AI搜索解析：营销人员实用指南

营销人员实用指南 目录 301前言 402本指南的目的 503解构大语言模型（LLMs） 804AI搜索如何运作？ 905AI搜索如何呈现品牌？ 1206从SEO走向GEO：品牌如何被呈现？ 1407如何撰写清晰结构化的内容，以提升在AI搜索中的可信度 1608内容策略的实用建议 1809充分发挥AI价值的付费策略 2010以人为本，回归人性 2111Microsoft如何提供支持 前言 致营销人： 正因如此，我们推出了本次更新版白皮书。我们希望提供一份更加务实、具有可操作性的行动蓝图——系统阐明 AI 驱动的搜索在当下是如何真正运作的，相较上一版指南发生了哪些关键变化，以及哪些具体行动能够帮助营销人员在这一全新环境中提升可见度、实现差异化，并持续推动业务成果。在本白皮书中，你将系统性地获得扎实的基础认知与清晰、可落地的实践指引，帮助你在 以 AI 为核心的时代背景下，全面审视并持续优化内容策略、整体营销策略，以及相应的衡量与评估方式。 过去一年，我们正身处行业历史上发展最快的转型阶段之一。 AI 概览、新一代 AI 浏览器，以及功能日益强大的多模态智能助手，正在从根本上改变人们在线搜索信息、发现内容以及做出决策的方式。因此，许多营销人员向我们坦言：一方面，他们对变化的速度感到压力重重；另一方面，也迫切希望能够明确方向，明确下一步究竟该如何行动。 我们仍处于持续学习的过程之中。也正基于此，我们由衷感谢所有为本指南贡献智慧的行业专家。正是他们的洞察与实践经验，使本白皮书得以更加完整，汇聚并呈现了这一充满活力与潜力领域中丰富而多元的知识与观点。 当我们首次发布本指南时，目标很简单：帮助营销人员应对从“关键词”走向“对话”的转变。这一演进至今仍在持续，但整体环境已在短时间内发生了显著变化。AI 助手的能力正在快速提升——它们能够理解更丰富的输入形式，整合更新、更全面的信息来源，并开始在用户点击任何链接之前，就直接回答问题。这标志着“发现”的运作方式正在发生深刻改变，而营销人员也急需相应的支持与指引。 这一领域仍在不断演进。我们的承诺，是与之同步前行——持续分享我们所观察到的变化，并为你提供当下即可落地的可执行洞察，帮助你稳步推进，取得切实而有意义的进展。 接下来，让我们一同前行。 Paul Longo微软广告 AI in Ads 业务总经理 本指南的目的 在本指南的第一版中，我们探讨了搜索如何从以关键词为中心，逐步演进为以对话为核心的交互形态。尽管这一宏观趋势依然成立，但 AI 创新的发展速度，已显著快于以往任何阶段。仅在过去 12 个月中，我们便见证了 AI 概览的迅速普及、新一代 AI 浏览器的相继出现，以及 AI 助手能力在各类场景中的持续融合与升级。 本指南将重点围绕以下几个方面展开： 大语言模型（LLMs）的基本原理，以及AI 搜索如何呈现并放大品牌影响力 搜索引擎优化（SEO）与生成式引擎优化（GEO）之间的联系与差异 随着搜索逐步迈向多模态交互，对话本身也变得更加丰富。以 Copilot、ChatGPT 等为代表的新一代 AI 助手，已具备对文本、语音、图像、视频乃至代码等多种形式内容的理解、交互与响应能力。几乎任何形式的输入，如今都可以成为对话的一部分。 如何通过清晰、结构化的内容创作，提升内容在 AI 搜索环境中的可见度 最后，也是最重要的——如何构建内容战略，并结合付费推广方式，切实释放 AI 所带来的商业价值，提供可执行的行动建议 随着行业的持续演进，本指南也在不断更新与完善。在第一版发布后，我们收获了大量宝贵反馈。其中，一个尤为突出的诉求是：希望获得更多切实可行的建议，以及营销人员在当下即可采取的具体行动示例。如果你正在思考"下一步该做什么"，那么你将在本指南中找到答案。在接下来的内容中，你将深入了解 AI搜索的运作方式，掌握通过付费与自然方式提升品牌可见度的实践策略，并进一步理解内容战略在 AI 搜索时代所扮演的关键角色。 