從向量到引用：GEO 背後的語義檢索邏輯

一、兩段沒有相同關鍵字的文字，為什麼可能指向同一件事？

假設有人問 ChatGPT：「我要怎麼提高網站內容被 AI 回答採用的機會？」

網路上有兩段文字。第一段寫著：「生成式引擎最佳化（GEO）著重於改善內容在生成答案中的可見度。」第二段則說：「想讓聊天機器人在回答問題時引用你的文章，除了讓資訊容易被檢索，也要提供足以支撐答案的證據。」

兩段文字幾乎沒有重複的核心字詞，討論的卻是同一個問題。反過來看，另一篇文章就算密集出現「GEO」「ChatGPT」「AI 搜尋」等字眼，內文也可能只是在綜述產業規模，完全沒有回答網站經營者該從何下手。

這正是理解語義檢索（Semantic Retrieval）的起點：一段內容能不能被找出來，除了看它與查詢共享多少字面詞彙，也看檢索系統能否判斷兩者在語義上是否相關。但這並不代表傳統關鍵字檢索已經退場，更不能據此推論所有 AI 搜尋都只靠向量運作。

把問題再往後推一步，真正的落差才會浮現。即使一篇文章順利通過檢索、進入候選名單，它也未必會被放進 AI 的最終回答；就算模型真的採用了文章裡的資訊，回答下方也未必會附上正確的來源連結。本文想拆開的，正是從「語義相近」走到「被引用」之間那段經常被簡化的距離。

二、Embedding 如何把文字轉成向量？

把文字放進一個可計算方向的座標系

在數學上，向量可以理解成一組有順序的數字。文字嵌入模型（Embedding Model）會把句子、段落或整份文件映射成高維度向量，讓模型在特定訓練目標下學到的語義關聯，轉化為座標空間裡的幾何關係。

為了直觀理解，可以先將數百至數千維的向量壓縮成一張二維平面圖：每一段文字都是一支從原點射出的箭頭；當某段內容的箭頭方向與使用者問題越接近，代表在該模型的表徵空間裡，兩者對應的語義關係越緊密。

衡量兩支向量方向有多接近，最常見的指標是餘弦相似度（Cosine Similarity）：

閱讀這個公式時要格外小心：它是幾何定義，不能直接翻譯成「1 分代表同義、0 分代表無關、-1 分代表反義」。舉例來說，「這家餐廳很好吃」與「這家餐廳很難吃」評價截然相反，卻同樣圍繞餐廳與餐點體驗，在許多語義嵌入模型裡依然會落在相當接近的位置。語義接近不等於立場一致，更不等於事實正確。

為什麼把文字變成數字，不會自動產生「語義」？

讓向量之間的距離真正反映句子層級的語義相似，本身就是自然語言處理的重要研究課題。2019 年發表於 EMNLP 的 Sentence-BERT（SBERT）論文發現，若直接把未經句向量微調的原生 BERT 輸出拿來取平均或取 [CLS] 向量，在語義相似度基準測試上的表現甚至不如傳統的 GloVe 詞向量。研究團隊因此採用孿生與三元組網路架構重新訓練句向量，讓兩段文字能各自獨立編碼，再以餘弦相似度快速比對（Reimers & Gurevych, 2019）。

該論文提供了一組經典的運算成本對照：在單張 NVIDIA V100 GPU 上，若要從 10,000 個句子中找出最相似的一對，傳統逐對送入 BERT cross-encoder 的做法需要執行 49,995,000 次推論，耗時約 65 小時；改用 Sentence-BERT 預先算出句向量並比對餘弦相似度，總時間縮短到約 5 秒。正是因為文件向量能夠離線預先計算並建立索引，語義比對才得以從昂貴的兩兩推論，走入可規模化的線上檢索。

另一個實務上常被忽略的限制是：向量分數無法跨模型直接比較。不同 Embedding 模型的訓練資料、損失函數與維度分布各異；Ethayarajh（2019）針對 BERT、ELMo 與 GPT-2 的分析更指出，這類上下文表徵往往擠在高維空間的狹窄圓錐區內，呈現高度各向異性（Anisotropy），導致隨機兩個無關詞彙的餘弦相似度也可能遠高於 0。因此，市面上偶爾流傳「只要段落與問題的 cosine 大於 0.8 就容易被 AI 引用」的說法，在科學上並不存在跨平台通用的門檻。

三、語義相近，如何變成一筆搜尋結果？

Dense Retrieval 與關鍵字檢索的互補邊界

在資訊檢索（Information Retrieval）領域，稠密檢索（Dense Retrieval）會將使用者查詢與龐大的文件段落庫映射到同一個向量空間，再透過近似最近鄰搜尋（ANN）快速召回最接近的前 K 個候選段落（Top-K）。

