AI 回答前如何检索？RAG 机制拆解

AI 回答前如何检索？RAG 机制拆解

你问豆包"深圳今天下雨吗"，它没下雨，它是先跑去搜了一圈天气，再把结果拼成一句话回给你。你以为它张口就来，其实它背后有一条固定的流水线：先拆问题，再搜资料，最后总结。这套流水线有个名字，叫 RAG——检索增强生成。

很多人做 GEO 做不好，是卡在一个误解上：以为 AI 像人一样"读"完你的网页，然后"记住"你。其实不是。AI 在你提问的那一瞬间，才临时去外面搜。你的内容能不能被用上，取决于三件事：它会不会搜到你、它读不读得懂、它会不会引用你。这三件事，就是 RAG 的全部秘密。

一、第一步：它先决定"要不要搜"

AI 不是每次提问都联网。它先判断：这个问题，靠我脑子里已有的知识够不够？

OpenAI 官方把这条规则写得很直白：ChatGPT 根据你问什么来决定要不要搜网页。天气、股价、新闻这类需要实时信息的问题，它会触发搜索；而常识类、纯推理类的问题，它直接用自己的知识回答，根本不搜。

Anthropic 的 Claude 也是同一套逻辑：当问题依赖"最新事件、价格、特定人物产品"这类训练数据之外的信息时，它才去搜；如果是稳定的知识，比如数学、科学基础、创意写作，它就不搜。

这件事对 GEO 的第一个启示是：你的内容只有被"搜"到，才有被引用的可能。 如果你的目标用户在问的是那种"AI 觉得不用搜"的问题，那你写多少内容都是白搭。反过来，你更应该盯着那些"AI 一定会搜"的问题——带时效、带价格、带具体产品或人物的查询。

二、第二步：它把一个问题"扇出"成好几个

更反常识的是：AI 搜的时候，也不是只搜一次。

Google 官方把这个机制叫"查询扇出"（query fan-out）。你问它一个问题，它内部会把这个大问题拆成一堆并发的小查询，同时发出去，抓取更多的搜索结果回来综合。

举个官方的例子：你问"如何治理杂草丛生的草坪"，AI 会同时发起好几个查询——"最适合草坪的除草剂是什么""不用化学品怎么清除杂草""如何预防草坪长杂草"。它把一个大问题，拆成了三个更具体的小问题分别去搜。

普林斯顿大学的研究论文把这个过程画得更清楚。生成式引擎的工作流程就三步：先是 Query Reformulation（问题拆解），把用户的问题重写成多个子查询；然后是 Search（检索），抓取相关来源；最后是 Summarization（总结引用），生成答案并嵌入引用链接。这三步，和 Google 说的"查询扇出"完全对得上。

这带来第二个启示：你不可能只靠一个关键词去覆盖 AI。 用户在豆包里问的那句话，会被拆成好几个你意想不到的具体问题去搜。你想被搜到，就得把内容写成"能回答具体子问题"的形态，而不是写成一篇大而全的泛泛介绍。

三、第三步：不同 AI 的检索方式还不一样

同样是"搜"，各家 AI 的做法差别很大，这直接决定了你的内容在不同平台上被对待的方式。

ChatGPT 有三种搜索模式：快速直搜、代理式搜索、深度研究。快速直搜是把你的问题直接丢给搜索工具拿结果；代理式搜索是模型在思考过程中自己决定"搜一次够不够、要不要继续搜"；深度研究最狠，它会访问数百个来源，跑上好几分钟。所以你看到 ChatGPT 有时秒回、有时转圈好几分钟，区别就在这里。

Claude 的新版本（2026 年 2 月之后）加了一个更精细的机制：动态过滤。它搜完结果之后，会先写一段代码把搜索结果过滤一遍，只把真正相关的放进上下文，不相关的直接扔掉。

这里有个关键的商业判断：AI 现在越来越重视"搜索结果的质量"而不是"数量"。 Claude 会主动扔掉不相关的内容，说明你写的内容如果只是"关键词沾边但实际不相关"，会被直接过滤掉，连被引用的机会都没有。这比传统的 SEO 逻辑更严苛——过去你堆关键词还能骗过搜索引擎，现在 AI 会自己写代码筛你。

四、第四步：从"被搜到"到"被引用"，中间还隔着两堵墙

就算你的内容被搜到了、被检索出来了，也不代表会被引用。这里有一个容易被人忽略的漏斗。

业内有一个经验数据：AI 理解内容分三个阶段，通过率逐级递减——大约 90% 的内容能被"识别"（读到），但只有 40% 能被正确"解析"（读懂），最终只有 10% 会被真正引用。

90% 读到，10% 被引用，中间 80% 的内容去哪了？三个阅读盲区把它们筛掉了：

第一，模糊指代。你写"前者、后者""如上所述"，不说具体名词，AI 摘录的时候对不上号，直接放弃。

第二，隐喻空泛。你说"这是我们的镇店之宝"，不说具体数据，AI 拿不到可验证的信息，没法用。

第三，无背景专业词。你甩一个"翻台率 3.5"出来，不解释行业均值是多少，AI 不知道这个数字意味着什么，也不敢引。

所以 RAG 检索到的只是"候选名单"，真正决定谁能进最终回答的，是后面这道"能不能被干净摘引"的关。

五、最后一步：它只读你的前 15MB，还有几个"开关"

理解了 RAG 的流程，你还要知道几个技术细节，它们直接影响你的内容会不会被看见。

Google 官方明确：Googlebot 默认只抓取网页的前 15MB 内容，超出部分直接忽略。这意味着你把最重要的信息埋在一篇超长页面的后半段，可能 AI 根本没读到。

还有 robots.txt 这个文件，很多人有误解。Google 的官方说法是：robots.txt 不是阻止索引的机制，它只是管理抓取流量的一个"君子协定"。正规爬虫会遵守它，恶意爬虫不会。而且如果你用 robots.txt 屏蔽了某个网页，这个网页的网址还是可能出现在搜索结果里，只是没有描述摘要。想彻底不让内容被搜到，最可靠的方法是删除页面，其次是 noindex 标记。

OpenAI 那边更具体：robots.txt 更新后大约 24 小时生效。而且 OAI-SearchBot 和 GPTBot 是两个独立的爬虫——前者负责把网站展示在 ChatGPT 搜索结果里，后者负责训练模型。你可以单独允许 OAI-SearchBot、同时禁止 GPTBot，这样你的内容能被 ChatGPT 引用，但不会被拿去训练模型。

这些"开关"，就是你在 RAG 这套机制里能主动操作的空间。

一句话记住 RAG

AI 回答前，不是"想"，是"搜"。先判断要不要搜，再把问题扇成多个小查询，然后各家用自己的方式检索、过滤，最后从候选里挑出能被干净摘引的那 10%。

所以做 GEO 的核心，从"让 AI 搜到你"开始，经过"让 AI 读得懂"，最终落到"让 AI 敢引用你"。三步，一步都不能少。别再问"我的内容 AI 读到了吗"——要问的是"我的内容，能不能从 90% 读到，走到 10% 被引用"。