RAG（检索增强生成） Retrieval-Augmented Generation
RAG（Retrieval-Augmented Generation，检索增强生成）是 AI 搜索的核心工作流：先检索外部内容，把检索结果作为上下文“增强”给模型，再生成答案并附引用。对内容方来说，这四个字几乎重写了规则——你的页面不再只被人浏览，而是先被切块、被检索、被塞进上下文，最后才可能被转述。“被检索到”是一切的前提。
流水线四步里发生了什么
检索：引擎把页面切成内容块，用户提问与内容块做语义相似度匹配，取回排名靠前的少数候选。增强：候选内容块与问题一起进入模型的上下文窗口。生成：模型基于上下文合成答案，决定转述谁、如何措辞。引用：答案附带来源列表或内嵌角标。每一步都是一道漏斗，任何一步掉队，内容就彻底不出现在用户面前。
检索一步在多数引擎里不是单一通道：语义向量匹配负责“意思相近”，关键词匹配负责“字面命中”，两路结果再融合排序。这解释了 GEO 写法里一对看似矛盾的要求为什么同时成立——自然语言的问题式表述利于语义匹配，术语、参数、专有名词的精确出现利于字面匹配，好内容应该同时喂饱两条通道。
引用一步的形态也值得单独看。有的引擎把角标嵌进正文，转述与出处紧贴；有的把来源统一列在答案尾部，正文只留链接文字。对内容方，这意味着“被转述”与“被列为来源”是两个可以分离的事件——正文被整段改写但列表没挂你的链接，或列表挂了你但正文只字未提，在流水线里对应不同的失败位置，排查时要分开记录。
顺带一句术语对照：站内谈的引用率，统计的就是最后一格的产出；提及率看的更多是生成格的正文。两个指标对应流水线的不同位置，这正是它们必须分开监测的机制原因。
理解了流水线，GEO 的各种战术就能各就各位：结构与切块解决“能不能被检索”；位置与权重解决“进入上下文后被吸收多少”；可验证性与权威信号解决“生成时被谁转述”；采样纪律解决“引用结果怎么读”。
为什么说被检索是一切的前提
内容未被切进高相似度的内容块、未进检索的前若干名，就根本不会出现在生成上下文里。这条推论把 GEO 的第一优先级钉在内容结构上：每个小节要自含可懂——被单独抽出时不依赖上下文也能成立；问句式小标题帮助内容块与真实提问对齐；定义、参数表、对比表这类高密度事实块最容易被检索命中（见Chunk 术语卡）。反过来，一篇给人类读者写得再漂亮的长文，只要段落依赖前后文、结论埋在中部，在切块检索面前就是一堆低相似度的碎片。
选题在这一步就已经入场。检索匹配的是“问题与内容块的语义距离”，一个从来没有人会那么问的主题，写得再好也等不到自己的查询。内容规划因此要反向于关键词工具的老习惯——不是先看搜索热度，而是先找“用户会怎么问”，把每个真实问题变成一个可被命中的内容块。这一步做在写作之前，比写完再改造便宜得多。
上下文里的位置政治
进入上下文不等于被平等对待。多文档问答中，模型对上下文首尾的信息利用充分、中部显著忽略，性能呈 U 形（见Lost in the Middle 术语卡）。这带来两层写法纪律：内容块在检索结果中的排位影响被吸收的概率，排得越靠前越可能被用；页面内的重要结论同样要前置——“答案前置”的结构有站内实证支撑，即答段写法（见即答段术语卡）是内容改造的第一动作。
生成端的选择还看语义支持度、权威信号与位置倾向：内容是否直接回答了问题、是否带出处、来源是否可信。引擎的多源整合能力并不完美，拒答与信息整合仍是公认短板（见RGB 基准文献卡），因此“同一结论多渠道语义一致”的内容更容易被采信——矩阵布局策略的机制基础就在这里。
还有一个常被忽略的细节：进入上下文的内容块彼此也是竞争关系。同一问题取回的多个来源若表述雷同，模型难以分辨谁原创、谁转述，引用选择就近乎随机；相反，带独有数据或独有表述的那一块，更容易被点名转述。这把站内反复强调的信息增益落到了机制层：在 RAG 的上下文里，“和别人不一样”不是姿态，是竞争策略。
检索层为什么是内容方的抓手
模型的知识来自训练语料，那是参数层；引擎的回答依赖外部检索，那是上下文层。RAG 的存在让“影响答案”有了这条不触碰模型本体的路径：你不需要改模型，只需要让你的内容在检索时赢下那一票。参数层对内容方几乎不可操作——训练语料的贡献是长周期、无反馈的黑箱；上下文层则完全可运营：收录、切块、相似度、出处，每一步都有对应的内容动作。
这也是 GEO 与早期“喂语料”幻想的分水岭。指望某段文字被训练进模型从而长期生效，路径模糊、周期漫长、无法验证；指望某页内容在具体问题上被检索命中并转述，路径清晰、可测试、可迭代。对以季度为周期做内容的团队，后者才是能管理的工作面。
顺带一提，这个分层也解释了监测为什么要分引擎：各引擎的检索库、融合权重、生成偏好都不同，同一个内容在不同引擎的流水线上走出的是不同的命运曲线，合在一起看就会互相稀释信号。
可见度是分布，不是定值
RAG 的检索与生成都有随机性：同一问题多次提问，可能引用不同来源。这决定了监测的方法论底线——任何单次回答都不构成结论，必须多次采样、看分布与趋势；不交代采样次数就比较两个时间点的“被引用与否”，没有意义。这也是我们把生成式引擎（见生成式引擎术语卡）当作“分引擎、多次采样”测量对象的原因。
失败也要按流水线归位。检索失败：内容块与问题相似度不足，根本没进上下文——对策在结构与选题。选中未用：进了上下文，但被更权威或更贴题的来源挤掉——对策在可验证性与权威信号。用而未引：内容被吸收进答案却没挂出处——对策在出处清晰与品牌词在场。三类失败对应三张不同的工作清单，笼统地说“没被引用”，等于放弃诊断。
把四点推论合起来，就能理解为什么“高可摘录的结构化内容”是 GEO 内容战术的核心：结构决定入池，位置决定吸收，可验证性决定转述，采样纪律决定怎么读数。RAG 不是一个抽象概念，而是内容方每次改版都应该对着自查的那张流程图。
给一个组织层面的建议：让内容团队把这条流水线画在墙上——检索、增强、生成、引用四格，每格下面挂对应的内容动作与负责人。这不是仪式感：绝大多数“GEO 做了没效果”的项目，问题都出在动作挂错了格子——用生成端的战术（加引语、加出处）去救检索端的失败（内容根本没被切块命中），力气花了不少，漏斗的位置却没动。