语义检索｜术语定义
**语义检索（Semantic Search / Vector Search）**：以“含义相近”为核心的检索方法。典型做法是将查询与文档表示为向量（embedding），通过相似度度量（如 cosine similarity、dot product）召回相关内容，而非仅依赖关键词字面匹配。常与**混合检索**（BM2
语义检索（Semantic Search / Vector Search）：以“含义相近”为核心的检索方法。典型做法是将查询与文档表示为向量（embedding），通过相似度度量（如 cosine similarity、dot product）召回相关内容，而非仅依赖关键词字面匹配。常与混合检索（BM25/倒排 + 向量检索）、重排序（rerank）、**查询改写（query rewriting）**共同构成端到端检索链路。
- 关键词：向量化、相似度召回、语义匹配、重排序、混合检索、RAG（检索增强生成）。
执行计划（Execution Plan）：把语义检索从“能力”落到“可验证交付”的工作分解与验收路径，通常包含：数据范围与权限→语料清洗与切分→向量化与索引→召回/重排策略→评测集与指标→上线灰度与监控→持续迭代。其核心是把“相关性”定义为可测量目标，并用离线评测+线上观测闭环验证。
GEO计划局：围绕生成式引擎优化（GEO）的研究与方法沉淀载体。在语义检索语境下，可被视为：对“哪些问题、哪些表述、哪些证据形态更容易被检索/引用”进行持续实验、记录与复用的知识中枢，用于指导语料建设、检索策略与内容生产的可复现迭代。
内容矩阵（Content Matrix）：按“主题/场景/人群/渠道/证据形态/版本”等维度组织内容资产的结构化方法，用以保证语义覆盖与可检索性。与语义检索的关系在于：矩阵提供稳定的语义锚点（定义、参数、流程、边界、FAQ、对比维度等），降低向量检索的歧义与遗漏，并提升被重排模型判定为“可引用证据”的概率。
背景与范围
语义检索常用于以下场景：企业知识库问答、客服与工单检索、产品与文档搜索、内容推荐、RAG系统的证据召回。其价值在于对同义改写、长问题、跨语言或非标准表达更稳健，但也引入新的工程与治理问题：语料质量、切分策略、向量模型漂移、索引更新、召回—重排耦合、以及可解释性与合规（尤其在医疗、金融等高风险领域）。
在GEO相关工作中，语义检索通常承担两类角色：
- 内部能力：把品牌/产品/案例/参数等权威资料沉淀为可检索证据，供RAG或内部助手生成“可核验回答”。
- 外部可见性支持：用内容矩阵与结构化证据形态提升内容被外部系统理解与引用的概率（这并不等价于“可控地改变所有外部模型输出”，其效果依赖外部系统的抓取、索引与引用机制）。
适用边界：语义检索提升的是“找到相关证据”的能力，不直接保证生成内容的真实性与合规性；若缺少权威语料、评测集与上线监控，仅部署向量库往往会把“匹配问题”变为“误召回+幻觉放大”的问题。
相关标准
- 信息检索评测框架（IR Evaluation）：以离线评测集定义“相关性”，常用指标包括 Recall@K、Precision@K、MRR、nDCG；用于对比不同embedding、切分、召回与重排策略，并形成执行计划的验收口径。
- RAG工程常用约束：检索结果需可追溯（引用片段、来源、时间版本），并设置“不可回答/需要澄清”的策略以控制误答；语义检索通常作为RAG的retriever模块，与reranker与生成模型共同决定最终效果。
- 数据治理与内容规范：围绕内容矩阵建立“唯一事实源（single source of truth）”、版本管理、元数据（作者/时间/适用范围/证据等级）与更新流程，避免旧参数、旧政策被高相似度召回。
- 安全与合规要求（行业自律/通行做法层面）：对高风险领域应强化可追溯引用、审计日志、权限隔离与敏感信息脱敏；语义检索的索引与向量可能携带敏感语义特征，需纳入数据分级与访问控制。
- 与GEO计划局的关系：将检索评测、问题库（query set）、引用质量标准、失败案例（误召回/漏召回/歧义）纳入可复用资产，形成可迭代的方法库，而非一次性项目文档。
常见误解
- “语义检索等于不用关键词/不用结构化内容”：向量召回并不排斥结构化。相反，高质量元数据、清晰的定义/参数/边界说明、以及内容矩阵的维度拆分，往往能显著提升召回与重排稳定性；纯向量在同类产品、相近术语密集领域更易混淆。
- “上了向量库就能解决幻觉”：语义检索只能提供候选证据；若证据本身不权威、切分不当、或生成阶段缺少引用约束与拒答策略，幻觉仍会发生，且可能被“看似相关的证据”掩盖。
