# 内容如何进入AI候选池

> 做 GEO，即生成式引擎优化，首先要解决的不是“内容写得够不够好”，而是“人工智能（AI）能不能检索到这份内容”。如果内容没有进入候选池，后续的质量评分、可信度判断和引用选择都不会处理它。

来源：https://www.starbox.work/insights/geo-guide/geo027/（星盒AI 知识中心，更新于 2026-08-22）

做 GEO，即生成式引擎优化，首先要解决的不是“内容写得够不够好”，而是“人工智能（AI）能不能检索到这份内容”。如果内容没有进入候选池，后续的质量评分、可信度判断和引用选择都不会处理它。

主流 AI 搜索通常采用 RAG，即检索增强生成架构。一次提问会依次经过候选、排序和生成三个阶段。候选阶段先从索引中取回 20—100 篇网页和知识片段；排序阶段再从中选出 5—15 篇；生成阶段才会判断信息是否可信，并据此组织答案、标注引用来源。

## AI生成答案前要经过三个阶段

第一阶段是候选层，也叫检索或召回（Retrieval）。系统把用户的问题转换成检索查询，从已经收录的索引中找到一批可能相关的网页和知识片段。

第二阶段是排序层（Ranking）。系统按照语义相关性、权威性、新鲜度、可读性和实体一致性等维度，对候选内容评分。这里的实体一致性，是指品牌、人物、产品等名称及其关系在不同内容中是否保持一致。

第三阶段是生成层（Generation）。系统会把内容按 200—500 词左右的片段继续处理，判断各个片段是否可信，再组织成最终答案并附上引用来源。

这三个阶段按顺序执行。如果一份内容没有进入第一阶段取回的 20—100 篇候选范围，排序阶段就不会给它评分，生成阶段也不会引用它。内容再完整、论证再充分，也无法参与后续选择。

![内容如何进入AI候选池](/static/img/insights/geo-guide/geo027-2.jpg)

## 候选内容主要来自三个来源

### 1. 预训练语料库

这是模型训练阶段读取过的公开网页、论文、报告和百科资料。相关内容通常会比现实进展晚 6—18 个月，主要来源包括 Common Crawl 这类大规模公开网页抓取库。

这意味着，今天发布的内容未必能很快进入模型训练数据，更可能先通过实时检索被 AI 找到。

### 2. 实时网页索引

AI 回答问题时，可能调用 Bing、Google 或自有爬虫建立的索引。页面能否进入这一来源，通常与以下条件有关：

- 网站用于规定爬虫访问权限的 `robots.txt` 文件是否放行相关爬虫；
- 页面关键信息是否直接写入静态网页源代码（HTML）；
- 页面是否依赖 JavaScript（JS，即网页脚本）加载正文；
- 是否提供站点地图（sitemap）；
- 首屏加载是否足够快，避免抓取超时。

### 3. 第三方知识来源

百科、问答社区、行业媒体和 UGC（用户生成内容）平台，也是候选内容的重要来源。

海外研究机构 5W Research 的一项调研显示，维基百科和 Reddit 社区平台合计占美国地区 ChatGPT 引用来源的 25% 以上，而《华尔街日报》、彭博社和《纽约时报》等媒体没有进入引用来源前 20 名。这说明，企业不能只关注官网，也要关注第三方平台是否存在可检索、可核对的信息。

![内容如何进入AI候选池](/static/img/insights/geo-guide/geo027-3.jpg)

## 哪些内容可能无法进入候选池

### 纯客户端渲染的页面

Googlebot 可以执行 JavaScript，但 GPTBot、ClaudeBot、PerplexityBot 等 AI 爬虫不执行 JavaScript。据相关抓取研究，这一判断基于 5 亿次以上抓取样本，目前尚未发现反例。

如果网站使用 React、Vue 等前端框架，并采用 CSR，即客户端渲染，爬虫最初抓到的网页源代码可能只有一个类似 `<div id="root"></div>` 的空根容器，正文需要浏览器运行脚本后才会出现。AI 爬虫无法执行这些脚本，也就读不到正文。

可行的处理方式包括 SSR，即服务端渲染；SSG，即静态站点生成；或者预渲染。核心要求只有一个：让标题、正文和关键事实直接出现在静态 HTML 中。

### 屏蔽全部AI爬虫的网站

有些企业为了保护内容，在 `robots.txt` 中屏蔽所有 AI 爬虫。这会直接减少内容进入实时检索结果的机会。

据行业调研口径，67%的头部品牌表示，屏蔽 AI 爬虫是其在 2025 年最后悔的决定。该数据属于行业调研结论。企业即使不希望内容用于模型训练，也应区分训练抓取和实时检索，根据实际需求决定是否放行 ChatGPT-User、Perplexity-User、Claude-User 等实时检索类爬虫。