2020 年發表於 EMNLP 的 Dense Passage Retrieval（DPR）是這條路線的代表作（Karpukhin et al., 2020）。DPR 使用雙編碼器分別處理問題與約 2,100 萬個 100 字維基百科段落，並以向量內積（dot product）作為預設相關性函數。只有在所有向量都先正規化為單位長度的前提下，內積才會等同於餘弦相似度；換言之，夾角圖解有助於建立直覺，卻不能當成所有檢索系統唯一的底層公式。

更值得行銷與內容研究者留意的是 DPR 與傳統關鍵字檢索 BM25 的正反對照：在真實搜尋提問構成的 Natural Questions 資料集中，前 20 個召回段落包含答案的比例（Top-20 召回率），DPR 達到 78.4%，明顯高於 BM25 的 59.1%；然而在提問者高度沿用原文詞彙的 SQuAD 資料集上，BM25（68.8%）反而優於未針對該集微調的 DPR（63.2%），結合兩者的混合檢索則進一步拉高整體表現（Karpukhin et al., 2020）。

這組數據直接打破了「有了向量檢索就不再需要關鍵字」的迷思。稠密檢索擅長跨越同義改寫與口語提問，稀疏關鍵字檢索則在專有名詞、品牌名稱、產品型號與法規條號上保有精準優勢。現代搜尋系統普遍結合兩者，談 GEO 並不需要把 SEO 累積至今的字詞與實體基礎推翻。

AI 搜尋面對的往往是一組展開後的子問題

傳統搜尋多半直接拿使用者輸入的字串去比對索引；生成式搜尋則常在檢索前多做一步查詢改寫與拆解。Google Search Central 在說明 AI 摘要（AI Overviews）與 AI 模式（AI Mode）時明確提到查詢擴展（Query fan-out）機制：系統會將複雜提問拆解並同時發出多個相關子查詢，橫跨不同子主題與資料來源取回更廣泛的網頁連結（Google Search Central, n.d.）。OpenAI 對 ChatGPT Search 的技術說明同樣指出，模型會依對話脈絡將使用者問題改寫為一或多個針對性搜尋查詢。

舉例來說，當使用者問「如何衡量 GEO 成效？」，背後展開的檢索方向可能涵蓋「AI 搜尋引用率怎麼計算」、「品牌提及與來源連結有何差別」、「不同模型回答波動如何重複抽樣」。這三個子問題為教學舉例，但足以說明一件事：一篇只反覆堆砌「GEO 成效」四個字、卻未分別解答指標定義與抽樣限制的文章，很難在多路子查詢中同時提供有效支撐。

Chunking 的迷思：不必為了 AI 把文章切得支離破碎

由於向量資料庫實作時常把長文切成固定或語義段落（Chunk）建立索引，坊間一度衍生出「為了做 GEO，每段文字都必須寫成短短幾句的獨立碎片」的教條。這其實把特定開發框架的工程預設，誤當成了所有商用搜尋引擎的寫作規定。

Google 在 2026 年發布的官方文件〈針對 Google 搜尋的生成式 AI 功能進行網站最佳化〉中直接澄清：網站經營者不需要為了迎合生成式 AI 而刻意將內容切成細碎片段（chunking），搜尋系統本來就能理解同一頁面裡涵蓋的多個相關子題（Google Search Central, 2026）。真正兼顧人類閱讀與機器檢索的做法，是讓每個章節具備清楚的小標題、明確的先行結論與完整的上下文脈絡。

四、從提問到引用，中間經過哪五道關卡？

理解了向量與混合檢索，只走到一半。2020 年發表於 NeurIPS 的 Retrieval-Augmented Generation（RAG）論文奠定了「先由檢索器取回外部文件，再交由生成模型綜合產出回答」的經典範式（Lewis et al., 2020）。到了今日的商用 AI 搜尋，系統往往還會疊加多輪查詢、品質訊號篩選與事後引用對齊。下圖整理出五道核心概念關卡，協助定位內容究竟在哪一步流失（各平台的實際工程架構可能合併、反覆迭代或省略部分環節）：

