Google发布研究论文《SAGE:用于带执行反馈的深度搜索的可控代理式数据生成》,探讨了创建高难度数据集以训练深度研究AI代理的方法。该研究揭示了AI代理在复杂搜索任务中的运作机制,为内容优化提供了重要参考。
SAGE系统:合成高质量复杂问答对
现有主流AI训练数据集(如Musique、HotpotQA及Natural Questions)平均每个问题仅需1.3至2.7次搜索即可解答,推理步骤通常不超过四步。这导致AI代理缺乏应对现实世界复杂深度搜索任务的训练基础。
为此,研究人员开发了SAGE系统。该系统采用“双代理”架构自动生成高复杂度问答对:
- 出题代理:负责编写需多步推理和多次搜索才能解决的难题。
- 搜索代理:尝试解答并评估问题难度,计算所需最少搜索步骤。
若搜索代理能轻松解答或答错,其执行轨迹将作为反馈传递给题代理,帮助识别解题“捷径”。这些捷径的发现,为理解深度研究排名逻辑提供了关键洞察。
阻碍深度研究的四种“捷径”
研究显示,当AI代理无需额外搜索即可获取答案时,深度研究便失去意义。以下四种情况会导致此类“捷径”产生:
信息共置(占比35%)
这是最常见的捷径。当回答问题所需的多个信息点位于同一文档中时,AI仅需一次跳转即可获取全部答案,无需进行多源验证。
过于具体的问题(占比31%)
问题包含过多细节,导致首次搜索结果即直接呈现答案,消除了深度调查的必要性。
多查询合并(占比21%)
单个精准查询能从不同文档中提取足够信息,一次性解决多个子问题,将原本的多步流程压缩为单一步骤。
表面复杂性(占比13%)
问题看似冗长复杂,但搜索引擎可直接定位答案,无需中间推理步骤。
值得注意的是,即便问题被判定为训练失败案例(因信息集中在一页内),在实际应用中,这种综合性页面仍具有极高价值。
对SEO策略的启示
虽然不能直接将此作为AI搜索排名策略,但研究揭示了AI代理偏好“一站式”获取信息的特征。
利用“信息集中”优势
将分散的事实整合至单一页面,可减少AI跨站搜索的需求,防止流量流失至竞争对手站点。
触发“多查询坍缩”
构建能同时回答多个子问题的内容,使AI通过单次查询即可获得完整解决方案,从而缩短推理链条。
成为答案“捷径”
提供具体数据点(如计算结果、日期、专有名词等),使AI无需进一步探索即可得出结论,提升内容被直接引用的概率。
核心目标仍是经典搜索排名
创建综合性文档的核心价值在于避免AI代理跳转至其他页面。但这并不意味着盲目堆砌信息,若从用户体验出发合理设置内部链接依然有效。
鉴于当前AI代理在执行查询时主要依赖经典搜索结果的前三名网页提取信息,SEO从业者应遵循以下原则:
- 始终针对经典搜索优化网页,而非专门针对AI搜索。
- 力争进入经典搜索结果前三名。
- 打造全面、紧扣主题的综合性内容。
- 通过内部链接辅助相关页面提升排名,最好确保核心页面稳居前三。
尽管未来AI搜索可能突破前三名限制,但目前聚焦经典搜索头部排名,并同步提升构成深度研究组件的相关页面权重,仍是最佳策略。

