机制原理
28 页 · AI 搜索内部机制的长文解剖：RAG 全链路、向量检索、查询扇出、引用选择、幻觉机制。
查询改写：检索器实际面对的不是用户的原话
用户敲进输入框的是口语：缺主语、带错别字、藏着上一轮的指代。检索开始前，引擎先把它改写成规范形态。本页拆解单条查询改写的五类操作、它为什么必要，以及对提问集设计与内容覆盖的推论。
查询改写与扇出：一个提问背后的多路检索
用户只问了一句，引擎把问题拆成一批子查询、分别检索各自选源再汇入合成——Google 官方称之为 query fan-out。引用面因此与排名面解耦：覆盖子查询的密度开始直接决定被引机会。
答案合成：模型怎么拼接来源、决定转述、引语与省略
候选块进了上下文，落笔仍是一连串拼接决策：答案骨架继承谁的结构、每句话转述还是照搬、哪些限定与细节被压缩掉。本页拆解合成的三件事——骨架、取材形态、省略，并给出写法的对冲位置。
多模态检索：图与视频怎么进引用池
视频、图片进 AI 引用池的主入口是文本层——标题、简介、字幕与转写；VLM 视觉语言模型正在把"看得懂画面"变成第二入口。抖音登顶豆包引用源是这场转折的机制信号，本页拆解管线与视频 GEO 的落点。
多语言检索边界：中文内容怎么被全球引擎取用
跨语言取用有三条路径：中文问题命中中文库、查询翻译中转检索外语库、多语言共享语义空间。中文语料先验偏弱，多语版本与实体一致性是内容方能动的主要杠杆。本页拆路径机制与中文内容的多语言 GEO 落点。
个性化与记忆层：同题不同答的来源
同一道题，你问和客户问、今天问和明天问，答案可能完全不同——解码随机性、会话记忆、个性化、索引漂移四层变量叠加。本页拆解各层机制与"无污染出口"监测方法论的实验依据。
幻觉的发生机制：错误答案从哪来、为什么删不掉
幻觉发生在生成端：训练先验与检索证据冲突或缺失时，模型倾向给出流畅而非准确的补位。对品牌意味着错误描述分"先验混淆"与"检索污染"两族，修复路径完全不同——本页拆解机制与声誉防御的机制依据。
混合检索：词法、向量与重排为什么缺一不可
单通道各有盲区：词法匹配换个说法就检索不到，向量匹配对型号参数这类精确指涉分辨不可靠。主流引擎因此并行两路再融合。本页拆解两条通道的盲区、融合层的合并逻辑，以及内容在两条通道上的分工写法。
检索增强生成全链路解剖：四步流水线与三类失败
检索、增强、生成、引用四步流水线决定 AI 答案里有没有你：每一步都是一道漏斗，失败位置不同、对策完全不同。本页是机制原理栏的总纲，按步拆解失败模式与 GEO 动作的对应关系。
交叉编码与相关性：精排模型怎么读你的内容
检索是两段式流水线：双塔模型并行编码粗筛候选，交叉编码把查询与候选逐对拼读精排。能否被引用很大程度取决于精排这一关"像不像直接答案"——语义密度写法与高密度事实块的工程依据在此。
落地链路：检索结果怎么附着进答案与引用
落地（grounding）指答案语句与证据来源之间的绑定过程：先验只决定措辞，论断能否成立取决于检索证据是否支持。本页拆解证据绑定、语句对齐、引用产出三段链路，以及四种落地失败形态对应的诊断与写法。
品牌共现的统计图景：共现频率怎么变成模型先验
语言模型没有品牌名录：品牌与品类的绑定来自共现统计，经分布假说与向量几何沉淀为"这个话题该提到谁"的先验。本页用不涉公式的粗数学解释共现培养为什么有效、无语境刷提及为什么几乎无效。
切块策略：固定长度、语义与标题感知的三种切法
切块粒度决定检索的命中单位：固定长度切块便宜但拦腰截断论点，语义切块按意思分段，标题感知切块沿文档结构走。写作侧的对冲动作只有一条——每节先给自含结论，让任何一种切法都切在安全处。
上下文窗口与截断：超长文档进入模型后发生了什么
上下文窗口是模型单次推理能读入的文本上限；超长内容经切块、检索、挑选后只有一小部分进入生成上下文，进入后还受位置偏差约束。结论前置与块级自含是对这套管线的工程适配，不是文风偏好。
