分类： GEO基础

上个月你还被豆包推荐，这个月再问同样的问题，答案里已经没你了。而且你没做错任何事——内容没被删，页面还能打开，甚至搜索排名还在。变的只有一件事：AI 的引用名单换了一批人。

2026 年的一组实测数据把这件事从体感变成了数字：AI 引用的中位半衰期是 4.5 周。也就是说，你挣来的引用价值，不做任何维护的话，一个月左右就砍掉一半。这不是某个工具的营销话术，是 350 万条引用事件跑 26 周生存分析得到的结果。更扎心的是分引擎看：ChatGPT 上只要 3.4 周，Perplexity 上能撑到 5.8 周。

半衰期是什么，为什么比”内容质量”更决定引用

半衰期（citation half-life）指的是：一篇内容停止更新之后，它的被引用量衰减到原来一半所需要的时间。注意定义的关键在”停止更新之后”——它测的不是你文章写得好不好，而是你的内容在候选池里能占住位多久。

为什么引用会自然衰减？四个机制叠加：

• 索引在持续刷新。AI 引擎不是一次性快照，它周期性重新爬取、重新算分。你上个月是最佳答案，这个月候选池里多了别人新发的内容，重新打分后你可能就掉了——不是因为变差，是因为评估重跑了一次。
• 竞品在持续发新。每周都有新内容瞄准同一个问题发出来，检索层不做”老内容优待”，它对整个候选池重新打分。
• 新鲜度是显性选择信号。不是加分项，是筛选门槛：约一半的 AI 引用来自 13 周内的内容。超过这个期限，你的内容在统计意义上已经处于劣势。
• 答案本身有随机性。同一个问题连问十次，引用名单每次都不完全一样。衰减和抖动混在一起，单看一次结果没有意义。

这四条里，前两条是你的竞争对手在推，后两条是引擎机制在推。你能控制的只有”让自己的内容保持在新鲜窗口内”。

三个数据源交叉验证：4.5 周不是孤证

半衰期这个结论，2026 年有至少三个独立口径的测量，方向一致：

数据源	样本	核心发现
Scrunch/Stacker	350万引用事件，12万域名，26周	中位半衰期 4.5 周；ChatGPT 3.4 周最快，Perplexity 5.8 周最慢；约 50% 引用来自 13 周内内容
Profound	2.4亿引用，10万问题/月×12月	同一问题引用域月度轮换 40-60%；6 个月后轮换 70-90%
Machine Relations Index	18,699 答案，1,227 问题，27,596 域	域级留存 1周 49.6% → 3个月 26.2% → 92天+ 仅 18.6%；精确 URL 掉得更快（92天+ 仅 12.3%）

三个口径数字有出入（4.5 周 vs 月度 40-60% 轮换 vs 域留存 3 个月 26%），但结论同向：AI 引用是周级别的生命周期管理问题，不是季度级。传统 SEO 的经验——好内容排上去之后可以躺几个月——在 AI 引用上直接失效。

分引擎看半衰期：ChatGPT 最狠，Claude 最宽容

把留存曲线按引擎拆开，衰减速度差了一倍：

引擎	1周内留存	8-28天	29-56天	57天以上
ChatGPT	50.5%	45.6%	31.1%	23.6%
Perplexity	54.5%	43.9%	32.2%	25.5%
Claude	41.0%	35.6%	32.4%	31.3%
Gemini	40.4%	33.0%	35.6%	21.7%

两个反直觉的读数：

一是 Claude 衰减最慢。它起步留存最低（1 周只有 41%），但曲线几乎走平——57 天后还剩 31.3%。这跟 Claude 的检索姿态一致：大量问题直接用训练记忆回答，不触发实时抓取。被它引一次，就倾向于持续引；没进它的记忆，更新再勤也没用。

二是 ChatGPT 和 Perplexity 是”高开低走”。两者短期留存最高（50%+），但两个月内掉 27-29 个百分点。它们抓取频繁、候选池换血快，所以引用维持成本也最高。Scrunch 的半衰期排序（ChatGPT 3.4 周 < Perplexity 5.8 周）和留存曲线的形状是吻合的：起点高不等于终点高。

半衰期怎么延长：两个有实证的杠杆

杠杆一：更新节奏要对齐半衰期，不是内容日历

传统内容团队按”月更””季更”排期，AI 引用不认这个节奏。按 4.5 周的中位半衰期倒推，维护动作的间隔上限就是一个月——超过一个月不更新，你有一半的引用价值已经蒸发了。Scrunch 的数据里还有一个放大器：定期更新的站点被引用频率约为不更新站点的 3.2 倍。衰减不是线性的，是复利的——掉下去之后，曝光减少又反过来加速下一次衰减。

杠杆二：编辑域来源，半衰期翻倍

Scrunch 用 4,000+ 家编辑媒体的域名网络做了一组对照：同一篇内容，被编辑媒体转载/引用的版本，半衰期约为品牌自有页面的 2 倍。在 Perplexity 上差距最大，编辑域来源多出 6.5 周以上的引用寿命；最强组合”Perplexity × 编辑域”达到 12.3 周，是整个数据集里最长的引用寿命。

翻译成动作：与其自己把文章发一遍又发一遍，不如让第三方（行业媒体、测评站、社区）带着你的名字和事实把内容分发出去。第三方域上的引用比自有域上的引用抗衰减。

怎么算自己的半衰期：一个最小监测设计

不需要买工具，四步就能测出自己的数字（这是所有策略的前提——别人的 4.5 周是你的参考值，不是你的测量值）：

1. 冻结问题集。挑 20-50 个目标问题，写死不动。问题一变，时间序列就断了。
2. 固定引擎和地区。每周同一时间、同一引擎、同一地区跑一遍，记录每次被引的域名和精确 URL。
3. 算留存。每周对比：上周被引的域名/URL，这周还占多少。画一条留存曲线，取衰减到 50% 的那个时间点，就是你的半衰期。
4. 对照更新动作。曲线拐点附近安排实质性更新（补新数据、新案例，不是改日期），看留存是否被拉平。

注意 Machine Relations 做过的两个对照验证：把时间方向倒过来算一遍，留存曲线形状不变；再取 798 组固定队列全程观测，结果一致。这两个验证排除了一个常见假象——”引用源总数变少导致看起来衰减了”。你自己测的时候也要保证分母稳定，别把引用变少当成衰减。

四个常见判断，先检查再说

判断	实际情况
“AI 引用一次就稳了”	错。中位 4.5 周砍半，不更新的话两个月后统计上大概率掉了
“改个日期就能保鲜”	无效。引擎看的是实质内容变化，只改 dateModified 不更新内容，半衰期不变（谷歌传统 SEO 指南也明确反对日期伪装）
“半衰期短说明我做错了”	不全是。引擎机制性的换血占大头（月度 40-60% 轮换），你的内容可能全程合格，只是新内容进池挤了你
“Perplexity 引用最久所以主攻它”	半衰期长≠值得主攻。Perplexity 流量占比远小于 ChatGPT（1.9% vs 64.6% 的流量份额），维护成本要对它的实际引用份额算账

FAQ

Q：内容和 AI 引用都好的老页面，要不要为了”看起来新”改更新时间？
A：不要只改日期。引擎的候选池重打分看的是实质内容更新，改 dateModified 不补充新信息等于没改。把一次实质更新（新数据、新案例、新问答）的边际成本控制在一次以内，比撒遍全站改日期有效得多。

Q：半衰期 4.5 周，是不是所有页面都得每周更新？
A：不用。4.5 周是中位数，分引擎分行业差异很大（保险、金融类引用更”粘”，电商、医疗类转得快）。先用自己的监测数据分出”快衰页面”和”慢衰页面”，更新预算压在快衰页上。

Q：Claude 衰减最慢，是不是把内容重点喂给 Claude 就行？
A：方向对但别走极端。Claude 大量答案来自训练记忆而非实时抓取，你新发的内容大概率进不了它的引用，但它记忆里的内容衰减又最慢。实操是两条腿：对 Claude 做的是”进入训练语料池”（持续被第三方引用），对其他引擎做的是”保持新鲜窗口”（定期实质更新）。

Q：怎么区分”我的引用在衰减”和”引擎引用源总数变少了”？
A：看绝对数和占比两个口径。如果整个引擎对某类问题的引用总数在涨而你的份额在掉，是真衰减；如果总数一起掉，先排除引擎侧变化（模型升级、接口改版），再归因到自己。

延伸阅读

• 内容更新了，AI 多久才重新算你？——衰减的另一面：触发端的重抓延迟
• 收录从分钟级变 3 到 7 天，抢首发为什么失效了——候选池扩容之后，新鲜窗口为什么变得更宽
• 同一站里，只有那几页被引用——时间轴之外，站内哪几页在替你扛引用

