AI 答案到底怎么生成?你可能在错的步骤使劲

AI 可见性这事这两年是真火了。

你大概已经在用 Profound / Gauge / Searchable 这类工具,天天盯着自家品牌在 ChatGPT 里出现几次、被 Perplexity 引几次。

也可能你内容部门正在按 AEO checklist 改稿:加 BLUF(结论前置)、加 schema、加 entity density、把小标题写成问句……

但你有没有停下来想过一件事——AI 答案到底是怎么生成的?

如果你说不太清楚,不怪你。这事行业内本来就没多少透明度。

Ann Smarty(20 年 SEO 老炮,SEO + AI newsletter 主笔)5 月 26 日发了篇短文,把这条流水线拆得清清楚楚。结论一句话:

行业过度测第 5 步,优化第 4 步,但忽略第 1 步——而第 1 步决定一切。

啥意思?往下看。

我向你保证看完这篇你能搞清楚:

1. AI 答案不是黑箱,是 5 步流水线——每一步对应不同的优化方式
2. 为什么大多数 GEO / AEO 工作其实在"盯错地方"
3. 真正决定你品牌能不能进 AI 答案的根因是什么,以及该怎么做

好了,开始。

一、AI 答案的 5 步流水线

Ann 把它拆成 5 步。先看图(下面那张):

一个一个说。

步骤 1:Training-layer(训练层)

LLM 训练时已经把全网知识吃了一遍。很多问题它不需要查任何 URL 就能直接答。

你问 ChatGPT “什么是 SEO”,它直接答,不会去网上抓。

这一层你看不到任何 URL。

如果偶尔有引用,是反向的——为了给已经写好的答案"找个背书"。

步骤 2:Retrieval-eligibility(检索资格)

当 LLM 决定查网络时(问题太新、它训练时没见过),它会做一次检索。

怎么检索?主要走 Google,可能有些合作伙伴搜索。

意思就是:你的页得在 Google 里排得上,LLM 才能找到你。

步骤 3:Retrieval-ranking(检索排名)

LLM 找到一堆 URL 后,它要选读哪几个。

这一步机制不太明。Ann 的猜测是:

• 排名越靠前,被 LLM 选中读的概率越高
• 搜索片段(snippet)跟问题越相关,越容易被选

她还说了一句:这里 schema 可能很有用!!

但这点圈里有争议——我等会儿讲。

步骤 4:Extraction(提取)

LLM 选定要读的页之后,真正去"读"内容,把片段抽出来作答。

这一步决定:你写的哪几句话能进答案。

这就是为什么 AEO 一直在讲 BLUF、Q-A heading、entity density——都是为了"让自己被抽出来"。

步骤 5:Citation-slot assignment(引文槽位)

LLM 答完之后,最后挑几个 URL 列作引用。

这一步最坑。它可以引:

• 真读过的 URL(步骤 4 来)
• 检索到但没读过的 URL(步骤 3 来)
• 甚至从合作伙伴拿的 URL,或者凭空 hallucinate(生成假 URL)

而且这一步是我们能直接观察的唯一一步——你看到的所有"AI 引文报告"都是这一步的产物。

二、每步对应不同的优化方式

步骤	你能做的	性质
1 训练层	品牌建设 + 清晰价值主张	不是 SEO
2 检索资格	正常 SEO(让 Google 把你排上去)	纯 SEO
3 检索排名	schema、搜索片段优化	SEO + AEO
4 提取	内容结构、BLUF、清晰度	AEO
5 引文槽位	0 透明度,基本没法直接优化	不确定

看出问题了吗?

三、反转:大家都在错的地方使劲

Ann 那句话再说一遍:

行业过度测第 5 步,优化第 4 步,但忽略第 1 步——而第 1 步决定一切。

翻成大白话:

• 测什么? 大家天天看的"AI 引文报告"全是第 5 步的产物。因为这是我们唯一看得到的,所以我们就只看这个。
• 优化什么? 主要是第 4 步——AEO 写作规则:BLUF、schema、结构化、答案前置。这些都对,但只解决了流水线最末端的一小块。
• 忽略什么? 第 1 步。你品牌有没有进 LLM 的训练数据,这件事决定了步骤 2-3-5 都会怎么处理你。如果 LLM 训练时就知道你是某领域权威,它在所有后续步骤都会偏向你。

打个比方:你天天打扫家门口那一米的地砖,但你家屋顶在漏雨。

四、用硬数据看每一步的真实情况

光说概念没意思。我用圈里现有的实证给每一步加点数字。

步骤 1 — 训练层:决定 80% 后续动作

Kevin Indig(Growth Memo 主笔)分析了 120 万条 ChatGPT 引文,发现一个 P 值几乎为 0 的硬规律:被引文章的 entity density(实体密度)是普通文章的 3-4 倍。

意思就是:点名工具、点名研究、点名机构这种写法,在 AI 引文里压倒性胜出。

但你以为这只是写作技巧问题?

