RAG 对 AI 回答和营销可见度的意义
检索增强生成会借助外部信息为 AI 回答提供依据,因此信息来源的可见度成为营销人员关注的问题。
随着越来越多人向 AI 寻求答案,营销人员面临的问题不再只是内容是否出现在搜索结果列表中,还包括内容是否被用于生成回答。 HubSpot 的检索增强生成(RAG)指南介绍了 AI 系统借助外部信息的一种方式,以及这一过程为何会影响品牌可见度。
RAG 是一种方法,AI 系统会在生成答案前,从外部知识库中检索相关资料。 检索到的资料会添加到模型的提示词中,为模型提供可用于撰写回答的来源信息。 这些额外的上下文有助于让回答以系统找到的资料为依据。
区别在于:是根据模型训练期间吸收的信息作答,还是在回答前查阅来源。 对营销人员来说,关键在于 AI 系统检索到的内容可能会影响它对某个品类或品牌的描述。 接收答案的人可能无法清楚判断答案背后的来源。
随着 AI 生成的摘要逐渐成为搜索体验的一部分,这一点尤为重要。 在一项针对 900 名美国成年人的浏览数据进行的 2025 分析中,Pew Research Center 发现,Google 显示 AI 摘要时,用户在 8% 的访问中点击了传统搜索结果。 未显示摘要时,这一比例为 15%。
这些发现表明,当点击链接的用户减少时,搜索结果页上显示的答案可能会发挥更大影响。 这些发现并不能证明某个特定页面一定会被 AI 系统选中。 HubSpot 指出,让机器更容易访问内容可能有所帮助,但不能保证内容会被检索或引用。
这对营销人员意味着什么
评估内容时,既要考虑 AI 检索,也要考虑传统搜索可见度。 优质页面依然有价值,但营销人员还需要了解系统如何发现和选择来源材料。 将机器可访问性视为对这一过程的辅助,而不是品牌一定会出现在 AI 生成答案中或获得引用的保证。