{
“@context”: “https://schema.org”,
“graph”: [
{
“@type”: “Organization”,
“@id”: “https://www.geoshizhan.com/#org”,
“name”: “GEO实战”,
“url”: “https://www.geoshizhan.com/”
},
{
“@type”: “WebSite”,
“@id”: “https://www.geoshizhan.com/#website”,
“url”: “https://www.geoshizhan.com/”,
“publisher”: {
“@id”: “https://www.geoshizhan.com/#org”
}
},
{
“@type”: “Article”,
“headline”: “你的 AI 引用有保质期，中位 4.5 周就砍半”,
“description”: “Scrunch 350万引用事件实测：AI 引用的中位半衰期 4.5 周，ChatGPT 只要 3.4 周，一半引用来自 13 周内的内容。同一问题三个月后引用域换掉七成以上。半衰期不是玄学，是可以排期的数字：按引擎定更新节奏，编辑域来源半衰期翻倍。”,
“datePublished”: “2026-10-26”,
“dateModified”: “2026-10-26”,
“author”: {
“@type”: “Organization”,
“name”: “GEO实战”
},
“publisher”: {
“@id”: “https://www.geoshizhan.com/#org”
},
“image”: “COVER_URL”,
“mainEntityOfPage”: “POST_URL”,
“isPartOf”: {
“@id”: “https://www.geoshizhan.com/#website”
}
},
{
“@type”: “FAQPage”,
“mainEntity”: [
{
“@type”: “Question”,
“name”: “内容和 AI 引用都好的老页面，要不要为了「看起来新」改更新时间？”,
“acceptedAnswer”: {
“@type”: “Answer”,
“text”: “不要只改日期。引擎的候选池重打分看的是实质内容更新，只改 dateModified 不补充新信息等于没改。把一次实质更新（新数据、新案例、新问答）的边际成本控制在一次以内，比撒遍全站改日期有效得多。”
}
},
{
“@type”: “Question”,
“name”: “半衰期 4.5 周，是不是所有页面都得每周更新？”,
“acceptedAnswer”: {
“@type”: “Answer”,
“text”: “不用。4.5 周是中位数，分引擎分行业差异很大（保险、金融类引用更粘，电商、医疗类转得快）。先用自己的监测数据分出快衰页面和慢衰页面，更新预算压在快衰页上。”
}
},
{
“@type”: “Question”,
“name”: “Claude 衰减最慢，是不是把内容重点喂给 Claude 就行？”,
“acceptedAnswer”: {
“@type”: “Answer”,
“text”: “方向对但别走极端。Claude 大量答案来自训练记忆而非实时抓取，你新发的内容大概率进不了它的引用，但它记忆里的内容衰减又最慢。对 Claude 做的是进入训练语料池（持续被第三方引用），对其他引擎做的是保持新鲜窗口（定期实质更新）。”
}
},
{
“@type”: “Question”,
“name”: “怎么区分「我的引用在衰减」和「引擎引用源总数变少了」？”,
“acceptedAnswer”: {
“@type”: “Answer”,
“text”: “看绝对数和占比两个口径。如果整个引擎对某类问题的引用总数在涨而你的份额在掉，是真衰减；如果总数一起掉，先排除引擎侧变化（模型升级、接口改版），再归因到自己。”
}
}
]
}
]
}

10 月 24 日凌晨，月之暗面发布 Kimi K3.1 Pro。3 万亿级参数、100 万 token 上下文、多模态——这不是普通的一次迭代，是上下文窗口从 128K 时代正式跨进 1M 时代的标志。

同一周，DeepSeek V4.1-Flash 也把上下文推到了 100 万 token，OpenRouter 数据显示中国大模型周调用量连续 25 周超过美国，全球前五全部是中国模型。

把这些数据放在一起看，会发现一个被社区忽略的结构性变化：AI 能读多少，和 AI 怎么引用，是两件事。上下文变大了 8 倍，但绝大多数 GEO 布局还在「详情页时代」的节奏里。

一、先看清楚：这次模型迭代到底变了什么

把 10 月 24 日的关键数据摆出来：

指标	K3.1 Pro 数据	对比参考	GEO 影响
总参数	3 万亿级（2.8T 官方）	全球最大开源模型	知识容量大幅提升
上下文窗口	100 万 token	旧版约 128K，扩大约 8 倍	能一次读完白皮书+FAQ+案例
幻觉率（压力测试）	8.3%	K3 为 23.4%，降 15.1pp	模糊表述/孤证更易被识别排除
金融跨文档能力	OfficeQA Pro v2 + SpreadsheetBench v2 均超最强闭源	端到端交付	行业报告/白皮书真正被「读懂」
价格（vs GPT-6 Astra）	约 1/5	输入缓存命中 1.3 元/百万 token	多引擎高频监测成本进一步下降

注意两个容易被误读的点：①「上下文大」不等于「AI 真的会用满」——检索质量和排序策略才是决定引用结构的核心；②幻觉率下降对 GEO 是双刃剑——AI 不再「替你补充」模糊表述，只引用它能确认的。

二、上下文变大，引用逻辑从「摘单句」变「拼证据链」

这是本次模型迭代对 GEO 最深层的影响，但几乎没有被讨论过：

128K 上下文时代，AI 读你的官网，引用单位是「一个页面里的一句」——详情页写得好不好，基本决定了你能不能被引用。

1M 上下文时代，AI 能同时读「白皮书 + 官网 + 第三方评测 + 行业报告」，引用单位变成了「证据链」——它会在多个信源之间交叉验证，而不是单独评价某一个页面。

这意味着：单个页面的权重在下降，信源体系的完整度在上升。你的官网写得再完美，如果第三方信源里找不到交叉印证，AI 完成证据链拼图时缺的那一块，会让你的内容在重排时掉档。

24921 期讲过「AI 一次回答只引几家」，那是在引用集中度上的结论；这次模型迭代把逻辑往前推了一层：不只是「引几家」，而是「引一个体系」——证据链完整的体系优先，孤立的优质页面反而容易被漏掉。

三、幻觉率压到 8.3%，「模糊表述」的代价变大了

K3.1 Pro 的幻觉率从 K3 的 23.4% 压到 8.3%。这个数字对内容方意味着什么？

旧模型在 23.4% 幻觉率下，遇到「行业领先」「卓越品质」这类模糊表述，大概率原样复述进答案——因为「无法核验」和「模糊」的边界没那么严格。

新模型在 8.3% 下，识别「可核验事实 vs 不可核验声明」的能力大幅提升。模糊表述被识别为「无法确认的声明」，在重排时会被系统性降权。

实操清单（写完内容后逐项过）：

• 每篇内容里，形容词占比超过 20% → 重写，把形容词替换为「数字 + 时间 + 来源」
• 关键事实（资质/案例/报价）找不到第二个独立信源 → 先铺信源再发内容
• 白皮书里的关键数据没有标注采集时间和口径 → AI 无法核验，引用概率大幅下降

四、B 端内容布局：从「详情页」升级为「证据链拼图」

金融研究类能力的跃升，对 B 端 GEO 的影响最大。把内容体系按「拼图」逻辑重新排布：

拼图块	内容类型	AI 怎么用（长上下文）	优先级
事实底座	官网核心数字（成立年限/服务客户数/资质编号）	跨文档核对时作为锚点，数字不一致直接降权	最高
证据层	行业白皮书 / 技术文档 / 合规说明	长上下文下被真正「读懂」，可提取结构化结论	高（B端）
交叉验证层	第三方平台（知乎/行业社区/权威媒体）	孤证在 8.3% 幻觉率下被排除概率极高，必须有第二信源	最高
场景层	FAQ / 客户案例 / 场景化内容	匹配用户具体 Query，进入推理链各节点	中
数据层	公开数据 / 可核验统计 / 行业报告引用	AI 重排时用于验证「事实密度」，缺数据 = 高幻觉风险	高

核心逻辑：布局单位从「页面」变成「主题拼图」——每个核心主题（如「XX 行业主流方案」）必须确保五块拼图至少各存在一块，缺任何一块，AI 完成证据链拼图时就会跳过你。

五、调用量数据：监测优先级排序的依据

OpenRouter 10 月 12-18 周数据：全球 AI 大模型周调用量 164 万亿 token，中国模型连续 25 周超美国，前五全部是国模。

这个数字给「该重点监测哪些引擎」提供了客观依据：

• 调用量前五的国模 = 监测必选项（Kimi / DeepSeek / 豆包 / 通义 / 混元）
• 调用量大 ≠ 引用结构相同——147 期讲过五厂全自研索引，调用量数据告诉你「哪些引擎值得监测」，具体怎么做仍要按各引擎偏好分别调
• 价格降至 1/5 → 148 期讲的「监测预算转监测」结论进一步强化，现在多引擎周级监测的成本门槛已经很低

六、常见问题

100 万 token 上下文，对普通企业内容布局到底意味着什么？

先说结论：普通内容（500-2000 字）不需要为 100 万 token 做任何事。但它改变了「什么类型的内容值得做」的判断标准——当 AI 能一次读完 100 万字，它做判断时参考的不再是「单个页面写得好不好」，而是「整个信源体系拼起来是不是完整证据链」。实操建议：把内容体系按「证据链完整度」而非「页面数量」来规划——一个行业主题，确保官网、第三方平台、数据文档三块拼图都存在，比把单页做到 3000 字有效得多。

