谷歌发表了一篇关于开发具有挑战性的数据集以训练AI智能体执行深层研究任务的研究论文，提供了关于智能体AI深度研究运作方式及其对内容优化的影响的洞见。论文介绍了SAGE（Steerable Agentic Data Generation for Deep Search with Execution Feedback，即具引导性的智能数据生成用于深度搜索并带有执行反馈），这是一种“双智能体”系统，旨在生成复杂的问答对，以训练AI搜索智能体。 此前的多个数据集，如Musique、HotpotQA和Natural Questions（NQ），涉及的推理步骤相对较少（每题平均搜索次数：Musique 2. 7次，HotpotQA 2. 1次，NQ 1. 3次），这在训练AI智能体处理真正困难的、多步骤的深度搜索问题时存在差距。SAGE通过如下方式弥补这一空白：一个AI生成需要多重推理和搜索的具有挑战性的问题，另一个“搜索代理”则尝试回答这些问题，并提供关于问题难度和执行情况（搜索步数和使用的文档）的反馈。当第二个AI轻松解决问题或失败时，执行轨迹会反馈给第一个AI，帮助其识别减低推理复杂度的捷径。 研究人员识别出四个主要的捷径，能让AI代理避免深入研究： 1. **信息共地（35%）**：关键答案信息集中在同一文档中，减少搜索次数。 2. **多查询融合（21%）**：单一高效查询能在一次搜索中从不同文档获取足够信息。 3.

**表面复杂（13%）**：问题外观看似复杂，但实际上可以直接通过搜索答案，无需中间推理。 4. **过于具体的问题（31%）**：高度详细的问题使得在第一次搜索时就能得到答案，无需深入调查。 这些捷径帮助解释了AI代理如何缩短深层推理步骤，同时也为SEO提供了相关启示。对于内容发布者而言，将碎片化的事实（“信息共地”）集中整合到一页完整内容中，可以减少AI在不同网站跳转的需求。“多查询融合”结构的内容则有助于AI快速找到完整答案，缩短推理链条。而提供明确的数据信息（如日期、计算、姓名）可作为快捷方式，帮助AI快速得出答案，这也符合SEO的目标。 尽管这些智能体AI的洞察很重要，论文强调，SEO的重点依然应放在传统搜索排名上。因为研究中的AI代理通过Google的Serper API，从每个查询的前三个排名网页中提取结果。因此，内容创作者应： - 主要优化传统搜索的网页。 - 追求内容全面、相关且在前三名中排名靠前。 - 通过内部链接相关页面，提升整体排名，也可能支持多跳深度研究。 - 不应只专注于AI搜索优化，因为当前AI系统主要依赖经典搜索排名。 总结而言，虽说智能体AI深度搜索带来了新挑战，但强调内容的全面性、结构合理、优化传统搜索的SEO策略仍然有效。由谷歌于2026年1月26日发布的这项研究，题为《SAGE：具引导性的智能数据生成用于深度搜索并带有执行反馈》。