--- title: AI搜索原理 canonical: "https://xiaofeng.dev/en/writing/ai-search-principles/" pubDate: 2026-08-17 author: 唐小锋 Xiaofeng TANG description: 拆解 AI 搜索从问题理解、查询扩展、检索预算到答案生成的完整流程，并解释从 SEO 到 GEO 的变化。 tags: [AI Search, GEO, Search, Generative Engine] --- 如果你最近用过豆包、ChatGPT 这类 AI 助手，或者用过 Google 的 AI mode 做搜索，大概已经习惯了这种体验：输入一个问题，几秒钟后拿到一段组织好的答案，而不是一排等着你点开的蓝色链接。严格说，豆包、ChatGPT 是具备联网问答能力的 AI 助手，Google AI mode 才是把搜索本身 AI 化的形态；但它们在底层共享同一件事——用模型去检索、再组织出答案。圈内把这类系统叫做**生成式引擎（Generative Engine）**：和返回"一排链接"的传统搜索引擎不同，它返回的是一段写好的答案。 把这个过程拆开，是一条带反馈环的链路：
AI 搜索从理解问题、查询扩展、调用搜索到生成答案的检索流程
AI 搜索是一条带反馈的检索与生成流程
## 核心原理一：查询扩展（fan-out） 以豆包为例。当你输入一个问题，AI 做的第一件事不是立刻去搜，而是先做查询扩展（query expansion）。这个概念早期就叫查询扩展，后来在不少系统里被叫做 fan-out——意思是把一个问题"扇"成多个检索方向。fan-out 决定的是搜索的**宽度**：一次把问题铺开成多少条并行的检索方向，决定了这次检索覆盖得有多广。 ![fan-out 示例：一个问题被扩展为 3 个关键词](/writing/wechat-tech-assets/ai-search-geo/fan-out-example.jpg) 上图是一个实际例子：用户问「经常打字的上班族应该选什么样的机械键盘？」，系统没有拿原句去搜，而是把它拆成 3 条并行的检索方向——分别从选购推荐、轴体对比、配列与人体工学三个角度切入，再综合参考 15 篇资料后组织答案。 它的做法是：先理解你的问题，再把它拆成不同的关键词去搜索。这里的"拆"，既有基于关键词的拆解，也有基于语义的重新理解——同一个问题，它可能会用不同的表述去搜，也可能直接提炼出几个隐含的子问题。 更关键的是，它不是一次性的。AI 会根据第一轮搜回来的网页内容和摘要，重新理解你的问题，然后自己决定还需要再搜几轮。换句话说，搜索的过程本身也是推理的过程——它边搜边想，再决定下一步问什么。 这意味着，AI 搜索的"检索"和你手动在搜索框敲关键词，是两种行为。它是带着一个动态的查询计划在工作，而不是执行一次静态的关键词匹配。 ## 核心原理二：检索预算（Search Budget） 检索能往深处走多深，由一次任务愿意投入的 **Search Budget（搜索预算）** 决定——也就是它愿意为此跑多少轮、花多少时间。预算越足，迭代越深，产出的形态也越不一样。主流产品里常见的三种档位，差别其实就在这里： - **快速回答**：可能只检索一轮，拿到即时结果就组织回答。 - **专家研究**：通常会检索 3~5 轮，在多个方向上交叉验证。 - **深度研究**：会极大扩充搜索范围，往往跑几十轮甚至上百轮，最后完成任务的时间也显著更长。 ![Search Budget 示例：多轮「思考→搜索」交替进行](/writing/wechat-tech-assets/ai-search-geo/search-budget-example.jpg) 上图是深度研究模式下的实际检索过程：系统交替执行「思考已完成」和「搜索」动作，每一轮思考都会触发新一轮检索——这就是 Search Budget 在运行时的直观表现。预算越充足，这个交替循环就跑得越久，覆盖的信息面也越广。 这就是你在豆包这类产品上看到的"快速 / 专家 / 深度"三种模式的本质区别——是分配给这次搜索的 Search Budget 不同：预算越多，检索轮次越深、耗时越长，结论通常也越扎实。为了避免 AI 过早答复，通常还会要求强制消耗搜索预算（budget forcing），避免 AI 凭借预训练的记忆回答。 宽度由 fan-out 决定，深度由 Search Budget 决定，这是 AI 搜索检索的两个独立维度。 ## 核心原理三：AI-friendly 的搜索 API 前面讲 fan-out、讲检索轮次，说的是 AI 怎么"想"、怎么"搜"。但这些动作最终要落到取内容上——靠的是底层的搜索接口。而 AI 要的接口，和喂给传统搜索引擎的接口不是一回事。 传统网页搜索 API 返回的，是一排链接（可能附带一句摘要），它的服务对象是人的眼睛：引导你点进去自己读。AI 搜索要的不是这个——它要的是能直接喂进上下文窗口、被模型消化的内容。所以支撑它的往往是专门的 agentic search 接口：返回的不再是引导点击的链接列表，而是网页的直接摘要。一个服务于人的眼睛，一个服务于模型的上下文窗口。 ## 细节一：AI 发给搜索接口的，究竟是一个完整的问句，还是一个一个的关键词？ 答案介乎两者之间。经过 fan-out 之后，它发出去的是一份"查询计划"——一组由重新表述的子问题和提炼出的关键词组合而成的查询，分批发给搜索接口。它既不是把你原样的问题扔过去，也不是机械地把句子切成词，而是在理解之上重新生成的检索指令。 ## 收尾：从 SEO 到 GEO 这些内容都会有用，但是产生作用方式不一样。以前的网页制作常常需要堆砌关键词、增加外链，把尽可能多的内容合并到一篇文章。现在由 AI 来组织内容，它消化的是语义而非关键词堆砌；传统的搜索列表排名、引导用户点击的行为，已不再起决定作用。这正是从SEO到GEO时代要解决的命题。