金融研究能力（OfficeQA）跃升，对 B 端做 GEO 的人意味着什么？

这是 B 端 GEO 今年最大的变化。Kimi K3.1 Pro 在 OfficeQA Pro v2 和 SpreadsheetBench v2 两项测评中均超过最强闭源模型，意味着 AI 现在真的能「读你的行业报告」并从中提取结构化结论。对 B 端企业：①行业白皮书、技术文档、合规说明这类内容，现在会被 AI 真正「读懂」而不是「扫一眼」；②但前提是文档本身有清晰的事实密度——模糊表述和孤证在这类场景下最容易被标记为幻觉源。把白皮书里的关键数字、时间、资质编号都写清楚，比加形容词有效 10 倍。

幻觉率从 23.4% 降到 8.3%，为什么 GEO 反而更难做了？

直觉上幻觉少了是好事，但 GEO 视角下这意味着：
AI 对「什么是事实、什么是推测」的识别更严格了。旧模型在 23.4% 幻觉率下，模糊表述（「行业领先」「卓越品质」）会被原样复述；新模型在 8.3% 下，这些表述大概率被识别为「无法核验的声明」而排除出引用候选。换句话说：以前 AI 会「替你补充」，现在 AI 只「引用它能确认的」。你的内容里有多少数字是可以被第三方独立核验的？这个问题现在比「内容写得好不好」更重要。

中国模型周调用量连续 25 周超美国，为什么 GEO 还要「分引擎做」？

调用量大说明用户基数大，但「谁在被引用」和「谁在调用」是两回事。国内调用量高的模型（Kimi、DeepSeek、豆包、通义、混元）各自的索引结构、信源池、引用策略完全不同——147 期讲过五厂全自研索引，「一套内容通吃」的假设已经失效。调用量数据告诉你「哪些引擎值得监测」，但具体怎么做，仍然要按每个引擎的偏好分别调。周调用量前五全是国模，意味着国内 GEO 的优先引擎是「全监测」，而非「选一两个重点做」。

延伸阅读

• AI 的回答变短了，GEO 的性价比账怎么算
• 大厂把搜索 API 打开给你了，GEO 怎么验收
• AI 一次回答只引几家，你在不在名单里？

模型开始读长文了，但多数 GEO 布局还停在详情页时代。上下文变大 8 倍，引用单位却从「一句话」变成了「一个证据链」——单页写得再完美，缺了交叉验证的那一块，AI 完成拼图时还是会跳过你。把布局单位从「页面」升级为「主题拼图」，这是 100 万 token 时代的第一步。

10 月 17 日，DeepSeek 上线 V4.1-Flash-1017。更新日志里有一句很直白的话：「输出更短、任务完成更快」。配合 MoE 架构优化和 KV 缓存压缩，官方测试数据是：单任务成本从 3.3 元降到 1.3 元，降了约六成。

用户社区的第一反应是调侃：「终于不啰嗦了」。但这句话对做 GEO 的人来说，远没有社区讨论的深度——它改变了 AI 回答你问题的物理结构，而这个结构直接决定了你的内容能不能被引用。

一、先看清楚：「变短」到底短在哪里

这不是简单砍字数。三个维度同时变了：

• 思考过程压缩——旧版会先输出一大段「分析思路」，新版直接给结论。Token 消耗少了，但任务完成率反而涨了：Terminal-Bench 4.0 从 31.2 分涨到 42.3，DeepSWE Pass@1 从 74.2% 升到 77.0%。
• 推理架构变了——MoE 混合专家架构下，总参数 5520 亿，但每次生成只激活约 160 亿（2.9%）。KV 缓存的 HBM 占用压到上一版的四分之一，SSD 需求压到八分之一。
• 成本结构变了，定价没变——API 单价不变，但单任务实际成本降约 60%。开发者实测（10 项编程任务）：DeepSeek 平均 0.045 美元/项，对比 GPT-6Astra 的 0.26 美元，约 1/5.8 的价格。

换句话说：AI 用更少的算力干了更精准的活。这不是成本妥协，是架构效率提升——就像老手不用写满三页纸，几句话就能说清结论。

二、回答变短，对「能不能被引用」意味着什么

这是本次更新对 GEO 最直接的物理影响，但社区几乎没有讨论过：

AI 生成答案时，有一个隐性的「引用窗口」——它从检索到的多个信源里，挑选段落嵌入自己的回答。回答越短，这个窗口越小，能同时嵌入的段落数量就越少。

具体影响分两层：

• 段落竞争加剧——以前 AI 回答一段 800 字，可以塞 3 个不同信源的段落；现在回答 400 字，可能只留 1-2 个。原来排第二的引用段落，很可能被直接裁掉，用户根本看不到你的内容。
• 「自包含段落」价值翻倍——能被保留进短回答的段落，必须是「单独拎出来也成立」的：有数字、有结论、有来源。铺垫型段落（「我们先来看看背景……」）没有独立引用价值，在短回答里最先被裁。

146 期讲过信息密度线（15+ 独特数据点 vs 全网平均 4 个），这次更新让那个结论更具体了：密度达标是必要条件，但密度集中在页面最前面 30% 是充分的——因为 AI 取内容时，前置段落被截断的风险最低。

三、成本降了六成，GEO 预算该往哪挪

这是本次更新最被低估的杠杆。把几类监测的成本变化摆出来：

监测动作	此前节奏建议	本次更新后建议	成本变化
单引擎引用监测	月跑 1 次	月跑 1 次（维持）	不变
多引擎交叉监测	季度 1 次（成本高）	周跑 1 次（可行）	单次成本 ↓ 约 60%
API 字段级诊断（authority/rerank）	按需（贵）	月度常态化	单次成本 ↓ 约 60%
内容铺量（批量发稿）	主力预算	削减 30-40%	ROI 持续下滑（70% 铺稿引用率已在下降）

核心逻辑：成本下降打开的空间，不是让你「更便宜地铺更多稿」，而是让你把预算从「铺量」转「监测」——现在多引擎周级监测的成本已经足够低，是 ROI 最高的动作。

四、缓存命中：高频稳定问题的内容收益被放大

还有一个更隐蔽的机制：KV 缓存压缩后，AI 处理高频问题时，更倾向于直接命中缓存，而不是重新搜索。

这意味着内容类型不同，收益方向完全不同：

内容类型	缓存命中影响	GEO 策略
高频稳定问题（行业方案/产品选型）	收益放大：被命中一次后，后续大量请求直接复用	确保该问题的核心答案段落「自包含」，放在页面最前 30%
时效性内容（新闻/价格/活动）	无收益：缓存命中对你无意义，AI 会绕过缓存直接搜索	提高更新频率，145 期讲的时效衰减曲线仍适用
长尾细分问题	低频但命中率高：一旦进入缓存，持续引用周期更长	优先做细分场景的深度内容，而不是泛化内容

五、GEO 内容布局的三个具体动作

基于以上分析，现在可以落地三件事：

1. 把核心证据链前置到前 30%——每篇内容的第一屏内，必须有：核心数字 + 明确结论 + 可核验来源。不要「铺垫三段再给数据」。AI 取前 30% 时，拿到的应该是完整证据链，不是引言。
2. 每段末尾加「可独立引用句」——判断句格式：「数据显示……因此……」/「对比来看，……的结论是……」。这种句子即使被单独抽出来嵌入短回答，逻辑也是完整的，不依赖上下文。
3. 把监测预算从铺量转出来，周级跑一次多引擎——固定 10-20 个核心问题，在 DeepSeek、豆包、Kimi 各跑一遍，记录引用出现/消失/降级。成本已经降了六成，这是现在性价比最高的动作。

六、常见问题

回答变短了，原来做的一批 GEO 内容还有效吗？

基本有效，但优先级要重排。输出压缩不会改变「什么内容容易被引用」的底层规则——事实密度、多源一致性、权威信源仍然是核心。变化的是引用窗口的竞争格局：同样篇幅的引用池里，能挤进去的段落数量减少了，原来排第二、第三的内容段很可能被裁掉。实操建议：把你现有内容里最关键的「可引用段落」（数据+结论+来源）往页面最前面移，后移的段落被截断的风险明显上升。

多引擎监测的频率可以因此提高吗？预算怎么分配？

可以，而且这是本次更新对 GEO 操作层面最直接的利好。API 单价未变但单次调用成本已降约六成，跑 10 个问题的监测周期从「月跑一次」可以升级到「周跑一次」。预算分配建议：把原来给「内容铺量」的预算转 30-40% 到「多引擎监测」——现在监测成本下降后，这是 ROI 最高的杠杆。147 期讲过三把尺子（一致性/孤证密度/发布量-引用率比），这些尺子都需要定期跑数才有意义。

