Retrieval Scoring机制：AI如何给候选内容打分

上个月有个做SaaS的朋友问我：“我的内容明明被AI召回了，为什么最后不被引用？”

我让他给我看他的内容。他打开Perplexity，搜了一个产品相关的问题，然后给我看Perplexity底部的"来源"列表——他的网站赫然在列，排第7个。

但AI的回答里，一个字都没引用他。

这就是很多人的困惑：被召回不等于被引用。AI从数千个候选内容中找到了你，但在最后一步，把你筛掉了。

这背后的机制，就是Retrieval Scoring——AI如何给候选内容打分。

这篇文章无法告诉你"具体权重是多少"，因为这是AI公司的核心机密。但我会帮你建立认知：AI凭什么选你不选竞品。理解评分机制，是所有优化动作的基础。

塔迪输出的文章偏长，源于塔迪总想一次把事情都讲完整，不留尾巴。但有读者反馈，这样阅读压力很大。前一段时间使用NotebookLM的音频概览功能，发现主持人可以把我的文章转变为通俗易懂的方式讲出来，让我这个技术脑袋从不同的视角看自己的文章，大有收获，所以很想分享给大家，尤其时间比较紧张的读者朋友…当然有时间的朋友，塔迪还是建议大家完整地看文章。

Retrieval Scoring在哪个环节发生

先搞清楚一个流程问题。

很多人以为AI生成答案的过程是这样的：

用户提问 → AI搜索 → AI生成答案

错了。真实流程是这样的：

用户提问 
  ↓
候选召回（Candidate Retrieval）
  ↓
表示化编码（Representation Encoding）
  ↓
多因子评分（Multi-factor Scoring）← 就在这
  ↓
排序与截断（Ranking / Threshold Cut）
  ↓
进入生成层（Generation）

Retrieval Scoring发生在"还没开始生成回答之前"。

这一步决定：

• 谁进入生成阶段
• 谁被忽略、被弱化、被丢弃

RAG系统会先检索相关文档，然后通过重排序机制重新评估每个文档的相关性得分，最终只有排名最靠前的文档会被传递到生成阶段。

举个例子：

用户问："什么是GEO？"

第1步：召回阶段
AI从索引中召回了1000个候选内容

第2步：评分阶段
AI给每个内容打分，从0到1

第3步：排序阶段
AI按分数排序，取Top-10

第4步：生成阶段
AI基于Top-10的内容生成回答

你的内容如果在第2步得分低，第3步就进不了Top-10，第4步自然不会被引用。

核心认知：不是一个分数，是一个评分向量

很多人以为AI打分是这样的：

内容A：85分
内容B：92分
内容C：78分

不是。AI的打分是一个多维向量。

评分函数的抽象结构是这样的：

Score(Candidate | Query, Context) = 
  w1 × 语义相关度 +
  w2 × 实体对齐度 +
  w3 × 权威可信度 +
  w4 × 信息密度 +
  w5 × 结构可用性 +
  w6 × 冗余惩罚 +
  w7 × 时序场景匹配 +
  w8 × 新鲜度 +
  ...

每个维度都有自己的权重（w1, w2, w3…），不同AI、不同场景下权重不同。

关键点：这些权重你无法得知，但维度本身是可以理解和优化的。

下面我逐个拆解。

核心评分维度详解

维度1：语义相关度（Semantic Relevance）

这是什么？

最基础的维度：你的内容和用户提问是否"语义相关"。

技术上，AI会把你的内容转成向量（embedding），把用户提问也转成向量，然后计算两者的相似度。常见的计算方法有三种：

语义相似度聚焦于方向，使其成为自然语言处理任务和文本分析的理想选择，而欧氏距离则测量绝对接近度，适用于数值或空间数据应用。

为什么重要？

这是入场券。如果语义相关度低，后面的维度再好也没用。

但问题是：“相关"不等于"可用”。

举个例子：

用户问：什么是GEO？

内容A：
"我个人觉得GEO是未来趋势，虽然我也不太懂，
但感觉很重要..."

内容B：
"GEO（Generative Engine Optimization）是一种
针对生成式搜索的内容优化方法，核心目标是..."

两个内容在语义上都"相关"，但内容B的得分会高得多。为什么？因为后面的维度。

如何优化？

• 开篇直接回答核心问题，不要铺垫
• 使用用户提问中的关键词（自然融入，不堆砌）
• 避免跑题和过度延伸

维度2：实体对齐度（Entity Alignment）⭐

这是什么？

这是GEO时代最容易被低估、但权重极高的一个维度。

AI会判断你的内容是否：

• 明确绑定到已知实体（Entity）
• 绑定到稳定概念（Canonical Concept）
• 能形成可提取的结构：
  • 实体 → 属性
  • 实体 → 关系
  • 实体 → 结论

简单说，AI喜欢"能被吸收为事实结构"的内容。

对比案例：

❌ 低分示例：

"我个人觉得GEO就是一种新趋势，
很多公司都在做，效果应该不错..."