### 没有被搜索引擎收录的页面

多数 AI 搜索仍会使用 Bing 和 Google 的现有索引。据行业数据口径，约 86%的底层检索引擎仍在使用两者的索引。

如果一个页面没有被任何搜索引擎收录，实时检索就很难找到它。网站已经上线，不等于页面已经进入搜索索引，这两种状态需要分别检查。

## SEO仍然是GEO的基础条件

SEO，即搜索引擎优化，解决的核心问题之一，就是让网页被搜索引擎抓取、收录和召回。这与 GEO 候选层需要解决的问题有直接联系。

Google 搜索关系团队在 2026 年 5 月 15 日发布的官方指南中表示，生成式 AI 搜索优化本质上仍然属于 SEO。Google 对内容进入 AI 概览引用范围也设置了两个基础条件：页面已经被 Google 索引，并且有资格在搜索结果中显示摘要。

因此，SEO 和 GEO 不应被视为相互替代的两套工作。两者都要求内容能够被检索、结构清楚，并具备可核验的信息。区别主要在于目标：SEO 更关注搜索结果页排名和点击，GEO 更关注内容能否被 AI 复述和引用。

| 维度 | 传统SEO收录与召回 | AI候选层 |
|---|---|---|
| 目标 | 页面进入搜索索引，并出现在搜索结果中 | 内容进入20—100篇候选范围 |
| 判断单位 | 以页面为主 | 以内容片段为主 |
| JavaScript处理 | Googlebot可以执行 | GPTBot、ClaudeBot等AI爬虫不执行 |
| 抓取条件 | 爬虫放行、站点地图和外部链接等 | AI爬虫放行，并已进入Bing或Google等索引 |
| 内容偏好 | 可以处理较长页面 | 更容易检索短段落和边界明确的事实片段 |
| 后续处理 | 进入搜索结果排序 | 进入AI排序层继续评分 |

传统 SEO 已经正常收录的页面，不一定能被 AI 爬虫完整读取。特别是采用纯客户端渲染的单页应用，需要单独检查静态 HTML 中是否存在正文。

## 怎样提高内容进入候选池的概率

### 让爬虫能够读取正文

检查 `robots.txt`，确认需要放行的 AI 爬虫没有被误拦。把标题、正文、产品信息和关键事实写入静态 HTML，不要让这些内容只能通过 JavaScript 加载。同时检查页面响应和首屏加载速度，减少抓取超时。

### 确认页面已经被索引

海外网站可以通过必应站长平台（Bing Webmaster）和 Google Search Console 站长管理工具提交页面并检查收录状态。Bing 对 GEO 尤其值得关注，因为不少 AI 产品的底层检索会使用 Bing 索引。

国内则需要分别关注百度搜索资源平台、微信搜一搜、抖音站内搜索等平台的收录状态。

### 补充第三方平台内容

企业官网不是唯一来源。百科、问答平台和行业媒体中的品牌信息，也可能进入候选范围。5W Research 调研中，维基百科和 Reddit 合计占美国地区 ChatGPT 引用来源的 25% 以上，说明第三方内容会直接影响 AI 能检索到哪些品牌信息。

### 把内容写成可以独立检索的事实单元

候选层按内容片段判断相关性。文章整体可以很长，但每个段落最好只处理一个明确问题，并能独立表达完整意思。

可以采用结论先行、短段落、表格和问答结构。段落长度可参考 60—150 个汉字，但不必机械套用。重点是避免把多个主题混在同一段中，确保系统切分内容后，每个片段仍然有明确的对象、结论和事实依据。

## 国内AI候选层需要分别看平台

海外 AI 搜索常依赖爬虫放行和公开网页索引。国内没有统一的 AI 爬虫身份白名单，不同产品会使用各自平台生态中的内容和收录结果。

据白杨 SEO、CSDN 实测等行业观察，以下平台关联较为常见，但这些结论未经第三方核验，反映的是观察到的引用倾向，不是无条件成立的平台规律：

- 腾讯元宝较常引用微信公众号内容；提升被检索概率，需要关注公众号发布和微信搜一搜收录。
- 百度文心较常引用百家号和百度百科内容。
- 字节豆包较常引用抖音和今日头条内容。
- Kimi 和 DeepSeek 的引用中较常出现知乎内容。

这些观察只能用于安排内容分发优先级。内容发布到相应平台，不等于一定会进入候选池，更不等于一定会被引用。

另据行业口径，国内 AI 引擎对权威媒体和大型内容平台的引用较多，企业独立站被引用得相对较少。国内不同 AI 产品是否执行 JavaScript、如何遵守 `robots.txt`，目前也没有统一的权威说明，仍待核实。因此，服务端渲染、静态 HTML 和平台收录检查仍是相对稳妥的技术处理方式。

## 进入候选池不等于最终被引用

候选层只解决内容能否进入后续处理范围。进入候选池后，内容还要经过排序层的五项评分，从 20—100篇候选中进入前 5—15 篇；随后还要经过生成层对可信度和引用价值的判断，才可能出现在最终答案中。

企业可以先检查三个基础问题：正文能否被爬虫读取，`robots.txt` 是否误拦爬虫，页面是否已经被相关搜索引擎或平台收录。确认这些条件后，再继续优化内容的相关性、权威性、新鲜度、可读性和实体一致性。

顺序很重要。只有先让 AI 检索到内容，后续的评分和引用优化才有实际作用。

---

#GEO #生成式引擎优化 #AI搜索 #SEO #内容运营