AI 智能体
AI Agent
能够围绕目标安排步骤、调用工具并根据观察继续行动的软件系统。语言模型可以参与规划和决策，但行动权限、环境状态与停止条件由整个应用共同决定。
例如：采购助手先查部署条件，再比较候选，发现缺少价格便请求更多资料。它与只回复一段文本的机器人相比，多了行动、结果观察及继续决策的过程。
查看词条 →THE GEO GLOSSARY
GEO 术语
A
AI 概览
AI Overviews (AIO)
Google 搜索中针对部分查询展示的生成式回答区域。它把来自多个来源的信息组织成摘要，并可提供继续阅读的链接。它是特定产品功能，不能用来泛指所有聊天机器人的回答。
例如：买家搜索两种材料的耐用性，先看到综合说明及支持链接，再向下看到其他搜索结果。品牌出现在摘要、链接或普通结果中，是三种应分别记录的位置。
查看词条 →AI 可见度
AI Visibility
在明确的问题集、平台和时间范围内，品牌或资料在 AI 回答中被用户看到的情况。它可以包含提及、描述、引用或推荐，使用时必须说明正在统计哪一种事件及其分母。
例如：十份有效回答中有三份提到品牌，其中一份指出它不适合。这可以记录为三次提及，却不能直接写成三次推荐，更不是三个线索或三笔订单。
查看词条 →答案引擎
Answer Engine
围绕用户问题直接组织答案的信息服务，而不是只展示一组检索链接。实际系统可能结合语言模型、网页检索、专有数据、工具调用及界面编排，各产品的组成并不相同。
例如：用户问“适合三十人团队的本地知识库有哪些”，系统会解释候选和限制。这里的评价对象包括答案是否回答了采购条件，而不只是谁的链接排在更上面。
查看词条 →人工智能
Artificial Intelligence (AI)
研究和构建感知、学习、推理、语言处理或决策等能力的广泛技术领域。AI 包含许多不同方法；生成文本只是其中一种能力，不应与所有自动化软件混为一谈。
例如：一个商品系统可能先用识别模型读取图片，再用搜索系统寻找规格，最后用语言模型解释差异。这几个部分都与 AI 有关，却具有不同的错误模式和证据要求。
查看词条 →注意力机制
Attention
模型根据当前表示计算信息之间的关联权重，并用这些权重组合其他位置的信息。Transformer 的缩放点积注意力常写为 softmax(QKᵀ/√dₖ)V。Q、K、V 是输入表示经可学习投影得到的查询、键和值矩阵，dₖ 为键向量维度，softmax 按查询行归一化。
例如：在“仅企业版支持私有部署”中，模型需要把“企业版”与“支持”联系起来，而不是只留下产品可部署的结论。注意力提供信息交互机制，实际理解是否正确仍由输出验证。
查看词条 →B
C
思维链提示（CoT）
Chain-of-Thought Prompting (CoT)
用包含中间解题步骤的示例或指令帮助模型处理多步骤任务的提示方法。研究中的可见步骤是一种输出形式，不等于模型全部内部计算过程。
例如：比较总成本时，提示可以要求先列座席费、部署费与维护条件，再给结论。这样更便于检查算式是否使用同一时间范围，而不是只得到一个无依据的总价。
查看词条 →文档分块
Chunking
把文档组织为较小处理单元的过程，常用于检索、编码或上下文构建。分块可以按长度、段落、语义或文档结构进行，边界会影响保留的信息。
例如：若“免费版不支持”被分到前一块，而“私有部署”留在后一块，检索到后半句时就可能误解能力。表格标题、单位和脚注也有类似问题。
查看词条 →引用
Citation
答案向读者指出支持材料或信息出处的关联。它可能表现为脚注、链接或来源卡片。判断质量时既要看链接是否存在，也要逐条核对来源是否支持对应主张。
例如：答案称产品支持 Linux，却链接到只描述 Windows 的旧页面。页面地址可打开并不意味着这条引用有效；还需要核对版本、上下文和具体支持范围。
查看词条 →CITE 框架（术语辨析）
CITE Framework
GEO 从业材料中使用的一类助记框架名称。本栏目不把 CITE 当成统一算法或行业标准：阅读时需要核对具体作者给四个字母的定义、证据与实施范围。
