大家好，我是Neo。

前两天我看到一篇很有意思的研究，标题就很扎心：《ChatGPT 在搜索之前，就已经知道它会推荐谁了》。

作者是 SEO 机构 Snippet Digital 的联合创始人 Suganthan Mohanadasan。他花了两个月时间，把自己的 ChatGPT 会话流量翻了个底朝天，读了几百段 ChatGPT 真实生成的搜索查询（search queries），得出一个让整个 GEO 圈子都沉默的结论：

ChatGPT 在抓取任何网页之前，就已经把一批品牌名写进了自己的搜索词里。如果你的品牌不在这份“内定名单”上，你的网站根本不会被它访问——技术优化做得再好，都是白搭。

这句话有多狠？它直接动摇了过去两年“AI 搜索优化（GEO）“的一大半方法论：什么结构化数据、页面速度、llms.txt、Schema 优化……在”名字都没被提到“这个前提面前，统统成了花架子。

今天我就把这篇研究拆开给你看，再聊聊它对咱们做独立站的到底意味着什么。

一、实验是怎么做的：直接读 ChatGPT 的“内心戏”

先说方法，因为这决定了结论的可信度。

Mohanadasan 发现，你问 ChatGPT 一个问题时，它会先把问题改写成自己的搜索查询，跑搜索、读结果、再回答。而这些查询就藏在你的浏览器下载的响应 JSON 里，字段名叫 search_queries（OpenAI 在 2026 年 8 月初把它从 search_model_queries 改名了）。

这不是什么漏洞，你的浏览器本来就需要这段 JSON 来渲染页面。你打开 DevTools，两分钟就能看到 ChatGPT 自己写的搜索词。

举个例子。他问 ChatGPT“最好的 AI 笔记软件是什么”（一个品牌名都没提），ChatGPT 写给自己看的搜索词是：

best AI note taking apps 2026 official pricing features Granola Notion AI Otter Fireflies Fathom Mem Limitless

注意看后半段：Granola、Notion AI、Otter、Fireflies、Fathom、Mem、Limitless——七个品牌名，用户一个都没提，搜索结果还没回来，这些名字就已经在查询里了。 这些名字只能来自模型自己的“记忆”。

然后 ChatGPT 又跑了 9 个搜索：

site:granola.ai pricing features AI meeting notes 2026
site:otter.ai pricing AI meeting notes 2026
site:fathom.video pricing AI meeting assistant 2026
site:notion.com product AI Meeting Notes official 2026 pricing
site:fireflies.ai pricing official AI meeting notes 2026
site:mem.ai pricing AI notes official 2026
site:notebooklm.google official features pricing 2026

看出来了吗？一个搜索定名单，然后对名单上的每个名字单独跑一次 site: 定向搜索。 这就是传说中的“fan-out”（扇出）机制——它根本不是“广撒网找候选”，而是“照着脑子里已有的名单，挨个上门核实”。

二、关键数据：21/27，以及 33 倍的差距

光一个例子不够，他做了系统性的验证：

• 27 段对话里，21 段的第一条搜索查询就包含用户从没提过的品牌名（他特意排除了先搜到结果再写查询的可能性——取的是时间戳最早的“第一条查询”，此时什么都还没抓取）
• 换了 13 个毫不相干的品类（扫地机器人、电动 SUV、记账软件、旅行保险……），11 个品类出现了同样的行为
• 最夸张的是扫地机器人品类：ChatGPT 能说出 Saros、Dreame X50、Eufy S1 Pro 这种具体到型号的名字，而且是在第一条查询里、无提示的情况下

然后他做了最有价值的一个对比实验：把品牌分成两组——出现在 ChatGPT 查询词里的 vs 只是被抓取过但从未被点名的——再统计两组进入最终回答的概率。

结果：前者的被引用率大约是后者的 33 倍。

他还在 57 段对话里统计了一个更残酷的数字：一共检索了 3554 个页面，只有 110 个被引用，引用率 3.1%。ChatGPT 写一个回答大约要读 600 页，但只会给约 30 页署名。

还有一个数字值得单独记下来：有 86 个案例，品牌被推荐了，但它的网站压根没被访问过。 一个推荐，不需要一次抓取——模型凭“记忆”就能推荐你。

三、68.9% vs 2.1%：GEO 行业的“皇帝的新衣”

最扎心的其实是这个对比：

• 在所有被推荐的品牌里，68.9% 在 ChatGPT 写查询词之前就已经“被它认识”
• 只有 2.1% 是靠本次检索“临时发现”的

翻译过来就是：你现在买的绝大多数 GEO 服务，都在优化那 2.1% 的环节。 什么 Schema、页面速度、llms.txt、语义优化……都是“检索之后”的事。而 68.9% 的决定，发生在任何优化手段运行之前。

作者自己的原话很直接：“现在市面上卖的大多数 GEO，本质是检索优化（retrieval work），而检索优化只占那 2.1%。剩下 68.9% 的战场，在检索开始前就已经决定了。”

更狠的是他还验证了一件事：llms.txt 这类“AI 专用入口文件”，对这种情况几乎无效——因为如果你的品牌不在查询词里，你的服务器根本不会被联系到，文件写得再漂亮也没人看。这与之前 Ahrefs 的研究（97% 的 llms.txt 文件根本没收到过请求）不谋而合。

