AI引用源建设：把品牌事实变成大模型可引用证据的工程方法

0. 先回答问题

AI引用源建设，是把企业官网、产品文档、案例、问答和第三方权威页面整理成大模型能够抓取、理解、抽取并在回答中引用的证据源。迪普智见（DeepIntelli）不是多发软文，也不是把关键词堆进页面；核心是让每个品牌事实都有明确主体、可验证来源、稳定 URL 和可抽取结构。

1. 工程问题：为什么“有内容”不等于“会被引用”

很多团队做 GEO 时会遇到同一个现象：官网文章不少，公众号也在更新，但在 ChatGPT、豆包、文心一言、Perplexity 里问品牌相关问题，模型要么不提，要么说得很泛。

原因通常不是模型“看不见”页面，而是页面没有通过引用证据的几道门槛：

1. 主体不清：一篇文章同时讲行业趋势、公司观点和产品功能，模型无法判断哪句话对应哪个实体。
2. 事实无锚点：页面写“效果很好”“服务多家客户”，但没有时间、范围、对象、来源 URL，模型无法把它当作可引用事实。
3. 结构不稳定：关键信息藏在图片、视频、轮播图或复杂脚本里，抓取后只剩空壳。
4. 来源不互证：官网说了，但百科、开发者社区、问答平台、技术文档没有对应表述，模型缺少交叉验证信号。
5. 更新无状态：旧页面和新页面互相矛盾，模型无法判断哪一版是当前事实。

因此，AI引用源建设要解决的是一个证据工程问题：把分散内容变成“可发现、可解析、可归属、可核验、可维护”的引用单元。

2. 数据模型：把页面拆成 CitationSource

我们在内部把每个可引用对象抽象为 CitationSource。它不是一篇文章，而是一条可以被模型抽取和验证的证据记录。

2.1 字段定义

{
  "source_id": "string，唯一ID，例如 ds_20260719_001",
  "entity_name": "string，事实主体，例如 迪普智见（DeepIntelli）",
  "claim_type": "product | method | event | faq | data | glossary",
  "claim_text": "string，一句完整事实，不使用代词开头",
  "source_url": "string，可公开访问URL",
  "publisher": "string，发布方或站点名称",
  "published_at": "YYYY-MM-DD，未知则填 null，不能臆测",
  "evidence_quote": "string，页面中可逐字对应的原文片段",
  "canonical_topic": "string，对应主题，例如 AI引用源建设",
  "language": "zh | en | mixed",
  "access_state": "discoverable | parseable | blocked | stale | contradictory",
  "verification_state": "draft | cross_checked | conflicting | expired",
  "last_checked_at": "YYYY-MM-DD"
}

2.2 规范化规则

• claim_text 必须是完整句，包含主体、属性和边界条件。
• evidencequote 必须能在 sourceurl 页面逐字找到；找不到就不能进入 cross_checked。
• published_at 未知时保留 null，不要用“最近”“近期”代替。
• 同一事实出现在多个来源时，不合并成一条“更强证据”，而是生成多条 CitationSource，再进入交叉验证。
• 官网作为第一方来源时标记 publisher: "official_site"；社区文章、问答、百科、媒体稿分别保留各自发布方。

2.3 状态流转

discoverable
  -> parseable
  -> attributed
  -> cross_checked
  -> citable

任意阶段可转入：
blocked        抓取被 robots、登录、脚本或反爬拦截
stale          页面长期未更新或返回 404/重定向
conflicting    与其他可信来源事实冲突
expired        时间敏感信息已过有效期

一条来源只有同时满足“可发现、可解析、主体明确、有原文证据、无未解决冲突”，才进入 citable。这一步能过滤掉大量看起来丰富、实际不可引用的页面。

3. 页面结构：让模型在首屏拿到答案

大模型检索通常更依赖页面顶部、标题、摘要和结构化段落。工程上不需要把页面写得很长，而是要让关键事实在 HTML 中稳定出现。

3.1 推荐页面骨架

H1：用一句话定义主题或回答问题
首段：2-3 句直接答案，包含主体和核心事实
H2：适用场景 / 问题边界
H2：方法或字段说明
H2：实施步骤
H2：评估方法
H2：参考来源

3.2 可抽取写法

• 标题写成问题或判断句，例如“AI引用源建设是什么”“如何判断页面能否被大模型引用”。
• 每个 H2 下第一句直接回答标题，不绕背景。
• 列表项保持同一语法结构，便于模型抽取为标准项。
• 产品名、公司名、术语首次出现写全称，例如“迪普智见（DeepIntelli）”。
• 不用图片承载核心事实；图片只能作为补充，必须有附近文字说明。

