Ahrefs · 8:33 · 发布 2026-04-29 · 9513次观看(截至抓取) · 观看原视频
主旨
拆解 AI 搜索引擎”找内容、拆查询、决定引用谁”三个底层机制,说明为什么传统 SEO 仍是被 AI 引用的地基。
核心论点
- AI 的信息来自训练数据(静态、约半年更新)和实时检索(RAG)两个源,想影响 AI 就得同时占住这两条路。(→ 详解1、2)
- 实时检索用的就是 SEO 那套信号,传统排名能力直接决定内容会不会被 AI 抓去用。(→ 详解3)
- AI 把一个提问扇出成几十个 long-tail 子查询(query fanning),优化对象从”一个关键词”变成”覆盖整个主题”。(→ 详解4)
- 扇出查询是合成的、每次都变、95% 零搜索量,别当新关键词表,当成”AI 认为该主题重要的子话题”的窗口。(→ 详解5)
- AI 引用是概率性的而非固定排名,衡量指标是 AI visibility(出现概率)而非 ranking。(→ 详解6)
- 被引概率由三大模式驱动:共识、新鲜度、权威——其中 76% 的 AI Overview 引用来自 Google 前十的页面。(→ 详解7)
知识点详解
1. AI 的两个信息源:训练数据 vs 实时检索 00:38
AI 搜索引擎有两个截然不同的信息来源。第一个是训练数据——书籍、网站、PDF、社媒、YouTube 字幕汇成的”互联网快照”。问”苹果 CEO 是谁”它秒答 Tim Cook、不用搜索,靠的就是训练数据里已经学到的模式。
训练数据的硬伤是静态:大约每半年才更新一次。上周刚发布的产品,AI 从训练数据里根本不知道它存在。
这就引出了第二个源——实时检索,即 RAG。两个源的分工决定了影响 AI 的策略必须双轨:既要广泛到被”烧进”训练数据,又要保证 AI 实时搜网时你的页面能被抓到。
2. RAG:AI 如何实时抓取网页 01:23
当 ChatGPT 或 Google AI mode 需要新鲜信息、或问题太具体训练数据答不了时,它会主动出网。用 API 搜索网页,拉回一批页面,读完再基于读到的内容生成回答。
视频引用 Patrick Stoxx 的说法:先有训练好的 LLM 数据,再有”跑出去抓一堆相关页面”的二级过程,而这些抓回的页面各自带着不同的概率权重。
对内容方的含义很直接:实时检索是你能实时施加影响的那条路,产品或事件足够新时,这是唯一能让 AI 提到你的通道。
3. 实时检索用的就是 SEO 的信号 02:24
作者在这里点破全课的地基:你从传统 SEO 学到的能力——在 Google 排名、产出优质内容——直接决定 AI 实时检索时会不会捡起你的页面。
换句话说 AI 检索并没有另起炉灶发明一套排序逻辑,它复用的是 Google 那套已经存在的信任信号。这也是把 AEO 说成”SEO 的延伸而非替代”的依据。
所以已有 SEO 底子的人不必推倒重来,存量排名能力可平移到被 AI 引用这件事上。
4. Query Fanning:一问被扇成几十问 02:55
搜索模型经历了三代:早期 one-to-one(一个 query 一组结果),后来 many-to-one(不同表述的 query 返回同一结果),而 AI 搜索翻转成 one-to-many——一次搜索被扩展成很多次,这个技术叫 Query Fanning。
举例:输入”帮我规划 11 月日本 5 天行程”,AI 会把它扇出成几十个 long-tail 子查询——东京住哪个区、京都 11 月天气、Japan Rail Pass 值不值——全部后台并行跑,再把多来源信息合成一个完整答案。
规模有数据支撑:Seer Interactive 和 Nectaf 的研究发现平均一个 prompt 触发 9-11 个扇出查询,最高到 28;ChatGPT deep research 模式为”买红色手机壳”一个问题跑了 420 次搜索(03:33)。
这是与传统 SEO 的巨大分野:过去可以一个页面优化一个目标词就收工,现在要在整个主题(甚至整个 niche)上都相关。一篇”如何开播客”若只讲基础、不提设备/托管/推广,AI 就会去找别人覆盖全的页面。
5. 扇出查询是”主题窗口”,不是新关键词表 05:04
能不能看到这些扇出查询?可以——Ahrefs Brand Radar 的 AI responses 报告能看 ChatGPT 和 Perplexity 的扇出查询。但有个关键警告。
Ahrefs 的 Dmytro 在其 query fanout 指南里指出:这些不是传统 long-tail 查询,它们是 AI 当场合成的,不稳定——同一 prompt 每次扇出都可能不同,且超过 95% 零搜索量,因为真人根本不会那样打字。
所以别把扇出查询当成一份新的待优化关键词清单。把它当成一扇窗:看 AI 认为某个问题下哪些子话题重要,据此规划主题覆盖的广度。
6. AI 引用是概率性的:visibility 而非 ranking 05:27
传统搜索排名相对稳定,今天第三名明天大概还在附近。但 AI 引用是概率性的。视频引 Patrick Stoxx:AI 输出是”概率叠概率叠概率”——训练数据形成模式,检索页面加入各自信号,再叠一个 temperature 参数引入随机,让 AI 不会每次给出完全一样的答案。
落到实处:同一问题问五次,你可能被引 3 次;或者竞品被提两次、你两次、另一家一次。没有固定位置可”排”。
因此这里用 AI Visibility(出现概率)而非 ranking 来衡量表现——它更像一个概率分布,而不是排行榜(06:04)。
7. 影响被引概率的三大模式:共识、新鲜度、权威 06:17
尽管是概率,但什么更常被引是有规律的。第一是共识:网上多个来源对你品牌说同样的话,AI 更可能复述;品牌被一致提及的地方越多,被采纳的概率越高。
第二是新鲜度:被 AI 引用的内容平均比传统 SERP 里的新约 25%(06:34),AI 主动找近期信息,尤其对会变化的主题。
