理解 AI 搜索原理，才能知道品牌在哪些环节会丢失、失真或被替代。本章按「问题→候选信息→最终回答」拆开大模型搜索链路，并解释同一条问题为什么会得到不同答案。
看懂从用户问题到答案输出的关键步骤。
判断 AI 可能依赖哪些网页、媒体和资料。
知道为什么相同问题可能得到不同答案。
生成式搜索会理解问题意图，并结合模型知识、检索结果和可用上下文组织候选信息。
AI 收到问题后，不会立刻拍脑袋写答案。它通常先判断用户到底想干什么，再把问题拆成若干信息需求，寻找能回答这些需求的候选材料。像一位手速很快的研究员，只是偶尔也会看错重点。
“推荐一款系统”和“推荐一款适合 50 人团队、支持私有化部署的系统”不是同一道题。人群、场景、预算、地域、时间和风险要求，都会改变检索方向。
复杂问题往往会展开成产品能力、适用对象、价格、实施条件、第三方评价等子查询。企业内容如果只重复一句口号，面对这些子问题就像只带了一把勺子去修电脑。
页面首先要能被访问，其次主题要与问题相关，最后重要事实要足够清楚和可信。名称混乱、日期缺失、结论藏在图片里，都会增加信息被忽略或误读的概率。
模型会压缩、重组和比较不同来源，因此品牌内容既要完整，也要方便被拆分、验证和引用。
候选材料到齐后，AI 会做一件人类开会时也常做的事：把几十页材料压成几段话。不同的是，它压得很快；相同的是，材料一乱，结论也可能跟着乱。
系统会比较候选来源的相关性、清晰度和可信度，再重组为定义、比较、步骤或推荐。内容不是越长越占便宜，而是越能独立回答一个具体问题越有用。
重要结论后应紧跟条件、数据、时间和来源。把“效率提升 50%”写成“在什么样本、什么周期、使用什么口径下提升 50%”，可信度会从广告牌升级成证据卡。
产品规格是事实，客户感受是评价，适用范围是条件，风险提示是限制。四者混在一句话里，模型容易“炖成一锅”；分开表达，用户也更容易判断。
模型版本、检索时点、用户上下文和提问方式都会影响答案，单次截图不能代表长期表现。
同一个问题今天问和下周问，答案可能不同；换个平台，变化可能更大。这不一定是 AI “记性不好”，而是它读取的信息、模型版本和回答路径都可能变化。
平台模型与索引不同，检索时点不同，问题表达不同，用户的地域、语言和上下文也不同。任何一个变量变化，都可能让候选来源重新洗牌。
一条回答像一张天气照片，能说明当时下没下雨，但不能代表全年气候。GEO 更适合看固定问题组在一段时间里的提及、语境、准确度和信源变化。
记录完整问题、平台、日期、语言、回答全文、引用链接和异常情况。测试品牌词与非品牌词时分别归组，避免把“你了解 X 品牌吗”和“有哪些同类产品”混成一个指标。
把“哪个品牌更好”改写成 5 个不同意图的问题，并标出每个问题需要什么证据才能回答。