理解平台技术架构之后，需要进一步追问：当用户向AI提问时，内容究竟如何被筛选和呈现？本节将深入解析RAG（检索增强生成）的三阶过滤机制——检索层、排序层与生成层，揭示AI从海量信息中“看见”并“选中”特定内容的完整逻辑，并在此基础上分析用户决策路径从传统AISAS模型向AIR模型的结构性重构。

2.2.1 RAG三阶过滤：AI如何决定“看见”什么

当用户向AI提问“哪个CRM系统更适合制造业中小企业”时，其背后经历了怎样的处理过程？答案在于RAG（检索增强生成）的三阶过滤机制。

RAG的本质是让大模型“看见”外部知识。大语言模型的核心能力基于训练数据生成文本，但训练数据有截止日期且无法涵盖所有细分领域。RAG技术通过检索外部知识库，使模型能够回答时效性强、专业度高、训练数据未覆盖的问题。对GEO而言，理解RAG即理解内容的命运——内容不是被AI“理解”的，而是被AI“检索”到的。

1. 检索层：向量嵌入与语义匹配

传统搜索引擎依赖关键词匹配：用户搜索“北京天气”，系统查找包含“北京”和“天气”的页面。这种方式简单高效但存在两个致命缺陷：一是语义鸿沟——用户想找“北京今天的温度”，搜索引擎可能返回“北京天气之子歌曲介绍”；二是表达多样——同一概念可用不同词汇表达，“手机”也可说“移动电话”或“智能终端”。

现代AI搜索采用向量嵌入（Vector Embedding）技术解决这一问题。向量嵌入是将文本转换为数学向量的过程，在高维向量空间中，语义相似的文本会被映射到相近的位置。例如，“人工智能”与“AI技术”的向量距离很近，而它们与“房地产”的距离很远。这种语义理解能力使AI能够理解用户真正想问什么，而非简单地匹配关键词。

检索流程包含三个步骤：查询向量化（用户问题被转换为向量）、相似度计算（在向量数据库中查找与问题向量最相似的文档向量）、候选集生成（返回Top-N最相似的文档作为候选）。

对GEO的关键启示在于：向量检索的核心是语义匹配而非关键词匹配。过去堆砌关键词的SEO手法已彻底失效，内容的语义完整性比关键词密度更为重要，同一概念需用多样化表达覆盖不同检索意图。

1. 排序层：五维评分体系

检索层返回的候选文档少则数十篇，多则上百篇。排序层的任务是从中选出最有价值的几篇，作为生成答案的参考依据。综合对DeepSeek、豆包、通义千问等平台的技术分析，主流AI平台的排序层采用五维评分体系，如表2-4所示。

表2-4 主流AI平台排序层五维评分权重对比

评分维度	含义	DeepSeek权重	豆包权重	通义千问权重
语义相关性	内容与问题的语义匹配程度	40%	30%	25%
内容权威性	来源网站的权威性和可信度	35%	20%	50%
时效性	内容的更新时间和信息新鲜度	10%	40%	10%
原创性	内容的独特性和差异化价值	10%	5%	10%
引用链	其他权威内容对该内容的引用情况	5%	5%	5%

以DeepSeek为例，其排序算法代表了当前最先进的技术方向。语义相关性权重达40%，意味着内容是否“说到了点子上”比是否“包含关键词”更为重要。传统SEO中“CRM”出现10次可能比出现5次更有利于排名，但在DeepSeek的评估体系中，内容的语义覆盖度与逻辑完整性比关键词频率更为关键。一篇围绕“CRM选型”系统展开的深度分析，即使关键词密度一般，也比反复提及“CRM”但内容空洞的文章更容易被引用。

权威性权重具有双刃剑效应。豆包将权威性权重设为20%，看似不高，但权威性通过多个子维度影响排序——来源域名权重、内容被引用次数、作者专业背景、发布机构公信力等。这使得来自官网、权威媒体、学术机构的内容天然占据优势，也解释了为何同样主题的内容，官方发布比自媒体解读更容易被AI引用。

时效性方面，豆包时效性权重高达40%，意味着近期发布的内容会被优先检索。这对GEO内容策略有两方面影响：内容需要保持更新（一篇2023年的优质文章，可能因时效性评分较低而输给2025年的普通文章）；时效性内容存在短暂机会窗口（热点事件发生时，新发布的内容有更大机会进入AI视野）。

1. 生成层：答案的组装逻辑

排序层选出的几篇文章将作为“上下文”提供给大模型，由大模型整合生成最终答案。

以豆包为例，其在处理复杂问题时并行检索大量信源。针对一个具体问题的深度查询，豆包可能同时分析50~80个网页内容，但最终在答案中明确引用的仅有8~15个，淘汰率超过80%。淘汰发生在三个环节：向量检索淘汰（语义相关性不足的候选直接过滤）、排序层淘汰（进入Top-20但未进入Top-10的文章）、生成层淘汰（内容片段与答案整合度不高，未被大模型选中）。

大模型在生成答案时从参考文章中提取与问题直接相关的片段，遵循以下原则：直接相关优先（与问题关键词直接相关的段落更容易被引用）、事实陈述优先（明确的数字、排名、定义比观点性内容更可能被引用）、结构完整优先（有明确标题和小结的内容更容易被AI定位关键信息）、引用标注友好（使用“根据XXX报告显示”等结构的文章更易被自然引用）。

2.2.2 用户决策路径重构：从AISAS到AIR模型

传统数字营销依赖AISAS模型（Attention-Interest-Search-Action-Share，消费者行为分析模型），搜索是决策链的核心节点。但AI时代的到来正在将这一模型重构为AIR（AI Interest Recommendation，AI 兴趣推荐）模型。

根据Adobe Analytics 2026年第一季度数据，在B2B采购决策场景中，82%的用户会直接采纳AI推荐的前三个选项，不再进行额外搜索验证。这一比例在2024年仅为47%，增长极为迅速。这组数据揭示了一个现实：如果品牌在AI推荐中缺席，连被用户“看到”的机会都没有。

用户信任AI推荐胜过自行搜索有三个核心原因：认知省力（用户相信AI已帮助完成信息筛选，无需自行辨别信息质量）、权威投射（AI被拟人化感知，“AI说好用”等同于“专家说好用”）、时间成本（在信息爆炸时代，用户愿意为AI的“代理判断”付出信任成本）。

对GEO的战略含义在于：GEO不仅是让品牌“出现在AI回答中”，更是要让品牌成为AI决策框架中被优先推荐的选项。这意味着需要理解AI的推荐逻辑而非单纯优化内容，品牌在AI中的“印象”决定了用户的初始偏好，先入为主效应在AI推荐场景中更为显著。