在撰写这一修订版时，我们的目标是：以清晰、易于理解的方式，系统梳理生成式 AI 搜索生态的整体图景，并提供一套可落地的最佳实践，作为通向成功的行动蓝图。 解构大语言模型（LLMs） 在营销语境下探讨 AI 的运作机制，本身就是一个高度复杂的议题。任何相关讨论，都只能提供宏观层面的理解。然而，要真正把握本指南中所提出的一系列建议，理解当代生成式 AI 工具的工作原理依然至关重要。 生成式AI工具的快速涌现，以及其所展现出的强大能力与易用性，在很大程度上源于大语言模型（LLMs）的发展。因此，本指南也将从这里展开。大语言模型（LLMs）通过吸收海量数据进行训练，其中包括大量来自公共互联网的内容。早期的大语言模型主要聚焦于文本处理，而如今，AI模型正持续向多模态方向演进。所谓“模态”，是指AI 能够理解和处理的一种数据类型。模型具备多模态能力，意味着它们被训练为能够在不同类型的数据输入之间进行对齐与推理，包括（文本、语音、图像、视频等）多种形式。在此基础上，现代AI 已实现跨模态的理解与生成能力：无论输入形式为何——例如一次语音查询——AI 都能够识别音频信号、理解其语义，并以用户期望的任意输出形式作出响应。 大语言模型（LLMs）会基于其在训练过程中所接触的数据，预测应如何回应用户提出的问题。当你在 AI 搜索中输入查询时，模型会分析你的用词方式，调取其已学习到的语言模式，并选择最有可能出现的后续词语组合，从而生成一段听起来自然、连贯且自信的回应。 “数十年来，哲学界始终在探讨一个根本性问题：机器是否有可能像人类一样具备真正的理解能力。一个被广泛引用的思想实验，是哲学家约翰·塞尔（John Searle）于1980 年提出的“中文房间”思想实验。塞尔设想自己独自待在一间房间里，依据一本详尽的操作手册，对从门缝递进来的中文字符问题作出回应。 如果你所询问的信息在互联网上已有大量讨论，模型在训练阶段往往接触过相似内容。这使其能够通过重新表述或变体的方式生成回应，在一定程度上“复现”已有信息。正因如此，模型的输出通常显得合乎逻辑，甚至带有一定的思考深度。然而，需要明确的是，大语言模型并不像人类那样真正理解语言。它们的核心优势在于识别模式，并在此基础上复刻人类交流的形式与结构，而非具备真正的语义理解能力。 尽管他完全不懂中文，但仅凭对符号的机械操作，依然能够给出看似正确的中文回答。对房间外的人而言，这一过程足以让他们误以为，屋内有一位真正理解中文的人在进行交流。 大语言模型（LLMs）的运作方式，正与这一思想实验高度相似。它们并不理解问题本身的含义，而是基于统计概率，生成最有可能出现的语言模式，从而呈现出近似于“理解”的效果。” John Searle中文房间论证 这并不意味着大语言模型（LLMs）不具备价值。恰恰相反，在被以负责任的方式、用于恰当场景时，LLMs 展现出重塑多个领域的巨大潜力，并能够以前所未有的规模赋能个人与组织。它们在信息整合、内容改写以及内容生成等方面，尤为出色。但与此同时，模型的设计特性也带来了不可忽视的局限性，尤其体现在对最新事件的掌握、事实准确性，以及训练数据中所固有的偏见等方面。 “从本质上看，大语言模型（LLMs）更像是来自另一个世界的“外来者”。尽管它们可以接触到我们世界中几乎所有的文本内容，却并不具备对语言的真实理解能力，也无法把握现实世界中的细微差别，更难以体会人类经验与知识所蕴含的复杂性与深度。 它们并不是“真理引擎”。从本质上看，大语言模型更像是由统计概率驱动的系统，持续预测下一个词或下一个标记的出现。 应对这些挑战的一种重要方式，是引入检索增强生成（Retrieval Augmented Generation，RAG）机制。该机制通过将大语言模型 (LLMs) 与外部信息检索资源（如Bing）相连接，为模型提供额外的、相关的、最新且更为可靠的信息，从而显著提升生成结果的质量。 