KV 缓存压到 1/4，对内容方有什么实际影响？

直接影响是：AI 能同时处理更多并发请求，意味着「同一个问题被不同用户问到」时，AI 更有可能直接从缓存里拿答案，而不是重新搜索。缓存命中的前提是问题语义稳定，如果你的内容回答的是一个高频稳定问题（比如「XX 行业有哪些主流方案」），被缓存命中的概率也更高。反过来，如果你的内容是新闻/时效性强的内容，缓存命中对你没意义——AI 会绕过缓存直接搜索，时效性内容反而需要更高的更新频率。

「少而准」的输出策略，对内容结构有什么具体要求？

核心要求是：前 30% 的内容必须是「自包含可引用段落」——有数字、有结论、有来源，单独拎出来也能成立。具体来说：①页面开头 3 段内必须出现核心数据（15+ 独特数据点，146 期讲过）；②关键结论紧跟数据，不要「先铺垫再给数字」；③每个段落末尾加一句可独立引用的判断句（「数据显示……因此……」）。这样即使 AI 只取前 30%，拿到的也是完整证据链，而不是铺垫。

延伸阅读

• 信息增益从 4 个到 15 个，AI 引用线悄悄上移了
• 大厂把搜索 API 打开给你了，GEO 怎么验收
• 内容更新了，AI 多久才重新算你？

AI 的回答在变短，但被引用的门槛没有降低——只是更残酷了：同样的窗口里，能进几段，少了一半。你的内容如果还在「先铺垫再给结论」的节奏里，被裁掉的概率只会更高。把证据链往前挪，把监测频率拉起来，这两件事现在都比多铺十篇稿子更值得。

10 月 17 日，DeepSeek 把自家搜索引擎的 API 开放了。Search 加 Fetch 两个接口，每条结果带两个此前看不到的字段——authority 和 rerank_score。同一天官方更新日志里有一句话被反复引用：针对 SEO 作弊、GEO 操纵和低质 AIGC，搜索系统会做识别过滤。

过去，「AI 怎么引用我的内容」是个黑箱——你看得到答案，看不到中间过程。现在黑箱被打开了一扇窗：你能查到你的内容在候选池里没、被分到什么层级。窗口开了，但没人教你怎么读。

一、这条窗能看什么：两个字段的真实含义

先说清楚这两个字段不是什么：

• authority 不是页面质量分。Snippet Digital 早期实测（110 次调用样本）发现，它实际按 host（域名/子域）给分——同一站点不同页面分数一致。甚至政府/大学域名下的垃圾 PDF 也能拿到 4 分。它衡量的是「来源在候选池里的位置」，不是内容本身好不好。
• rerank_score 不是新鲜度分。它混合相关性、权威度、新鲜度三个维度。一个强信源但跟当前问题关联度低的页面，分数可以很低；一个普通信源但直接回答问题的页面，分数可以合理。实测 1000 条结果中位 1.63，68% 高于官方定义的 1.5 高质线。

能拿它做什么：用 site: 算子查自己站点，看哪些页面进了候选池、分别落在什么 authority 层级——这是第一次能直接看到「AI 眼里我的网站长什么样」。页面缺位时，API 不解释原因（没进索引、被过滤、查询不匹配、抓取失败都有可能），需要自己逐层排查。

二、五厂全自研索引：「一套内容通吃」的假设失效了

把时间线摆出来，能看到一个完整的节奏：

厂商	搜索 API 现状	关键信号
DeepSeek	10-17 开放 Search + Fetch（5 元/千次）	自研千亿级索引，明确过滤 GEO 操纵
Kimi	10-20 内置 $web_search 下线，改独立 REST	搜索从模型绑定拆成独立商品，按次计费 ¥0.01-0.015
字节豆包	火山引擎「豆包搜索」已面向 Agent 开放	个人每月 500 次免费额度；信源池锁字节生态
腾讯	腾讯云联网搜索 API 多轮迭代（2025-07 起）	融合微信生态，与元宝 App 实践打通
阿里 / 智谱	百炼联网搜索 / 智谱 Web Search 均已具备	全部自研索引，不依赖 Bing/Google

核心影响：每个厂的索引覆盖、刷新节奏、信源偏好完全不同。同一篇内容在 DeepSeek 里被稳定引用，不代表在豆包里也进得了候选池。「一套内容通吃」不是效率问题，是根本不可能的问题——各厂的候选池就是不同的池子。

Google 侧同期动作（10 月 15 日）验证了同一个方向：AI Mode 和 AI Overviews 把引用位置留给「更早被模型采纳、更被认定权威」的来源，Preferred Sources 用户数较年初增长超 7 倍。全球平台都在做同一件事：引用位置与发布量脱钩，改为与来源权重挂钩。

三、反制数据：踩线的内容，引用率已经在掉了

DeepSeek 官方没有公布过滤了多少内容，但行业服务商的实测数据（样本口径有限，趋势判断可信）给出了三个参考锚点：

风险信号	实测数据	来源口径
批量发稿引用率	70% 铺稿内容在 AI 回答中引用率明显下滑	服务商实测，2026-10
单点孤立内容	被屏蔽概率高达 95%	跨平台无独立佐证的事实
信息不一致品牌	被 AI 首选推荐概率下降 82%	全网数字/说法冲突的品牌
权威媒体 vs 自媒体	央媒/官媒引用权重约为普通自媒体 25-30 倍	DeepSeek 回答引用统计
信源结构	引用学术论文与机构报告比例 47%，官方媒体来源占 39.4%	AI 答案来源分析

注意：这些是「风险锚点」不是「过滤率」——官方没有公布精确数字，服务商样本有限。但趋势方向一致：孤证在消失，一致性在变成准入条件。

四、三把尺子：用 API 字段做自查

官方没有公布判定细则（截至 10 月 25 日），但有三个可操作的自查锚点，不依赖任何服务商，自己就能做：

• 第一把尺子：跨平台信息一致性——把官网、公众号、第三方平台的同一组数字（成立时间、服务客户数、价格区间）逐一对一遍。不一致的品牌，首选推荐概率下降 82%。这是「事实底座」，先于一切内容动作。
• 第二把尺子：孤证密度——挑 5 条最关键的对外事实（资质、案例、报价），数一数全网有几种独立来源。单点孤证被屏蔽概率 95%，每条关键事实至少铺 2-3 个不同类型的独立信源（自有、权威媒体、行业社区）。
• 第三把尺子：发布量与引用率比——如果你发了 100 篇内容但 AI 引用率没涨，大概率踩在过滤机制边缘。反过来，引用率跟发布量基本同步上涨，说明内容在过线，量是有效的杠杆。

三把尺子都过了不保证不被过滤（官方细则未公开），但不过这三条，基本踩线。

五、排期建议：按周做分引擎监测

窗口开了，最实际的问题是：怎么用？建议把以下动作写进固定排期：

• 每周用固定问题集（10-20 个高频客户问题）在 DeepSeek、豆包、Kimi 各跑一遍，记录每个问题的引用出现/消失/降级三种状态
• 有 DeepSeek API 权限的，对候选池里自己站点页面逐一查 authority 字段，建一张「页面 × 层级」对照表，月度更新
• 把「跨引擎一致性」作为独立指标——同一事实在 DeepSeek 和豆包里说法是否一致，不一致优先修，比加新内容优先
• 别用单一平台数据代表全局：146 期讲的信息密度线是必要条件，多引擎各自过线才是充分条件

六、常见问题

DeepSeek 的 authority 字段能直接当「质量分」用吗？

不能。Snippet Digital 早期实测（110 次调用，迪拜样本）发现两个关键点：第一，authority 实际按 host（域名/子域）给分，同一站点不同页面分数一致，不是按页面内容打分；第二，政府/大学域名下的垃圾 PDF 也能拿到 authority=4——域名权重和内容质量是两回事。正确用法：把它当「诊断输入」，看你的内容进没进候选池、被分在什么层级，而不是当「质量判决」。页面缺位时，缺失原因不解释——可能是没进索引、被过滤、查询不匹配、或抓取失败，都要自己排查。

rerank_score 1.5 以上算「高质」，那低于 1.5 的就是垃圾吗？

不是。rerank_score 同时混合相关性、权威度和新鲜度三个维度——一个页面可能来自强信源但和当前问题关联度低，分数就低；也可能直接回答问题但信源权重一般，分数反而合理。实测 1000 条结果中位 1.63，68% 高于 1.5，说明多数查询下结果整体质量不低。实操：同一查询下对比不同页面的 rerank 相对高低，比绝对值更有意义；跨查询比分数没有意义。

五家厂全自研索引，对 GEO 排期最实际的影响是什么？

核心影响是「一套内容通吃」的假设失效了。DeepSeek 的索引覆盖和刷新节奏与豆包、腾讯系、阿里系完全不同，同一篇内容在 DeepSeek 里被稳定引用，不代表在豆包里也进得了候选池。实际排期建议：以周为单位做分引擎监测——固定问题集在每个厂入口各跑一遍，记录引用出现/消失/降级三种状态，别用单一平台数据代表全局。146 期讲过信息密度线，147 期要加一条：密度达标是必要条件，多引擎各自过线才是充分条件。

