被误用的点。这些子查询看起来像长尾关键词,但它们不是。它们是 AI 在当下即时生成的合成词,同一句话每次拆出来的可能都不一样,而且超过 95% 的子查询搜索量是零——真人不会那样打字。
所以它不能当成一份新的关键词表去优化。它的正确用法是当成一个窗口:看看 AI 认为这个话题包含哪些子问题。
对我们的直接含义是:一个页面打一个关键词然后收工,这套在 AI 搜索里不够用了。你写"怎么开始做播客",只讲了入门,没讲设备、托管、推广,AI 就会去找那些讲全了的页面。
第三个问题:为什么引用是概率,不是名次
传统搜索的排名相对稳定。今天第三,明天大约还在第三附近。
AI 的引用不是这样。据 Ahrefs 的说法,AI 的输出是概率叠概率:训练数据先形成模式,检索回来的页面再加一层信号,最后还有一个温度参数引入随机性,让同一个问题不至于每次都给出完全相同的答案。
结果是:同一句话问五次,可能三次引到你,两次没有。没有固定的位置可排。
这也是为什么行业里谈的是"AI 可见度"而不是"AI 排名"。它更像一个概率分布,不是一张排行榜。
但概率不是无规律的。据 Ahrefs 的统计,至少三个因素会稳定地推高概率:
共识。网上有多个来源在说同一件事,AI 重复这件事的可能性就更高。品牌被以一致的方式提及的地方越多,被采纳的概率越高。
新鲜度。AI 引用的内容,平均比传统搜索结果里看到的要新大约 25%。它在主动找近期信息,尤其是变化快的话题。
权威。传统搜索里排名好的页面有先发优势。76% 的 AI 概览引用来自 Google 前 10 的页面——但这个数字在下降,更新的研究显示已降到约 38%。同时有 14% 被引用的页面,在 Google 前 100 名里根本找不到。
这个变化对我们这种索引量还不高的站点,其实是机会:排名不是唯一入口了。
第四个问题:四个平台不是一回事
很多人把"AI 搜索"当成一个东西,这是最大的误解。
据 Ahrefs 对 Google AI 概览、ChatGPT、Perplexity 三个平台引用最多的前 50 个域名的比对,同时出现在三个平台上的只有 7 个,重合度 14%。
各家的偏好也不一样:
Google AI 概览偏权威的老站点,健康、金融、百科类内容占优,也偏 Google 自家资产。YouTube 占 AI 概览引用的约 5.6%,Reddit 的权重也高。
ChatGPT 偏出版方和媒体。Reddit、维基百科、Amazon、Forbes、Business Insider、Wired 这类站点被引最多。它高频引用页面的域名评级中位数是 90——也就是说,它吃的是高权威出版方,其中一部分还来自 OpenAI 与这些媒体的授权协议。
Perplexity 反而是最接近传统 Google 搜索的。它约 28.6% 的引用来自 Google 前 10 的页面。相比之下,ChatGPT 与 Google 前 10 的重合只有 8% 到 10%。
Google AI Mode 更容易被误判。它和 AI 概览都是 Google 的产品,你会以为它们引同一批源。实际不是:两者的引用重合只有 13.7%,而答案的语义相似度有 86%——说的是差不多的话,用的却是完全不同的材料。AI Mode 最偏爱的域名是 YouTube,差距很大,其次是 Google 和维基百科;它引用 Quora 的次数是 AI 概览的 3.5 倍,也从 Facebook、Instagram 这类社媒平台取材更多。
一句话:每个平台有自己的索引、偏好和取材习惯。一套内容打所有平台,效果会打折。
这些机制,对我们意味着什么
先说我们自己的数据。百度搜索资源平台的 AI 流量分析里,我们官网被引用 3 次、AI 曝光 0;同一时间,站点 373 篇文章只有 58 页进了索引。
这两个数字放在一起看,结论很清楚:引用少,不是因为内容少,是因为能被引用的事实性结论少、可被抓取的结构差。373 篇里大量是流程性、观点性的叙述,缺的是"一句话能说清、有条件、有边界"的结论型内容。
再看两套生态的区别。海外买家找供应商,发生在 Google 和 ChatGPT 里;国内团队查资料,发生在豆包、Kimi、DeepSeek 里。这两套的引用逻辑并不完全一样。所以做这件事的第一步不是选平台,而是先分清你的客户在哪一边搜索。
三件可以立刻做的事
第一,把官网做成可引用的事实源。具体是:给服务页补结构化数据(Service 与 FAQ 页),品牌实体在各处表述一致,每个核心问题上给出明确结论加适用条件,而不是只讲流程。这一项已经在推进。
第二,覆盖主题,而不是覆盖关键词。一个主题下把子问题写透——设备、成本、流程、常见错配——对应前面说的 fan out 机制。判断标准很简单:这个话题下读者会追问的五个问题,你的站内有没有五个答案。
第三,制造第三方的一致提及。同一个事实在不同平台上用同样的表述出现,共识信号才成立。这件事自己说自己不算,得让别人也这么说。
边界
三件事要讲清楚。
AI 引用次数不能直接换算成询盘。它和点击不是一回事,它影响的是"买家在决策前看到你名字的次数"。
文中数据全部来自英文互联网生态的统计,且有时间点。国内 AI 搜索的引用结构不同,不能直接套用。
任何环节我们都不承诺排名、引用量与询盘量。这类事情能做的是提高概率,不是保证结果。
参考来源:Ahrefs《Answer Engine Optimization》课程(Sam Oh 等,2025 年 12 月发布),Seer Interactive 与 Nectaf 关于 fan out 查询的研究,Ahrefs Brand Radar 的引用数据。文中"对我们的含义"部分为协守外贸基于自身站点数据的判断,与原始课程观点分开表述。
- 上一篇: 协守外贸提供哪些服务?出口企业怎样选择适合自己的获客方式|协守外贸
- 下一篇: 没有了...