这条在：GEO 图书馆 · 定义与边界
检索增强生成（RAG）是什么？跟 GEO 有什么关系？
截至 2026 年 10 月 1 日，检索增强生成（RAG）指 AI 先按问题去外部资料里检索，再把检索到的文本当作上下文来写回答，这个名字出自 Lewis 等人 2020 年的论文；Google 在给站长的官方指南里，就用 RAG 解释自家搜索的 AI 功能怎样从搜索索引里取网页。
品牌资料要经检索进入 AI 回答，母本分两步看：先被检索到，再被写进回答，这是母本自己的观察框架。母本这次核对的公开材料只披露了部分流程，不足以确认所有 AI 搜索产品都采用 RAG。
GEO（AI 搜索优化）的文章和方案里，RAG 这个词出现得很勤，常听到的一句是「AI 搜索都是 RAG」。词是真的，跟 GEO 也确实有关系，可流传的说法往往比原文说得满。
这个名字是一篇论文起的
Facebook AI Research、伦敦大学学院和纽约大学的 Lewis 等人 2020 年在 NeurIPS 发表了一篇论文，检索增强生成（Retrieval-Augmented Generation，RAG）这个名字就出自这里。论文方法部分的第一句，其实就把事情说完了：拿输入去检索一批文本，再把检索到的文本当作额外的上下文，用来生成输出。说白了就是先查资料，再照着资料写。
不过原论文的「外部资料」是事先建好的一份维基百科向量索引，模型也按论文那套配方专门微调过，并不是当场上网去搜。把检索接到语言模型上，也不是这篇论文头一个做的，引言里自己就点了 REALM 和 ORQA 两个前作，只是它们只做了抽取式问答。所以准确的说法是，Lewis 等人提出了 RAG 这个名字和这套方法。
今天的 AI 搜索跟它什么关系
今天说 AI 搜索用 RAG，意思要宽得多。Google 在给站长的生成式 AI 优化指南里专门解释过检索增强生成，说它也叫「建立依据」（grounding）：靠核心搜索排名系统从搜索索引里检索相关、最新的网页，再审核从中提取的具体信息，生成回答，并附上指向这些网页的醒目链接。外部资料换成了整个搜索索引，先查再写的思路倒是一脉相承。
国内这边，DeepSeek 在《模型原理与训练方法说明》讲局限性的那一节里写，他们致力于通过研究降低幻觉，列的办法里有检索增强生成，可「现阶段我们无法保证模型不产生幻觉」。检索什么库、什么时候检索、哪个产品怎么做，这段都没说。
所以「AI 搜索都是 RAG」这句话说满了。我们这次核对的几家官方说明，大多写的是先检索、再照着检索到的写，思路跟 RAG 同源；可这些材料只披露了流程的一部分，不足以确认所有 AI 搜索产品都采用 RAG，也拼不出哪家产品的完整实现，更不能拿来当各家给品牌来源打分、筛选的现行规则。
另一个问题得分开看：系统有检索增强的本事，不代表每次回答都会去检索。Google 给开发者的 Gemini 接口文档写的是，模型先判断搜一下能不能让回答更好，需要的话，再自己生成搜索词去搜。百度搜索团队的一篇预印本说得更直接：简单问题可以由负责写作的那个模型直接回答，不调用外部工具。可按需才搜说的是某一次回答走不走检索，推不出哪家后台没用 RAG。什么时候会去搜，见《训练时记住的和回答时现搜的》；整条流程拆开来看，见《AI 回答一个问题，中间经过哪几步？》。
还有一种 RAG，跟品牌在 AI 搜索里露不露面本来就没关系。阿里云百炼的帮助文档教企业「基于本地知识库和云端大模型构建RAG（检索增强生成）应用」，用在私域问答和客服上，文档里没有一句讲公网上的 AI 搜索怎么选资料。所以有人说「帮你搭一套 RAG」，得先问清是哪一种：给自家员工和客户用的问答系统，跟让豆包们回答时用上你的资料，是两回事。
跟 GEO 的关系：我们拆成两步
下面这个拆法是母本自己的观察框架，而且只管一条路：品牌资料通过外部检索进入 AI 的回答。沿着这条路，我们分两步看：资料有没有被检索到，里面的信息有没有被回答采用。这两个说法不是所引平台或论文的原话；AI 不检索、凭记忆直接答的那条路，也不在这两步里。之所以这么拆，是因为 Lewis 的方法描述、Google 对 RAG 的解释、提出 GEO 概念的那篇论文对「生成式引擎」的定义，都分检索和生成两段。
第一步，被检索到。
Google 先把门槛写明白了：网页要在 AI 概览或 AI 模式里当支持链接，先得被收录，还得有资格在 Google 搜索里带摘要展示；满足了，也不保证一定展示。
拿去搜的词，也不一定是用户的原话。Gemini 接口是模型自己生成搜索词；OpenAI 的帮助中心也写，ChatGPT 搜索跟其他搜索服务合作时，通常会把问题改写成一条或几条更有针对性的查询。你的页面要对上的，是它实际发出去的那些查询，详见《什么是查询扇出》。
检索还是一刀切的。原论文只取最像的前 K 篇交给生成模型，没进前 K 的，生成那一步根本看不到；今天的产品各取几篇，我们核对的材料里没写。进到模型眼前的，往往也只是片段。Anthropic 讲企业知识库时举过一个例子：切出来的一块写着「公司营收比上季度增长 3%」，单独拿出来，看不出是哪家公司、哪个季度，这样的块就可能查不到。放到品牌这边，我们建议一段话被单独拎出来的时候，最好还看得出说的是谁、是哪年的事；这只是建议，我们没有证据说这样写就更容易被检索到。但这不等于要把文章切碎。切块是检索系统建索引时自己做的，Google 也明说了，没必要为了让 AI 更好理解，就把内容拆成一小块一小块。