官方说过滤 GEO 操纵，我该怎么判断自己踩没踩线？

官方没有公开判定细则（截至 10 月 25 日），但有三个可操作的自查锚点：第一，查跨平台信息一致性——全网信息不一致的品牌，被 AI 首选推荐概率下降 82%（服务商实测口径），先把官网、公众号、第三方平台的数字锁死一致；第二，查孤证密度——单点孤立内容被屏蔽概率高达 95%，关键事实至少铺两个独立第三方信源；第三，查发布量与引用率比——70% 的批量发稿内容引用率已在下滑，如果发了 100 篇但引用率没涨，大概率踩在过滤机制边缘。三个都过了不保证不被过滤，但不过这三条基本踩线。

延伸阅读

• AI 开始主动过滤你的内容了，信号在哪里
• 火山引擎豆包搜索上线预示着什么：AI Agent时代豆包GEO的新变量与应对策略（2026最新）
• 信息增益从 4 个到 15 个，AI 引用线悄悄上移了

黑箱开了一扇窗，但窗户朝内——它让你看到 AI 眼里你的网站长什么样，不告诉你怎么变得更好。真正要做的，还是把事实底座打好、把孤证补齐、把多引擎跑一遍。窗只是让你知道：做到什么程度，才真的过线。

一个做 GEO 两年的服务商被问到同一个问题：「我内容质量不错，为什么 AI 引用率还是上不去？」他列了十几条自查项，全对——结构化、来源标注、内容深度，一条不落。真正缺的那个维度，他一个都没数过。

2026 年 6 月，Growth Memo 团队对一批典型查询的 top-10 自然结果做了逐页扫描，发现了一个让 GEO 从业者不舒服的数字：全网平均每个页面只有约 4 个独特数据点，而 AI 引用倾向出现在数据点数量 15 个以上的页面上。

这不是「多写点」的问题。这是密度问题。

一、引用线在 15，全网平均在 4

Growth Memo 的信息增益评分模型，把「独特数据点数量」作为核心输入之一。独特数据点的判定标准是：这个数据在同查询的其他结果里找不到。如果你的五个数字和竞品五个数字一样，信息增益贡献几乎为零。

数据点密度	信息增益分	对应位置
15 个以上	62.1	AI 引用线（高引用区间）
约 4 个	40.2	全网 top-10 自然结果平均
1 个及以下	40.2	低密度底线（与 4 个同分）

值得注意的是：1 个及以下和 4 个是同分的（都是 40.2）——说明密度有最低门槛，过了门槛之后才进入区分区间。真正的引用线在 15，而全网平均在 4，差近四倍。

二、Princeton GEO-bench：四类策略效果排序

Princeton GEO-bench 是 2026 年引用提升幅度最完整的对照实验，四类 GEO 策略的实测效果：

策略	引用提升幅度	常被误判的原因
专家引述	41%	「没有专家没法做」——其实是访谈形式不限
统计数据	33%	「数据太旧」——新数据不是必须，密度才是
流畅度	29%	「写得好就行」——但流畅度是放大器不是独立杠杆
权威引用	28%	「排第四不重要」——和数据叠加是乘数不是加数

最容易忽略的是叠加效应：同时有数据加来源的页面，AI 可见度比两者都无的高 30% 到 40%。权威引用单独看排第四，但它是数据密度的乘数，不是并列选项。

Digital Applied 对 1000 条 AI Overviews 的分析独立验证了这一点：带命名来源的页面，被引用概率是无来源的 2.1 倍。

三、冷启动实验：第三方 listicle 贡献 85.8%，PR 稿只有 0.2%

Search Engine Land 2026 年 9 月 14 日发布了两个对照实验（775 条引用事件加 437 条源提及），其中冷启动实验跟踪了一个零基线品牌在 6 个平台 30 天的引用记录：

渠道类型	源提及占比	信任层级说明
第三方 listicle	85.8%	独立佐证——AI 把「别人关于你的陈述」放在最高信任层
品牌自有 listicle	14.0%	半个自我陈述——进了候选池，但信任层级低于第三方
PR 稿	0.2%	自我陈述——做渠道扩散可以，做信任建设不行

核心逻辑：「引用」是别人关于你的陈述，不是你自己说的话。自己的来源让你进候选池，别人的第三方页面才把候选池变成引用。0.2% 不是「没用」，是「不能当主要信任来源」——PR 稿的职能是扩散，不是建立信任。

四、页面位置：前 30% 拿走 44.2%，尾部几乎没人在读

Ahrefs 对 18,012 条 ChatGPT 引用的位置分析，发现了一个被叫作「雪道分布」的现象：

• 44.2% 的引用来自页面前 30%——AI 在开头密集采样，因为检索层的摘要层只截取前段
• 页面中部（30-90%）：引用分布相对均匀，是「慢速阅读区」
• 最后 10%：仅 2.4% 到 4.4%——你放在结尾的「总结」段落，AI 基本没在采样

实操推论：每个核心段落写成「结论在前，解释在后」，而不是「铺垫在前，结论在后」。如果你的关键数字藏在第 8 段，检索层拿到的摘要还是旧的，模型认不出你更新过。

五、两个「看起来有用但实测无效」的误判

Chen & Koudas（arXiv:2610.15033，2026-10-10）用 158,099 个答案、468,037 条引用做了站内比较，结论有两个值得写进自查清单的误判：

• FAQ 块、结构化数据、摘要框、作者框、页面速度——站内均不显著（只有跨站比较时才显著）。「这招在这站没用」不等于「这招无效」，但它解释了为什么很多「照做但没效果」的案例
• 引擎自身检索解释 32% 的引用差异，所有页面属性合计只解释 2.8%（约 11 倍差距）。先确保被检索到，再谈页面技巧

Semrush 的 1885 页 Schema 对照实验补充了另一半：单纯部署 Schema 标记，引用提升约等于零。Schema 是前提条件（让 AI 知道这是结构化内容），不是独立杠杆（加了 Schema 引用率不会自动上涨）。

六、常见问题

「独特数据点」到底怎么算，写五个数字就算五个吗？

不算。独特数据点的判定是「这个数在同一个查询的其他 top-10 结果里找不到」。如果你的五个数字和竞品五个数字一样，那在信息增益评分里贡献几乎为零。实操上先跑一遍目标查询，把 top-10 的数据点全列出来，你的内容里出现它们没有的数字、时间、案例才计入。这就是为什么「全网平均只有 4 个」——大家都在抄同一批数据。

Princeton 说权威引用是第四位（加 28%），是不是说不用费心堆引用了？

不是，是排序问题，不是重要性问题。四类策略叠加时，同时有数据加来源的页面 AI 可见度比两者都无的高 30% 到 40%——引用单独看排第四，但和数据一起用是乘数不是加数。Digital Applied 的 1000 条 AI Overviews 分析也验证了这一点：带命名来源的页面被引用概率是无来源的 2.1 倍。正确理解是：先做数据密度（加 33%），再加来源（再加 28%），两个一起做拿到复合效应。

第三方 listicle 贡献了 85.8% 的源提及，自己发 PR 稿只有 0.2%，怎么办？

冷启动实验（Search Engine Land，2026-09-14，775 条引用事件）把这三档分得很清楚：第三方 listicle 85.8%，品牌自有 listicle 14.0%，PR 稿 0.2%。核心逻辑：AI 把「别人关于你的陈述」和「你自己说的话」放在不同的信任层级。PR 稿是自我陈述，品牌 listicle 是半个自我陈述，第三方 listicle 才是独立佐证。实操上：先让第三方平台有你的内容（哪怕只提品牌名），再让品牌自有内容做深度分析，最后 PR 稿只做渠道扩散不做信任建设。0.2% 不是「没用」，是「不能当主要信任来源」。

44.2% 引用来自页面前 30%，我的内容结构要全改吗？

不是全改，是前置。把核心结论、关键数字、可独立摘录的定义句放在每段的开头而不是中间，让 AI 在前 30% 就能拿到完整判断。Ahrefs 的「雪道分布」数据显示：最后 10% 只贡献 2.4% 到 4.4% 的引用——放在页面结尾的「总结」段落，AI 基本没在采样。实操：每个核心段落写成「结论在前，解释在后」，而不是「铺垫在前，结论在后」。

延伸阅读

• AI 判定你「没有新信息」，怎么破
• 你写的是「除甲醛」，客户说的是「味道大」
• AI 开始主动过滤你的内容了，信号在哪里

密度不是字数，是「别人没有的数字」。引用线在 15，全网平均在 4。先把数据密度补到线以上，再谈其他杠杆——因为其他杠杆的乘数效应，是建立在「你过线了」这个前提上的。

