预测答案引擎引用：开源决策模型与蒸馏4B重排学生模型
🧭 生成式引擎优化 · 引用预测重排蒸馏
TW3 Partners (Citead)
用LoRA微调Qwen3-Reranker-4B蒸馏27B决策模型，预测答案引擎引用份额，性能与教师差异不显著
📌 工作参考价值（4 点）
- 可直接复用其蒸馏思路：用大模型/决策模型（如Jev或开源27B）为候选内容打分作为教师标签，再用 LoRA 微调小参数量重排器（Qwen3-Reranker-4B），大幅降低线上打分成本且性能接近教师，适合电商/广告中预测 LLM 会引用哪些商品卖点、评论或内容。
- 教师打分方式影响学生上限：论文发现让教师逐条 passage 独立打分（而非 group 打分）能消除位置/上下文偏差，建议在构建蒸馏数据时同样采用 pointwise 标注，避免 listwise 评分中的锚定效应。
- 多引擎投票一致性可作为弱监督信号：十个引擎对同一候选源的引用具有组内 Spearman 0.704 的相关性，可用多个 LLM 裁判或引擎输出的一致票数生成伪标签，减少人工标注成本，实用性强。
- 开源了模型、基准、所有 scorer 预测和代码，可直接用于生成式搜索优化、内容营销预测，也可迁移到电商场景预测答案引擎会引用哪些产品描述或用户问答。
GLOBE：面向生成式搜索电商商品优化的结构化智能体记忆演化
🧭 生成式搜索 GEO · Agentic Memory ★ 深度解读
AI Lab, CTO Division, LG Electronics, South Korea
把商品改写策略存成字段级行为手册，用排名反馈持续演化、去冗余并淘汰有害策略
📌 工作参考价值（4 点）
- 将商品 listing 优化从整篇 prompt 改写拆成 field-scoped behavior：每个 behavior 定义 edit operation + 允许字段（title/features/description）+ 冲突关系，可避免跨字段错误和过拟合关键词；电商可直接把 SEO/GEO 规则落成这种结构化手册。
- 用 rank gain 作为反馈，按 batch 聚合并更新 behavior 的 helpful/harmful/neutral 计数、score = h+ - h-，设 probation Nmin=5 再淘汰；比逐 episode 更新更稳，适合在线排序反馈有噪声的场景。
- Moderator 做 embedding dedup（cos > 0.9）+ LLM 功能去重，再由 Curator 提交；防止反馈演化膨胀出冗余或过拟合 ranker 的 behavior，全流程保持 handbook compact，cross-ranker 迁移更好。
- 推理阶段冻结 handbook，只用 active behaviors 单次编辑，无迭代搜索；训练阶段多智能体成本高但线上轻量，可考虑把 handbook 蒸馏到小模型或作为静态规则库。
竞争感知的生成式引擎优化：组合策略选择
🧭 生成式引擎优化 · 竞争感知组合策略选择 ★ 深度解读
Capital One, AI Foundations
用BOCS搜索竞争感知改写策略组合，再经DPO蒸馏为selector，在GEO基准上大幅超越agentic方法并抗竞争饱和
📌 工作参考价值（4 点）
- 在电商产品详情页/广告文案优化中，不要只优化单品内容，要把同query下竞品内容一起输入模型，让策略模型做「相对优化」；生成式搜索/推荐场景中，竞争饱和会显著侵蚀固定策略收益，条件于竞争语料可以减缓衰减。
- 两阶段「离线搜索+在线蒸馏」范式可直接复用：用BOCS等组合黑盒优化在离线环境搜索最优策略组合，再用SFT+DPO将黑盒观测蒸馏成轻量selector LLM，部署时仅需一次推理，避免在线运行昂贵的Bayesian optimization。
