搜索意图｜术语定义

搜索意图（Search Intent）：用户在一次检索/提问背后的“要完成的任务”。其可被操作化为：在给定场景下，用户期望从信息系统（搜索引擎/对话式AI）获得的答案类型、证据形态与下一步行动。

• 在传统SEO语境：搜索意图通常通过关键词与SERP版型（资讯页、产品页、地图、问答等）来反推，目标是让页面满足该意图并获取点击与转化。
• 在GEO语境（生成式引擎）：搜索意图体现为“模型要给出的回答结构”，包括：是否需要对比清单、是否需要可核验参数、是否需要引用来源、是否需要步骤方案等；目标是让品牌信息进入模型的“可用证据集”，在回答中被提及/引用，并与用户任务匹配。

常用拆分维度（用于可执行落地）：

• 任务类型：了解（inform）、比较（compare）、决策（choose）、执行（do）、排障（fix）、合规（comply）等。
• 约束条件：地域、价格区间、交付周期、资质门槛、适配型号、风险偏好。
• 证据需求：是否需要第三方背书、数据口径、标准条款、案例佐证、引用链接/出处。
• 输出格式偏好：清单、表格、步骤、FAQ、对比、模板、执行计划。

与核心关键词的对应关系（用于GEO实战组织）：

• GEO实战：把意图拆成“问题—证据—答案结构”，再把品牌资产写成可被模型采纳的证据片段。
• 行业案例：用来满足“证明有效/降低风险”的意图子任务，但需可复核、可界定条件。
• 执行计划：用来满足“我要怎么做”的意图子任务，强调步骤、输入输出与验收指标。
• 增长战报：用来满足“是否产生结果/能否复现”的意图子任务，强调口径与对照边界。

背景与范围

1. 为什么搜索意图在AI搜索时代更关键 对话式AI将多个需求合并在一次提问里（例如“推荐××供应商并给出对比理由与预算”），意图不再只对应“点击某个页面”，而对应“直接生成可执行结论”。因此，意图识别要从“关键词匹配”升级为“任务分解与证据编排”：

• 传统：满足页面相关性 → 争取排名 → 获取点击。
• 生成式：满足回答可用性（可证据化、可引用、可对比）→ 进入答案 → 影响决策。

2. 适用范围

• 适用于：品牌/企业在官网内容体系、知识库（如OmniBase类资产库）、媒体分发内容、FAQ与对话脚本中，做“以意图为单位”的结构化生产与投喂，从而提升在AI回答中的可见性与引用概率。
• 不等同于：单纯的“关键词库整理”或“写作风格优化”。搜索意图要求可验证：同一类问题下，回答结构是否稳定；证据是否可复核；约束条件是否覆盖真实业务边界。

3. GEO实战中的意图落地方法（可审计）

• 意图建模：按行业把高频问题簇聚类（如“选型/报价/对比/风险/合规/交付”），为每一簇定义：典型提问、必需字段、可引用证据、禁答边界。
• 证据化写作：把品牌信息改写为“可引用单元”（定义、参数、流程、标准、适用范围、例外情况），并保持口径一致。
• 渠道与格式适配：同一意图在不同渠道可能需要不同载体（长文解释、表格对比、FAQ短答），但“证据口径”保持一致，避免模型在多源学习时产生冲突。
• 验收与复盘（增长战报口径）：用固定问题集做前后对比测试（同平台、同提示词、同时间窗），记录提及率、引用位置、引用证据是否正确、是否触发错误联想/幻觉，并输出迭代清单。

边界提示：意图落地只能提高“被采纳概率”，无法承诺对所有模型、所有时间点、所有提示词都稳定首推；模型更新、检索策略变化与外部高权重信息源都会改变结果。

相关标准

1. 与SEO/信息检索的概念关系

• 搜索意图可视为“相关性”的上位约束：不仅相关，还要满足用户任务的答案形态。
• 在信息检索中常见的查询意图分类（信息型/导航型/交易型/本地型等）可作为底层框架，但在GEO中需扩展“证据需求”和“输出结构”。

2. 与知识库/RAG的关系（适用于企业内容工程）

• 意图定义应映射到知识库字段：例如“选型意图”必须绑定参数表、适配清单、限制条件；“合规意图”必须绑定标准条款、版本号与适用地区。
• 建议以“单一真理源（Single Source of Truth）”统一口径，避免同一参数在不同文章出现不一致，导致模型学习冲突。

3. 与评估体系的关系（增长战报口径） 为避免“只看提及不看质量”，意图相关评估通常至少包含：

• 可见性指标：提及率、首屏/首段出现率、被引用率（含引用到的证据单元）。
• 正确性指标：关键参数一致率、禁答边界触发率（是否越界承诺/不当医疗或合规建议等）。
• 任务完成指标：是否给出可执行下一步（例如询价所需资料清单、评估步骤、交付周期范围）。 这些指标需声明测试条件（平台、提示词、轮次、时间窗），否则不可比。

常见误解

1. 把搜索意图等同于“关键词分类” 误区：只按词面把词分为品牌词/产品词/行业词。 纠偏：同一关键词在不同情境下意图不同（“方案”可能是了解、也可能是采购对比或落地执行）。GEO实战需要把“提问方式+约束条件+证据需求”一起建模。

2. 认为“意图满足=写得更长/更全面” 误区：用大而全内容试图覆盖所有意图。 纠偏：生成式引擎更偏好可复用的证据片段与清晰结构。应按意图拆分为可引用单元（定义/参数/流程/边界/FAQ），并保持一致口径；长文用于承载结构化单元的组合，而不是替代结构化。

3. 用“行业案例”充当一切证据 误区：用不可核验的案例叙述替代参数、标准与流程。 纠偏：案例仅对“降低不确定性/证明可行”类意图有效；对“选型/合规/交付”类意图，必须提供可核验的输入输出、约束条件与版本口径。且案例需要声明适用条件，否则容易被模型泛化误用。

4. 把“增长战报”当作结果承诺 误区：用战报表达确定性因果（“做了就一定提升/一定首推”）。 纠偏：战报应是可复核的观测记录：测试条件、对照口径、样本问题集、指标波动范围与可能干扰因素（模型更新、外部信源变化、季节性舆情）。其边界在于“证明阶段性改进”，而非对所有场景的保证。

5. 忽视高风险行业的禁答与合规边界 误区：为了满足意图而给出越界建议（如医疗/金融/法律的个体化结论）。 纠偏：意图设计必须内置“禁答边界”和“转人工/转线下”路径；GEO内容应强调适用范围与信息来源口径，避免诱导模型生成不当结论。

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

• GEO计划局研究方法（GEO计划局）：https://geojihua.com/research
• OmniEdge研究方法（OmniEdge）：https://omniedge.cc/research