为什么低分？

• 没有明确实体
• 没有可验证的事实
• 充满主观判断和模糊表述

✅ 高分示例：

"GEO（Generative Engine Optimization）是一种
针对生成式AI引擎的内容优化方法。其核心目标
是提升内容在ChatGPT、Claude、Perplexity等
AI工具中的引用率。"

为什么高分？

• 明确定义了实体（GEO）
• 建立了关系（GEO → AI引擎）
• 给出了可验证的属性（核心目标）

如何优化？

维度3：权威可信度（Authority / Trust Score）

这是什么？

很多人以为权威度就是"你是不是大V"、“你的域名权重高不高”。

错了。AI判断的权威度，是你的内容是否符合模型已知共识。

具体来说，AI会评估：

• 是否与高置信语料一致
• 是否有明确断言（而非猜测）
• 是否有稳定定义（而非创新观点）
• 是否有低情绪噪声（而非夹带私货）

一个反常识的洞察：

“原创观点” ≠ “高可信”

除非你把它包装成可验证、可归因、可对齐的判断。

案例对比：

❌ 低可信示例：

"我有个独特的看法：GEO其实就是反向SEO，
完全不一样的逻辑，大家都理解错了..."

为什么低可信？

• 与主流认知冲突，但没有给出证据
• 充满主观色彩（“我有个独特的看法”）
• 没有可验证的支撑

✅ 高可信示例：

"GEO与SEO的核心区别在于优化对象：
SEO优化的是搜索引擎的排名算法，
GEO优化的是生成式AI的引用逻辑。
根据Gartner 2024年的报告..."

为什么高可信？

• 清晰的对比结构
• 可验证的归因（Gartner报告）
• 客观陈述，没有情绪修饰

如何优化？

• 引用权威来源（研究报告、学术论文、官方文档）
• 用数据支撑观点，而非只有观点
• 避免过度情绪化的表达
• 承认不确定性（“可能”、“通常”），而非绝对化

维度4：信息密度（Information Density）

这是什么？

AI非常讨厌"废话"。

它更偏好：单位token内的信息量高。

换句话说，AI希望：

• 一句话 = 一个判断
• 少铺垫，多结构
• 少故事，多结论

AI讨厌的内容模式：

❌ 情绪铺垫过长：

"作为一个在互联网行业摸爬滚打十年的老兵，
我深刻体会到优化的重要性。记得2015年那个
秋天，我第一次接触SEO..."

❌ 比喻过多：

"GEO就像种树，你要先选好土壤（内容质量），
再浇水（持续更新），还要施肥（外部链接），
最后才能开花结果..."

❌ 个人经历占比过高：

"我的第一个客户是个教育公司，当时他们很焦虑，
我花了三个月时间研究，最后发现..."

AI喜欢的内容模式：

✅ 定义体：

"GEO（Generative Engine Optimization）是指..."

✅ 结论体：

"影响AI引用的三个核心因素：
1. 语义相关度
2. 内容结构化程度
3. 信息新鲜度"

✅ 框架体：

"GEO优化分为三个层次：
- 内容层：优化可提取性
- 结构层：优化可理解性
- 策略层：优化可发现性"

数据对比：

如何优化？

• 开篇不铺垫，直接给答案
• 用列表和表格代替长段落
• 每句话都有明确信息增量
• 删除所有可有可无的形容词

维度5：结构可用性（Structural Usability）⭐

这是什么？

这是人为最容易干预的一项。

AI会隐性评估你的内容是否容易被：

• 摘要
• 列表化
• 引用
• 重组

具体来说，AI偏好：

• 清晰的段落边界
• 标题 = 语义标签
• 明确的"可抽取句"

一个关键洞察：

“写给AI用的内容，看起来会更’冷’”

因为它优先的不是"打动人"，而是"易提取"。

案例对比：

❌ 低结构化示例：

GEO是个很有意思的话题，说起来话长。
首先你要知道，它和SEO不太一样，虽然
名字看起来很像，但底层逻辑完全不同，
这个不同体现在很多方面，比如优化目标、
内容组织方式、效果评估方法等等，每一个
都值得深入探讨...