例如：Hashmeta 的相关文章采用 Citation、Intent、Trust、Extraction 的展开方式。这能说明该作者如何整理工作，却不能证明每个 AI 平台内部都按四项计分。
查看词条 →端侧 AI
Client-Side AI
主要计算发生在用户设备或浏览器中的 AI 处理方式。它可能使用本地模型与本地数据，也可能与远程服务协作，实际数据路径需要检查应用实现。
例如：浏览器在本地归纳当前页面后，再由用户选择是否发送其他请求。这与所有内容都提交到远程推理服务的流程不同，但不能仅凭“本地 AI”标签确定全部行为。
查看词条 →上下文窗口
Context Window
模型单次处理可容纳的 token 上限。输入与输出如何占用额度由模型和接口确定；历史、工具结果和生成预算的分配也取决于实现。窗口标称大小不等于整段材料都能被同样有效使用。
例如：一次任务放入大量文档时，系统可能先删减历史或截取片段；即使没有超限，分散在长材料中间的限制条件也可能被漏读。应同时检查实际提交内容与输出。
查看词条 →抓取
Crawling
自动程序发现网址并请求页面或资源的过程。抓取取得的可能是初始 HTML、渲染后的内容或其他格式；不同程序的目的和执行能力需要分别确认。
例如：普通浏览器能在登录后看到价格表，而未登录抓取只得到提示页。服务器成功返回 200，也不能说明抓取程序实际取得了正文。
查看词条 →E
E-E-A-T
E-E-A-T
经验、专业性、权威性和可信度等内容质量概念，常见于 Google 的质量评估说明。它用于帮助理解高质量内容的特征，不是一个公开、统一的页面分数。
例如：一篇维修指南说明作者实际操作过哪些设备，给出测量条件和风险范围，比只有“行业专家”头衔更便于读者核查。资历与具体证据应当互相支持。
查看词条 →嵌入
Embeddings
把文本、图像或其他对象映射为数值向量的表示方法。向量空间中的距离或相似度可用于比较，但相似度的业务含义取决于模型、训练目标、输入和度量方式。
例如：“在自家服务器运行”和“私有部署”可能在某个表示空间中相近；“支持私有部署”与“不支持私有部署”也可能因多数词相同而靠近，所以还要检查否定和适配条件。
查看词条 →编码器—解码器
Encoder–Decoder
把输入表示与输出生成分为两个主要组件的架构：编码器处理输入，解码器依据表示逐步生成结果。也存在只使用编码器或只使用解码器的相关架构。
例如：翻译系统可先表示输入句子，再生成另一种语言。检索任务可能只需要用于表示或打分的编码器；生成式回答则需要输出序列的机制。
查看词条 →实体
Entity
信息系统希望识别为同一对象的人、组织、产品、地点或概念。实体区别于某个表面词串，可以通过名称、属性及关系与其他对象区分。
例如：公司名、产品名和 GitHub 仓库名相近，但分别代表运营主体、软件产品与源码入口。把它们写清楚，能减少把旧原型能力继承到当前产品的误读。
查看词条 →F
少样本提示
Few-shot Prompting
在任务输入中提供少量示例，让模型理解所需格式、标签或处理方式。示例主要改变当前上下文，不等同于对模型做参数训练。
例如：给出两条“主张—来源—支持状态”的标注样例，再让模型整理新回答，可以统一输出格式。例子若全部偏向同一品牌，也可能给后续判断带来偏向。
查看词条 →微调
Fine-tuning
在已有模型基础上继续训练，使其参数适应某些任务、领域或行为要求。微调会改变模型权重，与仅把文档加入一次提示或接入检索库不同。
例如：企业训练模型遵循固定的客服分类格式，是一种微调目标。把最新退货政策作为本次输入，则可以只改变上下文，并不意味着模型已经重新训练。
查看词条 →G
生成式人工智能
Generative AI
根据输入条件和训练得到的规律，生成文本、图像、音频或其他内容的模型及系统。输出是构造出来的内容，可能结合检索材料，也可能主要依赖已学到的模式。
例如：同一份产品说明可以被整理成摘要或对比表；输出的表达方式不同，仍需要逐条核对关键规格是否保留，以及是否新增了来源没有的结论。
查看词条 →生成式引擎优化（GEO）
