Saya baru-baru ini berbincang dengan Jesse Dwyer daripada Perplexity mengenai SEO dan carian AI, memberi tumpuan kepada apa yang sepatutnya diutamakan oleh SEOs ketika mengoptimumkan untuk carian AI. Pandangan beliau memberikan panduan berharga buat pengeluar kandungan dan SEOs hari ini. ### Carian AI Hari Ini Jesse menekankan bahawa personalisasi sedang mengubah secara asasnya carian AI. Beliau menyebut, “Perkara paling besar dan mudah tentang AEO (Optimisasi Enjin Jawapan) berbanding SEO ialah ia tidak lagi satu permainan zero-sum. Dua pengguna dengan pertanyaan yang sama boleh menerima jawapan berbeza jika alat AI menggabungkan ingatan peribadi dalam tetingkap konteksnya (seperti Perplexity, ChatGPT). ” Peralihan ini berpunca daripada perbezaan dalam teknologi pengindeksan, menjelaskan perbezaan antara Pengoptimuman Enjin Geografi (GEO) dan AEO. Walau bagaimanapun, kebanyakan amalan terbaik SEO tradisional masih relevan. Mesej utama Dwyer ialah visibility carian tidak lagi bergantung kepada hasil yang konsisten di kalangan pengguna. Jawapan AI dipengaruhi oleh konteks peribadi, bermakna dua pengguna mungkin melihat respons dan sumber kandungan yang berbeza untuk pertanyaan yang sama. Walaupun infrastruktur kekal sebagai indeks carian klasik—Perplexity AI menggunakan sistem seperti PageRank yang menilai populariti dan relevansi laman—apa yang dipaparkan berbeza secara ketara berbanding carian tradisional. Apabila saya bertanya sama ada carian klasik biasanya menunjukkan laman teratas yang sama untuk setiap pertanyaan manakala carian AI menghasilkan jawapan yang berbeza kerana konteks perbualan, Jesse mengesahkan perbezaan ini. ### Pemprosesan Sub-dokumen: Perbezaan Utama dalam Carian AI Jesse turut menerangkan teknologi utama di sebalik carian AI: perbezaan antara pemprosesan dokumen keseluruhan dan sub-dokumen. Enjin carian tradisional mengindeks seluruh halaman web, memberi skor dan kedudukan sebagai satu unit tunggal.

Alat AI yang menggunakan model ini—seperti carian web ChatGPT—mengambil 10–50 dokumen teratas dan kemudian menggunakan model bahasa besar (LLM) untuk meringkaskan keputusan. Pendekatan ini, kadang-kadang digelar “4 carian Bing dalam jas trenchcoat, ” masih bergantung kepada carian algoritma berbanding penarikan AI sebenar. Kaedah ini sejajar dengan GEO atau Pengoptimuman Enjin Generatif, yang masih bergantung kepada penilaian seluruh halaman. Pendekatan baharu berasaskan AI—dikenali sebagai “pemprosesan sub-dokumen”—mengindeks dan mengambil maklumat yang sangat spesifik dan terperinci daripada potongan kecil, bukannya dokumen penuh. Dalam istilah AI, satu potongan (~snippet) terdiri daripada sekitar 5–7 token (2–4 perkataan) yang ditukar menjadi representasi numerik oleh arkitek transformer yang menyokong model seperti GPT. Apabila menerima pertanyaan, sistem mengumpulkan kira-kira 130, 000 token maklumat yang paling relevan (sekitar 26, 000 potongan) ke dalam tetingkap konteks model—jumlah kapasiti kebanyakan LLM terkini—dengan matlamat mengisi tetingkap ini dengan maklumat yang berkaitan. Pengisian tetingkap konteks secara penuh ini mengurangkan kecenderungan model untuk “mengada-adakan” atau mencipta maklumat palsu, membolehkan ia menghasilkan jawapan yang lebih tepat. Pengindeksan sub-dokumen ini adalah arah industri sekarang, justeru istilah AEO digunakan. Selain itu, personalisasi berlaku kerana LLM boleh memasukkan data yang luas tentang pengguna ke dalam konteks penuh—lebih daripada profil pengguna Google tradisional—menghasilkan keputusan yang unik dan disesuaikan. Syarikat seperti Perplexity membezakan dirinya dengan mengoptimumkan proses antara indeks dan pengambilan potongan maklumat menggunakan kaedah seperti pengaturcaraan pengiraan, penstrukturan semula pertanyaan, dan model proprietari yang secara kolektif meningkatkan relevansi potongan dan kualiti jawapan. Walaupun kurang penting buat SEOs, kemajuan ini juga menyebabkan API carian Perplexity sangat maju untuk pembangun yang ingin mengintegrasikan carian dalam produk lain. ### Ringkasan Pendekatan Pengindeksan Dwyer menyorot perbezaan antara: - **Pengindeksan dokumen keseluruhan:** Mengurus ranking dan pengambilan halaman web secara keseluruhan, dengan AI yang meringkaskan set akhir. - **Pengindeksan sub-dokumen:** Menyimpan dan mengambil maklumat sebagai fragmen yang sangat halus, dengan AI berfikir secara langsung berkenaan potongan ini. Pendekatan kedua ini meningkatkan ketepatan jawapan melalui pengisian penuh tetingkap konteks model dengan data relevan, membatasi penipuan dan menghasilkan jawapan yang lebih bernas. Akhir kata, Jesse menekankan bahawa “pengubahan pengiraan, ” penstrukturan semula pertanyaan, dan model pengindeksan proprietari adalah ‘rahsia’ mereka dalam mendapatkan potongan maklumat yang lebih relevan dan kualiti carian AI yang unggul. **Gambar Pilihan** oleh Shutterstock/Summit Art Creations