一个服务商给客户做了 30 篇内容翻新，两周后去查引用——还是老版本在 AI 答案里露出。他以为是 AI「忘」了，其实是 AI 根本还没把新版重新算一遍。

「改了但 AI 没重新算」这个问题，有两个独立的时间轴要分开看：重抓延迟（多久被重新爬）和稳定引用延迟（多久稳定切到新版）。把这两件事混在一起，排期必然错。

一、三类内容，三条衰减曲线

MaxAEO 对 412 个样本按内容类型聚类后发现，引用半衰期明显分成三档，用同一套翻新周期去管所有内容，必然一半浪费、一半失守：

内容类型	典型场景	引用半衰期	建议翻新周期
陡降型	榜单、报价、版本对比、行业数据、新闻通稿	3-6 周	30 天
缓降型	教程、方法论、操作指南、实施案例	5-9 个月	90-120 天
平台型	定义、术语、原理、标准解释	16 个月以上	180-365 天

陡降型内容的衰减不是「变旧」，是被证伪——数据带着年份，年份一过就自动降权。这类内容里，按新闻源标准写的通稿衰减最快也最规律，适合排进固定日历，跟着季度数据发布节奏走。

缓降型内容的杀手不是时间，是软过期——你的内容还都对，但竞品出了更好的版本，AI 的引用池自然换血。软过期比数据过期更难察觉，因为内容本身没有明显错误，只是不再是最优答案。

二、四平台重抓延迟：豆包最快，千问最保守

MaxAEO 实测，AI 平台「首次识别新版」的中位延迟：

平台	首次识别中位	P25	P75	稳定引用中位	说明
豆包	6 天	3 天	14 天	11 天	喜新，首发红利敏感
Kimi	7 天	3 天	17 天	13 天	稳定知识库，新鲜度偏弱
DeepSeek	9 天	4 天	21 天	16 天	念旧，深度内容周期更长
通义千问	11 天	5 天	26 天	19 天	队列保守，最慢确认

平台差异不是随机的：豆包与 Kimi 依赖高频更新的自有内容池与实时检索，通义千问的候选集换新更保守，同一次更新在它那里排队更久。做单平台验证时，用豆包判断「改动有没有被识别」最快，用通义千问判断「这次翻新是不是真的稳住了」最准。

三、原地更新 vs 换 URL：差 3.9 倍

一个容易被忽略的对照：同一个改版，原地更新（同 URL）中位 8 天生效，换 URL 改版中位 31 天，差 3.9 倍。而且换 URL 的页面里，17% 在 60 天后仍未恢复到改版前的引用水平。

原因是传统 SEO 里 301 能传递大部分权重，但 AI 检索层要等旧快照自然过期、新 URL 重新积累被引记录，两条路都比链接权重传递慢。

• 能原地更新就不要换 URL——把版本号写进正文，把「最后更新时间」放在首段前 60 字，让检索层在标题摘要层就看出改动
• 实在要换 URL，把 31 天当成下限来排期，不要在第 7 天去查引用就下结论「没生效」
• 旧 URL 加 301 指向新 URL，比直接 noindex 好——AI 检索层要重新积累被引记录，有 301 至少让旧引用还能跟到新位置

四、新榜 25001 条引用记录：豆包喜新，DeepSeek 念旧

新榜智汇对 6 个主流 AI 平台、70 个固定问题持续打点 38 天，采集 25001 条引用记录，得出三个规律：

• 75% 的首次引用发生在发布 120 天内——发布时间不是绝对门槛，是随时间变化的机会信号，首发红利（3天内）拿到约五分之一，21 天内拿到近半
• 豆包「喜新」：引用分布均衡，四档都有，信源从发布到引用平均约 4.5 个月；DeepSeek「念旧」：37.4% 引用来自 120 天以上老内容，「老内容更有机会」是它的结构性特征，不是 bug
• 渠道影响速度：热点型渠道（头条）引用更快但周期短，评测/指南/经验沉淀类渠道（什么值得买）长尾引用更多；旧内容更新后会刷新显示时间，AI 可能将最近更新时间识别为发布时间

五、「改了但 AI 没重新算」的三层排查

内容更新后引用率没变，按顺序查三层：

• 第一层：检索层有没有看到改动——如果新结论藏在正文第 8 段，检索层拿到的摘要还是旧的，模型认不出你更新过。把新结论写进首段前 60 字，必要时同步微调 title 和 description
• 第二层：可引用性够不够——模型从「偶尔引用新版」到「稳定引用新版」，实测 4-8 天，这一段完全取决于新版内容的可引用性：有没有可直接摘录的数据块、结论是不是前置、段落能不能独立读懂
• 第三层：平台队列有没有轮到——各平台候选集刷新周期不同（豆包约 30 天，DeepSeek 约 14 天），如果你的更新刚好卡在某平台的刷新周期之前，要等到下一个刷新点才生效，这不是优化失败，是平台节奏

六、常见问题

为什么我改了内容，过了两周 AI 还是引旧版？

要分清两个阶段：「首次识别新版」和「稳定引用新版」是两回事。MaxAEO 实测，豆包首次识别新版中位 6 天，但稳定引用要 11 天；DeepSeek 首次 9 天，稳定要 16 天。如果你只等了一周，可能 AI 已经看到了新版，但还没稳定切过去——这时候引用率可能忽高忽低，属于正常的「切站期」。真正判断「这次翻新有没有稳住」，要看通义千问，它队列最保守，它的候选集换新是最后的确认信号。

原地更新和换 URL 改版，差别有那么大吗？

非常大。MaxAEO 实测：原地更新中位 8 天生效，换 URL 改版中位 31 天，差 3.9 倍。而且换 URL 的页面里，17% 在 60 天后仍未恢复到改版前的引用水平。原因是传统 SEO 里 301 能传递大部分权重，但 AI 检索层要等旧快照自然过期、新 URL 重新积累被引记录，两条路都比链接权重传递慢。所以原则上：能原地更新就不要换 URL；实在要换，把 31 天当成下限来排期。

豆包喜新、DeepSeek 念旧，同一篇内容怎么两头吃？

新榜数据把这个问题说得很清楚：豆包「喜新」，37.4% 的 DeepSeek 引用来自 120 天以上的老内容。实操上分两条线：
· 给豆包的内容：跟节奏发新数据、新案例、新公告，用头条/抖音渠道同步，让它在 3-7 天内进豆包候选池；
· 给 DeepSeek 的内容：做深度分析型长文，数据密度要高，逻辑链完整，发在 CSDN/知乎/技术社区，这类内容的引用半衰期 5-9 个月，值得花功夫。

内容「软过期」是什么意思，怎么判断我的文章软过期了？

「软过期」不是数据变旧，是竞品出了更好的版本，你的内容还都对，但不再是最优答案了。判断方法：
· 把你文章的核心结论和推荐操作搜一遍，如果新冒出来的竞品内容比你多了 2-3 个维度（比如多了价格区间、多了实测数据），你的引用率会在 4-8 周内明显下滑；
· 看 AI 回答里你的内容是不是从「核心引用」降级到「背景提及」；
· 竞品内容没有明显错误，只是更全面——这时候不是纠错，是扩容。

延伸阅读

• 文章没删也没改，AI 为什么突然不提了？
• 三年前的老文章还能被 AI 引用吗？内容翻新的 8 步法
• 网站被 AI 收录要多久？从被抓取到被引用的完整时间表

「改了但 AI 没重新算」不是 AI 的问题，是时间轴的问题——重抓 6-11 天，稳定引用 4-8 天，换 URL 要 31 天。把排期建在这三根刻度上，而不是建在「感觉应该好了」上。

一个服务商给某客户铺了 80 篇软文，按 8 月之前的经验，两周内豆包至少能抓到一半。结果 10 月更新之后——零引用。

他问为什么。答案是：你的 80 篇内容，在 AI 眼里说的是同一件事。

DeepSeek 10-17 的 changelog 写得很清楚：精读信源从 10-15 个压缩到 4-5 个，同时新增「信息增益」评分。如果你的内容和已有信源高度重合，AI 会判定「没有新信息」，直接跳过——不是降权，是不读。

一、「信息增益」到底在评什么

「信息增益」不是看你写了多少字，而是看你提供了什么别人没有的东西。三个具体维度：

维度	AI 在判断什么	触发跳过的特征
语义深度	逻辑链条是否完整，能否填充推理节点	只罗列信息，没有解释「为什么」
信息增益	与已有信源重合度是否低于 60%	核心论点与已有内容相同，只是换了措辞
信源等级	域名权重 + 被引用次数 + 权威性	小站 + 无人引用 + 无资质

重合度 60% 这个阈值需要厘清：不是字面意义上的「60% 文字相同」，是语义层面的重合——核心论点相同、换了措辞，照样触发。判断方法：把你文章的核心结论提出来，在 AI 里搜一遍，如果前 5 条结果都在说同样的事，你的内容大概率会被判「没有新信息」。