往深了看,这其实是训练层的问题——一个品牌被全网反复点名,LLM 训练时就把它编码成"这个领域的 known entity"。等用户问相关问题,LLM 直接从训练记忆里调出来,根本不需要走步骤 2-5。

圈里今年有个 framing 叫 “Recognition not Rankings”——被认识,而不是排名。说的就是这件事。

步骤 2 — 检索资格:Eligibility 是新的排名

Mike King(iPullRank 创始人)今年 5 月提了个 framing:“Eligibility is the new ranking”——能不能被抓到,本身就是排名的前置。

啥意思?

LLM 走 RAG 流程(就是步骤 2-3-4 那套抓取 + 综合)时,有个隐藏杀手叫 499 状态码。

这个 status code 不在标准 HTTP 规范里,意思是"客户端没等服务器响应完就先断开了"——LLM 等你页面响应超过它的预算,直接走人。

Mike King 自家网站修了 499 之后,AI Search 可见性涨了 22%。

Profound(AI 引文跟踪 SaaS)的 70 万页数据更狠:fetch failure rate 超过 75% 的页,被 AI 引用的概率比正常页低 18 倍。

意思就是:你内容写得再好,LLM 抓不到就是白搭。

步骤 3 — 检索排名:schema 真的有用吗?

Ann 在原文这里写道"schema 可能很有用!!"。

这点我要温和补一刀。

Ahrefs 今年 5 月发了一份因果级实证——用 1885 个加了 JSON-LD schema 的页 vs 4000 个对照组,跑了 7 个月的 DiD 实验(一种隔离因果的统计方法)。结论是:

• Google AI Overviews:加 schema 后引用率 -4.6%(统计显著,但绝对值小)
• Google AI Mode:+2.4%(在噪音范围内,等于没效)
• ChatGPT:+2.2%(也在噪音范围内)

也就是说,给页加 schema,对 AI 引用基本没用,甚至 AIO 还掉了一点。

为什么"AI 引用页 53% 跑 schema"这个相关性数据是骗人的?因为做 schema 的站通常也做技术 SEO + 优质内容 + 外链——schema 不是因,只是同方向的果。

所以步骤 3 这一层,圈里目前还没找到一个能直接撬动的明确杠杆。

步骤 4 — 提取:位置 + 密度比长度重要

LLM 真正"读"你的页时,它读多少?

Dan Petrovic(dejan.ai 创始人)实测 Google grounding 流水线发现:LLM 每次答 query 平均只吃 ~1929 词。

再长的页面剩下的内容,压根没进 LLM 的注意力窗口。

更扎心的是:单页超过 20,000 字符时,LLM 覆盖率只剩 12%——意思就是你写的"终极指南 5 万字大综合",AI 只看见前 12%。

Kevin Indig 那 120 万引文还给了个位置规律:文章前 30% / 中 / 后三段的引文分布是 44.2% / 31.1% / 24.7%。

所以重要结论一定要前置,别藏在文末。

步骤 5 — 引文槽位:为什么测这个意义有限

Sistrix 今年初做了 17 周、6 国、82,619 个 prompt 的横向监控。三个平台的引文稳定性差到离谱:

平台	每周引文换源比例
Google AI Overviews	仅 5%(一旦进,长期都在)
Google AI Mode	56%
ChatGPT Search	74%

意思就是:你今天监测面板上看到的 ChatGPT 引文,有四分之三下周就不在了。

如果你的 KPI 是"被 ChatGPT 引用次数",这个 KPI 本身每周自然波动 74%——你优化做得再好,信号都被噪音淹掉。

测它,等于在测随机数。

五、那第 1 步到底怎么做?

回到反转——既然第 1 步(训练层)决定一切,怎么做?

Ann Smarty 自己有句话特别狠,出自她之前一篇文章:

"如果你是某个数据、发现或趋势的源头,你的名字就很难从 summary 里被抹掉。
你不是众多 voices 中的一个——你就是 THE voice。"

她管这套思路叫 “Become the SOURCE”(成为源头)。

具体怎么做?三件事:

1. 做原始研究 / 跑独家数据。别再写"X 是什么"的综合文。让你的名字跟一个具体数字、一份具体实验、一个具体命名绑定。下一次 LLM 答相关问题,它绕不开你。
2. 不要只在自家域里反复说。上一篇我讲过 “evidence layer” 思维——你被 AI 引用时,80% 的"证词"来自第三方信任源,不是你自家页。做出真值得被引的东西,然后让它扩散到多个第三方信任源。
3. 降低对"被引"的执念,提高对"被认识"的关注。前者每周波动 74%,后者一旦建立就是长期复利。

收尾

回到开头那句反转:

我们行业过度测第 5 步,优化第 4 步,但忽略第 1 步——而第 1 步决定一切。

上一篇我拆了黑帽视角——黑帽明白这点,所以他们在拼命污染训练层(用 RAG 灌水、合成实体网络、寄生信任域)。

这篇是白帽视角——你要做的不是跟黑帽抢污染速度,而是用 “Become the SOURCE” 的真本事,让 LLM 训练时不得不把你的名字编码进去。

最后说一句:别再天天盯着引文报告了。

那只是流水线最末端的一个噪音指标——你看到 / 没看到,跟你做得好 / 不好的关系,远比你以为的弱。

往前推一步,看你的品牌有没有被 AI 训练数据认知到。这才是真正的源头战场。