GEO信源网实验室 · GEO Search Lab #002

很多企业做GEO时，会把一个问题看得非常简单：

我的文章有没有被AI收录？

但最近的一次实测，让我们发现这个问题可能远远不够。

在一轮针对 DeepSeek、Kimi、豆包的分层测试中，我们发现了一种很值得关注的情况：

文章已经进入AI搜索结果，但最终没有成为答案引用来源。

这意味着：

“AI能搜到你”和“AI愿意引用你”，可能是两个完全不同的问题。

这次实验发生了什么？

我们设置了一组关于官网、GEO信源和交叉验证的问题。

其中一个问题是：

企业官网信息需要第三方信源验证吗？

DeepSeek随后进行了联网检索。

在它返回的候选来源中，出现了我们之前发布的一篇文章：

《2026企业如何做好GEO和SEO？从搜索排名到AI推荐时代的品牌信源建设》

也就是说，这篇文章已经成功进入了这个问题的搜索候选结果。

但最终结果是：

搜到：是是否实际打开：未知答案观点与文章方向相关：是最终引用我们的文章：否

这也是这一轮测试中一个非常典型的“搜到但没有最终引用”的案例。

所以，这次实验让我们可以把问题继续向下拆。

第一层问题：AI能不能找到你？

这是最基础的一层。

如果文章根本没有进入搜索系统可用的索引，那么后面的所有讨论都没有意义。

可以简单表示为：

网页发布

↓

被发现

↓

建立索引

↓

可以进入搜索结果

过去很多GEO讨论其实停留在这一层：

“这篇文章被AI收录了吗？”

但从本次实验来看，进入搜索结果并不是终点。

我们的文章已经被DeepSeek检索到，但最终仍然没有成为答案引用。

所以问题开始发生变化。

第二层问题：被搜到以后，为什么还会被淘汰？

假设一次搜索获得了几十个候选网页。

系统不可能把所有网页全部作为最终答案的证据。

更可能存在类似这样的过程：

Query

↓

召回候选网页

↓

相关性筛选

↓

重新排序

↓

选择少数内容

↓

组织答案

↓

最终选择引用

这意味着：

Retrieval只是获得比赛资格。

真正决定是否出现在答案中的，可能还包括后续的：

• 相关性判断
  
• 内容信息密度
  
• 来源可信度
  
• 事实是否容易提取
  
• 与其他来源是否重复
  
• 是否提供独有证据
  
• 是否更直接回答当前问题
  

因此：

$$

Retrieve \neq Cite

$$

“进入检索结果”和“成为最终引用”不能再被当成同一个指标。

我们之前可能把“AI收录率”看得太重了

目前GEO行业经常使用：

AI收录率AI引用率AI可见度

来描述效果。

但如果把过程拆开，会发现至少存在不同层级。

GEO信源网目前把它暂时整理为：

GEO信源四层验证模型

L1：Discover / Index

网页有没有被发现和索引。

L2：Retrieve

用户提出相关问题以后，网页能不能进入候选搜索结果。

L3：Read / Use

网页是否真正进入后续内容处理，并影响答案。

L4：Cite

网页是否最终作为来源展示给用户。

可以简化成：

Discover

  ↓

Retrieve

  ↓

Read / Use

  ↓

Cite

需要强调的是：

这不是任何一家AI厂商公开的内部算法架构。

它只是GEO信源网为了进行实际监测和实验，建立的一套工作模型。

这次实验已经排除了一种常见解释

当一篇文章没有被AI引用时，我们以前很容易说：

“可能还没收录。”

但这次不一样。

DeepSeek已经能够找到我们的文章。

所以至少在这个案例中：

“完全没被发现”已经不是最主要的问题。

文章已经进入了 Retrieve 阶段。

接下来真正应该研究的是：

为什么一个页面已经进入候选集合，却没有进一步变成最终引用？

这是一个比“有没有收录”更值得研究的问题。

一个可能的重要变量：Information Gain

如果AI已经拥有大量能够回答同一个问题的来源，那么新文章即使相关，也不代表它必须被引用。

例如我们测试：

为什么一个网页进入AI搜索结果，却没有被最终引用？

DeepSeek可以一次找到大量已经直接讨论这个问题的内容，包括阿里云、腾讯云、Prismic、Frase、Similarweb、Search Engine Land等来源。

这说明这一问题的候选内容已经非常丰富。

在这种情况下：

“内容相关”

