AI搜索现在很火。它能直接给你答案，不像以前那样，给你一堆网页链接让你自己找。
但是，它也经常犯错。比如它会自己瞎编内容，我们管这个叫“幻觉”。而且它给你的东西，可能都是你本来就喜欢看的，让你走不出自己的小圈子。
我就是解决这些问题的工程师。这篇笔记，不讲大道理，只讲我们平时具体怎么干活，怎么把AI搜索一点点调好。
它跟以前的搜索有啥不一样？
以前的搜索引擎很简单。你搜“周末去哪玩”，它就去网页里找包含这几个字的文章。它根本不明白你想干嘛。
AI搜索不一样。它会试着去理解你的“意图”。
它知道你不是在找这几个字，你是在找一个周末能带孩子出去的活动。所以它可能会直接推荐几个公园或者博物馆，而不是甩给你一堆链接。
这就是根本区别。AI搜索的目标是解决你的问题，而不是给你一堆资料让你自己研究。
我们优化搜索，主要就三件事
所有优化工作，都绕不开这三样：数据、算法、评估。这是一个循环，一环扣一环。
AI模型的好坏，全看喂给它的数据。数据不对，后面全白费。
我们主要用三类数据：
- 用户行为。 用户点了哪个结果？在页面上待了多久？这些是最直接的反馈。用户点击多、停留时间长的，通常就是好结果。
- 内容特征。 这篇文章是不是来自一个权威网站？内容是不是最近更新的？这些能帮我们判断内容的质量。
- 人工标注。 我们会请专家，给搜索结果打分，比如“好”、“一般”、“差”。这个方法成本很高，但是最准，能作为我们评价模型的标准答案。
【举个例子】
我们之前做金融搜索，效果很差。后来查数据发现，用户点进我们的结果，不到5秒就退出了。
这就说明，我们给的内容虽然相关，但是太专业了，用户根本看不懂。
后来怎么办？我们调整了算法，给那些能用大白话解释清楚金融概念的文章，更高的权重。调整之后，用户的停留时间明显变长了。
有了好数据，就要用对的算法来处理。
我们的核心技术叫“排序学习”（LTR）。简单说，就是训练一个模型，让它学会怎么给一堆搜索结果排出最好的顺序。
这里面有个叫LambdaMART的算法，我们一直在用，效果很稳定。它不只关心单个结果好不好，它更关心整个结果列表的顺序，是不是让用户看着舒服。
现在，还有一个很重要的技术，叫RAG。
大模型什么都懂，但它的知识是旧的，而且还会瞎说。RAG就是解决这个问题的。
它的工作原理是这样：
- 先检索。 用户提问后，系统先不去问大模型。它先从我们自己可信的、最新的数据库里，找出几条最相关的内容。
- 再生成。 然后，系统把用户的问题和它找到的这几条资料，一起打包发给大模型。要求大模型必须根据这些资料来回答问题。
这样做有两个好处：第一，答案不会瞎编，因为有资料依据。第二，答案是实时的，因为我们的数据库在不断更新。
做了优化，怎么知道有没有用？得靠评估。
我们分两步走：
- 离线评估。 模型做好后，先不上线。我们用一个叫NDCG的指标给它打分。这个指标的意思是，越好的结果，排在越前面，得分就越高。
- 在线A/B测试。 离线分数再高也没用，要看真实用户喜不喜欢。我们会分一小部分用户，让他们用新模型。然后拿他们的数据，和用旧模型的用户对比。看看到底哪个模型能让用户的点击率更高、停留时间更长。数据说了算。
做网站内容的人，以后该怎么办？
以前做网站，总研究SEO，就是想办法让自己的网页排名靠前。
现在这个玩法要变了。以后是GEO（生成式引擎优化）。
你的目标不再是让网页排第一。而是让AI写答案的时候，愿意引用你写的内容。
这意味着什么？
你写的东西，必须观点清楚、逻辑清晰、有事实依据。AI才会认为你的内容可信，才会用你的内容来生成答案。那些堆关键词、内容乱七八糟的网页，以后就没用了。
最后想说的
优化AI搜索，不是一次就能搞定的事。它是个循环。
搞好数据，选对算法，严格测试。不行就推倒重来。
我们每天干的就是这些。目的只有一个：让用户更快、更准地找到他想要的东西。
原创文章，作者：七点互动，如若转载，请注明出处：https://www.qidianhudong.com/geo/412.html
