当企业问"AI为什么不引用我的技术文档"时,多数人以为这是一个内容质量问题,但真正的原因常常出在技术上:生成式搜索普遍采用RAG(检索增强生成)架构,把"找到相关材料"和"用材料写答案"拆成两段独立执行。你的内容在第一段被切成小块后与问题做语义匹配,只有命中的那几块会被送进上下文窗口交给模型。这套机制决定了GEO的内容写法与常规SEO存在实质差别——优化的对象从"整篇文章排名"变成了"某一段能否被召回、召回后能否被完整使用"。
RAG的两段链路与两个独立变量
RAG的基本流程可以拆解为:离线索引(抓取网页 → 解析 → 切块 → 向量化 → 建立索引)与在线查询(问题向量化 → 相似度检索召回 → 重排序 → 拼装上下文 → 模型生成答案并给出引用)。
对企业内容来说,链路上有两个彼此独立的变量:
- 被检索到的概率:由抓取可达性、切块方式、索引覆盖、向量表示质量决定。决定于离线与检索阶段,与你的文案写得好不好关系不大。
- 被生成环节引用的概率:由召回块在上下文中的位置、块内信息是否完整且自洽、块与其他块是否重复或矛盾决定。决定于内容写法与站点的主题结构。
这两个变量分离,带来一个反直觉但很关键的推论:内容质量高不等于被引用概率高。一篇写得很好的长文,如果没有被切分成与用户提问对应的语义单元,它可能整篇都不在召回集里;反过来,一段结构清晰的参数说明,即使所在的文章整体平淡,也更容易被单独召回并被引用。这也解释了为什么有些站点在传统搜索里排名不错,在AI答案里却几乎没有存在感——两套机制的最小工作单位不同:SEO的工作单位是页面,RAG的工作单位是块。
切块策略如何决定你的段落能否被完整召回
切块(chunking)是RAG链路里对内容影响最直接、也最少被内容团队关注的一环。切块规则常见有几种:按固定字符数切、按段落切、按标题层级切、按语义边界切。不同策略产出的块质量差异很大,而企业能影响的,恰恰是内容本身能不能被切成"语义完整的一块"。
典型的失败形态有几种:
- 答案被切在中间:一段完整说明被固定长度截断,前半块讲"适用于工况A与工况B",后半块讲"选型时需注意压力等级",两块都不足以独立回答问题。用户问"压力等级怎么选",两块都因为上下文不完整而召回得分偏低。
- 标题与内容分离:用固定长度切块时,H2/H3 标题留在上一块末尾、说明文字在下一块开头,导致块内缺少主题信号。向量检索匹配的是整段语义,标题缺失会直接削弱匹配精度。
- 目录、导航、页脚混入:通用导航和版权声明在每个页面重复出现,切块后形成大量高相似度的低价值块,既占用召回名额,又可能挤掉真正相关的段落。
- 表格被纵向截断:参数表、规格对比表被按行切开后,列名与数据分离,召回的块只剩数值而无对应的参数名,模型无法据此生成有意义的答案。
针对这些问题的内容侧对策,核心是让每个语义单元自足:每节内容用一句能独立成立的结论开头(而不是"下面将详细介绍"这类依赖前文的过渡句),参数表格前置表头并让每一行自解释,重要结论在标题和正文里各出现一次,关键数值附近带上单位、口径与适用条件。这些做法不增加内容数量,但显著提高了单块的可用性。
语义漂移:内容与问题的措辞落差
向量检索把问题和文本都映射到语义空间,匹配的是含义而非字面。用户用的词和内容里用的词不一致时,召回效果会下降,这就是语义漂移在检索侧的表现。客户说"这机器能跑多少度",你的文档写的是"工作环境温度上限为85℃",字面几乎不重合;客户说"功率多大",文档写"额定输出18.5kW"。
解决办法不是堆砌关键词,而是在内容里自然覆盖用户的多种说法:
- 同义表述并列:在同一段里用"工作温度(又称环境温度)""额定功率(也称输出功率)"这类写法,让一个块同时覆盖多种问法。
- 使用用户口语表述:在 FAQ 与选型指南这类页面里,标题直接用客户会问的话,比如"设备能承受多高的环境温度",而不是文档式的"环境温度技术参数"。
- 问题—答案式段落:把"问题句 + 直接回答 + 支撑细节"写成一个完整段落,而不是把答案散落在长文各处。这种结构在检索与生成两端都更友好。
