这条在：GEO 图书馆 · 机制：AI 怎么找、怎么挑、怎么写
AI 从搜到的网页里，挑哪段来用？
截至 2026 年 10 月 1 日，我们核对的 Kimi（联网搜索 Pro）、阿里云、百度千帆、腾讯云和 Perplexity 的联网搜索接口文档都写明，交给模型的主要是从网页里截出的片段或摘要；微软 Bing 的一位产品经理也在官方博客里说，Copilot 会把页面拆成小块逐块评估。
这些文档多半只说按相关性挑，没写相关性怎么算，我们也没找到直接测「一页里哪段被挑中」的实验。豆包、DeepSeek、元宝、千问、Kimi 这些 App 怎么挑段，我们没找到官方说明。
问这个的，多半手里有篇挺长的文章，想知道 AI 到底拿了哪几句：是整篇读完再总结，还是只截了一小段？截的话，截的是哪段？
我们把几家平台公开的文档和几篇相关研究翻了一遍。前一半有答案：交给模型的，很多时候本来就不是整页，而是截出来的片段。后一半就模糊了：一页里到底哪段会被截中，我们查到的材料里没有一家写明打分办法，也没找到直接测过这件事的实验。
交给模型的，多半是截出来的片段
说得最直白的是微软。Bing 首席产品经理 Krishna Madhavan 2025 年 10 月在微软广告博客上写，AI 助手不像人那样从头读到尾，Copilot 这类助手会把内容拆成小块，逐块评估权威和相关性，再从好几个来源拼成回答。排序其实还在，只是排的不再是整页，而是哪些片段能挤进最终答案。这是写给营销人员的文章，没有实验数据。
卖联网搜索接口的几家，文档里写的也是片段，只是截法和大小差得很远：
| 接口 | 文档里返回的是什么 |
|---|---|
| Kimi 开放平台，联网搜索 Pro | 先读正文，把与问题最相关的片段挑出来，按相关性排序返回 |
| 阿里云联网搜索 API | 命中关键词的动态摘要，平均约 150 字符；全正文，最多 3000 字符；从全正文里提取的「与查询最相关的信息」，默认约 500 字 |
| 百度千帆「百度搜索」API | 2000 字以内的「相关信息原文片段」 |
| 腾讯云元宝搜索 API | 标准摘要、动态摘要（极速版不返回动态摘要），外加每条结果 0 到 1 的相关性得分 |
| Perplexity 搜索 API | 分三档抽取每页内容，最低一档是「与查询最相关的短段落」，默认最详细 |
这些数口径也不一样，有平均值、默认值，也有上限，所以凑不出一个「AI 最爱的段落长度」，也没见哪家说过偏好多长。还得记着，这些都是卖给开发者的接口。Kimi 那份讲的只是 Pro 接口，Basic 接口默认返回标题、链接和摘要，也可设置参数附带网页正文；豆包、DeepSeek、元宝、千问、Kimi 这些 App 走不走同一套，我们没找到官方说明。搜索、截段、交给模型在一次回答里怎么接，另一条讲过。
按什么挑：文档里多半只写了「相关」
写到挑选依据的文档，多半写的是跟查询相关；阿里云的动态摘要是按命中关键字截的，微软说的是权威和相关性两样。可到底怎么算，我们查到的材料里没有一家写明。Kimi 倒是多交代了一句，片段的相关性分数「只在同一次查询内有相对意义」，换个问法，同一段话的分数就没法比了。
而段切出来，是会丢东西的。Anthropic 讲检索的一篇博客里举过例子：一块文字写着「公司营收比上季度涨了 3%」，单拿出来，哪家公司、哪个季度全不知道，检索就容易漏掉或用错。它给每块补上上下文，再用关键词和语义两路一起找，自测下来前 20 块里漏掉该找那块的失败率从 5.7% 降到 2.9%。不过测的是企业知识库，不是公开网页。放到写网页这边，我们的推论是：最想被引的那几段，要是离了上一段就不知道在说谁、说哪年，值得把主语和时间补上。
实验能说到哪一步
直接测「一页里挑哪段」的实验，在我们这次查到的范围里没有。离得最近的，是三位 Sprinklr（卖营销软件的公司）员工的论文，arXiv 版页首署着 SIGIR 2026 会议论文集和 ACM 的 DOI，论文还据此出了份 GEO（AI 搜索优化）清单。他们把两篇只差一个因素的产品测评文一起塞进模型，看第一个引用标给了谁，六个模型一共跑了 25.2 万次。结果是对不对题、在输入里排第几影响最大，价格写明、日期写新也稳定占便宜，只改排版几乎没影响。
听着像是答了这个问题，其实隔着好几层。它比的是两篇谁先被引，不是一篇里哪段被挑；「排第几」是两篇塞进模型时谁在前，不是搜索排名，更不是段落在页面上的位置。文章是 GPT-4o 写好直接喂进去的，没接搜索引擎，也没测中文平台。排版那条也得说准：把密集大段改成分节、把相关信息打散，这两项在六个模型里都没测出显著效应，可没测出来不等于证明了没用。而同一张表里，措辞含糊在六个模型里有四个显著，缺关键词六个全显著。
位置也是一样。NeurIPS 2025 的 C-SEO Bench 也看到，文档在模型输入里的顺序对引用名次影响很大，可它和 Sprinklr 说的都是模型输入里的先后，跟段落写在页面哪里，中间还隔着检索、切分好几层。网上流传的「开头 100 字内给结论，出现得越早、被打的分越高」，我们没找到实验出处。Bing 站长指南倒确实建议把关键信息放前面，那是建议，不是测出来的。
国内的数据，有一篇 2026 年 7 月的预印本，一家企业研究院的四位作者在四家主流中文生成式搜索平台上跑了 614 条查询，在它的预测模型里，内容契合度、跨来源出现次数相对重要。另有约 71% 的联系方式曝光，匹配不到当期抓到的网页正文，这提醒了「引了你」和「照搬了你哪段」不是一回事（另一条讲过）。它看的是哪个来源被用，不是哪一段，是观察性的，也没经同行评审。
平台给的写法建议，两家侧重不同
微软那篇的建议挺具体：句子要能脱离上下文读懂，小标题要让 AI 知道一个意思从哪开始、到哪结束，别写大段文字墙，关键答案别藏在折叠标签页里。Bing 站长指南是正式文档，讲的是网址这一层：内容能独立成立、围绕一个主要主题、关键信息靠前的网址，更容易被选来做依据。微软也把话说在前头，没有什么能保证被选中。
Google 的口气不太一样。它 2026 年 7 月更新的 AI 优化指南说，系统看得懂一页里的多个主题，会把相关的那一块给用户看，不需要为了 AI 把内容切成小块，也不需要专门换写法；为了读者，还是建议按段落、章节组织，配上清楚的小标题。两家其实都承认系统会在页面里挑相关的那一块，差别在给站长的话，别把它们合成一句「官方都建议切块」。
