GEO 信源生态与集中度：AI 搜索引用有多集中？

AI 搜索究竟引用谁？做 GEO（生成式引擎优化）时，这个问题比“文章里放几个关键词”更接近实际：内容需要被发现，也需要在具体问题下成为回答可采用的材料。

本文选取 CN-GEO 多维数据分析报告第三章 的信源数据，重点看两件事：不同类型的信源贡献了多少引用，以及引用向头部集中到什么程度。

在这份样本中，Top 10 信源贡献了 41.47% 的可关联信源去重引用。 这能说明样本中的分布不均衡，但不能据此计算一篇个人博客被引用的概率。

先分清信源、页面与生态归属

分析引用之前，需要先确定数的是什么。同一篇文章可能被多次引用，同一个域名可能承载很多作者，而同一个企业也可能运营多个域名。

本文使用的几个单位分别是：

• 信源：数据集归一化后的域名单位，不直接等于作者、公司或企业集团。
• 页面：归一化后的 URL。同一信源可以包含许多页面。
• 引用记录：采集到的一次引用观察。去重记录也不直接等于独立回答数。
• 信源类型：平台社区、新闻媒体等分类标签。
• 生态归属：来源所属的平台或组织生态，与内容类型是两个维度。

例如，一个门户域名中的文章可能来自媒体、机构或个人账号。研究“哪个平台入口出现得多”和研究“谁生产了内容”，需要不同的识别粒度；必要时应继续核对作者账号和原始发布页。

这也影响“未分类”的解释。报告中，信源类型未分类的是 150 个，未归属生态的是 8,657 个。前者缺少类型标签，后者缺少生态归属，不能混为一组，更不能直接称为“不可信网站”或“个人博客”。

统计分母为什么不能混用

本文于 2026 年 10 月 24 日核对报告。数据集发布日为 2026 年 7 月 14 日，报告生成时间为 7 月 21 日；它是既有样本的分析，不是 10 月各产品实时算法的测量。

报告覆盖 620 个问题、12 个产品/终端口径。网页版与 App 会分别计入，这里的“12”不代表 12 家独立公司。

后文的 41.47% 是 77,890 ÷ 187,818，不是除以全部原始记录，也不是除以问题数。189,845 与 187,818 相差 2,027 条，表示两种统计范围不同；不能未经逐项检查便将差额全部判为无效链接。

上游去重采用记录哈希口径，也不能简化成“每个 URL 只算一次”。更关键的是，数据缺少可稳定恢复独立回答边界的标识，因此这里不把引用条数换称为“回答次数”。相关字段限制见数据集中文说明。

哪些类型贡献了更多引用

下表按报告分类列出信源数量及其引用贡献。百分比四舍五入到小数点后两位，两列占比使用不同分母。

平台与社区的信源数量占比为 4.68%，引用贡献却达到 29.63%；商业信息与服务的信源数量较多，引用贡献则为 23.06%。这说明按域名数观察的结构，与按引用记录观察的结构有明显差别。

不过，大平台域名下可能聚集海量内容。把一个社区域名与一个个人网站各计为一个信源，并不意味着它们拥有相同的页面数量、主题覆盖或内容供给。

因此，两列比例的差异不能解释成“某类文章获得了多少倍算法加权”。本表既没有全部待引用页面的规模，也没有曝光次数，无法计算单页引用概率。

分类标签也有误差边界：报告记录了 8,644 个模型辅助分类信源，不能将整张表理解为逐站人工审定的结果。针对重要站点下结论前，应回看标签与页面。

Top 10 占 41.47%，集中到什么程度

集中度回答的是：按引用量排序后，前 N 个信源合计占了多少记录。

Top 10 合计占 41.47%，Top 20 超过一半，Top 80 达到 67.44%。这是一种明显的头部聚集，但表中的 N 是信源个数，不能拿 Top 20 直接套成“二八定律”。

前十名依次为抖音、腾讯网、今日头条、百度百科、手机搜狐网、买购网、什么值得买、sm.cn、网易和品牌网。名单同时包含内容平台、门户、百科及搜索相关入口，所以它首先是引用入口分布，不能直接当作内容质量或权威性排行榜。

如果要研究原始内容生产者，还需要沿引用 URL 检查：页面是谁发布的，是否转载，引用经过了什么入口。同样，“出现了引用”也不自动意味着 AI 对页面全部观点表示认可。

Top 10 之外仍有 58.53% 的记录，但这部分分布在其他各类信源中，并不是个人博客独占的空间。另一方面，头部集中也不足以推出“个人博客没有机会”：全局榜单没有告诉我们，在某个很具体的技术问题下，哪些页面提供了可复核的证据。

