AI 联网搜索的一条链路：改写、检索、排序、生成
开了联网之后，AI 回答一个问题大致走过四步：把问题改写成检索词，去公开网页抓一批结果，按相关性排序筛掉一批，再组织成一段话。这四步在厂商公开资料里都能查到痕迹，但每一步的细则，各家公开的程度差得很远。
第一步：查询改写
用户问的是一句自然语言，检索系统要的是关键词。中间这层转换，各家做法不一样。
DeepSeek 官方在上线联网搜索时披露过一个细节：面对复杂问题，系统会自动提取多个关键词进行并行搜索，再深入阅读多个网页后组织回答。也就是说它不是拿原句去搜，而是拆出若干个检索词分头跑。
千问公开的联网检索 Agent 里，明确列了查询分析、意图识别、相关性排序这些环节。
这步的工程含义很直接：一个页面如果想被检索到，它的用词要覆盖多种问法，而不只是作者习惯的那一种表述。
第二步：检索与抓取
检索范围的边界，各家在公开文档里写得比想象中清楚。
豆包用户协议 2.2.2 条原文写的是：若识别到用户有联网搜索意图或者用户主动选择了 AI 搜索功能，会以非人工检索方式自动搜索第三方网页链接的公开来源信息，回复内容上方会显示搜索来源和相关内容。这段话确认了两件事——它会进公开网页检索，以及它会展示来源。
腾讯云的元宝联网搜索 API 说明更细：搜索能力以互联网公开资源为基础，叠加腾讯优质内容生态（官方举例包括腾讯新闻、搜狗百科、企鹅号等），并对全网内容做收录、聚类、召回、排序、去噪，同时提供相关性评分、权威度等级、垂直信源和时效控制。
千问的联网检索 Agent 允许配置的东西更多：指定网站（最多 100 个）、信息时间范围、网页深度阅读、垂直工具、百度百科词条、图片视频、位置相关 POI。
第三步：排序与筛选
这一步是公开信息最少、传言最多的一步。
能核验的部分：检索机制、查询改写、时效控制、垂类过滤、指定站点、引用展示，这些在厂商文档里有明确表述。
不能核验的部分：任何形式的固定权重公式。网上流传的"某平台官网占百分之多少""某类内容权重是多少"，我没有找到官方出处。四个平台都没有公开过一份完整的消费端权重表。
这里的工程态度应该是：承认黑盒存在，不去猜里面的参数。因为这类传闻每个月都在变，追着它改页面，改完发现依据不存在。
第四步：生成与引用展示
拿到一批网页之后，模型读、摘、组织，最后输出一段话，附上来源。
豆包的协议里写明回答上方会展示搜索来源和相关内容，同时声明输出内容是对搜索来源信息的整合，标注了来源仍可能存在不准确之处。
千问的公开说明里提到引用追溯和支持多轮追问。
这里有个容易被忽略的点：模型摘走的是段落，不是整页。一段文字如果自身不能独立成立——主语靠上文、数据靠注释、结论靠上下文——它在被摘走的那一刻就会失真。这一点跟排名无关，纯粹是文本结构问题。
哪些是公开资料里查不到的
诚实列一下我查不到的东西：
DeepSeek 的引用排序规则、爬虫标识、站长指南，均未公开。 抖音 AI 搜索没有独立的信源或排序说明文档。 各家具体的收录频率、抓取深度、去重策略，都没有公开材料。
这些"查不到"不等于不存在，只等于没有官方出处。写技术方案时把它们标成未知，比编一个数字填上要好。
技术侧能做什么
既然黑盒部分猜不了，能做的就是白盒部分：
页面结构清晰，标题和段落层级分明，不要让关键信息埋在图片和扫描件里。 事实密度高，一段话里包含完整主体、完整数值、完整时间，摘走就能用。 用词覆盖多种问法，别只写行业内部的说法。 名称一致，企业全称、品牌名、域名在各处保持同一个写法，别让机器把你拆成好几个实体。
这几条的共同点是：它们都是页面本身就该做好的事，跟某个平台的算法偏好无关。
能确认的是怎么找信息，不能确认的是给了多少权重
把检索链路拆开看，公开的部分比想象中多——检索、改写、时效、垂类、引用展示，都有明文可查。不公开的部分也很明确——排序权重，没有一家给出官方数字。
工程上划算的做法是把前者做扎实，而不是猜后者。
主要依据：豆包用户协议（doubao.com/legal/terms）2.2.2 条；腾讯云联网搜索 API 文档；阿里云千问联网检索 Agent 文档；DeepSeek 联网搜索官方公告。标注"未公开"的项目表示未找到官方出处，不代表该平台没有相应机制。