你打开DeepSeek问一句“最好的运维监控工具是什么”，它只给了三个名字；你再问“帮我推荐几个开源博客平台”，它列出了五个选项。
你有没有发现，它好像不是在“搜索”，而是在替你“做决定”。而且，被选中的永远是那几个名字。
这不是幻觉，也不是巧合。
这背后，是大语言模型内置的一套GEO（Generative Engine Optimization）推荐逻辑。模型并非随机列举，而是在生成答案的瞬间，由一个内部的“Agent调度器”完成了一次精密的排序。
这个Agent不是科幻电影里的AI管家，而是一套嵌入在生成流程中的评分-筛选-排序流水线。今天，我们不用复杂的数学公式，直接用三段简化的Python代码，把这个“黑盒”拆开，看看AI到底是怎么“思考”的。
第一关：信源评分引擎——你的“出身”决定起点
AI Agent在处理“推荐XX工具”这类问题时，第一步不是召回内容，而是判断该推哪个信源。它有一张隐式的“信源评分表”，这个分数来自预训练阶段对海量网页质量的统计学习：被Stack Overflow、Reddit、官方文档密集引用的域名，权重天然就高。
python
编辑
信源评分引擎（简化版）
class SourceScoringEngine:
def init(self):
# 隐式评分，来自预训练阶段对网页质量的统计学习
self.source_scores = {
“github.com”: 0.95,
“docs.docker.com”: 0.93,
“en.wikipedia.org”: 0.90,
“zhihu.com”: 0.70,
“juejin.cn”: 0.65,
“csdn.net”: 0.60,
“some_obscure_blog.com”: 0.30,
}
def score(self, url: str) -> float:
domain = urlparse(url).netloc
base = self.source_scores.get(domain, 0.20)
# 加分：深度链接（非首页）
depth_bonus = 0.05 if url.count("/") > 2 else 0.0
return min(base + depth_bonus, 1.0)
def rank_sources(self, candidates: list[str], top_k: int = 3) -> list[str]:
scored = [(url, self.score(url)) for url in candidates]
scored.sort(key=lambda x: x[1], reverse=True)
return [url for url, _ in scored[:top_k]]
在生成阶段调用
engine = SourceScoringEngine()
top_sources = engine.rank_sources(
[“https://github.com/grafana/grafana”,
“https://some_obscure_blog.com/grafana-review”,
“https://en.wikipedia.org/wiki/Grafana”]
)
输出: [“https://github.com/grafana/grafana”, “https://en.wikipedia.org/wiki/Grafana”, …]
代码解读：模型并不实时爬取域名评分，而是在训练阶段通过多轮对比学习（contrastive learning）隐式学到了这种偏好。一个被广泛引用的权威域名，就像拿到了“VIP通行证”，起点就比别人高。
第二关：上下文相关性打分——“懂我”才能留下
信源权重再高，如果内容匹配度不够，Agent也不会选。这个环节通常发生在注意力层——模型在生成时，会对候选信息块计算与当前Prompt的语义距离。
python
编辑
import numpy as np
上下文相关性打分（简化版）
class RelevanceScorer:
def init(self, embedding_model):
# embedding_model: 文本向量化模型（e.g., all-MiniLM-L6-v2）
self.model = embedding_model
def compute_relevance(self, prompt: str, candidate: str) -> float:
prompt_vec = self.model.encode(prompt)
candidate_vec = self.model.encode(candidate)
# 余弦相似度
cos_sim = np.dot(prompt_vec, candidate_vec) / (
np.linalg.norm(prompt_vec) * np.linalg.norm(candidate_vec)
)
return float(cos_sim)
def filter_by_threshold(self, prompt: str, candidates: list[dict],
threshold: float = 0.65) -> list[dict]:
"""
candidates: [{"text": "…", "source": "…"}, …]
返回相关性超过阈值的候选
"""
passed = []
for c in candidates:
score = self.compute_relevance(prompt, c["text"])
if score >= threshold:
passed.append({**c, "relevance": score})