为什么低分？

• 没有明确段落边界
• 信息混在一起
• AI不知道从哪里提取

✅ 高结构化示例：

## GEO与SEO的三个核心区别

### 1. 优化目标不同
SEO优化搜索引擎排名，GEO优化AI引用率。

### 2. 内容组织方式不同
SEO强调关键词密度，GEO强调结构化程度。

### 3. 效果评估方法不同
SEO看排名和流量，GEO看引用次数和归因准确性。

为什么高分？

• 清晰的层级结构
• 每个小节独立完整
• AI可以精准提取任何一个点

结构化清单：

□ 是否有清晰的标题层级（H2, H3）？
□ 每个段落是否只讲一个点？
□ 是否使用了列表和表格？
□ 是否有明确的定义句？
□ 是否有可直接引用的结论句？

如何优化？

维度6：冗余惩罚（Redundancy Penalty）

这是什么？

即使你的内容很好，但如果：

• 与已有高分内容重复度高
• 没有新增信息增量

AI会给你负权重。

这解释了一个常见现象：

你写得"很对"，但AI已经"见过更好版本"

案例：

场景：用户问"什么是GEO？"

候选内容池：
- 内容A：Wikipedia上的GEO词条（得分：0.92）
- 内容B：你的GEO介绍文章（得分：0.88）

如果内容B与内容A高度重复，AI会给内容B降权。
最终排序：内容A排第1，内容B排第8。

如何判断是否冗余？

AI会计算：

• 与Top候选内容的相似度
• 信息增量比例
• 独特观点占比

评估研究发现，多样性评估通过计算检索文档或生成响应嵌入之间的余弦相似度/距离来衡量信息的广度和多样性，较低的余弦相似度分数表示更高的多样性。

如何优化？

• 找到差异化角度（不要重复主流内容）
• 提供新的案例、数据、视角
• 如果确实是基础概念，给出更深的拆解
• 增加独特的实践经验或方法论

维度7：时序场景匹配（Temporal / Context Fit）

这是什么？

AI会评估你的内容是否：

• 过时
• 适合当前任务类型
• 适合当前回答粒度（概览 / 深入 / 操作）

时序维度：

搜索引擎经常会根据用户查询判断新鲜度需求，采用Query Deserves Freshness机制，对于被视为具有QDF参数的搜索，搜索引擎会倾向于最近发布或更新的内容。

QDF机制识别三类需要新鲜内容的查询：

1. 近期事件和热点话题
2. 定期重复发生的事件
3. 经常变化的信息

举个例子：

查询："2024年最佳GEO工具"

内容A：2023年发布，没更新
内容B：2024年11月发布

即使内容A质量更高，内容B也会因为时效性得分更高。

场景维度：

为什么"教程类 > 观点类"？

因为教程类内容：

• 结构化程度高
• 可操作性强
• 适合更多场景

如何优化？

• 定期更新时效性强的内容
• 标注发布日期和更新日期
• 根据目标场景调整内容粒度
• 对于时效性强的话题，及时更新数据

维度8：内容新鲜度（Content Freshness）

这是什么？

这是时序维度的一个子维度，但足够重要，单独拿出来讲。

Google的Query Deserves Freshness（QDF）模型被应用到AI检索中。AI会判断：用户的查询是否需要最新信息？

QDF的四类查询：

内容新鲜度可以使突发和近期查询的排名潜力提高3-4倍。

判断方法：

AI评估新鲜度的信号：

• 发布日期
• 最后更新日期
• 内容提到的时间信息（“2024年”、“最近”）
• 引用的数据和案例的时效性

如何优化？

• 在标题和开篇标注时间（“2024年最新”）
• 定期更新常青内容
• 引用最新的数据和案例
• 对于时效性强的内容，至少每季度更新一次

维度9：噪声鲁棒性（Noise Robustness）

这是什么？

AI会评估你的内容是否"干净"——是否包含无关信息、误导信息。

噪声鲁棒性衡量RAG系统处理无关或误导性信息而不影响响应质量的能力。

常见的"噪声"：

❌ 广告和营销信息：

"GEO是...（在这里插入我们的产品广告）"

❌ 无关的个人经历：

"说到GEO，我想起上周和朋友聊天..."

❌ 过度的免责声明：

"以下内容仅供参考，不构成任何建议，
具体情况请咨询专业人士..."

如何优化？

• 删除所有与核心问题无关的信息
• 广告和CTA放在文章末尾，不要穿插
• 个人经历只在必要时简短提及
• 免责声明简化为一句话

评分之后：不是"选一个"，而是"选一组"

很多人以为AI的最终选择是这样的：

排序：内容A > 内容B > 内容C
选择：内容A

不是。AI会选一组内容。

完整流程是这样的：

1. Top-K排序

AI不只看第1名，而是取Top-K（通常K=5到20）。

2. Threshold截断

AI会设一个阈值（比如0.7），低于这个分数的直接丢弃。

3. 去重与合并

AI会对Top-K的内容去重：

• 如果两个内容高度重复，只保留分数更高的
• 如果两个内容互补，都保留

4. 压缩与重组

AI会把选中的内容"压缩"成更紧凑的形式，然后拼接。

最终进入生成层的，通常是：

“一小组彼此不冲突、结构互补的内容块”