Generative Engine Optimization (GEO)
围绕用户在生成式答案中的发现与决策需求，改善公开内容的可访问性、可理解性和证据质量，并用可复核的问题与回答检查变化的实践。原始研究提出了相应任务和实验指标。
例如：一个软件项目把部署限制、当前版本和运行示例讲清，随后在相同采购问题上复测。页面已改与答案已变是两个结果；是否由改动带来还要另做判断。
查看词条 →事实约束（Grounding）
Grounding
把生成结果或行动与可观察依据联系起来的过程，依据可以是文档、工具返回、环境状态或其他数据。基于文档来源的约束是其中一种形式。
例如：库存助手需要读取当前库存接口，再说明可购买数量；不是仅凭训练中的历史产品介绍来回答。接口数据是否及时、单位是否一致仍要核对。
查看词条 →H
幻觉
Hallucination
模型输出包含错误、虚构或缺乏可用依据的内容现象。判断时需明确参照对象：与现实事实不符、与提供的来源冲突，或在材料不足时擅自补充，可能是不同问题。
例如：官网只列出桌面版，回答却称存在移动 App；或引用真实文档但编造其中没有的性能数据。链接真实与结论真实必须分别核查。
查看词条 →混合 AI 架构
Hybrid AI
把不同运行位置或处理方式的 AI 组件组合起来的系统设计。常见例子是端侧预处理与云端复杂任务配合；“混合”需要说明具体混合了什么。
例如：设备先提取页面要点，服务器再结合外部文档完成比较。若前一步删掉了适用限制，后一步即使模型更大，也可能无法还原被丢弃的条件。
查看词条 →I
索引
Indexing
把取得的材料处理为可被检索系统查询的数据结构的过程。不同系统拥有不同语料和更新策略，同一网址可能在某个索引里可用，在另一个系统中不可用。
例如：页面已成功被下载，却因为规范化、重复内容或其他处理没有成为某个查询的可返回结果。访问日志只能说明请求发生，不能单独证明索引状态。
查看词条 →推理（Inference）
Inference
在模型训练之后，使用已有参数处理新的输入并产生输出的计算过程。在机器学习语境里，这个词不专指逻辑推导，也包括分类、向量编码和文本生成。
例如：模型读取采购问题并逐步产生回答，属于推理阶段；为了让模型改变参数而继续训练，则是另一阶段。中文里“做推理题”与这里的术语含义并不完全相同。
查看词条 →K
L
大语言模型（LLM）
Large Language Model (LLM)
通过大量语言相关数据训练、能够处理和生成文本的模型类别。它使用参数表示所学习的规律，通常通过 token 序列进行输入输出；“大”没有一个跨机构固定门槛。
例如：模型能够解释“私有部署”和“权限迁移”的关系，但产品是否真的支持这些能力，仍应由当前文档和可验证证据决定，不能只看模型说得是否熟练。
查看词条 →llms.txt
llms.txt
一种供信息系统和开发者参考的网站内容说明提案，以可读文本组织入口及相关材料。它不等于 robots.txt 的抓取规则，也不等于搜索引擎的标准索引提交接口。
例如：开发文档可以把稳定入口、关键文档与使用说明集中列出，方便采用该约定的工具查阅。文件中的链接仍需可访问，摘要也需与实际页面一致。
查看词条 →M
机器学习（ML）
Machine Learning (ML)
通过数据和优化过程学习某种输入输出关系，而不是为每种情况单独手写规则的方法集合。监督学习、无监督学习和强化学习处理的信号及任务并不相同。
例如：搜索系统可以从标注数据学习哪些页面更相关；另一个系统则用语言任务学习生成。两者都使用机器学习，但训练目标不同，不能假定对内容作同样评价。
查看词条 →多模态模型
Multimodal Model
能够处理两种或更多信息形式的模型，例如把文本、图片或音频放到相关的表示或生成流程中。具体支持的输入输出类型和对齐方式要看模型及产品实现。
例如：用户上传设备铭牌和文字问题，模型尝试读出型号并解释参数。这里既有文字识别，也有图文关系判断；误读一个单位就可能改变最终比较。
查看词条 →N
自然语言处理（NLP）
Natural Language Processing (NLP)
