第一关：检索（Retrieve）

用户问"推荐靠谱的中国 LED 供应商"，引擎不会直接拿这句话搜一遍。它先拆成子问题（Google 2023 年公开称为 query fan-out）：LED 供应商名单、UL 认证是什么、哪些品牌有工厂直供、买家评价如何……每个子问题独立检索。这意味着只覆盖主关键词的页面进不了候选集——你要覆盖整个问题簇。

检索源分三类：自有索引（Google）、依赖合作方索引（ChatGPT→Bing、Copilot→Bing）、实时抓取（Perplexity、部分 ChatGPT 查询）。你的网站必须在对应索引里——这就是为什么 Bing 收录对 ChatGPT 可见度是硬前提。

第二关：落地（Ground）

模型拿到候选段落后做交叉验证：多个信源是否说同样的话？你的官网说成立 2012 年、LinkedIn 说 2015 年、目录说 2010 年——不一致的实体会被降权或跳过。落地关淘汰的是"事实自相矛盾"的品牌，而不是内容差的品牌。

第三关：生成（Generate）

模型组织答案时偏好可以直接摘引的文本：定义句、编号清单、对比表、带数据的结论。大段抒情、营销话术、藏在图片里的信息，都不可摘引。

第四关：引用（Cite）

最后引擎决定展示哪些信源。Google AI Overviews 倾向引用排名靠前的自然结果；Perplexity 近乎逐句给来源；ChatGPT 引用较稀疏且偏向权威域名。引用位是最稀缺的资源——答案里提及了 5 个品牌，带链接的引用通常只有 3 个。

品牌操作清单

  • 为品类问题簇（而非单个关键词）建内容矩阵
  • 统一所有信源上的实体事实（名称/地址/成立时间/主营）
  • 每页放可摘引的答案块、清单、表格
  • 确保被对应引擎的索引收录（Google + Bing 都要查）
  • 进入引擎常引用的第三方信源

常见问题

什么是 query fan-out？
Google 对 AI 搜索内部机制的公开称呼：把用户的复杂问题拆成多个子查询并行检索，再合成答案。后果是覆盖单关键词的页面不够，内容要覆盖整个问题簇。
AI 引擎会实时抓取我的网站吗？
因引擎而异。Perplexity 与部分 ChatGPT 查询是实时检索；Google AI Overviews 主要依赖搜索索引（你的页面要先被索引）；Claude 的网络访问有限且偏好权威一手信源。