训练数据循环：一条内容从抓取到影响模型行为的时间序
内容团队常问一个问题：我们的站被 AI 爬虫抓走了，什么时候能改变 ChatGPT 的回答？诚实的答案是：可能一年以后，也可能永远不会——抓取只是入料，从入料到模型行为之间隔着清洗、去重、配比、预训练、对齐、发布的完整周期。这条时间序撑起了 GEO 里最重要的一组判断：哪些动作见效以周计、哪些以年计、哪些根本不该考核。两个入口的概念辨析见训练数据与检索数据爬虫之辨，工程边界为什么站队检索层见微调与检索页——本页专讲训练入口的时间序本身。
即答：训练数据循环的时间序是抓取、清洗去重、语料配比、预训练、对齐、版本发布，全程以月年计，模型行为在版本发布那一刻跳变。与检索层的周级反馈并置，就得到两条时间常数：检索动作是运营主场，训练供给是长期播种——两套节奏混进一张考核表，必然互相误判。
从抓取到语料：中间隔着四道工序
**清洗。**爬回来的原始页面先做正文抽取：广告、导航、模板、评论被剥掉，留下正文。清洗质量决定这篇内容在后续所有环节的起点——正文抽取失败的页面等于没抓。
**去重。**重复与近重复内容被识别、折叠：整站互相搬运的内容，在训练语料里只按增量信息计一次。这道工序对铺量策略是釜底抽薪——一百篇同质稿子在去重后趋近于一份语料的训练价值。独特内容的稀缺性在训练层被制度化：语料要的是它没有见过的增量，不是对已有信息的第 N 次复述。
**配比。**清洗去重后的语料按来源、语言、质量加权混合成训练混合物：哪些域进入、占比多少，是各家最核心的不公开。可以定性说的是：低质、重复、与训练目标错位的内容可能在配比阶段被压低乃至出局；域级的整体信誉比单篇的质量更接近配比的决策单位。配比的存在还解释了另一个现象：同一次大版本升级后，有的领域答案明显变好、有的明显变差——混合物的构成变了，各领域的覆盖与先验随之重排，这是配比变动的普遍外溢，不是针对谁的调整。
**训练与对齐。**预训练把混合物压进参数，之后还要经历对齐调优才发布。对你的内容而言，预训练是把“关于你的一切”凝固成模型先验的时刻——凝固之后，版本之间参数冻结，你说什么、改什么，参数层都不再响应。
时间序与版本边界
预训练语料有时间截止：发布之前的互联网在参数里，之后的不在——这就是检索层存在的根本理由，模型的新知识要靠检索现场注入。版本发布则是行为跳变点：你的内容若进了这一版语料，影响在发布日一次性兑现；没进，就等下一版。这个结构解释了两件事。其一，为什么“被训练爬虫抓了”与“回答变了”之间没有可预期的对应关系——中间隔着不定长的训练周期与不确定的入选结果。其二，为什么引擎静默升级对监测是冲击事件：版本一换，参数层先验整体挪动，历史基线随之作废，这就是模型版本漂移的根源，版本变更后重跑基线是纪律不是建议。同一条内容因此同时活在两条时间线上：在检索库里，它今天被抓取、明天就可能被引用；在训练管线里，它排队等待清洗与配比，要等下一版模型才可能兑现影响。两条线的节奏差还带来一个易误读的现象：调整训练爬虫的 robots 之后，检索引用并不会立刻变化——把两条时间线折叠成一条，就会得出“屏蔽训练等于丢引用”或“放开训练立刻见效”的错误因果。
两条时间常数的运营含义
**检索层：周级，可操作，主场。**今天改的页面，本周就可能被重抓、下周就可能进答案，效果可测试、可归因、可迭代。GEO 的日常运营——内容、结构、信源——全部在这一层（机制见 RAG 术语卡）。
**训练层：年级，不可验证，长期账。**单篇内容进不进语料、以什么权重进、哪一版生效，全部无法从外部验证。策略只剩两条腿：持续供给高质量语料（种的是域信誉，不是单篇排名），以及对训练抓取的开放与拒绝做清醒决策。把训练层动作写成季度 KPI，是在给无法观测的过程发奖金。
**robots 是两个入口的分岔口。**训练爬虫与检索爬虫是不同的 UA、不同的用途（爬虫类型总览见三类爬虫），允许与拒绝可以分开设置：允许检索抓取、限制训练抓取是技术上完全可行的组合——典型如 Google-Extended 术语卡所记录的控制项，语义就是“训练不让、检索不管”。每家的 UA 家族与语义差异，逐一看各爬虫档案卡。
常见误解
**“我的站被 AI 爬虫抓了，说明它在训练它的模型。”**抓取只说明入料，清洗、去重、配比三道关都可能把内容滤掉；而且多数 AI 产品的实时回答走检索不走参数——你的站被检索引用，与你的内容被训练进模型，是两条独立的因果链。
**“屏蔽训练爬虫等于从 AI 里消失。”**屏蔽训练入口通常不影响检索入口——实时引用的供给链不受影响。反过来的误伤也存在：把两类爬虫一并屏蔽，检索引用直接归零。robots 决策前先分清要管的是哪个入口。
**“多写内容就能多进训练语料。”**去重与配比两道关决定了数量不是变量：同质翻倍，训练价值近似不变；独特增量才是能穿过两道关的东西。训练层的杠杆在质与域信誉，不在篇数。
限制与待核实
- TC-01：各厂商的数据管线（清洗规则、去重算法、配比策略）不公开，四道工序是行业通用实践的抽象，不对应任何单家实现。
- TC-02：“域信誉影响配比”是推断性表述，配比的决策粒度（域级、文档级）无公开口径。
- TC-03：各模型的语料截止与版本发布节奏不同且不公开，本页不给任何具体版本的时间对应。
- TC-04：训练类 UA 与检索类 UA 的语义边界因厂商而异、且随产品迭代调整，本页的 robots 结论需逐家核对现行口径。