- 构造DPO偏好对时，先用Welch's t-test过滤统计不显著的观测，再选Hamming距离最小的hard negative，使模型学会区分相似策略组合之间的细微性能差异，比随机偏好对更高效。
- 推理轨迹蒸馏时，给teacher提供特权评分卡但强制其从可观测内容特征推理，然后把内容条件化推理教给学生；上线前要做泄露审计，并注意改写可能带来faithfulness/attribution下降，建议加入检索与事实性约束。
中文生成式搜索引擎的引用与展示：大规模实证研究
🧭 生成式搜索评估 · 引用行为分析
Aidso Wendao Research Institute, Beijing Aichacha Technology Co., Ltd., Beijing, China
大规模实证分析中文生成式搜索的引用选择、品牌曝光及跨接口差异，揭示品牌选择率仅8.3%
📌 工作参考价值（4 点）
- 内容优化方向转移：预测品牌是否被生成式搜索引用时，跨源内容一致性（cross-source occurrence count）和内容匹配度比传统百度综合质量分更重要，SEO从业者应调整优化重心至多源内容协同。
- 监控“无源”品牌曝光：约13%的品牌曝光无法匹配到抓取的引用池，可能源自模型内部知识。电商品牌需专门追踪AI问答中的直接提及，而非仅依赖抓取结果。
- 时效性内容半衰期：高时效性查询被引页面的半衰期约39天，低时效性约68天。营销内容应据此频率更新，以维持生成式搜索中的可见度。
- 分端优化策略：同一平台的App与Web接口引用源集存在系统性差异，品牌若追求全端覆盖，需分别监控和优化两端表现，不可混为一谈。
生成式引擎可见性优化（GEO）批判性综述：2023-2026
🧭 生成式引擎优化方法论综述
Sciences Po
系统拆解生成式引擎优化全流程，揭示现有技术仅作用于已检索内容，缺乏可复现的有机发现与长期效果证据
📌 工作参考价值（3 点）
- 在 RAG 驱动的推荐/回答 Agent 中，可借鉴 visibility vector 拆解“被检索 → 被引用 → 被采用”的多阶段指标，单独优化内容格式（如加粗摘要、结构化列表）往往只能提升短期引用率，对真实语料库的发现性帮助有限。
- 采用该综述提出的重复测量、释义对照与多源干扰控制实验设计，能更可靠地评估知识库内容在 LLM 回答中的可见性，避免将随机波动误判为优化效果。
- 电商搜索/广告文案生成场景中，若依赖生成式引擎曝光，需警惕通用启发式技巧（如关键词堆砌）跨平台迁移失效，以及竞争者文案优化可能稀释自身流量，应优先保证论域相关性而非盲目套用 citation hack。
大规模生成式引擎优化：衡量品牌在AI搜索引擎中的可见性
🧭 生成式引擎优化 · AI搜索品牌可见性测量
Ranqo
首次对AI搜索引擎中的品牌可见性进行大规模测量，揭示品牌知名度三层阶梯与引用模式
📌 工作参考价值（4 点）
- 品牌权威性可用于生成式推荐的冷启动：论文量化了品牌知名度对提及率的巨大影响，电商平台内部LLM推荐产品时，可引入品牌层级特征，或主动补充中长尾品牌信息以缓解曝光马太效应。
- “best-of”榜单内容的高引用率启示：在生成商品描述或推荐理由时，可模仿榜单格式输出结构化推荐清单，提升信息密度和用户采纳率。
- 情感不稳定性警示：AI生成品牌相关文本时情感容易翻转，建议在面向用户的生成式推荐文案中加入实时情感校验或平滑机制，避免品牌形象波动。
- 多引擎差异化监控：不同AI引擎背后模型偏好不同，若业务中接入了多个LLM服务，需建立品牌展示的跨引擎对比看板，及时发现偏差。
面向网络化LLM搜索智能体的轨迹感知证据生态系统
🧭 Agent ★ 深度解读
ShanghaiTech University
提出生态系统生成引擎优化视角，通过导航入口与异构支持页面协同引导智能体浏览轨迹，提升目标产品推荐成功率