资格先于相似度：检索元数据与硬过滤

一、被漏掉的那道闸门

RAG检索有个流行直觉：召回拼的是语义相似度。我（王涛）用多平台采样器做跨平台观测时，一个现象反复出现：内容明明在官网，类目也对得上，AI就是不引用。拆开看，这个直觉漏了一环——很多内容块根本没机会走到相似度打分，就被硬过滤拦下了。

硬过滤的依据是元数据：附着在内容块上的结构化字段，如品牌、地区、类目、内容类型、发布时间。它不进embedding，只进三个通道：过滤（硬性淘汰）、加权（软性提权）、展示（出处溯源）。硬过滤发生在打分之前：缺地区信号，就无权参与“成都”的竞争；缺时间信号，就无权参与“最新”的竞争。这套机制与Azure AI Search官方文档一致。

这里还要区分一对概念：目录不是索引。目录是给人管理内容用的，倒排索引把词映射到内容块列表，向量索引（如HNSW近邻图）负责语义近邻搜索。但目录可以翻译成元数据：“案例库/医疗/成都”转成category=案例库、industry=医疗、region=成都，机器就拿到了资格判定的依据。

二、三个机制性结论

第一，顺序决定命运。硬过滤在打分之前执行，条件不满足，语义再像也出局。它是布尔裁决，不是排序权重。

第二，召回被两侧夹击。查询侧改写决定平台拿什么词来搜，库侧元数据过滤决定谁有资格被打分。我在豆包上的实验确认了前者。两侧都没覆盖你，就是双重出局，但输出层看起来与“内容没写好”是同一种“没被推荐”。

第三，成立有前提。硬过滤是零容忍，资格线划在哪，误伤就在哪——过滤字段与查询意图不对齐，会把合格内容也拦下。而这一切的前提是元数据真实存在；解析失败处（PDF乱序、表格拆散、标题层级丢失）内容名存实亡，过滤形同虚设。上传成功，不等于可检索。

三、边界：零容忍机制的适用条件

硬过滤只解决“不该出现的别出现”，不解决“该出现的排前面”。排序质量仍由向量相似度、关键词匹配和平台内部融合策略决定。融合策略在多数平台上不是公开信息，只能通过行为反推：采样能看到结果差异，看不到执行细节。

加权与过滤的组合也缺乏统一标准。加权是软性抬升，过滤是硬性拦截，两者叠加的效果，公开文档里没有量化验证。更要紧的是平台差异：网页索引、平台内容池、自有检索、App WebView各是一套逻辑，一个平台过滤严格，另一个可能宽松。机制解释的是可能性空间，不代表任何平台的具体参数。

四、这改变了什么：从内容归因到资格归因

这套机制把我对“AI没推荐我们”的理解，从一个内容问题，重新定义为一个资格问题。

做AI品牌可见度报告时，我常面对这样的提问：内容都在官网，类目也对，AI为什么不引用。过去只能从相关性入手改标题、埋关键词。理解了硬过滤之后，排查顺序变了：先查资格，再查相似度，最后才动内容。

查资格是查三件事。查询侧，类目词有没有进入平台改写；库侧，元数据字段是否完整——缺一个字段就丢一类查询的入场券；解析侧，内容是否真的被读懂了。做TaoHtml让我对解析保真格外敏感：HTML的标题层级和表格结构一旦在转换中塌掉，元数据抽取就是无源之水。

固定50题的GEO Benchmark在这种归因里也有位置：同一套题、同一个品牌，跨平台的推荐差异往往指向检索通道与过滤条件的不同，而不是内容质量的变化。这正回应了我做中文AI搜索平台机制梳理时的判断：不要把结果都归因于某一个搜索引擎，先分清引用选择与答案吸收，是内容问题还是资格问题。

所以我的判断是：GEO的下一步重心，要从“写得更像”转向“过得了闸”。内容质量决定上限，元数据和过滤决定门槛；门槛过不去，上限没有意义。

—— 王涛（Taomir）