Google 这边还有个开关。站长可以用 nosnippet、data-nosnippet、max-snippet 限制页面内容在搜索里被展示，其中 data-nosnippet 能只遮住某一段。这是我们这次找到的唯一一个能按段落管的官方开关，只对 Google 搜索成立，管不管 Gemini App，那一页没说。
想照微软那条「能脱离上下文读懂」自己查一下，有个土办法：把最想被引的那段单独复制出来，发给一个没看过你网站的同事，问问这段说的是谁、哪年、哪个产品。答不上来的，段落被切出去以后也就缺着这些。这只能查段落能不能独立读懂；这么改了会不会更容易被挑中，我们没找到实验证明。
结论
- 据我们 2026 年 10 月 1 日核对的接口文档，Kimi（联网搜索 Pro）、阿里云、百度千帆、腾讯云、Perplexity 的联网搜索接口返回的主要是从网页里截出的片段或摘要，阿里云另可返回最多 3000 字符的正文；微软 Bing 的一位产品经理在官方博客里说，Copilot 会把页面拆成小块逐块评估。这些只说明对外接口和微软自家产品。
- 这些接口文档多数把相关性写成挑选依据，但我们查到的材料都没写明相关性怎么算。各接口披露的长度口径不同，推不出 AI 偏好的段落长度。
- 在我们这次查到的范围内，没有直接测「一页里哪段被挑中」的实验。离得最近的受控实验是三位 Sprinklr 员工的论文（arXiv 版署 SIGIR 2026 会议及 ACM DOI）：在 GPT-4o 生成的产品测评文、每次两篇、不接搜索引擎的设定下，对不对题和在模型输入里的先后对「谁先被引」影响最大；只改排版的两项在六个模型里都没测出显著效应，措辞含糊、缺关键词在多数模型里有显著差异。
- 「结论写在页面开头 100 字内更容易被挑中」这一说法，我们没找到实验出处。已有的位置研究测的都是模型输入里的顺序，不是段落在页面上的位置。
- 豆包、DeepSeek、元宝、千问、Kimi 这些 App 回答时在网页里挑哪段，我们没找到官方说明，也没找到受控实验；没找到不等于没有。
「写法也要紧」？
- 微软认为写法要紧。 能单独读懂的句子、清楚的小标题、别写文字墙，都是它列的入选条件，但这是发在广告博客上的定性建议，没有实验数据。它跟 Sprinklr 也不算正面冲突：微软说的是片段能不能被干净切出来，Sprinklr 比的是两篇都完整进了模型以后谁先被引。
- 普林斯顿那篇 GEO 论文（KDD 2024）测到改写有用。 在作者自己搭的引擎里，加引用来源、引语、统计数字，能让一个按引用字数和位置算的可见度指标相对提高 30% 到 40%（不是被引概率，也不是点击），堆关键词几乎没用。可这些改写是往文章里加了信息，不只是换文风；后来 C-SEO Bench 按引用名次重测这批方法，多数基本没用，还常让名次往后掉。
我们的判断是：写法不是不要紧，而是要分开说。在 Sprinklr 那个双文档、产品测评的合成实验里，只改版式没看出效果，话说得含糊、跑题、缺关键词却跟谁先被引有显著关系，这推不到所有真实搜索上。至于排版和结构到底有没有用，几边的证据并不一致，清单体和 FAQ 那条摊开讲过。
这些结论别往外推
- 接口文档只管各自的接口，微软的话只管 Bing 和 Copilot，Google 的话只管 Google 搜索，都推不到国内 App 上。
- 受控实验多是英文、合成素材、候选只有两篇或几篇；中文预印本看的是来源不是段落，也没经同行评审。
- 「没找到」只限于我们查到的范围，我们没做穷尽检索，也没翻各家 App 的用户协议、帮助页和算法备案材料。
核对记录
以下都是 2026 年 10 月 1 日重开原文核的。 - Sprinklr：arXiv HTML 版页首署 SIGIR '26 论文集、ACM DOI 和 ISBN，没自称短文；ACM 页面仍返回 403，等级仍记 B。守门因素的效应量两次摘取对不上，不引。 - C-SEO Bench：第 5 节写明重测的是 GEO 论文的八种改写。 - 中文预印本：作者单位是一家企业研究院，论文未经同行评审。
出处 15 条，A 级 10 条、B 级 5 条 · 展开全部
Krishna Madhavan（Bing 首席产品经理），Microsoft Advertising 博客《Optimizing Your Content for Inclusion in AI Search Answers》，2025-10-08：「AI assistants don't read a page top to bottom like a person would. They break content into smaller, usable pieces — a process called parsing.」「In AI search, ranking still happens, but it's less about ordering entire pages and more about which pieces of content earn a place in the final answer.」「smaller, structured pieces that can be evaluated for authority and relevance」「AI can lift a single line or combine multiple snippets from across sites into one answer.」写作建议：「Self-contained phrasing: Sentences that make sense even when pulled out of context.」「Strong headings: Signals that help AI know where a complete idea starts and ends.」「Avoid long walls of text」「Don't hide important answers in tabs or expandable menus」。结尾：「While nothing guarantees selection」。定性建议，没有实验和倍数，只讲微软自家的 AI 体验。 原文