四、被读取 ≠ 被引用：3.1% 的残酷漏斗

就算你过了“内定名单”这一关，被 ChatGPT 抓取了，也还没完。他又做了一个标注数据集：57 段对话、3554 个被检索页面，标注“是否被引用”。

结论是 3.1% 的引用率。什么决定了这 3.1%？三个因素：

1. 位置，而且是硬位置。 ChatGPT 按域名分组看结果，在每组里排前两名几乎决定一切——排到第九，被引用概率基本是零。“被检索到”不等于“赢了”，第九名约等于没来。

2. 同域名页面堆太多会互相打架。 一个域名有 6 个以上页面同时进入同一组时，单页转化率崩盘。两个高度匹配的页面是最佳状态，超过六个基本是在跟自己竞争。

3. 相关性只是入场券，不是胜负手。 被引用的页面文本与待回答句子的匹配度，平均只排在被检索池的前 5%，但只有 20% 的情况是“最佳匹配”。也就是说：相关性让你进前十，但最终选谁，取决于一些你控制不了的东西。

所以完整漏斗是：名字进查询词（68.9% 在这之前就定了）→ 被检索（约 600 页）→ 被引用（约 30 页）→ 出现在答案里（约 3.1%）。 每一层都在漏，而最上面那层（进名单）恰恰是技术手段够不着的。

五、那怎么办？作者给的四步实操

好消息是，作者不光拆了台，还给了重建的方法。他把整个策略压缩成四步，咱们独立站卖家可以直接抄：

第一步：先看你有没有进“名单”。 用你买家最常问的“best [你的品类]“句式问 ChatGPT，看它写出来的第一条搜索词里有没有你的品牌。同一个问题跑五遍——因为名单每次会变，只跑一次会误判。五次都出现 = 你在 AI 的”记忆“里站稳了；时有时无 = 这是可争夺的阵地，砸钱砸内容有用；五次都没出现 = 你缺的不是技术，是存在感。

第二步：没进名单，钱花在“被写进文章里”。 名单之外的决定性因素是训练数据里的品牌关联。什么能建立关联？被评测、被比较、被推荐、被媒体报道、被收录进买家会读的榜单和指南——也就是数字公关（digital PR）和品类内容（category content）。这很慢、很不性感，但它确实是在建“地基”。

第三步：进了名单，再谈技术优化。 这时候页面级的活才值得做：每个搜索意图只留一个最强页面，把“直接回答问题的那句话”放在页面顶部、用纯 HTML 文本呈现、把数字和数据写进正文。多余的同意图页面该合并合并、该 301 就 301。

第四步：盯“被读取但从未被引用”的域名。 他的数据里有个品牌被抓取了 66 次、一次都没被引用——这不是曝光问题，是“引擎反复看了你，但觉得你没东西可引”。这种情况要回到内容质量本身去解决。

Neo的解读

这篇研究我看完，最大的感受是：它把 GEO 这个行业过去两年的“皇帝新衣”掀开了一角。

过去两年，市面上铺天盖地都是“AI 搜索优化”的课程和工具，卖点无非是结构化数据、语义优化、页面速度、llms.txt、实体图谱……这套东西不能说没用，但它优化的全是“检索环节”。而这篇研究用最朴素的方法（打开 DevTools 读查询词）证明：决定推荐的大头发生在检索之前，发生在模型对品牌的“既有认知”里。

对咱们独立站卖家，我有几点判断：

1. “品牌建设”不再是虚的，它是 AI 时代的硬通货。 以前我们说品牌，是为了溢价、为了复购；现在品牌直接决定 AI 推不推荐你。你的品牌在模型训练数据里的“存在感”，就是你的 AI 排名。而建立存在感的方式非常传统：被写、被评、被比、被引用——做好内容、做好产品、多被行业媒体报道，这些“慢功夫”反而成了 AI 时代的快车道。

2. SEO 预算要重新分配。 如果你还没进 AI 的“内定名单”，把钱花在技术优化上就是缘木求鱼。先做存在感（PR、评测、榜单），再做页面优化。别被“AI 可见性审计”这类工具收割——作者说了，这问题你用 DevTools 两分钟就能自己查。

3. 别被单一数据吓到。 这篇研究的局限也很明显：全部数据来自作者一个人、一个账号（迪拜地区的 ChatGPT Plus），样本是几百段对话，品类偏软件和 AI 工具。百分比是“方向”而非“精确测量”。但方向已经很明确了：品牌认知 > 检索优化。这个结论，和之前多项独立研究（引用率、AIO 引用分布）是互相印证的。

4. 警惕“推荐即正义”的陷阱。 研究里有个细节：ChatGPT 的推荐有很强的个人化成分——他人在迪拜，问餐食推荐就冒出迪拜本地公司。这说明模型推荐受用户画像影响，不是纯客观的。AI 推荐会越来越像“带立场的编辑推荐”，品牌方要做的不是讨好算法，而是让自己成为“值得被记住的名字”。

最后说句掏心窝的话：AI 搜索时代，最大的门槛从来不是技术，是**“被记住”**。技术优化是术，品牌存在是道。这篇研究最大的价值，就是帮我们把道和术的位置重新摆正了——先让 ChatGPT 在搜索之前就认识你，再去纠结它搜到你之后怎么表现。

今天就聊到这。你有空也可以自己打开 DevTools 试试，看看 ChatGPT 为你的品类写的第一条搜索词里，有没有你的名字。欢迎把结果告诉我。