二、精读信源从 15 压到 5，竞争烈度翻三倍

以前 15 个候选信源做片段抽取，你的内容只要排进前 15 就有机会被看到。现在 4-5 个精读位，排不进前 5 就完全没有露出机会。

这意味着三件事：

• 广撒网成本急剧上升：在 15 个池子里，一篇同质化内容可能刚好排不进前 5；在 5 个池子里，排不进就完全没有机会。对策是「少而精」——核心事实控制在 3-5 条，每条都要有差异化信息增量。
• 「被爬过但从未被引用」的情况会变多：内容进了候选池但信息增益评分不够，直接被跳过，不报错、不提醒，只有引用率持续为零才能发现。
• 权威信源的优势被放大：5 个精读位里，有 3-4 个会被高权重信源占据，普通内容需要靠信息增量（新数据、新案例、新分析角度）才能挤进去。

三、选对平台比写内容更关键

新榜 10 月行业信源数据（10-22 发布）给出了很具体的参考：

平台	Top 信源	权重	行业覆盖
豆包	抖音	42%	10 个行业引用第一全部是抖音
DeepSeek	百度百科	3%	母婴/房产/教育/医疗/旅游 5 行业 Top1
元宝	微信公众号	15%	腾讯生态内引用占比最高
千问	夸克	4%	10 行业跑出 9 个不同榜首，分布最分散

数据说明一件事：同一篇内容，发在 A 平台是核心信源，发在 B 平台可能是第 8 个候选。内容没变，变的是信源权重。选平台比写内容更关键——先查你的行业在各平台的信源权重分布，再决定首发在哪里。

四、怎么判断你的内容会不会被判「没有新信息」

三个自检步骤，发布前 30 分钟做完：

• 核心论点搜索：把你文章的 3 个核心结论分别搜一遍，如果前 5 条结果都在说同样的事（只是措辞不同），信息增益评分会很低。
• 差异化检查：你的内容至少在一个维度上提供已有内容没有的东西——新的实测数据、新的行业案例、新的分析角度。哪怕只是一段实测数据也算。
• 信源等级自查：你的内容发在什么平台上？该平台的权重在你的行业里排第几？如果排不进前 5，信息增益再高也进不了精读位，换平台比改内容更有效。

五、从「铺量」到「信息增量」的排期调整

10 月这轮更新之后，排期逻辑要改三处：

• 发布频率：从「一周 5 篇」改回「一周 1-2 篇」，每篇都针对一个具体用户问句，带实测数据或独特案例。
• 发布渠道：不再通发，按行业信源权重分布选 2-3 个平台首发，其余平台做摘要同步（注意：摘要同步不能改核心结论，否则触发同质化标记）。
• 效果验证：发布 7 天后查引用，如果引用率为零，先查信息增益（是否被判定同质化），再查信源等级（平台权重是否够）。

六、常见问题

重合度 60% 是什么意思，怎么判断我的内容会不会触发

不是字面意义上的「60% 文字相同」，是语义层面的重合——你写的核心论点和已有内容说的是同一件事，只是换了措辞。判断方法：把你文章的核心结论提出来，在 AI 里搜一遍，如果前 5 条结果都在说同样的事，你的内容大概率会被判「没有新信息」。真正能过审的内容，至少要在某个维度上提供已有内容没有的东西——新的数据、新的案例、新的分析角度，哪怕只是一段实测数据也算。

发在抖音和发在百度百科，内容一样为什么效果差那么多

新榜 10 月数据显示，豆包 10 个行业引用第一全部是抖音（权重 42%），而 DeepSeek 母婴/房产/教育/医疗/旅游 5 个行业 Top1 是百度百科。同一篇内容，发在 A 平台是核心信源，发在 B 平台可能是第 8 个候选。内容没变，变的是信源权重。选平台比写内容更关键——先查你的行业在各平台的信源权重分布，再决定首发在哪里。

精读信源从 15 个压到 5 个，对我意味着什么

以前你有 15 次机会被 AI 看到，现在只有 5 次。竞争烈度直接翻了三倍。这意味着「广撒网」打法的成本急剧上升——在 15 个候选池里，一篇同质化内容可能刚好排不进前 5；在 5 个精读池里，排不进前 5 就完全没有露出机会。对策是「少而精」：核心事实控制在 3-5 条，每条都要有差异化信息增量。

80 篇软文零引用，是内容质量问题还是算法变化

两者都有。8 月算法更新前，铺量打法还能吃到一部分收录红利；更新后，批量同质化内容被批量过滤，成本结构直接变。极亿欧的实测案例显示，依赖批量发稿的 GEO 项目，平均流量获取成本飙升 300% 以上。正确的做法是停止铺量，把预算集中到 3-5 篇高信息增量的内容上，每篇都针对一个具体用户问句，带实测数据或独特案例。

延伸阅读

• 收录从分钟级变 3 到 7 天，抢首发为什么失效了
• 你写的是「除甲醛」，客户说的是「味道大」
• 为什么内容写了没人引？「信息增量」到底怎么算

铺量时代的逻辑是「发得多，被看到的概率大」。信息增量时代的逻辑是「发得少，但每篇都有别人没有的东西」。AI 不是不读你的内容，是读完了觉得你已经说过了。

做 GEO 排期的人最近大概都注意到一件事：内容发布后第二天去豆包里查，不出现了；第三天，还是没有；一周之后才慢慢冒出来。以前分钟级就进池子的节奏，没了。

这不是错觉。10 月前后，豆包完成了第三轮调整，直接改变了「抢首发」这条老打法的底层假设。加上前两轮，三轮调整连起来看，逻辑很清楚——

竞争单元正在从「谁发得快」转向「谁的说法经得起多方验证」。

一、三轮调整，三轮失效的打法

轮次	时间	变化	被打破的旧打法
第一轮	7月	低价值信源权重削减约四成	铺量堆稿：发得多就容易被引用
第二轮	9月	单一信源引用占比上限一成；需三个以上互不隶属来源交叉印证	单点重仓：靠一家高权重媒体锁住答案口径
第三轮	国庆前后	候选池扩容至五十到八十个信源，最终露出八到十五条；收录周期拉长至三到七天	抢首发：先发占坑位，等竞品跟上就晚了

需要注意：候选池扩容和收录周期拉长的数字来自行业实测（凤凰网 10-16、海鹦云 09-21、超级媒介 09-08 等多方监测），不同机构口径略有差异，豆包官方未公布具体数字。方向一致，排期时建议按保守值做估计。

二、「抢首发」为什么失效了

旧逻辑是：「别人还没发，我先发占坑位，AI 引用了我的版本，后来者都引用我。」这套逻辑在分钟级收录周期下成立——发布半小时后内容就进池子，速度就是壁垒。

现在三件事同时变了：

• 候选池变大了：二三十个扩到五十到八个，「先发」的内容在池子里被稀释，不再自动占据显眼位置
• 收录变慢了：分钟级拉到三到七天，「先发」的时间优势大幅压缩，等收录走完，竞品也发出来了
• 交叉验证变重了：池子里的可选项越多，AI 越倾向于「有别的信源也这么说」的内容，孤证的劣势被放大

三件事合在一起，结论很直接：先发优势正在被「说法一致性」替代。

有一个常被混淆的地方需要厘清：外部实测显示，AI 爬虫的访问速度其实很快——新页面 24 小时内被 AI 爬虫访问的比例约七成以上，中位首次访问时间约 14 小时。「被爬虫访问」和「进候选池被引用」是两层事：前者是抓取，后者还要过信源分级、交叉验证、语义匹配几关。很多内容被爬虫抓走了，却永远停在候选池之外。

三、收录周期变了，排期逻辑该怎么调

旧的排期假设是「发布 → 当天见效」，现在的假设要改成「发布 → 三到七天后进候选池 → 持续观察」。具体三个调整：

• 把「当天查」改成「第三天查」：发布后第二天查没有结果，不代表失败，是周期还没走完。按三到七天做保守窗口，别在一周内反复下「被降权」的结论。
• 把「追热点」改成「选持续问句」：热点本身会过 4 周以上被持续问的，才值得做。即时性热点（评论区、临时新闻）等收录周期走完就过去了，别追。
• 把「抢坑位」改成「多源对齐」：同一核心事实，在自有阵地 + 两家异质第三方信源上口径一致地沉淀，比单点抢首发更能通过交叉验证。

四、敏感行业的更长时间窗口

医疗、金融等敏感行业的收录周期超过七天，部分场景拉到更久。这不是歧视，是合规要求——这些行业的内容错误代价高，平台把验证做得更慢更严。

做这些行业 GEO 的，排期要按「发布 + 两周」来做预期，别拿普通行业的三到七天来估。同时，这些行业的内容更要保证「一段一个事实」的颗粒度，方便验证环节逐项核对。

五、和「信源结构」的关系

三轮调整连起来看，底层逻辑是统一的：信源结构第一次比信源数量重要。

第一轮让你不能用低价值信源堆量；第二轮让你不能靠单一高权重信源锁住口径；第三轮让你不能靠时间差占坑位。三轮做完，剩下的打法只有一种：核心事实多源对齐、结构化沉淀、持续更新。

