AI 搜索如何推荐？抓包实测 5 家国产 AI 的搜索词与引用来源

本文转载自 opengeo.page，原文链接：https://opengeo.page/observations/001-suzhou-yimei/

来源：OpenGEO 项目。原文采用 CC BY 4.0 许可（文中第三方截图、引文与商标除外）；本次未转载图片。

一句话结论：AI 搜索不会直接拿你的原话去搜。它会先判断你的位置，把问题改写成多条搜索词，再从搜到的结果里挑出一部分交给模型。这几步各家做法不同，前面聊过什么也会掺进来，所以同一个问题，四家给出的推荐名单只有 2 家重合。

我在 5 家国产 AI 上问了同一句话：「苏州当地有哪些医美？」然后抓包看它们背后的请求。5 家都问了，但数据不齐：搜索词能对比的是豆包、千问、Kimi 3 家；最终回答能对比的是这 3 家加腾讯元宝；DeepSeek 这一问没有纳入对比，只在下一问里看到了多轮检索。这一问里能看到的差异，主要集中在下面三个环节。

图 1：从提问到回答的流程。黑框是这次抓包看到差异的三个环节。

本文要点

• 位置识别：3 家在问题之外处理了位置相关信息，例如 IP 归属地、浏览器定位权限、地区检索工具。

• 搜索词改写：同一句话，有平台改写出 1 条搜索词，有的 3 条，有的 5 条，方向也各不相同。

• 对话历史会进入搜索词和回答：其中一家把上一轮聊过的企业名带进了这一轮的搜索词，回答也按之前聊过的内容整个改了。

• 来源筛选：其中一家检索到 20 条素材，最后只把 5 条送进模型。

• 最终推荐：四家推荐的机构从 6 家到 16 家不等，四家都提到的只有 2 家。

• 对 GEO 的启示：要研究的是 AI 改写后的搜索词，不只是用户输入的关键词；测试推荐率时，会话上下文必须作为变量控制。

说明：诊所和药企名称用 XX 代替。【实测】是抓包里直接看到的，【推断】是根据实测推出来的，【未知】是没抓到或判断不了的。

AI 搜索会获取你的位置吗？

会，至少有 3 家这样做。

不过问题里已经写了「苏州」，所以这次判断不了定位有没有影响推荐结果【未知】。对本地服务类商家来说，值得关注的是：即使用户没写城市，AI 也可能自己判断出来。

AI 搜索实际搜的是什么词？

不是你的原话。AI 会先把问题改写成搜索词，即「查询改写」（Query Rewriting）。

腾讯元宝的改写词这次没抓到，DeepSeek 这一问没有计入。

图 2：同一句话改写出的搜索词，千问 1 条、Kimi 3 条、豆包 5 条。

三家的思路很不一样【实测】：

• 千问基本照原意搜。

• Kimi 加了排行榜、公立医院和产业方向。

• 豆包拆得最细，敏感肌、面诊避坑、光子嫩肤都单独搜了。不过这个对话里此前聊过护肤，「敏感肌」「红血丝」这类词很可能来自对话历史，不全是它自己拆出来的【推断】。

用户问的是「苏州医美」，AI 实际搜的可能是「敏感肌面诊避坑」。只围着原始关键词做内容，覆盖不到这些搜索。

聊过的内容会影响 AI 搜索吗？

会，而且不只影响搜索词。这次在豆包身上看到了完整的一条链。

搜索词里出现了上一问的企业。 豆包的第二条搜索词是「苏州姑苏XX医美诊所介绍」。我这一问没提过这家诊所，但它和我上一问「XX药业是什么」里的药企同名【实测】。

回答也按对话历史改了。 豆包的回答开头写「结合你的情况」，列出了几项肤质问题，还说某家机构离我所在的区很近。这些我在这一问里都没说，来自同一对话里更早聊过的护肤内容【实测】。和上一问药企同名的那家诊所，在回答里被单独列为一项，并标为重点【实测】。