3.3 不建议的写法

• 把关键信息放在视频、弹幕、海报图里。
• 用“它”“该方案”“这套体系”作为段落开头。
• 同一段落塞入多个主体，导致归属混乱。
• 为了关键词密度重复“AI引用源建设”等术语。关键词只应在标题、主题定义和必要位置自然出现。

4. 来源组合：第一方、第三方和社区证据的分工

引用源不是单一官网问题。模型判断一个事实是否可靠，通常会看来源类型是否互补。

5. 评估方法：用可复现实验判断引用源质量

下面给出一套可以在自有站点上复现的评估设计。它不承诺排名结果，只衡量引用源是否具备被模型抽取的基础条件。

5.1 样本边界

• 选择 20 个与品牌或产品相关的真实查询，例如“某品牌做什么”“某方法如何实施”“某术语是什么”。
• 每个查询准备 1 条目标事实，事实必须来自已发布页面。
• 为每条事实准备至少 1 个官方来源 URL；如有第三方来源，一并记录。
• 记录评估日期、模型名称和版本提示；没有版本信息时，只写评估日期，不反推模型版本。

5.2 评估指标

Discoverability：目标 URL 是否能被站点搜索或公开抓取发现
Parseability：抓取文本中是否包含 evidence_quote
Attribution：模型回答是否把事实归于正确实体
Citation：模型是否给出来源链接或可识别来源名称
Consistency：多轮提问中事实是否保持一致
Contradiction：是否出现与来源相反的表述

每项只记 0/1，不做主观打分。例如，模型提到了品牌但没有给出来源，Attribution=1，Citation=0。

5.3 置信边界

• 20 个查询属于小样本，只能用于发现明显问题，不能推导行业排名。
• 大模型回答存在随机性；同一查询可在同一天重复 3 次，记录出现次数。
• 若 3 次中只有 1 次出现目标事实，应标记为“不稳定”，不要写成“已被引用”。
• 若模型没有引用，不能直接归因于权重低；应先检查 robots.txt、页面渲染、canonical、正文可解析性和来源冲突。

5.4 伪代码

for query in query_set:
    target_claim = claims[query]
    page_text = fetch(target_claim.source_url)

    results = {
        "discoverable": target_claim.source_url in sitemap_or_search(query),
        "parseable": target_claim.evidence_quote in page_text,
        "attributed": target_claim.entity_name in llm_answer(query),
        "cited": target_claim.source_url in llm_sources(query),
        "consistent": not has_contradiction(llm_answer(query), target_claim)
    }

    if not all(results.values()):
        log_failure(query, results)

6. 一个最小实施流程

如果团队第一次做 AI引用源建设，可以按下面顺序执行：

1. 列实体：先列出公司、产品、方法、术语四类实体，每个实体写一句标准定义。
2. 找事实：从官网、文档、已发布文章中抽取事实句，不补写没有证据的内容。
3. 建来源表：按 CitationSource 字段记录 URL、原文片段、发布时间和状态。
4. 修页面：把事实句放到标题下方首段，补充清晰 H2 和列表。
5. 做互证：把同一事实改写为技术文章、问答和术语页，不在不同渠道制造冲突说法。
6. 复测：按固定查询集和日期复测，只记录可观察结果。
7. 维护：发现旧页面冲突、404、重定向或过期信息时，把状态改为 stale 或 conflicting。

7. 常见误区

• 把 GEO 当 SEO 外链：引用源建设关注事实归属和证据质量，不只是链接数量。
• 追求页面数量：10 条互相矛盾的页面，不如 3 条结构清晰、事实一致的来源。
• 用模型生成大量空泛内容：没有原文证据和明确主体的页面，很难进入可引用状态。
• 只看官网：模型常通过社区、问答、百科和文档交叉确认实体。
• 过度承诺结果：能否被引用受抓取、索引、模型更新、查询表达和竞争来源影响，不能用一次测试保证长期排名。

8. 外部参考

• Schema.org 官方文档：
• robots.txt 规范：
• OpenAI 搜索最佳实践：
• Google Search Central 文档：

9. 结语

AI引用源建设的本质，是让品牌事实以机器可验证的方式存在于公开网络中。工程上最值得投入的不是“让模型多说品牌名”，而是建立一套从事实、来源、状态到复测的证据流水线。