- 关键属性用名词短语:相比"我们厂采用先进的稀土永磁电机驱动",写成"驱动方式:稀土永磁同步电机",更接近结构化事实的形态。
需要说明的是,语义漂移不只发生在检索侧。生成阶段同样存在:检索到的材料与问题确实相关,但模型在整合多块材料时,可能把不同产品的参数混在一起,或者用某一型号的数据回答通用问题。这类漂移的根源是内容侧缺少明确的边界标识——哪段话属于哪个型号、哪个工况、哪个版本。对应做法是在段落里始终带上归属限定词(型号、系列、版本、时间),并且在同一页面上避免并列多种口径相近的参数表却不加区分。
向量检索与关键词检索对内容写法的不同要求
实际部署的RAG系统通常不是纯向量或纯关键词,而是混合检索:BM25之类的关键词检索负责精确匹配型号、错误码、标准号,向量检索负责语义相近的表达,再由重排序模型对候选做最终排序。企业内容需要同时满足两套要求,这与"只堆关键词"或"只写自然段"的思路都不同。
| 内容特征 | 关键词检索(BM25)侧 | 向量检索侧 | 写作建议 |
|---|---|---|---|
| 型号与编码 | 精确匹配占主导,型号必须完整出现 | 字面差异大时匹配弱 | 型号全称、简称、旧型号同时列出,并保持一致写法 |
| 参数与数值 | 数字串匹配敏感 | 数值本身几乎不参与语义匹配 | 参数名与数值放在同一块内,附单位与测试条件 |
| 标准与认证 | ISO、CE、GB 等编号精确匹配 | 语义贡献有限 | 编号写成文本而非图片,并说明对应的产品线 |
| 概念与问题 | 字面重合度决定得分 | 语义相近即可命中 | 段落用完整问答句,覆盖多种用户措辞 |
| 表格与列表 | 文本化后匹配效果提升 | 结构清晰度影响切块质量 | 表头随行携带,避免横向表格,关键行独立成段 |
从这张表能推出一个具体结论:内容需要"双份表达"——同一件事既要用用户的自然语言问法写出来(服务向量检索),也要用标准的行业术语、型号、编号写清楚(服务关键词检索)。这不是重复写作,而是让同一段内容覆盖两套匹配机制。一个只写术语的文档,语义匹配受限;一个只写口语的文档,精确检索拿不到分。
面向RAG的内容结构建议
综合前面的机制,针对RAG的内容结构可以收敛成几条具体建议:
- 一节一义:每个标题下的内容只回答一个问题,完成后可独立被召回。跨度太大的章节会产出语义模糊的块。
- 结论前置:每节第一段给出可直接引用的结论,后面再展开条件、例外与推导过程。生成阶段引用的是结论性表述。
- 事实与观点分离:可核验的数据(参数、标准、案例中的客观事实)与主观描述分开写,避免模型把营销表述当成事实引用。
- 建立站内主题集群:同一问题的不同侧面做成相互链接的独立页面,让系统能识别这批内容属于同一主题,从而在召回时提供互相印证的多个来源。单一页面承载全部内容,召回粒度会失控。
- 保留可引用的实体锚点:在正文里自然嵌入公司名、产品名、认证编号、适用场景标签,让每个块都带着"这是谁说的、关于什么"的信号,避免召回后模型无法归属。
- 维护更新痕迹:RAG索引对变更的反映有时滞,涉及参数修订、价格变动、型号迭代的内容需要主动刷新索引或说明版本日期。
铭赞经验:判断内容在RAG链路里的表现,别只看整页排名,去看"单块召回"更有意义。做法是把你的核心问题各取三种问法(口语化、术语化、带具体型号),在真实AI搜索里各问一遍,记录答案里引用的是哪一页的哪一段。如果答案反复引用同一页面的同一段,说明这块的召回质量不错;如果答案引用的是首页导航附近的段落,说明切块粒度或主题结构还需要调整。
下一步行动
想知道你的内容在RAG检索链路里能召回多少、召回的块是否完整可用?铭赞提供免费GEO基线诊断,会用多组口语化与术语化问题测试多个AI入口,检查引用页面、引用段落位置与内容完整度,输出需要调整的切块与结构建议。电话 13991172090,或访问 xamz.cn/geo/diagnosis.html 在线申请。
铭赞网络的服务范围覆盖GEO优化、SEO、网站建设和外贸营销,服务电话 13991172090。