Archive · 文章索引

全部文章

从 GEO 方法论到 AI 搜索实战,按发布时间收录站内全部已发布文章。

1572篇文章
  1. AI搜索正在重洗流量:GEO论文实测低排名网站可见性提升115%

    这篇论文首次系统提出生成式引擎优化(GEO)范式,解决AI搜索直接生成答案导致内容创作者流量锐减的问题。论文构建了多维度可见性度量体系和九种优化方法,并发布GEO-bench基准,实验证明GEO方法在位置加权词数和主观可见性上分别提升41%和28%,对低排名网站尤为有效。

  2. AEO、GEO、LLMO 其实是同一件事:术语混战背后的真实技术分界线

    AEO、GEO、AI SEO等术语本质是品牌定位而非技术差异,实际工作内容相同。SEO并未消亡,而是扩展到了无排名列表的答案生成界面。真正重要的技术区分是:模型是训练时已知还是回答时抓取,以及提及与引用是两种独立信号。

  3. 向量搜索只是方法,语义搜索才是应用:别再混为一谈了

    语义搜索通过理解查询意图和上下文含义来检索信息,而非仅做字面匹配。它借助自然语言处理和机器学习,将文本、图像等非结构化数据转换为向量嵌入,在语义空间中计算相似度。这项技术广泛应用于电商视觉搜索、企业知识库RAG和内容推荐等场景。

  4. 语义搜索的三条技术路线:从Semplore倒排索引到CE2混合架构

    这篇文章系统梳理了语义搜索的技术路线,把语义搜索分为重量级(基于RDF、OWL等显式语义模型做数据检索)和轻量级(基于分类体系、辞典做文档检索)两类。文章重点分析了语义数据搜索的三大难点——扩展性、异构性和不确定性,并对比了信息检索、数据库和原生存储三条围绕三元组存储的技术路线。最后介绍了下一代混合语义搜索系统CE2的架构,它把信息检索的排序、数据库的索引查询和推理技术组合在一起,统一处理文本、结构化数据和语义数据。

  5. llamadart 0.11:让 Flutter 应用真正跑起离线大模型

    llamadart 0.11 版本简化了在 Dart/Flutter 应用中集成离线大语言模型的流程。本文通过一个写作助手示例,演示如何下载模型、管理对话会话、切换模型以及处理不同运行时环境,帮助开发者快速实现本地推理功能。

  6. MI300X 上跑 Gemma 4 E2B:fp8 最快,却离原始权重最远

    本文提供了在单张AMD Instinct MI300X上通过vLLM部署Gemma 4 E2B十种权重格式的逐步指南,并在相同请求数和提示长度下进行了性能测试。结果显示,fp8格式速度最接近bf16,而int8和4位格式较慢。所有日志、报告和脚本均已开源。

  7. 从Word2Vec到GPT-3:Embedding如何成为大模型的翻译官

    Embedding是将文本、图像等数据转换为语义向量的核心技术,经历了从Word2Vec到BERT、GPT的动态嵌入演进,并扩展至多模态。本文系统介绍了Embedding的概念、发展历程、常见模型及实际应用示例,帮助读者深入理解大模型处理流程中的关键环节。

  8. RAG、知识图谱与多智能体:AI搜索引擎如何决定引用谁

    2026年AI搜索引擎正在重构信息获取方式,GEO(生成式引擎优化)从概念走向商业化落地。本文从RAG检索增强、知识图谱、多智能体协同三项核心技术出发,梳理全栈自研、垂直专精、SaaS工具三类服务模式,并给出技术选型FAQ与趋势展望,帮助技术从业者理解AI搜索优化的底层逻辑与选型要素。

  9. GEO不是讨好AI:让内容被引用的三大策略与实战数据

    GEO(生成式引擎优化)是AI搜索时代的新兴优化范式,目标是让品牌内容被ChatGPT Search、Perplexity等AI引擎引用并出现在生成答案中。本文系统解析了GEO的核心概念、RAG架构工作原理、三大优化策略(E-E-A-T强化、结构化数据部署、语义完整性优化),并通过实战案例展示了优化前后的显著效果差异。