脱敏说明：肤质、诊所名称和回答里对这家诊所的评价，这里都不写出。

对话历史出现在了搜索词里，也出现在了最终回答里【实测】。由此推断，AI 改写搜索词和组织回答时，都会参考对话历史【推断】。

要说明的是，豆包这个对话里，同样的三问此前已经问过一轮，「XX药业」在历史里出现了不止一次，影响可能被放大了。千问、DeepSeek 的对话里也有前一轮历史，但这次没看到同样的情况，不能因此说它们不用对话历史【未知】。

这对 GEO 测试影响很大：新开对话直接问，和聊了几轮之后再问，AI 搜的东西可能不一样。

AI 搜到的内容都会用吗？

不会。搜到、读到、引用，是三件事。

千问：检索 20 条，送进模型 5 条。 material_stat 字段显示检索到 20 条素材，最后送进模型的只有 5 条【实测】。这 5 条怎么挑出来的，还原不了【未知】。

图 3：千问检索到 20 条素材，送进模型的只有 5 条。

豆包：抖音和工商信息占比不低。 页面显示参考了 29 篇，我抓到其中 17 条带链接的来源【实测】：

此前问护肤品时，29 篇里也有 10 篇来自抖音。工商、备案这类实体信息，同样进入了引用。不过这些只是被引用的来源，不等于全部候选，各自权重多大看不出来【未知】。各平台的部分单独整理成了平台页：豆包、千问、Kimi、腾讯元宝、DeepSeek。

Kimi：一轮检索，引用定位到段落。 Kimi 搜了一轮，回答里标了 12 处引用，来自 8 个不同网页。每处引用都能关联到原网页里的具体段落，不只是一个网址【实测】。

DeepSeek：会根据第一轮结果再搜。 这组数据来自下一问：开着深度思考，问苏州光子嫩肤的价格。它先搜 5 个词拿到 30 条结果，打开 7 个网页；接着搜了 4 个更具体的词，细到「苏州市立医院 东区 光子嫩肤 M22 价格 单次」，再打开 3 个网页，然后才回答【实测】。这是另一道题，不能和其他平台直接比较，但说明有的 AI 会多轮追加检索【推断】。

AI 最后推荐了谁？

四家的推荐名单重合得很少。

四家都提到的只有 2 家：一家市属公立医院，一家全国连锁医美【实测】。被三家提到的有 5 家（不算 Kimi 末尾只列名字的 7 家）【实测】。

机构名单本身不是这次要比的，所以除计数外不列名字。回答原文含个人信息和对商业机构的评价，没有公开。

这就回到了开头的问题：位置、搜索词、来源、对话历史，每一步都不同，最后推荐的机构也不同。同一句话，在一家 AI 里被推荐，不代表在另一家也会被推荐【推断】。

这对 GEO 优化意味着什么？

• 研究 AI 改写后的搜索词，而不只是用户的原词。豆包的 5 条搜索词里，4 条带上了人群（敏感肌）、项目（光子嫩肤）、顾虑（避坑）或区域，没有一条是原话。内容能覆盖这些细分问题，才更可能被搜到。

• 测 AI 推荐率时，要控制会话上下文。同一个对话里聊过护肤，豆包的搜索词和推荐名单就都跟着变了。不说明是新会话还是连续会话的推荐率数据，很难复现。

• 被检索、被读取、被引用、被推荐，要分开看，也要分平台看。千问检索到 20 条只送 5 条进模型；四家的推荐名单只有 2 家重合。只看一家 AI 的最终推荐，既解释不了优化为什么有效，也代表不了你在其他 AI 里的位置。

常见问题

AI 搜索和传统搜索引擎有什么区别？

传统搜索直接按关键词返回网页排名。AI 搜索会先改写问题、可能多轮检索，再从结果里挑一部分交给模型生成回答。所以 AI 推荐并不等于「搜索排名靠前的网页」。

为什么不同 AI 对同一个问题推荐不一样？

从这次抓包看，原因至少有三个：位置处理方式不同，改写出的搜索词不同，从检索结果里挑选的来源也不同。之前聊过的内容也会改变推荐。这次四家的推荐名单，只有 2 家重合。