检索增强生成（Retrieval AugmentedGeneration，RAG）确实有助于将模型的回答锚定在来自网络的信息之上，从而提升相关性与可靠性。但同样需要清醒地认识到——并非所有在线信息都是真实无误。即便是被广泛引用、看似权威的来源，也可能存在偏差或错误。“ 在搜索场景中，我们将这一类 RAG 机制称为Grounding（信息锚定）。Grounding 的作用，在于将模型的回答锚定在可验证的信息来源之上，使其输出更加准确、更加可信，并能够引用超越其预训练数据范围的最新内容。在这一过程中，搜索索引发挥着至关重要的支撑作用。 Britney MullerAI 顾问｜Orange Labs AI搜索如何运作？ 在理解了大语言模型（LLMs）与检索增强生成（RAG）之后，我们可以进一步探讨这些技术是如何被应用于 Bing、Google 等搜索引擎的 AI 搜索体验，以及Copilot、ChatGPT、Gemini 等 AI 助手之中的。 随着技术的持续演进，越来越多的 AI 应用——无论是Edge、Atlas、Chrome 等 AI 浏览器，搭载 AI 概览功能的搜索引擎（如 Bing、Google），还是 Copilot 等AI 助手——都将逐步建立起对用户偏好与使用习惯的理解能力。这类“记忆”通常来源于用户的搜索历史、浏览行为以及过往的对话内容。因此，当你再次提出诸如“我支持的足球队昨晚赢了吗？”这样的问题时，系统无需反复确认你所支持的球队，便能够在既有上下文的基础上理解你的真实意图。 当用户输入查询时，模型首先会进行判断：该问题是否可以基于其预训练数据直接作答，还是需要通过 RAG机制引入外部信息检索，才能生成准确、可靠的回应。 在生成最终回应的过程中，模型会综合以下信息来源：来自其预训练数据中的既有知识，通过 RAG（如有需要） 获取，并经由 Grounding（信息锚定） 处理的外部信息模型将这些信息加以整合，并以对话式的方式呈现给用户。 例如，当你询问”法国的首都是哪里？”时，相关知识通常已包含在模型的预训练数据中，LLM 因此能够直接回答“巴黎”，无需进一步调用外部信息源。 但如果你提出的问题是： “我支持的足球队昨晚赢了吗？” 那么在未获取来自可信在线来源的最新信息之前，模型便无法给出确定答案。 AI 搜索如何呈现品牌？ 对于营销人员而言，品牌在 AI 搜索体验中的呈现方式，主要体现在两个层面：付费展示与自然可见度。在部分 AI 搜索产品中，已经引入了明确的付费广告形式。 例如，Perplexity 推出了赞助式回答（Sponsored Answers），而自 2023 年2 月起，Copilot 也已支持赞助文本广告与多媒体广告，使品牌能够以付费方式参与 AI 驱动的搜索体验。 相比之下，自然可见度的运作机制则有所不同。在 AI 辅助的用户旅程中，品牌通常以更为自然的方式，出现在 AI 生成的摘要内容与对话式回应之中。这些内容并非凭空生成，而是基于来自可信网络信息源的综合结果。此类 AI 搜索体验，建立在传统搜索引擎优化（SEO）的基础之上。系统首先以已被搜索引擎索引的内容作为起点，并在答案生成过程中叠加多种信号进行判断与整合，从而完成对信息的组织、筛选与呈现。 AI 在自然呈现品牌时，往往会按照一个循序展开、以事实为基础的过程来生成回答。 03 01 02 基于 Grounding 的精细化优化（检索到的网络内容） 基础认知（预训练知识） 精准信号（结构化的一方数据） 在此基础上，AI 会在生成答案的过程中，进一步检索已被索引的权威网络内容，以验证关键信息、增强结果的可信度，并反映品牌与产品在可信来源（包括第三方参考资料）中的真实呈现方式。这一阶段的核心作用，在于将模型的判断锚定在可验证的信息基础之上。 在响应用户查询时，模型首先基于其在长期训练过程中所积累的基础认知展开理解。这一阶段涵盖对产品类别、常见属