让计算机处理人类语言的一组任务和方法，包括分词、实体识别、分类、翻译、检索与文本生成。不同任务关注语言的不同层面，并不共享一个统一准确率。
例如：系统从句子里识别公司名，再判断用户是在问价格还是迁移成本，之后寻找相关材料。公司识别错了与需求理解错了，需要分别核查和修复。
查看词条 →神经网络
Neural Network
由多层可学习变换组成的计算模型。输入经过权重、偏置和非线性运算得到表示或输出；训练通过优化这些参数，使模型在给定目标下表现更好。
例如：一句产品介绍可以被网络变成向量，随后与采购问题比较；也可以被生成网络用于续写。结构与目标不同，得到的用途和可解释性也不同。
查看词条 →P
参数
Parameters
模型在训练中学习到的数值，例如权重与偏置，用于把输入转换为表示和输出。参数规模描述模型的一种容量特征，但不同结构、数据和训练方式会改变其实际表现。
例如：同样规模的两个模型可能在代码、语言或检索辅助问答上表现不同。某个模型认识品牌，也不能据此定位到一组能够直接修改的品牌专属参数。
查看词条 →位置编码
Positional Encoding
向模型表示注入序列顺序信息的机制。注意力本身需要结合位置信息才能区分不同排列；原始 Transformer 使用了一种位置表示，后续模型还有其他设计。
例如：“甲收购乙”和“乙收购甲”使用相近词汇，但关系方向不同。序列顺序和句法条件共同决定含义，不能只统计词有没有出现。
查看词条 →提示词
Prompt
模型在某次任务中接收的输入文字、指令及相关材料。它可以包含问题、约束、示例和历史信息；用户在界面中看见的一句话未必是完整模型输入。
例如：“有哪些知识库”与“有哪些适合二十人团队、本地部署的知识库”会对应不同需求。后者增加了实际决策条件，但仍可不带目标品牌名。
查看词条 →提示链
Prompt Chaining
把多个提示任务按依赖关系连接，让前一步的结果成为后一步的输入。它可以把资料提取、核查和表达分开，但每个环节仍可能产生或放大错误。
例如：流程先提取采购约束，再寻找候选，最后生成比较表。如果第一步把“必须本地部署”遗漏，后面即使格式完美，也可能围绕错误需求完成整条链。
查看词条 →R
检索增强生成（RAG）
Retrieval-Augmented Generation (RAG)
把外部材料的检索与语言生成结合的系统方法。模型在回答时获得选出的文档或片段，以此补充参数知识；检索器、数据源和生成方式可以有多种实现。
例如：系统先找当前版本的部署文档，再回答许可和安装问题。如果只召回旧文档，或把企业版说明用于社区版，联网也可能输出错误结论。
查看词条 →robots.txt
robots.txt
网站向遵循机器人排除协议的抓取程序表达访问规则的文本文件。它针对抓取行为提出规则，不承担登录鉴权、机密保护或所有搜索展示控制的职责。
例如：禁止某爬虫抓取一条路径，可能使它无法读取该页的 noindex 标签。若网址已从其他地方获知，抓取被阻止和网址在结果中完全消失也不是同一件事。
查看词条 →S
搜索引擎优化（SEO）
Search Engine Optimization (SEO)
围绕搜索用户需求，改善网站访问、内容表达和可发现性的实践。它涉及技术基础、资料质量、页面组织等工作，结果需要在相应搜索环境中观察。
例如：修复错误状态、合并重复地址、完善产品兼容说明，可能同时帮助读者和搜索系统。但发布一篇文章与获得目标查询展示之间还存在平台处理过程。
查看词条 →语义搜索
Semantic Search
尝试根据查询与材料的含义、上下文或意图寻找相关结果的检索方式。它可以使用向量表示或其他语言理解方法，常与精确词汇匹配组合。
例如：“资料必须留在公司内网”可以与“支持离线私有部署”的文档关联。但如果文档同时写着“仅高阶套餐”，这一限制仍需后续准确理解。
查看词条 →搜索结果页（SERP）
SERP (Search Engine Results Page)
搜索产品针对一次查询展示结果的页面。它可能同时包含网页链接、广告、信息卡片、图片和生成式区域；组成会因查询、产品与使用条件变化。