AI 搜索会参考之前的对话吗？

会。这次观察到一家平台把上一轮的企业名带进了搜索词，回答也按之前聊过的内容重新组织。其他平台没观察到，但不能排除。

GEO 优化应该从哪里入手？

先搞清楚 AI 针对你的行业会改写出哪些搜索词，再看哪些类型的来源容易被引用，比如官网、工商备案、短视频、媒体报道。测试时注意区分新会话和连续会话。

测试方法与局限

• 时间：2026-10-30 23:22 至 23:35（CST）；Kimi 另行采集，为 10-31 01:34 至 01:37

• 条件：单账号，单次连续对话，苏州电信网络

• 上下文：目标提问是会话第 3 问，前两问是苏州有名的护肤品和「XX药业是什么」。豆包、千问、DeepSeek 的对话里，同样三问此前已经问过一轮（未采集）；腾讯元宝、Kimi 是新对话

• 能看到：搜索词、部分检索结果与引用、部分埋点字段、工具调用名；豆包、千问、Kimi、腾讯元宝的最终回答

• 看不到：系统提示词、模型实际读了哪些正文、内部排序规则；腾讯元宝这一问的搜索词，以及 DeepSeek 这一问的回答（DeepSeek 这一问搜了 4 个词，数据里保留了，文中没有统计）

只测了一次，结论不代表平台的普遍表现，只能作为后续控制变量实验的假设。

采集步骤、各平台的模式和未知项，见采集方法。

脱敏后的抓包提取数据（搜索词、来源、工具调用、埋点字段，CC BY 4.0）已公开在 Hugging Face：Maodian/opengeo-observation-001。数据卡逐条列出了文中各项数字对应的记录，并写明了采集时间等细节。最终回答的原文含个人信息和对商业机构的评价，没有放进数据集。

数据与复算

文中大部分数字可以用公开数据自己算一遍。

数据集里有什么

数据集是 Maodian/opengeo-observation-001，复算用固定版本 0ef3c61，CC BY 4.0。共 6 个 JSONL 文件，一行一条记录：

本文用到的是 session = main（主会话三问）和 session = main_q4（DeepSeek 深度思考那一问）。字段说明见数据卡。

去掉了什么

• 不公开：原始请求和响应、请求头、Cookie 和鉴权信息、各类 ID、账号、IP 地址（只留城市「苏州市」）、经纬度、设备信息、回答正文、思考过程、网页摘要。

• 第 2 问的药企和同名诊所，在提问、搜索词、标题里换成 XX。能指向它的网址整条删除，只留域名，并标记 entity_masked = true。

• 人名换成「某某」，标题里的手机号换成「[电话已移除]」。网址只保留白名单内的查询参数。

• 四家的最终回答不在数据集里，所以「AI 最后推荐了谁」一节的机构数无法复算。

怎么复算

• 下载复算脚本 recompute.py（MIT 授权，只用 Python 标准库）。

• 运行 python3 recompute.py。脚本从 Hugging Face 下载上面的固定版本，先核对 5 个数据文件的 SHA-256，不符就停止。已经下载了数据的，用 python3 recompute.py --data 数据目录，不联网。

• 脚本逐项打印复算值和应为值。2026-11-08 运行结果：34 项全部一致，退出码 0。

各项怎么算：

几点说明：

• 医院官网的 2 条是同一家医院的两个页面。

• 千问的「1 条」只指 hotspot 模块的改写词。同一轮里 RAG 检索工具用了 2 条（主查询加子查询），20 条和 5 条也属于 hotspot 模块，见数据卡。

• 抓到的 17 条里，同名诊所相关的 6 条网址已删，公开数据只能核对剩下 11 个网址。

• turns.jsonl 里 Kimi 第 1 问的 user_prompt 是乱码（UTF-8 文字被按 Latin-1 解码），用 .encode(“latin-1”).decode(“utf-8”) 可以还原。不影响上面的数字。