重排序使用相似度搜索找到合适的文档，然后根据相关性分数对它们进行排名，通常只有排名最靠前的N个重新排序的文档会传递到RAG流程的下一阶段。

这意味着什么？

如何验证你的内容得分

理论讲完了，怎么知道你的内容在这些维度上表现如何？

我给你两个方法。

方法1：AI对比测试

步骤：

1. 选一个目标查询

2. 用ChatGPT/Claude/Perplexity搜索

3. 观察：

   • 你的内容是否被召回？
   • 如果被召回，排第几？
   • 最终是否被引用？

4. 对比引用的内容：

   • 它们在哪些维度上比你强？
   • 你在哪些维度上有优势？

评估表：

方法2：维度自查清单

如果你不想每次都跑AI测试，用这个清单做自查：

语义相关度清单

□ 开篇直接回答核心问题
□ 使用查询中的关键词
□ 没有跑题和过度延伸

实体对齐度清单

□ 有明确的定义句
□ 绑定到具体实体（产品/公司/技术）
□ 用"X是Y"、"X包含Y"的结构
□ 避免模糊表述（"可能"、"大概"）

权威可信度清单

□ 引用了权威来源
□ 用数据支撑观点
□ 客观陈述，无情绪化表达
□ 承认不确定性

信息密度清单

□ 开篇无铺垫
□ 用列表和表格代替长段落
□ 每句话有信息增量
□ 删除了可有可无的形容词

结构可用性清单

□ 有清晰的H2/H3层级
□ 每个段落只讲一个点
□ 使用了列表和表格
□ 有明确的定义句和结论句

内容新鲜度清单

□ 标注了发布/更新日期
□ 引用了最新数据和案例
□ 没有过时的信息

冗余检查清单

□ 找到了差异化角度
□ 提供了新的案例或数据
□ 有独特的实践经验

常见误区

误区1：追求所有维度都高分

不现实。

更实际的策略：

• 确保基础维度（语义相关度、结构可用性）及格
• 在1-2个维度上做到优秀（比如实体对齐度+信息密度）
• 其他维度不拖后腿

误区2：以为新鲜度对所有内容都重要

不是。

QDF机制很明确：

• 突发话题：新鲜度极重要
• 常青话题：新鲜度不重要

示例：

查询："今天股市行情"
→ 新鲜度权重：极高

查询："如何学Python"
→ 新鲜度权重：低

误区3：以为高分=一定被引用

不一定。

因为还有两个机制：

1. 去重机制：如果有更高分的类似内容，你会被过滤
2. 多样性要求：AI会选一组互补的内容，不会都选同类型

解决方案：

• 找到你的差异化角度
• 在主题集群中，让每篇内容强调不同方面

写在最后

Retrieval Scoring不是一个神秘的黑箱，而是一个可以理解的多维评估体系。

你不需要知道每个维度的具体权重，但你需要理解：

• AI在评估什么
• 你的内容在哪些维度上有优势
• 你的内容在哪些维度上有短板

这篇文章给你拆解了9个核心维度：

关键洞察：

不是每个维度都要做到完美。更实际的策略是：

• 确保基础维度（语义相关度、结构可用性）不拖后腿
• 在1-2个维度上建立优势
• 找到你的差异化角度

最后，记住一点：理解评分机制不是为了"破解算法"，而是为了"创作更好的内容"。

AI的评分逻辑，本质上反映的是"什么样的内容更有价值、更易使用、更值得信任"。当你在优化这些维度时，你不只是在迎合AI，你在让内容变得更好。

一句话总结

Retrieval Scoring是AI在召回候选内容后、生成回答前，对每个内容进行的多维评估，包含语义相关度、实体对齐度、权威可信度、信息密度、结构可用性、冗余惩罚、时序场景匹配、内容新鲜度、噪声鲁棒性等九个核心维度，理解这些维度不是为了破解算法，而是为了创作更有价值，更易提取更值得信任的内容，因为AI的评分逻辑，本质上反映的就是内容质量的客观标准。

我是「AioGeoLab」主理人塔迪Tardi，AioGeoLab是追踪、研究、实验、创作并分享海外顶级GEO实践者第一手最佳实践的技术类社区，为广大GEO、SEO从业者提供深度的内容、社群、推广、培训、平台相关的服务。
我们认为：知识的应用和经验的碰撞才能够赋予知识生命力，对于一个新兴的领域 - GEO，尤其如此。我们会逐步开放我们的社区以及知识库，感兴趣的朋友可以先加小编的微信 - tardyai2025。