AI与机器学习
AI和ML的最新趋势
Anthropic 新规：禁止为 AI 答案植入假来源
一家总部在法国的数字广告代理公司，在 2025 年中期的一个十周窗口内注册了大约 70 个新闻站域名，全部托管在单一部署后的共享基础设施上，然后用 Claude 把它们填满。每条提示词都要求同一套输出规格：固定的 JSON 结构、格式化 HTML、精确的字符数限制，以及每篇文章 3 到 4 个内链。Anthropic 瓦解了它，一个月后在自己的使用政策里写进一条专门点名这种行为的新条款。该条款 2026 年 11 月 12 日生效.
GEO 跑五轮把内容改坏了，而解法是奖励可核查的事实
一项模拟实验让内容供应方和搜索平台互相对抗了五轮。供应方用一套自动 GEO 系统改写页面争取更多引用，平台用标准的提示警告式防御来拦操纵。这篇论文给出的解法里有一句话值得内容团队记住：要钻它提出的那套防御的空子，最赚钱的办法就是真的去加读者能核查的事实。
Google 把 AI 答案里的链接往上挪了：五项改动里，只有两项你能主动做
Google 2026 年 10 月 15 日那篇公告，开头给的是一个使用数据：Preferred Sources 功能的使用人数，自年初以来增长超过 7 倍. 这个开场有意义，因为随后列出的五项改动里，四项是 Google 自己系统的展示决策。只有一项是由你的读者替你打开的功能，而那个开关，你可以用两行 HTML 放到自己页面上
从签名身份到信任带：Cloudflare 开始衡量 AI 爬虫是否真的尊重你的站点
驾照能证明一个人是谁、也证明他考过试，但它不能说明这个人明天会怎么开车。Cloudflare 在 2026 年 10 月 16 日的一篇文章里用了大致相同的比喻，然后给出结论：验证爬虫的身份建立了问责的前提，但信任取决于它接下来做什么
首轮被引用，后面更容易再被引用：“对话捕获”研究对多轮 AI 对话 GEO 测量意味着什么
一位买家问 AI 助手：最好用的 CRM 工具有哪些？回答列出了五款产品，引用了几个来源。买家接着追问：哪几款适合 10 人团队？再问：最便宜的套餐少了什么功能？然后又问：那个集成功能的说法准确吗？到第五轮，候选名单只剩下一个名字。
AI 代理开始直接向企业提问：UCP Ask 会把 GEO 从“优化网页”推向“经营答案接口”吗？
一位买家正在看一件冬季夹克，他问 AI 助手两个问题：尺码偏小吗？打折商品能退吗？ 今天，AI 助手通常要从它能检索到的内容里拼出答案：商品页、商品数据源、评论、政策页和第三方网站。企业能影响这个答案，却没有机会亲自回答这个问题。
网页不会整页进入上下文：AI如何筛选关键、无关与重复片段
一个网页被搜索系统召回，不代表整页内容都会进入答案模型。2026 年 3 月，Perplexity 公布 Search API 的新一轮抽取与评测改进：系统会针对“查询—文档”组合标记文本 span，区分必须保留的 vital证据、应该排除的多类 irrelevant内容，以及duplicate重复信息。两个月后，Perplexity 又披露了已经部署到其应用与 API Platform 的 query-aware context compression 模型，进一步解释这些标签如何变成线上 snippet
AI 为什么引用你？Bing Grounding Queries 首次揭开生成式搜索的检索线索
Microsoft 开始打开这段检索链。2026 年 2 月，Bing Webmaster Tools 推出 AI Performance 公测，展示网站在 Microsoft Copilot、Bing 的 AI 生成摘要及部分合作方体验中的引用次数、被引页面和 **Grounding Queries**。随后，Microsoft Clarity 在 5 月将 Citations 推向正式可用，并在 8 月增加 Query Topics，把大量检索短语聚合成主题
