生成式引擎（Generative Engine） Generative Engine

生成式引擎（Generative Engine）是以大模型为核心、以检索增强生成为骨架、融合多源信息后直接输出合成答案的搜索与对话产品——Google AI Overviews、ChatGPT Search、Perplexity、豆包、腾讯元宝都在此列。GEO 奠基论文将其形式化定义为“基于生成式大模型、融合多源信息输出合成内容”的引擎，本站的术语体系建立在这个定义上（GEO（生成式引擎优化））。中文里更常用的别名是“AI 搜索引擎”，但严格说两者不等——判据在输出形态：只要答案由模型合成、意图在结果页内被满足，就是生成式引擎，界面上有没有一个传统搜索框反而是次要特征。

与经典搜索引擎差在哪

本质差异是输出单位：经典搜索返回链接列表，用户自己挑、自己点；生成式引擎返回合成答案加引用，用户意图的满足发生在结果页内。这个位移改写了整条价值链——用户不再必须离开结果页，点击从必然动作退化为可选动作。据 Pew 对近 7 万次真实搜索的实测，出现 AI 摘要时自然结果的点击率为 8%，没有摘要时为 15%，点击摘要内链接的仅约 1%（有 AI 摘要时的自然点击率）。对内容方，这意味着优化目标从“争夺点击”转向“进入答案”：被合成答案提及并引用，成为零点击环境下仍在增值的可见度形态。

满足发生在结果页内还有个下游后果：答案成了终点站。用户带着一句合成结论离开，品牌失去讲完整故事的机会，被压缩进答案的那句话是什么，就变得格外重要。优化的颗粒度因此从“页面”下移到“陈述”——引擎会转述你页面对某个子问题的那句关键回答，它比整页的视觉与结构更能决定用户带走的认知。

查询形态也在分化。经典搜索里用户输入的是关键词片段，生成式引擎里用户更倾向输入完整问句、接着多轮追问——“推荐几家”“对比一下”“为什么”。任务因此分流：导航型与交易型查询大量留在经典搜索的惯性里，信息型与研究型查询持续流向生成式引擎。做内容规划时要按这个分流排兵：问答式、对比式、场景式的内容服务后者，品牌词与落地页转化服务前者，两边的 KPI 不该混在一张报表里。

用户侧的行为还有两个具体变化值得内容侧跟进。一是追问式研究：先要推荐、再要对比、再问“有什么坑”，一条决策链拆成多轮查询，每轮都可能引用不同的源——覆盖子问题的密度，比单页的深度更能吃下整条链。二是口语化长问句：问题写得更像人话，内容里也要有对应的人话表述，纯术语堆砌的页面在召回与转述两头都吃亏。内容团队可以把这两条落成检查项：每个主题页是否覆盖了子问题、是否有人话表述。

用户侧已经变了

这不是趋势推演，而是规模事实。中文侧据 CNNIC 两份报告的合并口径：中国生成式 AI 用户已达 5.15 亿，其中 80.9% 的生成式 AI 用户用它回答问题——注意两个数字分母不同，前者是用户规模、后者是用途占比，混引会出错（中国生成式 AI 用户规模）。把“回答问题”当作用途的多数用户一旦形成，搜索的默认入口就从框变成了对话。对品牌，这个变化的直接含义是：你的潜在客户在购买路径的早期问的这些问题，答案由谁合成、引用了谁，就是新的渠道位置。

顺带厘清一个归类问题：对话助手开了联网检索、能带引用地合成答案，也就跨进了生成式引擎的边界——产品名字叫助手还是叫搜索，不如输出形态说了算。反过来，在链接列表顶部加一段合成摘要的传统搜索，是两种形态之间的过渡态，也是当前多数用户实际遇到的样子。做术语表与监测方案时按输出形态归类，比按产品名归类更稳——名字会改版，形态的判据不会。

供给结构：每个引擎的食物来源都不同

生成式引擎之间的差异比经典搜索引擎之间大得多，核心变量是内容从哪来。供给结构大体三种。依赖外部索引：ChatGPT Search 的检索底座是 Bing，实测口径下 ChatGPT 引用与 Bing 首页约 87% 重合（ChatGPT 引用与 Bing 首页重合度，未复验）；DeepSeek 走第三方搜索 API，不自爬官网。自建索引：Google 系用 Googlebot 建检索池，AI Overviews 与 Google 搜索共享同一套索引与质量信号，没有独立爬虫；Perplexity 用自家爬虫。生态独占：腾讯元宝约 64% 的引用来自腾讯自有生态、微信公众号占 44.1%（腾讯元宝的生态引用结构），这部分语料对其他引擎不可达；同属中文画像的还有供给重字节系内容生态的豆包，与多源相对中立的 Kimi。

供给结构决定了进入某个引擎的物理路径——对依赖型引擎，真正的优化对象是它的上游索引；对自建索引型，是收录与质量信号；对生态独占型，入场券是生态内的内容资产本身。这也是“生成式引擎怎么抓取我的内容”这个常见问题的正确答案框架：先查清目标引擎的供给结构，再决定把力气花在上游索引、自家收录，还是生态内占位。

供给结构还是动态的：引擎会换底座、补自建、接入新生态，昨天的依赖关系不是明天的。把目标引擎的供给结构当例行情报维护——每次复核策略时先确认“它现在吃什么”，再决定动作是否仍成立。策略过期最常见的原因不是战术失效，而是底下的供给关系变了没人察觉。

为什么不存在全局打法

三引擎对比实测给出 GEO 里最冷的一条数据：ChatGPT、Perplexity、Google 的引用重合仅约 2.4%，91% 的引用只出现在单一引擎（三引擎引用重合度，未复验口径）；另一口径下，ChatGPT 与 Perplexity 的域名重合也只有约 11%。含义直白：在 ChatGPT 被引用，几乎不保证在 Perplexity 或 Google 的 AI 摘要里被引用——全局意义上的“AI 排名第一”并不存在，存在的是每个引擎各自的引用格局。

单引擎内部同样不平静：答案的引用窗口普遍很窄，头部域名又高度集中，“被引”的竞争烈度高于搜索结果页的排名竞争。但这属于引擎内战术的范畴，不改变顶层结构——先分引擎，再谈每个引擎内部的打法，顺序不能反。

因此 GEO 必须分引擎制定策略，落到三件事上。分引擎测量：指标按引擎分列，任何一个引擎的“全绿”都不代表其他引擎。分引擎归因：供给结构不同，动作完全不同——同一预算，投 Bing 收录与投公众号内容服务的是两个引擎。分引擎复核：引用格局存在季度级变动，上一季度的结论会过期，测量必须是持续动作而不是一次性审计。把任何一个引擎的战术当成全局打法，是当前最常见的 GEO 资源错配——省下的是测量成本，付出的是对其余引擎的系统性失明。