第三是权威:传统搜索排名好的页面有巨大先发优势——Ahrefs 数据显示 76% 的 AI Overview 引用来自已在 Google 前十的页面(06:54)。
但地基不等于只看 Google:14% 被 AI Overview 引用的页面根本不在 Google 前百,ChatGPT 与 Google 结果的重叠更低——这给传统搜索里非霸主的品牌留了真实机会。
可执行步骤
- 盘点自家品牌/产品名在全网被一致提及的密度,识别口径不一致的地方(共识信号)。
- 选一个核心提问,人工列出它可能扇出的 10+ 个子话题,检查自家内容是否覆盖整簇而非单个词。
- 把”一页一词”的旧优化目标改写成”一个主题全覆盖”的内容规划(设备/托管/推广式的完整度自查)。
- 对会随时间变化的主题,建立定期更新机制以维持新鲜度优势。
- 先用传统 SEO 把核心页面推进 Google 前十,作为被 AI 引用的地基。
关联
- 印证:GEO 的”为 AI 生成式答案而非关键词排名做优化”定义,与本片把 AEO 说成 SEO 延伸的口径一致——都强调不是推倒 SEO 而是叠加信任信号。
- 印证/补充:AI Overview 此前被记为”可能让用户无需点击就获得答案”;本片补上量化证据——76% 的 AI Overview 引用来自 Google 前十、14% 来自前百之外,给出了”排名是地基但非唯一入口”的数据。
术语
- RAG(Retrieval Augmented Generation,检索增强生成):AI 实时抓网页再据此生成回答的机制。
- Query Fanning / Fanout(查询扇出):把一个 prompt 拆成几十个子查询并行检索。
- AEO(Answer Engine Optimization,答案引擎优化):让内容被 AI 答案引擎选中引用的优化。
- AI Visibility(AI 可见度):以出现概率衡量品牌在 AI 答案中被引的表现。
- Consensus(共识):多来源一致陈述提升被 AI 复述的概率。
- Temperature(温度):控制 AI 输出随机性的参数,导致同问不同答。
金句
“If you don’t understand how AI search works under the hood, every optimization tip you hear is just going to feel like a random list of tactics.” → 先懂机制再谈战术,否则一切优化建议都像零散招式——这正是本课把”机制课”放在第一节的理由。
“There’s no fixed position to rank for. This is why we talk about AI visibility rather than AI rankings.” → 一句话点破 AEO 与 SEO 的心智差异:从”抢一个固定名次”转向”提高出现概率”。
立场与利益
这是 Ahrefs 官方 AEO 课程第一节,作者是 Ahrefs 的 Ammo。全片主张(共识/新鲜度/权威三模式、扇出数据、76% 引用来自前十)均标注”based on the data we’ve studied at Ahrefs”,属自家数据背书;查看扇出查询的能力被明确绑定到自家产品 Ahrefs Brand Radar。
需区分:query fanning 的存在、RAG 机制、“SEO 是 AEO 地基”属行业通用共识(Google/Semrush 口径一致);而具体数值(9-11 次扇出、25% 更新鲜、76%)来自 Ahrefs 内部研究,采信时留意来源单一。
价值定位
- 适合谁:已有传统 SEO 底子、想理解 AI 搜索为什么这么运作、避免把 AEO 学成一堆零散 tactic 的独立站/内容从业者。
- 解决什么:建立”训练数据+实时检索 / 扇出 / 概率引用”三层心智模型,后续任何 AEO 战术都能挂回到某条机制上。
- 认知 vs 实操:纯认知/格局课,几乎无具体操作步骤(操作留待后续 module),但它是理解全课的地基,先看完这节再看战术节收益最大。
- 与 GEO、AI Overview 笔记重叠于”AI 改写搜索”的大背景,但本片独有:query fanning 的机制与量化(9-11/28/420)、AI 引用的概率性解释(temperature)、以及”76% 引用来自前十 / 14% 在前百外”这组把 SEO 与 AEO 关系钉死的数据。
自检问题
- AI 搜索引擎的两个信息源分别是什么?各自的短板是什么? 答案:训练数据(静态,约半年才更新一次,新事物它不知道)和实时检索/RAG(出网抓页面,能补新鲜信息)。见详解1。00:38
- 什么是 query fanning?它把 SEO 的优化对象从什么变成了什么? 答案:AI 把一个 prompt 扇出成几十个 long-tail 子查询并行检索(one-to-many);优化对象从”一个页面对一个关键词”变成”覆盖整个主题甚至整个 niche”。见详解4。02:55
- 为什么说 AI 引用要用 visibility 而不是 ranking 来衡量? 答案:因为 AI 输出是概率叠概率(训练模式+检索信号+temperature 随机),同问多次结果会变,没有固定名次可排,所以衡量的是出现概率分布而非排行榜。见详解6。05:27
- 影响被引概率的三大模式是什么?哪条数据最能说明”SEO 是 AEO 的地基”? 答案:共识、新鲜度、权威;76% 的 AI Overview 引用来自已在 Google 前十的页面最能说明地基关系(但仍有 14% 来自前百之外)。见详解7。06:54
- 为什么不该把扇出查询当成新的关键词清单? 答案:因为它们是 AI 当场合成的、每次都不同、95% 以上零搜索量,应当成”AI 认为该主题下哪些子话题重要”的窗口来指导主题覆盖。见详解5。05:04