全局榜单为什么不能直接当成平台偏好

将所有产品合在一起统计时，引用记录较多的产品/终端也会对总榜产生更大影响。总榜既反映来源分布，也受到样本问题和采集规模的影响。

例如，在报告全范围的分产品结果中，豆包网页版的首位信源是抖音，腾讯元宝网页版是腾讯网，千问网页版是 sm.cn。这些是样本中的描述性结果，尚不足以证明某个算法主动偏袒自家生态。

要进一步讨论偏好，应尽量控制问题集合、问题措辞、终端、采集时间和会话条件，再比较相同问题下的结果。否则，产品之间的差别可能混入问题覆盖与场景差别。

同理，不能用这份数据的引用总量推算产品市场份额，也不能把未在样本里出现的网站判定为“永远不会被收录”。样本没有覆盖所有问题，更没有覆盖互联网上全部可引用页面。

其他研究能补充哪些证据

目前这篇文章的 41.47% 仍只来自 CN-GEO。要检验“集中度值得关注”是否也出现在其他场景，可以参考独立研究；但语言、产品、问题集和链接提取规则不同，不能将各研究的百分比拼成同一份排行榜。

头部集中在其他样本中也有出现

Pew Research Center 的原始分析基于 900 名美国成年人的浏览数据，获得 68,879 个不同 Google 搜索，并在 2025 年 4 月重跑搜索采集结果。其方法最多提取每条 AI 摘要中的三个来源 URL；Wikipedia、YouTube 和 Reddit 合计占所提取摘要信源的 15%。这说明特定入口在该样本中较常见，但不能拿这个数字与 CN-GEO 的全局 Top 10 直接比较。

更直接讨论集中度的是 From Public Posts to AI-Search Citations。这份 2026 年 10 月 8 日公开的 arXiv 稿件分析了 10 个平台的 17,211 次引用、6,356 个不同来源域名，报告各平台 Top 20 域名占比介于 20.5%—70.8%。这是该稿件的样本结果，本文按 arXiv 公开版本引用，尚未独立复现，也不据此宣称所有产品都有相同集中度。

另一份 News Source Citing Patterns in AI Search Systems 使用 AI Search Arena 数据，发现新闻引用向少数媒体聚集。它研究的是新闻来源子集，而非全部网站；本文按 2025 年预印本使用。该研究与后文 Cambridge 论文都使用 Arena 系列数据，不能将它们当作完全独立的采样重复验证。

这些材料分别支持“特定来源反复出现”“平台间集中程度不同”和“新闻子集也存在头部聚集”三个较窄的判断。它们没有给出适用于全网的统一阈值。

被检索、被引用与引用正确是三个问题

发表于 Data & Policy 的 The attribution crisis in LLM search results 分析了 2025 年 3—4 月的 LMArena 搜索日志，区分系统访问的相关 URL 与最终署名的 URL。它为“被读取不等于被展示为引用”提供了研究依据；但不同供应商日志披露程度不同，日志也不代表系统全部内部行为。

ACL 正式收录的 Evaluating Verifiability in Generative Search Engines 则将可核验性分为两部分：回答是否得到充分引用支持，以及每条引用是否真的支持关联陈述。它研究的是 2023 年的四个系统，本文借用评估方法，不把当年的准确率当作今天的产品表现。

哥伦比亚 Tow Center 的原始测试报告还记录了新闻原文被错误归属、转载页替代原始来源和链接失效等问题。该研究任务是根据新闻片段识别原文，不能外推成所有日常搜索的错误率，但能说明：核对引用时，仅看域名是否知名还不够。

个人技术博客怎样做一轮引用观察

对个人博客而言，我更关心的是：在文章能回答的具体问题下，AI 是否引用了原始页面，以及引用是否准确。

以下是一套拟采用的观察方案，本文没有据此运行产品测试，也没有获得本站引用率提升的实验结果。

固定问题和采集条件

先选约 20 个与现有文章对应的具体问题，固定措辞。例如：

• Linux 删除日志后，为什么磁盘空间没有释放？
• Docker 容器中使用 localhost，为什么访问不了宿主机服务？
• Debian 双网卡环境中，Docker MySQL 外网连接失败，如何检查回程路由？