1. 查詢展開（Query）：系統解析對話意圖，將口語問題改寫或拆解為一至多個搜尋子查詢。若提問本身不需外部即時資料，模型甚至可能不觸發網頁檢索，直接依參數記憶作答。
2. 候選檢索（Retrieval）：檢索器透過字詞匹配、向量相似度或混合索引，從可存取的網頁庫召回一批 Top-K 候選片段。頁面若遭到封鎖、未被編入索引，或內容與所有子查詢都缺乏關聯，就會在這一關出局。
3. 重排序（Re-ranking）：第一輪召回追求速度，難免混入「主題擦邊但未正面解答」的段落。資訊檢索系統常在召回後引入精細但運算成本較高的交叉編碼器（Cross-encoder），或採用如 ColBERT 這類保留詞元層級延遲互動（Late Interaction）的模型重新評分（Khattab & Zaharia, 2020），同時也可能納入網站權威度與時效性等訊號。例如面對「GEO 怎麼測量」，一篇詳列指標定義與抽樣設計的文章，通常比泛談「GEO 趨勢有多重要」的概論更有機會在重排序階段勝出。
4. 生成與整合（Generation）：進入模型上下文視窗的數十個段落，並不會被平均採用。大型語言模型會挑選能直接支撐論點的事實、數據與定義，將多份來源壓縮、改寫並組裝成一段通順的回答。
5. 標註來源（Citation）：系統在回答句尾或來源欄附上連結。值得注意的是，畫面顯示的引用清單未必與模型生成時實際依賴的段落一一對應；有些句子融合了多處資訊卻只掛上單一連結，有些連結甚至是在回答生成後才配對補上。

把這五道關卡攤開，整篇文章最核心的診斷原則便一目了然：進入檢索候選、被答案實質採用、以及獲得正確的引用標註，是三件必須分開觀察的結果。

五、KDD 2024 的 GEO 論文真正證明了什麼？

既然進入候選池不保證被採用，修改網頁本身的寫法，究竟能不能改變它在生成答案裡的可見度？

普林斯頓大學、印度理工學院德里分校與 Allen AI 等機構學者於 KDD 2024 發表的開創性論文〈GEO: Generative Engine Optimization〉，首次為這個問題建立了系統化的實驗基準（Aggarwal et al., 2024）。研究團隊建構包含 10,000 筆多元查詢的 GEO-bench，先對每道問題固定取回 Google 搜尋前五筆網頁來源，再交由 GPT-3.5-turbo 依據這五份來源生成附帶行內引用的回答；實驗每次僅對其中一份目標來源施加特定的內容改寫策略，藉此比較改寫前後該來源在回答中的能見度變化。

讀懂這項實驗設計的邊界非常關鍵：因為五筆輸入來源已經預先固定，這篇論文測試的是「候選內容在生成與引用階段被採用的程度」，並沒有測試「改寫能否讓網頁在 Google 或檢索器裡排名上升」，更不能直接類推為今日所有商用模型都按固定比例加分。

論文的主觀與客觀評估中，最常被引用的是字數與位置加權指標 Position-Adjusted Word Count（綜合計算引用句占回答字數的比例，並賦予越靠前的句子越高權重）。圖 3 與表 1 整理了論文 arXiv v3 版本表 1 的核心結果：

綜合表 1 與論文後續實驗，可以提煉出四點經得起檢驗的結論與限制：

1. 提供具體證據與清晰表達，有助於模型抽取組織答案：在固定候選池中，加入具名引述（27.2）、統計數據（25.2）、流暢化改寫（24.7）與標明出處（24.6）均顯著優於未優化基準（19.3）。相對地，單純把語氣改得更武斷自信（Authoritative）在不同領域表現不一，並未展現同等穩定的提升。
2. 關鍵字堆疊無助於字數位置指標，但評估指標本身會影響結論：Keyword Stuffing 在 Position-Adjusted Word Count 降至 17.7（低於基準 8.3%），在論文另一組 200 題 Perplexity.ai 測試中也從 24.1 跌至 21.9；不過在表 1 由 GPT-4 評分的 Subjective Impression 指標上卻微幅升至 20.2。這提醒研究者，單一指標不足以概括所有面向。
3. Perplexity 外推實驗仍屬受控環境：研究團隊在 Perplexity.ai 測試時，Quotation Addition 同樣將字數位置指標從 24.1 推升至 29.1（約 +20.7%），Cite Sources 在主觀印象指標提升最高約 37%。但該實驗是以檔案上傳方式指定系統僅從這五份文字作答，與真實使用者在開放網路搜尋、由平台自行決定檢索池的情境仍有距離。
4. 低排名來源在生成階段有機會翻盤，惟前提是先擠進候選池：在多來源同時改寫的對抗設定下，原本位居 Google 第 5 名的網頁採用 Cite Sources 後，字數位置指標相對暴增 115.1%，而第 1 名來源反而下滑 30.3%。這說明只要能進入前段候選清單，生成模型更看重段落本身的證據密度；同時也要破除坊間常見的誤傳：誠如本站〈當 AI 開始引用 AI 生成的文章〉所考證，這篇 GEO 論文從頭到尾都沒有測試「新增 FAQ 區塊」，而 Ahrefs 在 2026 年追蹤 1,885 個新增 JSON-LD 結構化資料頁面的研究，同樣未觀察到顯著的 AI 引用成長。