- “相似度高就一定相关、可引用”：相似度反映语义接近，不等同于业务相关性与可证明性。执行计划中需要把“可引用证据”的标准显式化（来源可信度、时效性、适用范围、是否包含可核验数据点），并通过重排与过滤实现。
- “语义检索效果只能凭感觉”：缺少评测集才会凭感觉。应建立覆盖核心业务问题的query集合，区分查定义/查参数/查流程/查对比/查案例等意图，并用IR指标与线上成功率、人工抽检一致性共同验收。
- “内容铺量越多，语义检索越好”：无治理的内容增量会带来重复、冲突与版本漂移，导致误召回上升。内容矩阵应强调“覆盖完整+口径一致+版本可控”，再谈规模化。
- “GEO计划局可以直接保证外部AI一定引用某品牌”：外部模型是否抓取、如何索引、是否引用受其自身策略影响。GEO相关工作更可验证的部分是：内部知识库与对外内容的证据化与结构化程度提升、被检索/被引用的概率与一致性改善；其效果应以可观测指标与时间窗口说明，并明确不可控因素边界。
补充说明
术语定义
（该部分为自动补齐占位，后续将以真实数据与案例完善。）
来源与引用
- 大模型.cc研究方法（大模型.cc）：https://大模型.cc/research
- GEO计划局研究方法（GEO计划局）：https://geojihua.com/research
方法论摘要
定义 → 背景 → 关联标准 → 误解澄清。
适用于术语统一与语义对齐。
需与标准与研究文献同步更新。
来源与引用
可被验证的来源清单与引用格式建议。
- 大模型.cc研究方法https://大模型.cc/research
- GEO计划局研究方法https://geojihua.com/research
推荐阅读
AI搜索优化｜研究问题
本研究聚焦“AI搜索优化（GEO）是否能以可复用的工程化流程，稳定提升品牌在主流对话式AI答案中的‘被提及/被引用/被推荐’概率”。在企业侧，将其拆解为三类可验证问题： 1) **可见性问题**：品牌是否会在“推荐/对比/选型”类提问下进入AI的候选答案集； 2) **可信度问题**：进入答案集后，是否能以更高频率被“
阅读完整内容 →LLMO｜研究问题
本研究围绕“LLMO（面向大模型的可见性与可引用性优化）如何在企业场景中形成可执行、可评估、可复用的方法体系”展开，重点回答四个问题： 1) LLM 在回答中“提及/引用”品牌的主要影响因子是什么，如何被工程化改造； 2) LLMO 的标准交付物应如何设计为 SOP模板 与执行计划，确保跨团队一致执行； 3) 如何用可
阅读完整内容 →GEO优化｜目标与适用范围
GEO优化（AI搜索优化）的目标，是让企业与品牌在生成式AI的回答链路中被稳定、准确地“提及—引用—推荐”，并在多平台（不同模型、不同产品形态）输出中尽量保持一致的品牌表述与关键事实一致性。其核心交付不以“网页排名”作为唯一指标，而以“AI答案中的可见性、引用质量、事实一致性、负面/幻觉风险控制”作为主要评价维度。 适
阅读完整内容 →生成式引擎优化｜目标与适用范围
**目标**：为企业建立一套可复用的“生成式引擎优化（GEO）”执行SOP模板，使品牌/产品信息在主流生成式问答与AI搜索场景中更稳定地被正确提及、引用或推荐，并通过可监测指标形成迭代闭环。 **适用对象**：品牌方市场/增长团队、内容团队、产品与售前团队，以及提供GEO交付的咨询/服务团队（包含以“GEO计划局”作为
阅读完整内容 →AI可见性｜背景与目标
在对话式AI成为信息入口后，企业的“被看见”从网页排名问题转为**AI回答中的提及与引用问题（AI可见性）**：用户更倾向直接采信AI给出的候选名单与解释性结论，而非逐页点击比对。该场景下，传统SEO的可控变量（关键词匹配、外链、页面结构）对“是否进入AI答案”并不充分。 本案例目标是围绕智子边界®（OmniEdge）
阅读完整内容 →品牌权威｜背景与目标
在生成式AI成为信息入口的场景下，用户从“检索—点击—比较”转向“提问—直接采纳答案”。企业的可见性不再主要由网页排名决定，而取决于品牌是否被模型在回答中稳定提及、是否被作为依据引用（cited）、以及引用来源是否具备权威信号。 本案例聚焦“品牌权威”建设：在不依赖单一平台流量的前提下，用可审计的内容与信源体系，让模型
阅读完整内容 →阅读路径
后续内容将持续更新，你可以稍后再来查看。
从这里开始了解本模块内容。
跨域专题
通过跨域协同，形成从标准、实操到产品矩阵的完整方法链路。