KeyFrame內部研究專用

How to get discovered in AI search

Practical AI55 min英文
觀看原始影片

三句話摘要

在 LLM 時代如何優化品牌和內容在 AI 搜尋引擎中的曝光與引述,從傳統 SEO 演進到 Answer Engine Optimization (AEO)。 AI 可見性勝負手不在單一點(如 Reddit 貼文數或反向連結),而在四層架構的全面優化——權重、檢索、共識、引述——同時預備網站支援 AI 代理的直接互動。 行為轉變與測量挑戰:LLM 導致零點擊搜尋加速,傳統點擊計量失效。行銷人員需以統計方法判斷變化是否有意義,而非盲目依賴數字起伏,這類似金融市場波動的判讀。

重點整理

  1. 行為轉變與測量挑戰:LLM 導致零點擊搜尋加速,傳統點擊計量失效。行銷人員需以統計方法判斷變化是否有意義,而非盲目依賴數字起伏,這類似金融市場波動的判讀。

  2. 檢索與引述的解耦:模型透過查詢展開檢索多個來源,再用共識演算法(如 DeepMind 的 agree-style)過濾內容以防止幻覺。Reddit 執行緒常被納入推理但不被引述,引述優先權反而可能轉向權威性較高的來源如新聞媒體。

  3. 多層影響因素:模型權重(訓練資料中的共現關係、品牌情感指向)、查詢一致性(多來源確認同一事實)、品牌命名與定位都會影響可見性。長尾查詢機會大,因競爭低且使用者會提供更多背景脈絡。

  4. 未來轉變:從讀取到讀寫:AI 代理不止檢索內容,未來會直接在網站採取行動(預訂示範、安裝軟體)。網站需從單純人類訪客優化,演進為同時支援 AI 代理的無摩擦設計。

實用技巧與重點

  • 研究發現:
  • 查詢展開時,Reddit 約占檢索的 30%,但最終引述中僅 20-30% 被列為引用來源
  • 查詢中的高度相關段落通常出現在 Reddit 貼文下方 50%,引文數量少(1-2 個)
  • 模型權重中存在 Reddit 訓練資料痕跡,特別在 RLHF(人類反饋強化學習)階段
  • 共識演算法:多個來源確認同一資訊 → 模型信心提升 → 優先引用權威來源
  • 三核心策略:
  • 相關性(Relevancy):明確 ICP、產品差異化、使用查詢語言創作內容
  • 共識(Consensus):多管道發聲(社群、PR、客戶評價)、強調品牌信任度
  • 一致性(Consistency):統一品牌敘述,確保 LLM 抓取的段落能傳遞競爭定位
  • 優先投注管道:
  • Reddit:競爭低,執行力不足,早期優勢大
  • YouTube:Google 原生搜尋頻道,長期穩定性高
  • 社群媒體:LinkedIn 可用於社群,但對搜尋優化效益有限
  • 客戶倡導:G2、TrustPilot 等第三方認證作為共識信號
  • 模型更新週期:
  • 頂層每週重訓練、骨幹層每三個月重訓練(比以前的 9-12 月顯著加快)
  • 生成式 AI 內容檢測:模型使用雜湊函數識別自身生成的內容,將降低其權重

結論

AI 可見性勝負手不在單一點(如 Reddit 貼文數或反向連結),而在四層架構的全面優化——權重、檢索、共識、引述——同時預備網站支援 AI 代理的直接互動。

完整解析

AI 搜尋的出現正在根本改變網路上品牌和內容的發現方式。過去十多年,Google 統治搜尋,行銷人員專注傳統 SEO。但隨著 ChatGPT、Gemini 和 Claude 等 LLM 問世,使用者的搜尋行為發生了質變——他們不再點擊十個連結,而是在對話介面中輸入複雜需求,讓 AI 代理代勞。Discover Labs 的 Liam Dunn 和 Ben Moore 指出,這不是 SEO 已死,而是有機搜尋的領地擴大了:傳統 SEO(針對 Google)和 AEO(答案引擎優化,針對 LLM)現在並存。

問題在於,機制完全不同。Ben 詳細解析了 LLM 回應的四個支柱:第一,訓練權重內的常駐知識(模型在訓練資料中學到的品牌共現與情感方向);第二,查詢展開與檢索階段(模型執行多次查詢,從網路檢索候選來源);第三,共識算法(類似 DeepMind 的 agree-style,透過多來源投票避免幻覺);第四,最終回應與引述(向使用者展示的答案及其來源註記)。關鍵發現是:檢索和引述不相關。一份 Reddit 執行緒可能在檢索階段幫助模型理解話題(占檢索量的 30%),但最終答案中卻不被引用,反而引用了某篇新聞文章。這對行銷策略有深遠影響——單純登上檢索不夠,還要確保在最終引述中被選中。

Liam 從市場角度補充,這反映了需求端的轉變。消費者現在能在 LLM 裡前置複雜條件(預算、整合需求、業務模式),LLM 返回高度個人化建議,遠優於逐頁查看搜尋結果。這催生了長尾查詢爆發——不再是「最佳冷郵件軟體」,而是「月費、免費試用、整合 HubSpot、適合 SaaS 新創」的複合查詢。長尾雖競爭低,但分散且難預測。行銷人員應轉向「相關性、共識、一致性」三策略:創作針對細分需求的內容;透過多渠道(Reddit、部落格、YouTube、社群)建立權威信號;確保品牌敘述在各平台保持一致,讓 LLM 內嵌的知識圖譜中的品牌關鍵詞密度最大化。

展望未來,最激進的變化是 AI 代理將從「讀取」進化到「讀寫」。現在代理只是檢索和回報;很快他們將直接在網站執行動作——預訂示範、安裝工具、完成交易。這意味著網站設計需要革新。過去網站為人類訪客優化(清晰導航、吸引視覺),但 AI 代理不會等待頁面載入或破譯複雜表單。無摩擦、結構化、機器可讀的介面將成為必需品。同時,訓練循環加快(從每九到十二個月加快到每週或每月)使得模型可被快速調整。Ben 警告,內容真實性檢測也在升級——OpenAI 等廠商用雜湊函數偵測自身生成的內容,將其降權。這形成軍備競賽:行銷人員必須發布真實、原創、高度相關的人類內容才能維持優勢。

11 min
AI 安全中文11月21日

防蒸餾的三道防線:OpenAI 怎麼保護 AI 的思考過程

一隻羊聊AI看原片 ↗
  • 思考過程是最值得保護的資產:完整的思維鏈(Chain-of-Thought)包含最終答案中沒有的中間步驟,蒸餾來的模型若學到完整思考過程,會多掌握超出預期的能力,包括原本應被防護的攻擊技巧。實驗顯示,學完整思考的學生在資安測驗中表現顯著優於
  • 三層防護結構應對單次請求與持續威脅:模型透過對抗訓練自我拒絕套話,分類器檢查請求意圖與回應內容(包括工具參數),API 層將思考過程與對話綁定,防止跨對話搬運。九月報告曾揭示的加密思考搬運攻擊已被修補。
11 min
AI 技術中文11月21日

20261120 Craft 4K Review Version V3

灵姐说AI | Ling Talk AI看原片 ↗
  • Craft Anything 透過將觀察、構建、檢查和修改環節無縫銜接,將傳統費力的開發流程簡化為提供參考對象並說明目標,讓通用編碼Agent執行具體實現,大幅降低製作難度。
  • 複製範圍廣泛但難度差異大:網站和簡單工具相對容易,複雜遊戲因涉及場景、資源、物理引擎、存檔等要素難度大幅提升,需要提供的信息和輸入量成倍增加。
4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。