例如：在同一页里，品牌可能出现在广告、普通链接和 AI 来源卡片三个位置。如果报告把它们合计为一个排名，读者无法判断实际获得了什么展示。
查看词条 →服务端 AI
Server-Side AI
在远程服务器或云端基础设施上执行主要 AI 计算的方式。用户通常通过网页、应用或 API 发送输入，再接收结果；服务器还可能编排检索与其他工具。
例如：浏览器提交采购问题，远程服务生成答案并逐段返回。页面看到的模型名称不足以说明后台检索器、路由、缓存或完整数据保留设置。
查看词条 →小语言模型（SLM）
Small Language Model (SLM)
相对于某一对照模型，在参数量、计算或存储需求上更紧凑的语言模型。“小”是相对描述，不能仅凭名称断定它适合哪台设备或能完成哪些任务。
例如：团队可能在笔记本上用较小模型分类文档，把复杂的多文档问答交给其他服务。是否更快、更省资源和足够准确，应在实际设备及任务上测量。
查看词条 →基于来源的事实约束
Source Grounding
让答案中的主张与具体、可核查的来源建立对应关系。重点是来源是否足够、是否匹配当前问题及是否支持该说法，而不是只把几条链接附在答案末尾。
例如：说明“社区版支持自部署”时，指向相应版本的安装文档，并保留许可和支持边界。若来源只写商业托管方案，就不足以支持社区版结论。
查看词条 →流式输出
Streaming
把结果在生成或处理过程中分批返回的交付方式，而不是等待全部完成后一次发送。它描述返回时序，不能单独说明内容质量、检索顺序或最终完整性。
例如：用户先看到前几段答案，随后来源卡片才出现。如果在一半时截屏，可能漏掉后文的限制、修正或引用，因此测试要记录是否真正结束。
查看词条 →结构化数据
Structured Data
用约定的字段和类型表达页面中可核查的信息，例如文章作者、产品属性或组织关系。网站常用 JSON-LD 表达这些信息，标记应与用户能看到的内容一致。
例如：文章页面可以说明真实作者、标题和修订日期；商品页面可以声明实际型号。页面没有的资质、评分或价格不能只写在机器可读标记里。
查看词条 →系统提示
System Prompt
应用向模型提供的较高优先级行为或任务要求的一种输入角色，可能规定输出格式、工具使用和限制。具体消息层级取决于平台与接口实现。
例如：同一模型被放在客服助手和代码助手里，应用可能配置不同的角色与工具。即使用户输入相同，完整运行条件也可能不同。
查看词条 →T
温度
Temperature
采样过程中调节候选 token 概率分布的一种参数，常通过用温度缩放 logits 后再归一化实现。较高或较低通常改变选择的分散程度，具体支持范围取决于接口。
例如：对同一教学概率向量改变温度，可以观察分布更平缓或更集中。但真实回答还受搜索结果、系统提示、模型版本和其他解码设置影响。
查看词条 →词元（Token）
Token
语言模型使用的离散处理单位，可以对应词、词的一部分、字符或其他编码片段。分词器决定如何切分，因此同一段文本在不同模型中的 token 数可能不同。
例如：中文句子、代码路径和英文产品名混在一起时，字符数与 token 数不会一一对应。计算输入预算应使用相应分词工具或实际接口返回的数据。
查看词条 →训练数据
Training Data
模型训练时使用的数据集合及其处理结果，可能涉及不同来源、过滤、采样和任务形式。它与一次运行时搜索到的网页或用户上传材料不是同一概念。
例如：模型可能从历史资料学到旧产品名，再在当前任务中通过检索看到新名称。回答混用新旧信息，需要分别检查来源与身份说明，而不是简单归结为官网没更新。
查看词条 →Transformer
Transformer
以注意力机制为关键组件的神经网络架构，2017 年的原始论文系统提出了相关设计。它通过表示、注意力和前馈变换处理序列，并结合位置信息。
例如：模型可以让当前词的表示与句子其他部分交互，进而区分谁执行了什么动作。阅读产品限制时，这种关联计算仍可能受到输入质量和任务条件影响。
查看词条 →V
Z
没有匹配的术语。可以换用中文、英文全称或缩写搜索。