微调与检索：模型知识的两层入口，GEO 为什么只打检索层

“怎么让 AI 提到我”有两种在机制上完全不同的路径：把信息写进模型参数（预训练与微调），或让信息在提问时被检索注入上下文（检索增强生成，RAG）。前者改的是模型的“记忆本体”——训练完成后知识固化在数百亿参数里，更新它意味着重新训练；后者不碰模型本体，只是把检索命中的内容临时塞进上下文窗口，用完即弃。GEO 的全部动作都在检索层，原因不是检索层效果更好，而是参数层对内容方在成本、周期、可验证性三个维度上全部不可操作——弄清这条边界，能省下几乎所有“喂语料”“训练专属模型”方向的预算错配。

机制拆解

参数层：改权重，周期以月年计

预训练把海量语料的统计规律压缩进模型权重；微调则在既有权重上用新数据继续训练，让模型“记住”新知识或新行为。这条路对内容方的三重不可操作性：其一，周期以月年计——一次预训练是基础设施级工程，增量微调也要数据准备、训练、评测的完整迭代；其二，黑箱无反馈——某段内容是否真的改变了模型对某问题的回答，没有任何可查的通道，效果无法归因；其三，知识截止——参数里的知识停在训练时点，模型自己不知道自己过时了。主流引擎普遍不再把“回答时效性事实”押在参数层，这正是检索层存在的理由。

检索层：临时注入，索引随时刷新

RAG 的四步——检索、增强、生成、引用——把知识更新问题改造成了索引更新问题：模型本体不动，检索库里的内容随抓取与收录持续换新。检索层的一切环节都可运营：收录进度可查（站长工具、日志）、切块与相似度有成熟方法论、引用结果可采样观测（口径见引用率）。引擎侧选择这条路的理由与内容方对称：索引刷新是周级甚至分钟级的事，引用可溯源、幻觉可控——2020 年提出的 RAG 范式（arXiv:2005.11401）至今是知识密集型应用的主流架构，就是这道选择题的答案。

两层对照

为什么“两个都做”仍然等于只做检索层

有一种折中说法：训练爬虫放行，让品牌内容“进训练语料”，同时做好检索层。这条思路的问题在归因与节奏：训练语料的构成与各来源的贡献完全不公开，即便放行了训练型爬虫，也无法验证任何一次回答的改善来自“被训练”。可操作的姿态是把训练爬虫的放行当作内容策略决策（允许或禁止是合法选择），把全部优化预算押在检索层——那里每一分投入都有观测点。

对 GEO 的五条推论

推论一：GEO 的定义域就是检索层。 让内容在“检索时赢下那一票”——收录、切块、相似度、出处，每步可测试、可迭代，机制展开见RAG 术语卡与检索增强生成全链路解剖。参数层不是“下一个战场”，是别人的战场。

推论二：见效周期要按检索层的物理规律预期。 改造完成后，引擎需要重新抓取、重新索引、更新检索库，站内改造经验是两到四周起看（见内容战术手册的评估周期节）；对比参数层的月年计，这是数量级差距，也是“为什么 GEO 适合以季度为周期运营”的机制根因。按周下结论与按年等奇迹，是同一机制的两个反向误读。

推论三：爬虫治理分型，别把训练与检索混为一谈。 三型爬虫里，检索型爬虫决定你进不进引用池——这是见效通道，必须通畅；训练型爬虫决定你进不进未来某代模型的参数——这是不可验证的期权，按内容策略决定去留。屏蔽检索型爬虫省下的带宽，代价是当下可见度归零。

推论四：流量结构变化压缩了等待参数层的余地。 Gartner 预测 2026 年传统搜索量下降 25%（机构预测口径，见数据卡），实测侧替代效应已在发生。当需求的承接方式从检索框转向对话框，等待“下一代模型把我训练进去”的时间窗口，恰好是竞争格局成形的时间窗口——检索层的周级迭代是唯一跟得上这个节奏的动作面。

推论五：两层不分，监测口径就会错位。 若把某引擎一次改版后的引用波动归因为“训练策略变了”，就落入了不可验证叙事；正确的归因链只在检索层：收录状态、抓取日志、引用采样，三处都有数据可查。GEO 报表里只应出现检索层变量（口径见测量方法论）。

常见误解

“微调能让品牌永久进模型，一劳永逸。” 即便忽略成本与不可验证性，参数层知识也随版本迭代被冲刷——模型升级换代后，旧微调并不自动延续。“永久”在这条路上不存在；检索层反而是可持续的：内容在库一天，就有一天的被引资格。

“长上下文取代了检索，RAG 过时了。” 长窗口解决“放得下”，不解决“找得到”与“用得好”——百万 token 里大海捞针，检索仍是前置工序，机制详见上下文窗口与截断。窗口越大的模型越依赖检索的质量，两者是配套不是替代。

“GEO 是给模型喂语料的新包装。” 喂语料叙事指向参数层，GEO 的全部可观测动作在检索层。混淆两者最直接的代价：预算花在无法归因的方向，报表里只剩故事没有数据。

限制与待核实

• 各引擎训练与检索的配比、检索库构成均不公开，本页叙述的是两层机制的教科书共识，不对具体厂商的训练策略做断言。
• “两到四周起看”是站内改造经验口径，随引擎索引节奏漂移，中文各平台未必同速；以自家固定问句集的前后对照为准。
• 品牌语料是否已进入某模型训练集，目前没有可靠的第三方验证通道——凡声称能验证的服务商话术，都应要求出示方法。