最近一直在利用喝茶時間消化 LLMs Search 相關內容，今天這篇文章簡單分享下這類大模型搜索的工作流程。

有興趣的朋友，可以關注下這次 Claude 4 更新時泄露出來的系統級 Prompt，這對于我們理解 AI Search 的工作原理有很多幫助。

且這類信息都是第一手資料了，非常有價值。

言歸正傳，其實大模型搜索與傳統搜索的工作流程根本上就是兩套邏輯，沒有什么共同性。

比如我們現在寫了一篇文章，然后發布到自己的網站。

傳統搜索引擎的爬蟲會到我們的網站上，抓取這篇文章的信息，然后通過切片分詞、相關性分析、排名等一系列操作，將我們的內容收錄到他們的索引數據庫中。

那后續用戶在搜索某個關鍵詞時，一旦其搜索詞與我們的文章內容有匹配出相關性，搜索引擎就可能會將我們的內容展示在用戶面前（會根據各維度的指標給一個初始的排名）。

而用戶看到搜索結果頁后，可能會去點擊我們的文章，也可能不會點擊，畢竟頁面上的內容實在有很多。如果你的標題內容與描述內容與用戶的搜索意圖不相關的話，大概率用戶不會點擊到你的網站。

其實上面這樣的流程，就是傳統搜索的大致工作流程，而這樣的流程完全不適用大模型搜索。

根據這次 Claude 泄露出來的系統級 Prompt 信息，可以看到大模型搜索流程似乎是更簡單了。

首先大模型搜索沒有索引庫，它不會提前收錄你的內容并做一系列初始操作，這點與傳統搜索完全不一樣。

但是因為大模型都是用數據訓練出來的，在進行數據訓練之前就已經抓取了非常多的數據，由此它們在前期就積累了非常多的原始信息。

其次大模型搜索會將用戶的搜索行為大致分為四類，分別是 never_search、do_not_search_but_offer、single_search，與 research。

比如我們現在搜索“美國的首都是哪里”這個詞條，由于這類信息基本是固定不變的，也就是我們通常意義上所說的信息詞，于是這類詞條便大致歸入 never_search 這個分類。

大模型搜索的處理邏輯就是直接在自己的數據集中，找到這個問題的答案并直接呈現給用戶，這個過程基本就是一個內部信息的搜索查詢，根本不會觸發外部信息的搜索。

類似 do_not_search_but_offer 這個分類，如果用戶搜索一些固定頻率更新的信息時，大概率會觸發這個分類的搜索邏輯。

比如用戶搜索“美國的人口是多少”，這個數據在大模型的數據集里大概率會存在，但數據可能并不是最新的。于是大模型就會直接去某個權威網站上，獲取最新的數據并直接呈現給用戶。

至于 single_search 與 research 這兩個分類的處理邏輯基本趨同，區別是處理簡單搜索還是復雜搜索。

比如“昨天 NBA 總決賽的比分”與“分析下昨天兩支球隊的技戰術策略”這樣的詞條，可能就會分別觸發這兩個分類的搜索邏輯。至于分析過程中的具體信息獲取，可能就會觸發更多的外部信息搜索了。

所以從上面的工作流程對比中，我能清晰發現 SEO 與 GEO 工作重心的不同。

在 SEO 時代，我們的主要工作任務是寫出符合用戶需求的內容，然后盡可能獲取高相關高權重的外鏈，來得到更高的自然搜索排名。

而 GEO 時代的邏輯變了，我們的任務重心變成了如何讓 AI 模型更多引用我們的網站內容。