GEO优化
把GEO语料按「可引用单元」切块后,AI摘要命中率从9%拉到34%
116 1 45
先泼冷水:别急着调问句库,八成问题出在语料切块粒度上。
上个月接了个内部项目,客户官网有篇8000字的技术白皮书,AI摘要里只抓走了开头两段,后面关于参数对比、适用场景的硬货全没进引用。我一开始以为是索引延迟,蹲了三天日志,发现抓取请求是通的,问题在解析阶段——HTML里大量<div>套<div>,正文没进<article>也没上<section>,生成式搜索那侧的分块器直接按DOM层级切,切出来的块语义稀碎,命中率自然低。
我的做法是:把长文档按「一个可独立引用的语义单元」重新切,每个块控制在180-350字,块内自带主语和结论,块与块之间用<section>包住,标题层级严格H2/H3,别跳级。切完跑了一轮对照实验:
- A组:原样,摘要命中率9%(n=120条问句,跑3轮取中位数)
- B组:只加
<article>和<section>,命中率14% - C组:B组基础上再做语义切块,命中率34%
- D组:C组基础上给每块补一句「本段结论」,命中率31%——反而掉了3个点,我怀疑是结论句和正文重复导致块内熵值降低,分块器判定冗余。
踩坑细节说两个。第一,切块别按固定字数硬切,我一开始用500字一刀,结果把「参数表」和「适用条件」切到两个块里,AI引用时只抓参数不抓条件,答案直接跑偏。第二,块标题别用「概述」「简介」这种空词,要带实体名,比如「X200在低温环境下的功耗表现」,实测带实体名的块被引概率是空词块的2.3倍。
还有个反直觉的发现:C组里命中率最高的块,长度集中在220-280字区间,超过350字的块命中率掉到11%。我猜是分块器的窗口上限在作祟,但没拿到星芒API的切块参数文档,只能靠数据反推。
最后抛个问题:你们做语料切块时,块内要不要保留「本文档其他章节」的导航链接?我试过保留,命中率没变但引用位置更靠前了,不确定是不是采样偏差。
登录后可以为帖子点赞,但本帖内容对所有人开放阅读。