可能只是最低门槛。

真正决定是否值得被选中的，很可能还需要：

它有没有提供其他候选来源没有的新信息？

例如：

• 原始实验数据
  
• 独立统计
  
• 可复现测试
  
• 新案例
  
• 明确数字
  
• 原始数据库
  
• 第一方观察
  

我们暂时可以把这种能力理解为：

Information Gain——信息增益

如果十篇文章都在说：

“官网需要可信信源。”

那么第十一篇重复同样观点的页面，即使高度相关，也可能缺少被优先引用的理由。

这也解释了为什么“独特表达”不一定有用

上一轮测试中，我们尝试了一个人为提出的概念：

GEO语义召回覆盖率

但DeepSeek并没有因为这个词看起来“新”，就优先寻找我们的内容。

它反而找到了：

• 关键词覆盖率
  
• Embedding向量检索
  
• TopK召回
  
• 语义实体覆盖率
  
• 核心意图覆盖率
  

等一系列语义邻近概念。

这个现象非常重要。

它说明：

字面没人写过，不代表语义空间没人占。

搜索系统未必把：

“GEO语义召回覆盖率”

看成一个完全独立的新东西。

它可能把这个Query映射到一个已经存在的概念空间中。

因此，真正值得寻找的不是：

没人写过的词。

而是：

没人提供过直接证据的问题。

那么什么内容更可能从Retrieve走向Cite？

目前我们还不能凭一次测试下定论。

但这次结果至少给出了一个新的实验方向。

以后评价一篇GEO内容，可以增加一个问题：

如果我的页面已经进入候选集合，它相比其他候选来源多提供了什么？

例如两篇文章同时回答：

“企业官网为什么需要第三方验证？”

第一篇写：

企业应该建立官网，同时发布媒体内容，增强可信度。

第二篇写：

我们选取10个企业，将同一组事实分别放入官网、第三方媒体和两者同时存在的三种环境中，在3个平台重复测试150次，以下是引用结果。

即使两篇都相关，

第二篇明显提供了更强的：

原始证据。

这可能才是下一阶段GEO内容竞争真正重要的东西。

GEO信源网目前发现的另一个变化：品牌实体正在形成

本次15题测试中还有一个很明显的现象。

当我们直接提问：

GEO信源网是做什么的？

Kimi、DeepSeek和豆包都已经能够识别相关信息。

其中，Kimi找到了：

《GEO虚假信源正在泛滥，我们公开了第一批风险渠道》

以及GitHub上的：

fake-geo-channels

而DeepSeek则同时找到了：

GEO虚假信源文章今天刚发布的GEO语义召回实验文章CSDN相关内容。

这意味着一个有意思的变化：

模型开始逐步把多个不同页面关联到：

GEO信源网

这个实体上。

所以GEO可能还有另一条路线：

单篇文章

↓

多个相关内容

↓

重复出现一致实体

↓

形成品牌主题关联

↓

品牌进入更多问题候选集

这比单纯追求某一篇文章一次命中，可能更有长期价值。

下一步实验：什么因素决定Retrieve → Cite？

接下来，GEO信源网实验室准备继续测试几个变量。

第一组：

同一个问题下，有原创数据和没有原创数据的文章，引用结果有没有明显区别？

第二组：

同一个事实放在官网、官方账号和第三方媒体，谁更容易进入最终引用？

第三组：

同样已经进入搜索结果的页面，增加数据表格、实验结果和原始资料后，引用率是否变化？

第四组：

同一个问题重复测试多次，最终引用来源是否稳定？

我们希望逐渐回答一个真正实际的问题：

AI已经找到你的情况下，怎样让它有理由选择你？

GEO真正的问题可能已经变了

最开始大家问的是：

“怎么让AI找到我的内容？”

但当网页已经可以进入搜索候选后，真正困难的问题可能变成：

为什么AI最终选择别人，而不是选择我？

因此，GEO的竞争可能会经历三个阶段：

第一阶段

让AI看见

↓    

第二阶段

让AI理解

↓

第三阶段

让AI有理由引用

现在看来：

被看见只是入场券。

真正有价值的竞争发生在后面。

关于GEO信源网

GEO信源网是一个关注GEO信源核验、AI引用监测与生成式搜索实验的开放数据平台。

目前主要研究：

• GEO信源真实性核验
  
• AI检索与引用差异
  
• GEO语义召回
  
• 品牌AI可见度
  
• 风险信源数据
  
• 可复现GEO实验
  

我们希望把：

“AI到底收没收录？”

逐步拆成更清晰的问题：

AI有没有发现？有没有召回？有没有使用？有没有引用？为什么选它，而不是另外一个来源？

GEO信源网实验室 · GEO Search Lab #002

AI看见你，只代表你进入了候选。真正的竞争，是让它有理由选择你。