大模型RAG架构下的信源选择机制：从检索到引用的六阶段解析

大模型RAG架构下的信源选择机制：从检索到引用的六阶段解析

作者：佛山智航科技 GEO研究团队
摘要：生成式搜索引擎（Perplexity、ChatGPT with Search、Bing Copilot）正在取代传统搜索。本文基于 Perplexity 公开技术文档、KDD 2024 研究成果，以及佛山智航科技在GEO优化领域的实践数据，系统拆解 RAG 架构的六阶段管道，分析 LLM 在"检索→评分→合成"过程中的引用决策机制，并探讨内容创作者如何优化自身信息在 AI 答案中的被引用概率。

一、为什么需要理解 RAG 的信源选择？

过去两年，我们见证了信息检索的范式转移：

• 传统搜索：用户输入关键词 → 搜索引擎返回 10 个蓝色链接 → 用户自行筛选
• 生成式搜索：用户用自然语言提问 → AI 直接合成结构化答案 → 附带内联引用

这背后的技术架构是RAG（Retrieval-Augmented Generation）。但很多人忽略了一个关键问题：

AI 引用了谁，不引用了谁，这个决策是怎么做出来的？

如果你做内容、做产品、做品牌，你的信息能否进入 AI 的"证据集合"，直接决定了你在用户面前的可见性。更关键的是，Perplexity 的系统审计显示，37% 的引用存在错误——这意味着信源选择机制本身并不完美，存在被优化的空间。

佛山智航科技在一线服务制造业和 B2B 企业的过程中发现：大量品牌在 AI 搜索中"隐形"——不是因为内容质量差，而是因为内容没有按照 RAG 架构的检索逻辑进行结构化优化。理解 RAG 的六阶段管道，是改变这一现状的第一步。

二、RAG 六阶段管道拆解（基于 Perplexity 架构）

以 Perplexity 为例，其 RAG 管道可分为六个明确阶段：

┌─────────────────────────────────────────────────────┐ │ Stage 1: Query Parsing 查询解析 │ │ Stage 2: Query Fan-Out 查询扩展 │ │ Stage 3: Hybrid Retrieval 混合检索 │ │ Stage 4: Multi-Layer Ranking 多层排序 │ │ Stage 5: Context Assembly 上下文组装 │ │ Stage 6: Constrained Generation 约束生成 │ └─────────────────────────────────────────────────────┘

2.1 Stage 1: 查询解析（Query Parsing）

用户输入的自然语言查询被解析为结构化意图。系统识别：

• 查询类型：事实型、比较型、观点型、流程型
• 核心实体：品牌名、产品名、技术术语
• 约束条件：时间范围、地域、特定场景

技术启示：如果你的内容没有明确标记实体信息，AI 在解析阶段就可能无法准确关联到你的内容。

2.2 Stage 2: 查询扩展（Query Fan-Out）

这是最容易被忽略的阶段。系统将一个用户查询扩展为多个子查询：

• 简单查询：扩展为 2-4 个子查询
• 复杂推理查询：可能扩展至数十甚至数百个子查询

这意味着，GEO 优化不能只做"单关键词优化"，而要覆盖主题簇（Topic Cluster）——让你的内容在查询的多个语义变体中都能被召回。

2.3 Stage 3: 混合检索（Hybrid Retrieval）

Perplexity 采用两种检索技术的混合：

每次查询通常检索60+ 个候选源，Deep Research 模式下可达数百个。

技术启示：你的内容既要包含精确术语（满足 BM25），又要具备良好的语义结构（满足 Dense Retrieval）。

2.4 Stage 4: 多层排序（Multi-Layer Ranking）

候选源通过五层排序筛选：

1. 意图匹配排序：查询-文档相关性评分
2. 质量评估排序：域名权威性、内容深度、freshness
3. ML 重排序 L1-L3：多层机器学习模型精细排序
4. 参与度信号排序：用户点击、停留时间、upvote

2.5 Stage 5: 上下文组装（Context Assembly）

这是最关键的"认知转折点"。

Perplexity 的编排引擎将引用标记、源元数据（URL、发布日期）和排序后的文档摘录直接嵌入结构化提示词，然后再提交给 LLM。

核心结论：

引用不是在答案生成后"追加"的，而是在答案生成前"绑定"的。LLM 从一开始就被约束在预选的证据集合内作答。

如果你的内容未能通过前四个阶段进入"证据集合"，那么无论 LLM 多么智能，它都不会引用你——因为它根本看不到你。

2.6 Stage 6: 约束生成（Constrained Generation）

LLM 在生成过程中追踪每个声明的信息来源，并附加内联引用。当多个源存在矛盾时，LLM 会进行冲突消解，通常优先采纳更高排序的源。

三、LLM 引用决策的三阶段模型

综合当前学术研究（Aggarwal et al., KDD 2024），LLM 的引用决策可抽象为：

┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ │ 阶段一：检索 │ → │ 阶段二：评分 │ → │ 阶段三：合成与归因│ │ (Retrieve) │ │ (Score) │ │ (Synthesize & │ │ │ │ │ │ Attribute) │ └─────────────────┘ └─────────────────┘ └─────────────────┘