这也是为什么「同一份服务商名单，对不同企业给出相反结论」正在发生——评价口径从来没被统一过，信源结构不同的企业，同一个「发一百篇」的动作效果完全相反。

六、常见问题

收录周期拉长后，热点内容还值得追吗

要分两问。如果热点本身会持续影响用户提问（比如政策发布后的合规问题），值得做，但预期要改：不再是「发布当天被引用」，而是「发布后 3-7 天内进候选池，之后取决于交叉验证」。如果热点是即时性的（比如某条新闻评论区），等收录周期走完热点已经过了，这类就别追了。判断标准：用户会持续 4 周以上问这个问题吗？会才做。

3 到 7 天是官方口径还是行业实测

行业实测。豆包官方没有公布收录周期数字，这个数字来自多家服务商和自媒体的实测监测（凤凰网 10-16、海鹦云 09-21 等），不同机构给出的口径略有差异（3-5天、3-7天），方向一致。建议当作「行业观察到的信号」而非「平台公布的规则」来用，排期时按 7 天做保守估计更稳。

候选池变大，是不是意味着机会更多了

恰恰相反。候选池从二三十个扩到五十到八十个，露出名额却只有八到十五条，等于考试名额没加，考生变多了。进候选池只是拿到考试资格，能不能露出，看的是你的内容能不能被其他信源佐证。池子变大，对「说法经得起多方验证」的内容更有利，对「孤证」不利。

被 AI 爬虫访问了，是不是就算被收录了

两件事。外部实测（AI Discovery Index，10 月数据）显示，新发布页面 24 小时内被 AI 爬虫访问的比例约七成以上，中位首次访问时间约 14 小时。但「被爬虫访问」只是进门的凭证，真正进候选池还要过信源分级、交叉验证、语义匹配几关。很多内容被爬虫抓走了，却永远停在候选池之外，因为说法对不上其他信源。

延伸阅读

• AI 开始主动过滤你的内容了，信号在哪里
• AI 可见度怎么测才准？查一次为什么不算数
• 文章没删也没改，AI 为什么突然不提了？

抢首发的逻辑是「比谁快」，抢说法一致性的逻辑是「比谁稳」。收录周期拉长之后，快的优势被压缩，稳的优势被放大。排期表上的每一天，都应该为「稳」服务。

做 GEO 的人最近有一种说不清的不适感：内容没少发，收录也没问题，但 AI 答案里就是没有你了。不是排得靠后，是压根不在名单里。

2026 年 10 月，三件事同时发生，把这种「说不清」说清楚了——AI 搜索正在从「引不到」变成「主动剔除」，而且有三个明确的信号可以对照。

一、三个信号分别是什么

信号	时间	关键数字	意味着什么
DeepSeek 反操纵过滤	10-17	过滤对象：SEO作弊·GEO操纵·低质AIGC	批量水文的成本变高，正规内容相对受益
总台可信语料平台	10-10	三端三网·四大板块·官方事实库	品牌信息有了官方参照系，对不上直接掉分
豆包可信度分层2.0	8-9月落地	单一信源≤8%·≥3个互不隶属来源·商业内容弃用	多源一致性成为硬门槛，单渠道布局失效

二、信号一：DeepSeek 把「操纵」写进了 changelog

10 月 17 日，DeepSeek 同步开放自研搜索 API 和 V4.1-Flash-1017 模型，官方变更日志里有一句话很关键：过滤 SEO 作弊、GEO 操纵、低质量 AIGC 内容。

这不是行业解读，是平台自己写的。三个过滤对象拆开看：

• SEO 作弊：关键词堆砌、门页、隐藏链接——老一套，AI 搜索也识别了
• GEO 操纵：批量 AI 水文、虚构用户评价、伪造第三方背书——专门针对 AI 内容生态
• 低质 AIGC：模板化改写、低信息密度内容——收录率持续下滑

还有一个具体动作：测评类、榜单类内容被拦截处理，直接不进候选池。这意味着「花钱上的排行榜」这条老路，在 DeepSeek 这条线上彻底走不通了。

对正常做 GEO 的人，这是利好——噪声被清掉，真实事实内容的相对权重在上升。

三、信号二：总台入局，可信度有了官方参照系

10 月 10 日，中央广播电视总台启动「2027 品牌强国战略」共建行动，同步上线国家品牌可信语料平台。部署范围是「三端三网」——央视频、央视新闻、央视财经，加上央视网、央广网、国际在线。平台设了四个板块：品牌事实库、内容资产库、公共证据库、品牌问答库。

需要厘清：总台启动的是可信语料平台，不是发布「GEO 战略」。但这件事的实质影响很明确——品牌信息从此多了一个官方交叉验证层。

你的核心数据（成立时间、业务定位、资质、服务范围）跟官方库里的一致，AI 引用你时的可信度加分；对不上，就是减分。过去「全网自己说」的玩法，现在要面对「官方记录说什么」这道题。

叠加上半年新华网的 GEO 智能体平台、人民网的「主流价值语料生态联盟」（16 家单位参与），官媒侧的可信语料基础设施正在加速成型。GEO 的评价体系，「拼谁发得多」正在变成「拼谁更可信、更结构化」。

四、信号三：豆包分层2.0，单渠道布局正式失效

豆包在 8 月底到 9 月上线可信度分层 2.0，核心规则三条：

• 同一条答案里，单一信源引用占比不超过 8%——你在一个平台上做得再好，也占不了答案的大头
• 同一个事实需要三个以上互不隶属的来源互相佐证，孤证直接降权
• 公众号软文、行业榜单、第三方测评被归为商业营销内容，直接弃用；识别 SEO 矩阵站并降权

第三条最容易被忽略：「第三方测评」被弃用不等于「第三方内容」被弃用。真实用户的评价、有数据支撑的独立报道，仍然是有效信源；「XX 行业 TOP10」这类榜单物料，在 AI 眼里跟广告没有区别。

五、怎么判断自己是否已被过滤

过滤和降权的区别：降权是「还在池子里但排得靠后」，过滤是「根本没进池子」。两套自检方法：

• 缺席连续性：同一组核心问题（业务关键词 + 「哪家好」「多少钱」类问句），连续 4-5 周查，如果一次都没有你的名字，不是波动，是缺席。
• 引用来源列表：AI 回答后展开「引用来源」，如果列表里一个你发过的链接都没有，说明召回阶段就把你滤掉了，不是精排阶段输的。

两个都中了，优先检查内容里的商业营销痕迹（纯宣传话术、榜单背书、批量 AI 生成），这是三个平台同时识别的特征，也是被过滤最常见的原因。

六、修完过滤，再谈增量

面对这三条信号，优先级是清晰的：

优先级	动作	对应哪个信号
第一	清除商业营销痕迹，把宣传话术换成可验证事实	DeepSeek 反操纵 + 豆包商业内容弃用
第二	核心事实多源对齐：官网 = 公众号 = 行业媒体，口径一致	豆包孤证降权 + 总台参照系
第三	检查是否被识别为矩阵站（同内容多平台改写分发）	豆包矩阵站降权
第四	把结构化数据（Schema.org）补全，让事实机器可读	总台结构化权重 + 全平台趋势

前两项做完，再考虑增量。过滤没修就加量，等于往漏的桶里倒水。

七、常见问题

被过滤了会有什么外在表现

最直接的信号：同一组问题，之前 AI 答案里有你的名字，最近两轮都没有了，而且不是某一次波动，是持续缺席。再查引用来源列表——如果列表里一个你发过的链接都没有，说明你的内容根本没进候选池，不是排序靠后。两个都中了，就是被过滤，不是降权。

DeepSeek 的反操纵过滤会误伤正常 GEO 吗

不会。changelog 写得很清楚：过滤对象是「人为污染信息生态」的行为——批量 AI 水文、堆砌关键词、虚构评价、伪造背书。正常的品牌官网、结构化事实、第三方独立报道，恰恰是它要优先呈现的内容。做 GEO 的方向没有变，变的是「用脏手段」的成本变高了。

总台的可信语料平台跟普通企业有什么关系

它是信源权威度的新增参照系。平台部署了品牌事实库、内容资产库、公共证据库、品牌问答库四大板块，未来 AI 引用品牌信息时，有官方事实库做交叉验证——你的信息跟总台库里的一致，可信度加分；对不上，直接掉分。短期影响不大，中长期是新的硬标准。

现在该优先修哪个信号

先查你的内容里有没有「商业营销痕迹」：纯宣传话术、榜单背书、批量 AI 生成。这是被三个平台同时识别的特征。然后检查多源一致性：同一核心事实，在官网、公众号、行业媒体三处是否口径统一。这两项修完，再谈增量。

延伸阅读

• GEO 行业这一年：门槛是怎么被抬高的
• 你说你靠谱，AI 凭什么信你？
• AI 一次回答只引几家，你在不在名单里？

AI 搜索的红利没有消失，只是换了一种领法——不再奖励最会喊的人，奖励最经得起追问的人。这三条信号，就是「经得起追问」的最低标准。