AI 搜索没有统一排名：为什么不同人看到不同品牌？
你和同事把同一句产品问题发给同一个 AI 助手。你的回答先推荐品牌 A，他的回答却把品牌 C 放在前面；隔天再问，名单又变了。 这不一定是系统出错，也不能仅凭两张截图证明“AI 在针对个人改排名”。AI 搜索的品牌结果由多组条件共同决定：问题措辞与当前会话、产品允许使用的账户上下文、平台与模式，以及当次运行的检索和生成过程。只要其中一项不同，进入候选集的品牌、引用来源和最终顺序都可能变化。 更准确的说法是：AI 搜索里的品牌可见度是一组带条件的概率分布，而不是所有人共享的一张固定排名表。
57% 的 AI 被引域名只出现了一个月：一次被引用，不等于持续可见
Somantra 对澳大利亚保险品类做了一次纵向追踪。样本包含 2,437,107 条引用记录、28,725 个域名，覆盖 2025 年 11 月至 2026 年 7 月之间的七个观察月。结果是，57.2% 的域名只在其中一个月出现过，能在七个观察月里持续出现的只有 2.7%。这不代表 57.2% 的页面从此永远消失。它说明的是另一件事：拿到过一次 AI 引用”这个指标，远远不足以证明品牌已经建立了持续可见度。一次引用是一件事。能不能留下来，是另一件事。
AI 是怎么「切」你的内容的：每一次引用背后的检索机制
在 AI 搜索里，你已经不再是给一个页面争排名，而是让某一个段落被引用。现代答案引擎不会把整页内容从头读到尾，它会把文档切成一个个小的语义段落——通常在 200 到 500 个 token 之间——把每一段转成向量，再挑出最能回答某个具体子问题的那一段。一个段落之所以被引用，是因为它直接支撑了答案里的某个论点，而不是因为它所在的页面排在前十 。
多大语言模型引用恢复策略：提升 AI 搜索可见度
本文介绍了如何通过一套可重复的运营模型，在 AI 搜索系统中恢复丢失的品牌引用：使您的网站在技术上对 AI 系统可读、扩大权威来源覆盖范围、跨多个模型监控提示词，并强化这些模型在生成答案时所依赖的实体和主张。
如何构建多大语言模型（Multi-LLM）引用恢复策略，重塑 AI 可见度
品牌可能在传统搜索中排名靠前，却在 AI 生成的回答中消失。这种差距至关重要，因为 AI 辅助研究正成为买家在转化前对比方案、筛选供应商和验证主张的关键环节。实用的引用恢复策略聚焦于三大任务：让品牌易于识别、让页面易于 AI 系统提取，并建立足够的第三方佐证，使回答引擎信任品牌并予以提及。
AI 提示词工程指南：针对 GEO 研究反向工程搜索行为
市面上的提示词教程，大多在教你"怎么向 AI 提问"。这篇指南反其道而行——我们要逆向拆解的是：AI 系统到底是怎么去搜索信息的。 搜索行为已经发生了底层变化。如今的提示词长度可能是传统搜索词的 20 倍，谷歌的 AI Overviews 已经出现在 60% 以上的搜索结果里。一句话：AI 可见度，已经成了新的兵家必争之地。这篇文章会带你走进生成式引擎优化（GEO）的逆向提示词工程，跳出传统 SEO 的套路，手把手教你如何分析研究型提示、解码 AI 的搜索规律，并把内容结构调整成"AI 愿意引用、愿意推荐"的样子。
为什么视觉内容在 2026 年对大语言模型搜索可见度至关重要
大语言模型搜索已从以文本为主的查询演进为多模态生态系统，视觉内容对 AI 可见度的影响力不亚于传统关键词。这个变化带来一个常被忽视的关键点：视觉资产会生成语义信号，决定你的品牌是否会出现在 AI 生成的回答中。生成式引擎优化（GEO）如今需要视觉优化策略，并配合 AI 搜索追踪来衡量表现。掌握机器可读的视觉内容，将决定你在 AEO 中的竞争优势。