《Bing Webmaster Guidelines》第 15 条：「URLs are more likely to be selected for grounding queries and citations when content stands on its own.」「Facts and definitions are explicit」；第 17 条：「URLs focused on a primary topic are more likely to be selected for grounding results.」「Avoid mixing unrelated concepts on a single URL」；第 18 条：「Place essential information near the top of the URL」「Avoid long introductions before addressing the main topic」。说的是网址被选中的可能，不是段落；没给数据。页面未显示更新日期。 原文
Google 搜索中心《AI optimization guide》（Last updated 2026-07-10）：「There's no requirement to break your content into tiny pieces for AI to better understand it.」「Google systems are able to understand the nuance of multiple topics on a page and show the relevant piece to users.」「You don't need to write in a specific way just for generative AI search.」同页仍建议为读者按「paragraphs and sections, along with headings that provide a clear structure to navigate content」组织内容。只管 Google 搜索，没说怎么挑那一块。 原文
Google 搜索中心《AI Features and Your Website》（Last updated 2025-12-10）：「To be eligible to be shown as a supporting link in AI Overviews or AI Mode, a page must be indexed and eligible to be shown in Google Search with a snippet」；「Just because a page meets all requirements, best practices, and complies with the policies, doesn't mean that Google will crawl, index, or serve its content.」；「To limit the information shown from your pages in Search, use nosnippet, data-nosnippet, max-snippet, or noindex controls.」其中 data-nosnippet 可以只遮页面里的某一段；是否也管 Gemini App 等其他 Google 产品，本页没说。 原文
月之暗面 Kimi API 开放平台《联网搜索最佳实践》：「模型先读懂正文，再把与问题最相关的内容片段挑出来返回」；片段「按相关性排序」；「片段与查询词的相关性分数，只在同一次查询内有相对意义」。只对联网搜索 Pro 接口成立，Basic 接口只返回标题、链接、摘要（可选附正文）；不能据此断定 Kimi App 走同一流程。页面未显示日期。 原文
阿里云《联网搜索（搜文）API》：「snippet：网页动态摘要，匹配到关键字的部分内容，平均长度150字符」；「mainText：解析得到的网页全正文，长度最大3000字符」；「summary：从网页全正文中提取出与查询最相关的信息，用于提供增强摘要，默认长度约500字」；「rerankScore：使用rerank模型对引擎召回结果进行重排序」。只对这个 API 成立，不能推成千问 App 的做法。页面未显示更新时间。 原文
百度智能云千帆《百度搜索》API（页面显示更新 2026-09-28）：「网页内容，显示2000字以内的相关信息原文片段」。不代表百度 AI 搜索、文心 App 内部怎么选段；没写「相关」按什么算。 原文
腾讯云联网搜索 API《元宝搜索》（页面显示最近更新 2026-09-21）：「passage：标准摘要」「content：动态摘要（极速版不返回该字段）」「score：相关性得分，取值0～1，越靠近1表示越相关」。score 是每条搜索结果的分数；没说动态摘要怎么截、多长，也没说元宝 App 用哪一个。 原文
Perplexity API 文档《Search API Quickstart》：search_context_size 分三档，low 返回「short passages most relevant to the query」，medium「a balanced amount of content per document」，high「detailed content relevant to the query」，默认 high；max_tokens_per_page「caps content extracted from each result page」。只对对外 API 成立，不代表 Perplexity 自家回答产品的做法；没写「相关」怎么算。 原文