实体链接：一个提及怎么被归并到"你"
引擎读到品牌名时，要把这串字符绑定到知识体系里的唯一实体：识别、候选、消歧、挂接四步。品牌名的高发错账是撞名与歧义，绑错会经共现统计污染先验。本页拆解链接工序与内容方能供给的证据。
索引与候选池：进了索引不等于进了候选
收录只是把页面存进库，离进入某次提问的候选还隔着切块质量、过滤层、召回截断三道筛子。本页拆解从索引到候选池的收窄链路，给"为什么收录正常却轮不到引用"提供分层诊断框架。
提示词措辞的影响力：同题不同答的机制面
站方一手实验（2026-10-01）：同一问法重测两次，回答相似度仅 0.251；语义相近的不同问法反而更稳定。措辞扰动的机制在检索与生成两端——问法变了召回就变，生成端还有采样随机性，单次回答因此不构成结论。
微调与检索：模型知识的两层入口，GEO 为什么只打检索层
模型知识有两个入口：微调改参数——周期以月年计、黑箱不可验证；检索临时注入上下文——周级见效、可测试可迭代。GEO 的全部动作都在检索层，这是工程边界决定的，不是策略偏好。
温度与解码：同题两次回答为什么不一样
生成是逐词的概率采样，温度等解码参数控制随机性；即便温度归零，并行计算的工程非确定性仍让单次回答不可复现。本页拆解解码层机制，以及它对监测工程的意义：单次读数是抽样不是测量。
新鲜度与索引更新：AI 引用为什么偏爱新内容
Ahrefs 口径下 AI 引用内容平均比自然结果新约 25.7%——偏好新内容的根因在索引侧：检索库靠爬虫重访与推送刷新，旧内容停留在旧快照，新内容携带新信号进入候选。本页拆索引更新节奏与内容保鲜的机制面。
信源多样性：候选池里的同域去重与观点平衡
引用列表很少被同一个域名占满，即使该域内容相关性碾压——多样性约束在起作用。本页拆解同域去重、来源类型配比、观点平衡三个机制面，以及多样性与质量的权衡，解释多域布局为什么是机制刚需而非姿态。
训练数据循环：一条内容从抓取到影响模型行为的时间序
被训练爬虫抓走只是入料，从入料到模型行为隔着清洗、去重、配比、预训练、对齐、发布的完整周期，以月年计。本页拆解这条时间序、两条时间常数的运营含义，以及训练与检索两个入口的 robots 语义差。
引擎自查行为：生成中的自检、工具调用与二次检索
引擎不是拿到检索结果就闷头写：证据不足会触发补充检索，计算与实时数据走工具调用，部分模型还有写前写后的自评修正。本页拆解自查行为的三层谱系，以及它给内容方带来的"第二次被检回"机会。
引用选择机制：生成端怎么决定引谁
上下文里摆着十几个来源，模型凭什么转述你的那段、把引用挂给你——语义支持度、权威信号、位置倾向三类信号共同起作用，而挂链本身还是独立且不精确的一步。本页拆解这最后也是最不透明的一层。
智能体检索循环：搜、读、再搜的外循环与引用累积
深度研究型产品不是一次检索一次生成，而是规划、检索、阅读、找缺口、再检索的外循环，跑数轮后合成带完整引用列表的长报告。本页拆解循环骨架、引用累积机制，以及它与单轮 RAG 在 GEO 策略上的差异。
重排序机制：为什么检索到的未必被引用
检索是两层系统：粗排负责宽进不漏，精排（交叉编码）负责严出排座次。被检回只是拿到入场券，精排名次决定谁进上下文、坐哪个位置——本页拆解两层评分函数的差异与内容的"语义密度"要求。
Embedding 与向量检索：为什么换个说法仍能被检回
文本被压缩成语义空间里的坐标，匹配按"意思距离"而非字面重合进行——这是换说法仍可检回、关键词堆砌反而扣分的同一机制两面。本页拆解语义匹配的数学基础与 GEO 写法纪律。
URL 推断与重构：AI 爬虫为什么不沿链接图爬行
传统爬虫沿链接图与 sitemap 爬行，AI 抓取大量访问推断重构出来的 URL——Vercel 口径下 ChatGPT 与 Claude 抓取超 34% 以 404 结束，Googlebot 约 8%。URL 规则化与重定向维护由此从卫生项升格为可见度项。