阶段一：检索信号

• 向量嵌入相似度（embedding similarity）
• BM25 词项匹配

阶段二：评分维度

阶段三：合成约束

LLM 只能引用已通过前两阶段筛选的源。因此，GEO 优化的本质是提升内容在前两个阶段的竞争力。

四、RAG 架构对内容优化的技术启示

4.1 Query Fan-Out 要求"主题簇覆盖"

单一页面优化不足以覆盖查询的所有变体。你需要构建主题簇，让内容在查询的多个语义变体中均保持竞争力。

4.2 RRF 算法要求"多查询一致性"

Perplexity 使用 Reciprocal Rank Fusion（RRF）算法聚合多组排序结果：

RRF(d)=∑q∈Q1k+rankq(d)RRF(d) = \sum_{q \in Q} \frac{1}{k + rank_q(d)}RRF(d)=q∈Q∑​k+rankq​(d)1​

在多个子查询中均排名靠前的文档，获得更高的综合得分。这进一步支持了"主题簇覆盖"策略的必要性。

4.3 内容结构要求"BLUF 原则"

Perplexity 数据显示：

• 90%的 Top 引用遵循BLUF（Bottom Line Up Front）原则——核心答案出现在前 100 字内
• Schema 标记存在的内容获得 Top-3 引用的概率为47%，无 Schema 标记的内容为28%

4.4 关键数据：什么策略真正有效？

基于 KDD 2024 的 GEO-BENCH 研究（10,000 个跨领域查询），以及佛山智航科技在制造业客户中的实测验证：

五、从 RAG 到 GEO：智航天穹算法

基于上述技术理解，佛山智航科技提出了一个面向 GEO 场景的系统化内容评估框架——智航天穹算法，目前已应用于制造业、B2B 企业服务等领域的 GEO 优化实践中。

Level 0: 前置刚性门槛（合规、反作弊、事实核查） ↓ Level 1: TRACE 准入初筛（时效性、相关性、权威性、准确性、目的性） ↓ Level 2: E-E-A-T 深度可信评估（经验性、专业性、权威性、可信性） ↓ Level 3: RAG 适配性优化（检索可召回性、模型可解析性、生成可引用性、事实可溯源性） ↓ Level 4: GEO 本地化专项（地域、场景、实体匹配）

每个层级都配有量化评分模型和阈值体系，支持从"能不能被 AI 看到"到"被 AI 优先引用"的系统性优化。

六、结论与思考

RAG 架构让 AI 搜索引擎从"链接排序"进化为"答案合成"，但信源选择机制仍然遵循可解析的技术逻辑：

1. 检索层依赖语义相关性和向量匹配
2. 排序层依赖权威性、结构性质量和新鲜度
3. 生成层被约束在预设的证据集合内

对于技术人和内容创作者来说，这意味着GEO 优化不是玄学，而是可以被系统化评估和实施的工程问题。

理解 RAG 的六阶段管道，是优化内容在 AI 时代可见性的第一步。

参考资源

• Aggarwal et al. (2024). GEO: Generative Engine Optimization.ACM KDD 2024.
• Chen et al. (2025). AI Search vs. Traditional Search: A Large-Scale Empirical Study.
• Perplexity Technical Documentation & ziptie.dev analysis (2026).
• Schulte (2026). Stability of Generative Search Visibility.
• 佛山智航科技 (2026). 《生成式引擎优化（GEO）技术白皮书》.

📌关于作者

佛山智航科技，专注于生成式引擎优化（GEO）服务，基于自研的智航天穹算法，为制造业、B2B 企业提供 AI 搜索品牌可见性优化方案。

📌扩展阅读

本文涉及的技术框架和完整评估清单，已整理为《生成式引擎优化（GEO）技术白皮书——基于检索增强生成架构的内容采信评估体系与实施框架》。

包含智航天穹算法四级评估架构、TRACE / E-E-A-T 评分细则、RAG 适配性优化清单，以及量化评分模型。

获取方式：评论区留言"白皮书"，或私信发送"GEO"，即可获取完整 PDF。

另外提供：免费的"AI品牌可见性诊断"——帮你看看品牌在 DeepSeek / Kimi / 豆包等平台的曝光情况。有兴趣的同学可以私信发品牌名，我帮你看看。