Anthropic 官方博客《Introducing Contextual Retrieval》，2024-09-19：例句「The company's revenue grew by 3% over the previous quarter.」「However, this chunk on its own doesn't specify which company it's referring to or the relevant time period」；「Combining Contextual Embeddings and Contextual BM25 reduced the top-20-chunk retrieval failure rate by 49% (5.7% → 2.9%).」「Reranked Contextual Embedding and Contextual BM25 reduced the top-20-chunk retrieval failure rate by 67% (5.7% → 1.9%).」两个降幅都相对同一基线。测的是企业知识库检索，不是公开网页的 AI 搜索，数字是 Anthropic 自测。 原文
Vishwakarma、Kumar、Jamidar（均署名 Sprinklr）《What Gets Cited: Competitive GEO in AI Answer Engines》，arXiv 2026-05-25，HTML 版页首署「Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '26)」及 DOI 10.1145/3805712.3808445：「measures which source is referenced by the first citation marker in the output. Across six LLMs we execute 252,000 trials」；「topical relevance and list position are the biggest drivers of being cited first. Including explicit price information and a recent timestamp also helps consistently. Completeness and trust cues add smaller gains, while formatting-only edits have little impact.」合成场景：两篇匿名化产品测评文直接注入上下文；list position 指两篇在上下文里的先后，不是搜索排名；不含中文平台。 原文
同一论文 HTML 版：「Formatting choices (Content Structure, Scattered Information) had no impact」，Content Structure 定义为「Dense paragraph format versus organized sections」，六个模型里显著数为 0；Topic Mismatch 定义为「Content discusses unrelated products instead of query-relevant items」；表 2 里 Keyword Gap 六个模型全显著，Hedged Language 六个里四个显著。原文局限：「We never call a search engine.」「Production RAG often retrieves five to ten or more pages, so real citation pools are larger than our testbed.」 原文
Puerto 等《C-SEO Bench》（NeurIPS 2025 数据集与基准赛道）：「position of a document in the input context has a dominant effect」。位置指已选文档放在模型上下文里的先后，不是网页的自然搜索排名。它在问答和商品推荐两类任务、六个领域上重测了 Aggarwal 等（GEO 论文）提出的八种改写方法，看的是引用名次，摘要称「most current C-SEO methods are not only largely ineffective but also frequently have a negative impact on document ranking」。 原文
Aggarwal 等《GEO: Generative Engine Optimization》（KDD 2024）：「our top-performing methods, Cite Sources, Quotation Addition, and Statistics Addition, achieved a relative improvement of 30-40% on the Position-Adjusted Word Count metric and 15-30% on the Subjective Impression metric」；「traditional SEO methods like Keyword Stuffing offer little to no improvement」。引擎是作者自搭的；Position-Adjusted Word Count 按回答里引用该来源的句子词数、并按出现位置加权计算，不是被引概率或点击。 原文
一家国内企业研究院的四位作者，arXiv 2607.15771（v1 2026-07-17）：四家主流中文生成式搜索平台、8 个界面、614 条查询，清洗后 160,860 条引用级记录；「content fit, cross-source occurrence count, and semantic role were relatively important in predictive models, whereas the 5118-Baidu Composite Quality Score was not the leading predictor for any examined outcome」；「approximately 71% of contact-information exposures could not be matched to the crawled body text」。来源级、观察性，仅 v1，未经同行评审。 原文
大家也这样问
- AI引用我的文章，是整篇看完还是只挑一段？
- AI搜索是按什么挑网页里哪段话的？
- 怎么写才能让AI把我那段话摘进回答里？