六、從「有關」到「可用」：拆開四層內容工作

將語義檢索機制與 GEO-bench 實驗放在一起看，可以把網站面對生成式搜尋的工作拆解為四個層次，每一層對應的技術機制與證據強度各有不同：

在第一層「可被發現」上，網站經營者特別需要區分不同用途的 AI 爬蟲。以 OpenAI 官方文件為例，負責為 ChatGPT 搜尋建立索引與引用的爬蟲是 OAI-SearchBot，而收集模型訓練語料的則是 GPTBot；網站可在 robots.txt 獨立允許搜尋檢索並封鎖模型訓練，但若封鎖了 OAI-SearchBot，網頁內容就不會作為搜尋答案的引用來源出現（OpenAI, n.d.）。各家爬蟲的完整權衡可參考本站〈robots.txt 該不該擋 AI？〉。

同時，也必須正面回應針對 GEO 概念最強烈的反方觀點。Google 在 2026 年的官方指南直言，從 Google 搜尋的運作架構來看，無論外界稱之為 AEO 或 GEO，核心依然建立在既有的 SEO 基礎與原創內容品質之上；網站不需要追逐長尾問題的每一種問法變體，也不需要為 Google 搜尋額外建立 llms.txt（Google Search Central, 2026）。

這份官方立場與「把 GEO 當成取代 SEO 的獨門捷徑」形成鮮明對比。綜合現有證據，最務實的定位是將 GEO 視為觀察並改善內容在生成式回答中可見度與歸因品質的研究框架：檢索入口、重排序權重與最終引用呈現仍由各平台掌控，內容創作者能掌握的則是把可發現性、解題密度與可查證性做好，再透過固定題組反覆觀測實際變化。

七、即使 AI 附上來源，引用就一定支持那句話嗎？

走完前面四層，最後還有一個常被行銷報表忽略的盲點：當 AI 回答真的附上你的網址，或者引用了某篇外部報導來介紹你的品牌，那個引用標記真的能支持回答裡的那句話嗎？

史丹佛大學團隊於 EMNLP Findings 2023 發表的〈Evaluating Verifiability in Generative Search Engines〉，曾透過人工逐句核對當時四款生成式搜尋引擎（Bing Chat、NeevaAI、Perplexity.ai 與 YouChat）的回答與所附來源（Liu et al., 2023）。研究結果相當警醒：平均只有 51.5% 的生成句子獲得所附引用的完整支持（引用召回率），而在系統標出的所有引用連結裡，平均也只有 74.5% 確實支持它所掛載的那項敘述（引用精確率）。

這組數字反映的是 2023 年受測系統的歷史基準，不能直接套用為 2026 年最新模型的準確率；但它揭示的結構性問題至今依然存在：引用率（Citation Rate）與引用忠實度（Citation Faithfulness）是兩把不同的尺。模型可能在整合多篇網頁時發生張冠李戴，也可能把來源裡帶有前提條件的局部數據，改寫成毫無保留的普遍斷言。

這也是為什麼在評估品牌能見度時，單看「品牌被提到幾次」很容易失真：模型主動推薦、列為負面警示案例、附上官網連結卻寫錯價格，表面上都算一次曝光，對品牌的實質影響卻天差地遠。在本站 GEO 主題頁與〈AI 搜尋時代的檢索機制報告〉中，LS-Labs 提出以 MCAC 四項診斷（品牌提及 Mention、來源引用 Citation、資訊正確性 Accuracy、行動承接度 Conversion-readiness）分項記錄、不混加成單一總分，正是為了把「有沒有提到」、「連到哪一頁」、「事實說得對不對」以及「回答有沒有給出下一步」拆開檢驗。

八、結語：從被找到，走向有憑據地被採用

回到文章開頭的問題：為什麼兩篇語義同樣貼近問題的文章，最後只有一篇出現在 AI 的回答裡？

向量與稠密檢索解釋了前半段。Embedding 讓搜尋系統得以跨越字面措辭的差異，在數千萬個段落裡快速召回意思相近的候選內容；但餘弦相似度不會替文章查核事實、不會衡量證據強弱，更無法保證生成模型在改寫答案時把功勞歸給正確的來源。

如果說傳統搜尋讓內容經營者關心「使用者在結果頁上看不看得見這個連結」，生成式搜尋則多出了一道必須追問的課題：「系統從這個頁面取走了哪些資訊、說得對不對，又把引用歸給了誰？」而當使用者的需求從「查資訊」再往前跨到「請 AI 代理人直接訂位、比價或呼叫服務」，競爭場域還會進一步延伸到 TSO（工具選擇優化）與 AX（代理人體驗）。

對網站經營者而言，理解語義檢索絕非放棄 SEO 基本功的理由；對研究者而言，也不該把單一向量公式當成跨平台通吃的萬靈丹。當提問經過改寫展開、候選段落歷經混合檢索與重排序，最後由語言模型重組為答案，唯有同時具備可檢索結構、具體解題密度與一手可查證出處的內容，才更有理由在生成式回答中留下清楚且忠實的引用痕跡。