还有一点：GEO 论文恰好没研究这一步。它的主实验是把 Google 前 5 条结果直接喂给模型（这一篇里逐节读过），作者也写明，没有评估这些改写方法会怎么影响搜索排名。所以「被检索到」这一关，GEO 论文里的数字撑不起来。
第二步，被写进回答。
检索到了，还要过筛选。百度那篇预印本里，负责执行的智能体每检索一轮，都要评估取回来的文档够不够支撑手上的子任务；负责写作的那个，再做必要的筛选和消歧，写成回答。论文也有专节讲参考资料怎么选、排序看哪些信号，可那是研究方案，不能当作百度现行产品的完整评分参数，也不能当成引用的准入规则。
一旦用上，分量可能很重。ClashEval 这项研究故意把检索材料里的答案改错，拿 GPT-4o 等六个模型去测，超过六成的时候，模型放弃了自己原本对的认知，跟着改错的材料走；错得越离谱，倒越不容易被采用。这是受控实验，题目是药物剂量、奥运纪录这类，不涉及品牌。可一篇把你写错的网页要是被检索到，麻烦可能不小，这也是投毒风险的来源，界线在哪见《正常优化和投毒，界线在哪？》。
写进去了，还有一道：写得对不对。OpenAI 自己的帮助中心就提醒，搜索结果和引用可能不完整、过时或者有错。AI 标了你的链接，旁边那句话也不一定撑得住，见《AI 标的参考资料，真的撑得住它那句话吗？》。
GEO 论文测的其实就是第二步：来源已经在手里，改写一下能不能在回答里占更多份额。那些「最高提升 40%」的数字怎么读，见《「照论文改，AI 引用率能提升 40%」？》。
结论
- 检索增强生成（RAG）这个名字出自 Lewis 等人 2020 年的论文（NeurIPS 2020），指模型先检索外部资料，再把检索到的文本当作上下文来生成回答。原论文检索的是事先建好的维基百科索引；把检索接到语言模型上的做法，在这篇论文之前就有。
- Google 在给站长的官方指南里，用 RAG 解释自家搜索的生成式 AI 功能怎样从搜索索引里取网页、生成带链接的回答。DeepSeek 在官方说明里把 RAG 列为研究降低幻觉的办法之一，同时说现阶段无法保证模型不产生幻觉。
- 「AI 搜索都是 RAG」这个说法说满了：母本这次核对的公开材料只披露了部分流程，不足以确认所有 AI 搜索产品都采用 RAG，也不足以还原各家产品的完整实现。
- 具备检索增强能力的 AI 系统，也不是每次回答都会检索：Google 的 Gemini 开发者文档写明模型先判断要不要搜，百度搜索团队的预印本写到简单问题可以不调用外部工具直接回答。这说的是单次回答，推不出哪家产品没用 RAG。
- 阿里云百炼文档教的本地知识库 RAG，是企业搭给自己用的问答系统；这份文档没有涉及公网 AI 搜索怎么选资料。
- 对品牌资料经外部检索进入 AI 回答的这条路径，母本分两步看：被检索到，被写进回答。这个拆法是母本自己的，不是所引平台或论文的原话。提出 GEO 概念的那篇论文，实验只涉及第二步，作者写明没有评估改写对搜索排名的影响。
「AI 搜索后台都是 RAG」？
这是网上很常见的说法，有的还说得更细：各家后台都是检索网页片段、筛选、整合，再生成答案，中间还有一道「可信度重排序」。一位自述在国内 GEO 服务商工作的作者，在阿里云开发者社区写的是「GEO的优化对象是整个RAG管线」。
先检索、后生成这个方向，Google 和百度的材料都支持。说过头的，一是「都」，我们核对的材料不足以确认；二是中间那些环节的名字：我们核对的平台官方文档里，没有哪份描述过完整链路，「可信度重排序」这个环节也没找到；Google 的说法是生成式 AI 功能建在核心排名和质量系统上，并没有单列这么一道。
这些结论别往外推
- 原论文研究的是 2020 年的模型：检索的是维基百科索引，模型专门微调过。前 K 篇截断是这篇论文的设计，说明不了今天任何一家产品的实现。
- Google 对 RAG 的解释只管 Google 搜索的生成式 AI 功能；Gemini 接口文档说的是开发者接口，不等于 Gemini App 或 AI 概览的内部流程；百度那篇是预印本里的架构蓝图，不等于百度线上的每次请求。
- Anthropic 讲切块，说的是企业知识库，不是公网 AI 搜索。ClashEval 是受控实验，这里只拿来说原理，不拿它的数字去推豆包、DeepSeek、元宝、Kimi 今天的表现。
- 两步是母本的概括。现实里的系统可能改写问题、多轮检索、调用别的工具，也可能不检索、直接凭模型记住的回答。
核对记录
2026 年 10 月 1 日重开原文核到：百度预印本 v1 是 2025-06-20、v2 是 2026-03-13，两版都有简单问题不调用工具那句；DeepSeek 原文是「致力于通过研究」；Google 优化指南最后更新 2026-07-10。复审后又开百度预印本 v2 PDF 第 23–29 页，核到参考资料选择和排序特征两节，原先「论文没写怎么打分、怎么选源」说过了头，出处包相应条目已改。
出处 14 条，A 级 9 条、B 级 4 条、C 级 1 条 · 展开全部