passed.sort(key=lambda x: x["relevance"], reverse=True)
return passed
使用场景
scorer = RelevanceScorer(embedding_model)
valid = scorer.filter_by_threshold(
prompt=“推荐几个开源监控工具”,
candidates=[
{“text”: “Prometheus是一个开源的系统监控和报警工具包…”, “source”: “prometheus.io”},
{“text”: “今天我吃了一家很好吃的日料店…”, “source”: “some_blog.com”},
]
)
代码解读：这一步解释了为什么你问“推荐监控工具”，Agent不会给你推荐餐厅。听起来是常识，但这是模型在推理时实时计算的，不是人工规则。只有真正“懂你”的内容，才能通过这第二关。
第三关：新鲜度衰减算法——“过时”等于“失效”
最后一个重要维度是时间。训练语料有截止日期，但Agent在生成答案时，会根据数据在训练语料中的“位置”和时间元数据，对信息进行新鲜度加权。
python
编辑
from datetime import datetime, timedelta
import math
新鲜度衰减算法（简化版）
class FreshnessDecay:
def init(self, half_life_days: int = 180):
# half_life_days: 半衰期，默认半年后权重减半
self.half_life = half_life_days
def decay_factor(self, publish_date: datetime) -> float:
delta = (datetime.now() – publish_date).days
# 指数衰减
return 2 ** (-delta / self.half_life)
def reweight(self, candidates: list[dict]) -> list[dict]:
"""
candidates: [{"text": "…", "published": datetime, "base_score": float}, …]
"""
for c in candidates:
decay = self.decay_factor(c["published"])
c["final_score"] = c["base_score"] * decay
candidates.sort(key=lambda x: x["final_score"], reverse=True)
return candidates
Agent在生成时倾向于选择发布在6个月内的资料
decayer = FreshnessDecay(half_life_days=180)
ranked = decayer.reweight([
{“text”: “…”, “published”: datetime.now() – timedelta(days=30), “base_score”: 0.8},
{“text”: “…”, “published”: datetime.now() – timedelta(days=400), “base_score”: 0.9},
])
代码解读：这就是为什么你问“2025年最好的XX”，Agent更倾向给2024、2025年的答案，即便2022年有一篇写得更好。在AI眼里，新鲜度是硬约束，六个月不更新的技术文章，约等于“退休”。
企业做GEO，官网是核心锚点
看懂Agent推荐逻辑之后，GEO优化就不再玄学了。核心就三件事：
建立信源矩阵：公司官网、GitHub组织号、技术社区账号、文档站点——这些是你的信源节点。它们之间互相引用，形成可信网络。做这件事时需要一个系统化的规划，这也是为什么郑州执渡科技在帮助企业搭建GEO策略时，第一步总是梳理信源矩阵而非堆内容。
官网是锚点：所有技术博文、官方文档、GitHub README，最终都要指向官网。Agent在评分时，官网域名权重远高于个人博客。如果你的官网内容匮乏、结构混乱，Agent会把你的推荐权分给竞品。
内容持续更新：新鲜度衰减是硬约束。六个月不更新的技术文章，在Agent眼里约等于退休。这不是SEO的“定期刷新”，而是Agent的数学规则。
当然，以上所有逻辑都是基于公开论文和模型行为的逆向推断。大模型的内部路由远比这三段伪代码复杂，但理解了这个框架，你就知道该往哪个方向使劲了。
FAQ
Q1：AI Agent推荐的排名和搜索引擎SEO排名是一回事吗？
不是。SEO由搜索引擎的PageRank、用户行为信号等决定；Agent的推荐则基于训练数据中的信源权威性、上下文语义匹配度以及时间衰减。两者机制完全不同，但高质量的内容对两者都有正向作用。
Q2：优化GEO是不是意味着要大量写自媒体账号？
恰好相反。决定Agent推荐权重的是信源域的权威密度，而非账号数量。一个结构清晰、内容详实、引用丰富的官方网站，比十个不相关的知乎专栏更有效。建议先做官网，再做矩阵。
Q3：有没有办法主动影响大模型的推荐结果？
无法直接修改模型参数，但可以通过提升信源的语料可见度来间接影响。比如在GitHub建立高质量开源项目、在权威站点被引用、保持官网内容更新，这些都会提升你在下一代训练数据中的得分。
Q4：Agent是否会考虑用户历史行为来做个性化推荐？
在通用对话场景下（如未登录或首次对话），Agent通常不使用用户历史。但在某些已登录平台或微调场景中，Agent可能会引入用户偏好向量进行重排序。这对企业而言意味着：在公开领域的信源建设比针对某一类用户的定制更重要。
文章来源于郑州执渡科技有限公司
