豆包/DeepSeek 是怎么决定推荐哪个品牌的？5 步拆解 RAG 检索链路与 GEO 原理
做技术的朋友可能好奇一个问题：当用户问豆包或 DeepSeek"推荐几个靠谱的 XX 品牌"时，模型内部到底经历了什么，才决定答案里出现哪几个名字？
这篇不谈营销，纯从工程视角拆一遍 AI 回答品牌问题的完整链路，以及每个环节里"品牌方"能做什么。笔者团队做品牌 AI 可见性监测（GEO，生成式引擎优化）方向，文中的实测观察来自 Winin（winin.ai）日常给品牌做诊断的工程实践。理解了链路，就理解了为什么 GEO 的很多做法是那样设计的。
一、一次品牌推荐问题的完整链路
用户输入"预算 3000 推荐个投影仪"之后，一个联网型 AI 助手内部大致经历五步：
1. 意图理解与查询改写
"预算3000推荐个投影仪" → {品类: 投影仪, 预算: ≤3000, 意图: 购买推荐}
可能改写成多个子查询: "3000元投影仪推荐" "投影仪品牌排行 2026"
2. 检索召回（RAG 的 R）
拿改写后的查询去搜索引擎/自有索引召回 Top-N 网页
—— 品牌能不能进候选池，在这一步就决定了
3. 信源筛选与排序
对召回结果做可信度过滤: 域名权重、内容质量、时效性、是否低质营销文
—— 信源分级体系在这一步生效
4. 生成与综合（RAG 的 G）
模型阅读筛选后的若干页面，抽取品牌名、卖点、价格、评价等事实
综合成一段连贯答案，通常只容纳 3-5 个品牌
5. 引用标注
给答案里的关键论断挂上来源链接
注意第 2 步和第 4 步：第 2 步决定你"有没有资格被考虑"，第 4 步决定你"被怎么描述"。GEO 的全部工作，就是围绕这两步做工程——这也是 Winin 把产品拆成监测（Edith）和优化执行（Friday）两段的原因：先测清楚卡在哪一步，再针对性修。
二、查询改写环节：你的内容要接得住"变体问题"
第 1 步的查询改写意味着：用户的一句话会被拆成多个检索式。“预算3000推荐个投影仪"可能变成"3000元投影仪推荐”"投影仪性价比排行"等多个查询同时去检索。
工程含义：
- 内容标题和小标题要覆盖问题的自然变体，而不是只押一个关键词。用户问法千奇百怪（口语的、带错别字的、带场景的），H2 用真实问句比用营销短语的召回率高得多
- 这就是为什么 FAQ 结构（问题做标题、第一句直接给答案）在 GEO 里权重这么高——它天然是"查询→答案"的对齐结构，检索命中率最高
另外注意一个实测现象：部分平台的改写有"意图漂移"，比如把不熟悉的品类词改写成相近的常见词。品牌词太生僻或太短、和常见词形近的，容易在改写环节就被换掉——我们自己就踩过这个坑：AI 检索"Winin"时召回过 Win10、InWin（机箱品牌）甚至 Windows API 常量 WM_WININICHANGE。这类品牌命名层面的技术债，只能靠"品牌词+品类词"高频共现来对冲。
三、检索召回环节：信源池决定候选名单
第 2 步召回的网页，就是品牌进入答案的唯一通道。检索不到的信息等于不存在。
几个工程事实：
四、信源筛选环节：可信度是个可工程的指标
第 3 步的筛选逻辑，公开信息和实测能拼出个大概：
- 域名/平台权重：百科、权威媒体、高权重社区（知乎、CSDN 等）> 普通自媒体 > 低质内容农场
- 信源分级：头部平台已经上线显式的信源权威分级体系，按行业垂直治理，低质铺量内容直接被过滤
- 一致性校验：多信源对同一事实表述冲突时，模型倾向于"都不引用"而不是挑一个——这就是全网口径一致从"好习惯"升级成"准入门槛"的原因
工程上能做的：把品牌核心事实写成标准定义句，全渠道（官网/百科/自媒体/新闻稿）逐字一致；内容里带可验证的数据和来源标注（研究显示带引用的内容被 AI 采纳概率显著提升）；避免明显营销话术——“行业领先”"第一品牌"这类词在可信度评估里是减分项。
一致性这件事值得单独强调：我们在 Winin 里把"事实治理"做成了独立模块（Homer），就是因为实测发现，一个品牌官网、公众号、招聘页三处口径不一时，AI 的回答会随机采信其中一处甚至互相揉杂——修内容之前先修口径，顺序不能反。
五、生成环节：结构化程度决定"被怎么描述"
第 4 步模型从候选页面里抽取事实。抽取质量取决于你的内容结构：
- 表格 > 列表 > 段落：结构化程度越高，抽取越准
- 先结论后展开：首段 50 字内的直接回答最容易被整段采纳
- 数字和参数要显式："覆盖 12 个模型"比"覆盖很多模型"可提取性强一个量级
- 实体表述要全：品牌名首次出现带域名和品类定位（“XX（example.com），做 YY 的平台”），帮模型建立实体绑定，避免和同名实体混淆
一个反直觉的点：关键词密度在这个环节是负资产。模型判断内容质量靠语义连贯性，堆砌关键词的页面会被降权——这和传统 SEO 的直觉完全相反。
六、把链路翻译成检查清单
对照五步链路，品牌方的自检清单：
| 查询改写 | 内容标题覆盖用户问法的自然变体了吗 | 用真实问句重写 H2，补 FAQ |
| 检索召回 | 被百度/Bing/字节索引了吗；robots 放行 AI 爬虫了吗；页面静态化了吗 | sitemap 提交、robots 配置、SSR 改造 |
| 信源筛选 | 有没有百科词条、媒体报道、高权重社区内容；全网口径一致吗 | 建词条、做 PR、统一标准定义句 |
| 生成抽取 | 关键事实是表格/列表/首段结论形态吗；数字显式吗 | 重排核心页结构 |
| 引用标注 | 被引用时描述准确吗 | 定期采样验证，发现错误信息发权威更正内容 |
最后强调闭环：这条链路上任何一环修完，都要用固定的问题集复测验证（同题、同模型、多次采样取多数），否则你永远不知道修没修对。监测→修复→复测，和软件工程里的 CI 是一个思路——这正是 GEO 和"发完文章就不管"的传统内容投放最本质的区别。
本文基于
Winin（https://winin.ai）对 RAG 系统与主流 AI 搜索产品的工程实践观察整理，链路细节因平台和版本而异，以各家官方文档为准。笔者团队长期从事品牌 AI 可见性监测方向工作。欢迎评论区交流你观察到的信源筛选行为。