Lewis 等 12 人《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》摘要（arXiv v1 2020-05-22，Comments 栏「Accepted at NeurIPS 2020」）：「models which combine pre-trained parametric and non-parametric memory for language generation」；「the non-parametric memory is a dense vector index of Wikipedia, accessed with a pre-trained neural retriever」。署名单位 Facebook AI Research、伦敦大学学院、纽约大学。 原文
同一论文正文（arXiv v4）。第 2 节方法首句：「We explore RAG models, which use the input sequence x to retrieve text documents z and use them as additional context when generating the target sequence y.」引言：只靠参数记忆的模型「cannot easily expand or revise their memory, can't straightforwardly provide insight into their predictions, and may produce “hallucinations”」；REALM、ORQA 两个前作「have only explored open-domain extractive question answering」。图 1 说明：「We use Maximum Inner Product Search (MIPS) to find the top-K documents」。 原文
Google 搜索中心《Optimizing your website for generative AI features on Google Search》（英文页最后更新 2026-07-10）对 RAG 的解释：「A technique (also known as grounding) used to improve the quality, accuracy, and freshness of AI responses by relying on our core Search ranking systems to retrieve relevant, up-to-date web pages from our Search index. Our systems then review the specific information from those retrieved pages to generate a more reliable and helpful response, showing prominent, clickable links to relevant web pages that support the information in the response.」同页：「There's no requirement to break your content into tiny pieces for AI to better understand it.」「You don't need to create new machine readable files, AI text files, markup, or Markdown」；「our generative AI features on Google Search are rooted in our core Search ranking and quality systems」。只说 Google 搜索。 原文
Google 搜索中心《AI features and your website》（最后更新 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」；「Indexing and serving isn't guaranteed.」 原文
Google《Grounding with Google Search》（Gemini API 文档，最后更新 2026-09-23）：「The model analyzes the prompt and determines if a Google Search can improve the answer.」「If needed, the model automatically generates one or multiple search queries and executes them.」说的是开发者接口，不等于 Gemini App 或 AI 概览的内部流程。 原文
OpenAI 帮助中心《Searching the web with ChatGPT》：与其他搜索提供方合作时，「ChatGPT search typically rewrites your query into one or more targeted queries」；「Search results and citations can be incomplete, outdated, or incorrect.」 原文