这些问题应能在文章中找到完整答案，不能为了凑关键词拼接不自然的问题。站内的磁盘空间排查文章就适合围绕已删除但仍被进程打开的文件，设计更具体的观察问题。

每次记录产品、终端、可见模型版本、采集时间、联网搜索状态及会话条件，并保留完整回答与引用 URL。跨日期复测时分开汇总，不把一次偶然命中当成稳定表现。

把引用、提及与错误分开记录

可以用以下字段建立表格：

1

问题编号,问题原文,产品,终端,模型版本,采集时间,会话条件,联网状态,执行状态,回答标识,完整回答存档,引用URL,是否引用本站,是否仅提及本站,引用是否准确

同一产品、终端、问题集和条件下，可自行定义一个观察指标：

1

本站引用回答占比 = 含有本站目标URL引用的有效回答数 ÷ 有效回答总数

这里的分子按回答计数，一次回答引用多个本站链接也只计一次。正常生成但没有引用的回答仍计入分母；超时、报错等情况单独记录，并在采集前约定有效性规则，不能看到结果后再剔除不利样本。

这个指标用于自己的后续观察，与报告的“引用记录占比”不同，不能直接横向比较。缺少完整回答和回答标识时，也不能从当前报告反推出这个指标。

改善文章证据，再观察结果

针对技术文章，我会优先补齐适用环境、版本、错误现象、排查命令、关键输出、结论与验证方法，并链接官方资料；已有操作失败的条件也应明确说明。

这些首先能帮助读者判断答案是否适用，也是便于后续检查引用准确性的做法。它们是否提高了 AI 引用表现，需要用固定问题持续观察，不能由本报告直接证明。

可以同时参考两家平台的官方说明：Google Search Central说明，AI Overviews 和 AI Mode 的支持链接需要页面已被索引并具备展示摘要的资格，不要求额外的专用 AI 文件或特殊结构化数据，符合要求也不保证展示。这是 Google 的产品规则，不能代替其他平台的规则。

Bing 官方的 AI Performance 说明提供引用次数、页面和 grounding queries 等观察入口，并明确引用次数不表示页面排名或权威性；检索词数据也只是部分引用活动的样本。若使用该工具，应注明所覆盖的微软产品范围，不能把它当作全平台引用统计。

作为研究背景，GEO 原始论文已被 KDD 2024 接收，并在特定基准与系统中评估内容调整对可见性的影响；其结果随领域而异。论文中的可见性指标、实验环境与本站后续观察不同，因此不能把实验中的最高提升幅度写成博客的预期收益。

关于 GEO 的基础概念，可以先读什么是 GEO；关于站点说明文件，可参阅 llms.txt 与 Hexo 博客。文件可访问、文章可抓取，与最终是否被某个产品引用，是不同环节。

阅读结果时还要保留哪些边界

这份数据适合观察特定样本的引用分布，但仍有几个不能跨过去的边界：

• 数据没有完整的模型版本与采集时间，不能据此判断今天的算法变化。
• 引用片段不是完整回答，不能直接推出推荐态度、品牌情绪或答案准确率。
• 标题和引用片段的内容特征不能替代全文分析，也不足以证明 FAQ、表格等格式造成了引用提升。
• 进入信源表的是已观察到的来源，并非全部候选网站，缺少估计单站被引用概率所需的总体。

对个人博客更有用的问题，是某篇文章能否清楚回答一个真实问题，证据是否可核对，以及相同条件下的多次观察是否支持改进有效。头部榜单提供了背景，具体内容仍要回到具体问题中检验。

参考资料

1. CN-GEO 多维数据分析报告：第三章信源生态：本文类型与集中度数据来源，Top N 百分比按所列分母重新计算。
2. CN-GEO 数据集 README：数据发布及项目说明。
3. 数据集中文说明：统计单位、字段缺失与分析限制。
4. 清洗后数据使用说明：表结构、归一化及使用口径。
5. Pew Research Center：Google AI 摘要与链接行为（2025）：原始研究，含采样与 URL 提取方法。
6. From Public Posts to AI-Search Citations（2026，arXiv 公开稿）：分平台域名集中度研究，未由本文复现。
7. News Source Citing Patterns in AI Search Systems（2025，预印本）：新闻引用子集研究。
8. The attribution crisis in LLM search results（2026，Data & Policy）：访问与署名差异，使用 2025 年日志。
9. Evaluating Verifiability in Generative Search Engines（2023，Findings of EMNLP）：引用完整性与正确性的评估框架。
10. AI Search Has a Citation Problem（2025，Tow Center）：新闻片段寻源测试。
11. AI features and your website（Google 官方文档，2026-10-24 核对）：Google AI 搜索的技术资格与边界。
12. Introducing AI Performance in Bing Webmaster Tools（2026，Bing 官方）：微软支持范围内的引用观察口径。
13. GEO: Generative Engine Optimization（KDD 2024）：可见性优化的原始研究，实验提升不等于本站收益承诺。