DeepSeek《模型原理与训练方法说明》（页面未显示更新日期）「模型的局限性和风险」下「局限性」一节：「DeepSeek致力于通过研究降低模型的幻觉率，包括但不限于选取高质量的训练数据源、优化对齐的策略、通过检索增强生成（RAG）技术等，但现阶段我们无法保证模型不产生幻觉。」 原文
百度搜索团队 Yuchen Li 等《Towards AI Search Paradigm》v1（2025-06-20）：简单问题由 Writer 直接回答时，「neither external tool invocation nor task decomposition is necessary」。v2（2026-03-13）保留了这句。 原文
同一预印本 v2（2026-03-13）引言：「current RAG systems primarily function as single-shot answer generators」；「These systems' output quality is critically dependent on the initial document retrieval phase」。Executor 每轮检索后「evaluates the retrieved documents to determine whether the information sufficiently supports the factual or contextual requirements of this sub-task」；Writer 生成最终回答，「including necessary filtering and disambiguation」。第 4.2.2 节「Reference Selection」专讲参考资料选择，4.2.1 节有 TourRank 的累计评分，4.3.2 节「Lightweight Ranking」列了 authority、quality、recency、relevance 等排序特征；没有公布现行产品的完整评分参数或引用准入规则。是架构蓝图，不等于百度线上每次请求。 原文
阿里云百炼帮助中心《基于本地知识库构建RAG应用》（更新 2026-09-09）：「本文介绍如何基于本地知识库和云端大模型构建RAG（检索增强生成）应用，用于私域知识问答、客户支持等场景。」「整体上可分为检索与生成两个环节。」 原文
Anthropic《Introducing Contextual Retrieval》（2024-09-19）：传统 RAG 把知识库切成「usually no more than a few hundred tokens」的小块；举例的一块是「The company's revenue grew by 3% over the previous quarter.」，单独拿出来看不出是哪家公司、哪个季度。针对企业知识库 RAG。 原文
Wu、Wu、Zou《ClashEval》，NeurIPS 2024 数据集与基准赛道：1200 多道题，测六个模型含 GPT-4o，「LLMs are susceptible to adopting incorrect retrieved content, overriding their own correct prior knowledge over 60% of the time. However, the more unrealistic the retrieved content is (i.e. more deviated from truth), the less likely the model is to adopt it.」受控实验，改过的材料直接塞给模型，领域是药物剂量、奥运纪录、地点等。 原文
Aggarwal 等《GEO: Generative Engine Optimization》v3 第 2 节：「Generative Engines comprise two crucial components: a.) A set of generative models G={G1,G2…Gn}, each serving a specific purpose like query reformulation or summarization, and b.) A search engine SE that returns a set of sources S={s1,s2…sm} given a query q.」同文：「we didn’t evaluate how GEO methods affect search rankings」。 原文
被核的说法：阿里云开发者社区用户文章（2026-05-06），作者简介自述就职于一家国内 GEO 服务商：「GEO的优化对象是整个RAG管线」；同文建议部署 llms.txt 当「给AI看的官方语言」。 原文
大家也这样问
- RAG是什么意思？
- AI搜索说的检索增强是怎么回事？
- RAG跟GEO有什么关系？
- 做GEO要不要懂RAG？