# AI 搜尋詞彙表

**來源：** https://simplyai.work/zh-Hant/learn/ai-search-glossary/
**發佈者：** SimplyAI (https://simplyai.work/) · **語言：** zh-Hant · **更新：** 2026-08-24
**English edition:** https://simplyai.work/learn/ai-search-glossary/

> **為何有這一頁** — 這個領域的名稱比概念還多。GEO、LLMO、AEO 與 AIO 描述的基本上是同一件事；而真正
> 不同的東西——引用與提及、幻覺與過時事實——卻被交替使用，並因此造成金錢損失。以下每一條都說明該詞
> 的意思、與甚麼相連，以及它不是甚麼。每個詞條均可透過錨點單獨引用，例如 `#share-of-voice`。

## 詞條

### 生成式引擎優化（GEO）  `#geo`

令一間企業或其內容更有可能在 AI 生成的答案中被呈現、被引用及被推薦的工作。GEO 涵蓋令網站可被檢索的技術工作、令內容可被機器讀取的結構化資料，以及令其說法獲得佐證的第三方存在。
**相關詞：** 大型語言模型優化（LLMO）、答案引擎優化（AEO）、AI 優化（AIO）、搜尋引擎優化（SEO）
**對比：** 搜尋引擎優化（SEO）

### 大型語言模型優化（LLMO）  `#llmo`

專門針對大型語言模型如何描述及推薦一間企業而做的優化。實務上 LLMO 與 GEO 指的是同一件事；此說法在日本佔主導，當地寫作「大規模言語モデル最適化」，而英語市場則較常用 GEO。
**相關詞：** 生成式引擎優化（GEO）、AI 優化（AIO）、答案引擎優化（AEO）

### 答案引擎優化（AEO）  `#aeo`

為了被選為某條問題的直接答案（而非眾多結果之一）而做的優化。AEO 重視問題形式的內容、FAQ 結構，以及簡潔的事實陳述。它早於生成式 AI 浪潮出現，最初描述的是精選摘要。
**相關詞：** 生成式引擎優化（GEO）、大型語言模型優化（LLMO）、零點擊
**對比：** 搜尋引擎優化（SEO）

### AI 優化（AIO）  `#aio`

各個競逐名稱之中最寬泛的一個，涵蓋任何針對 AI 中介發現途徑的優化。與 GEO、LLMO 交替使用；選用哪個說法，通常反映說話者來自哪個市場或哪家供應商，而非方法上的分別。
**相關詞：** 生成式引擎優化（GEO）、大型語言模型優化（LLMO）、答案引擎優化（AEO）

### 搜尋引擎優化（SEO）  `#seo`

針對傳統搜尋引擎的連結排名清單而做的優化。SEO 與 GEO 有大量重疊——可被爬取、結構清晰、具權威性對兩者都有用——但目標不同：SEO 要的是點擊，GEO 要的是在一個可能永遠不會產生點擊的答案之中被引用。
**相關詞：** 生成式引擎優化（GEO）、零點擊、答案引擎優化（AEO）
**對比：** 生成式引擎優化（GEO）

### 檢索增強生成（RAG）  `#rag`

大部分有依據的 AI 答案背後的模式：先由檢索步驟找出候選文件，模型再根據檢索到的內容生成回應。RAG 正是為何一間企業的最新事實，能夠出現在一個訓練早已完結的模型所給的答案之中。
**相關詞：** 依據（Grounding）、檢索、分塊（Chunking）
**對比：** 訓練資料

### 依據（Grounding）  `#grounding`

讓生成的答案建基於檢索到的來源文件，而非模型內部參數。有依據的答案通常附有引用，並可反映昨天才發佈的資訊；沒有依據的答案，只反映模型在訓練時吸收到的內容。
**相關詞：** 檢索增強生成（RAG）、訓練資料、引用
**對比：** 訓練資料

### 訓練資料  `#training-data`

模型在訓練期間吸收的語料，構成其基礎知識。這裡的資訊直到下一個模型版本之前都是固定的——這正是為何一間企業已過時的價格，可以在網站更正後仍長期出現在答案中。
**相關詞：** 知識截止日期、依據（Grounding）、檢索增強生成（RAG）
**對比：** 依據（Grounding）

### 知識截止日期  `#knowledge-cutoff`

模型訓練資料結束的日期。在此之後，模型除了回答時檢索到的內容之外一無所知——這正是為何企業能實際介入的地方是「依據」，而不是「訓練」。
**相關詞：** 訓練資料、依據（Grounding）

### 檢索  `#retrieval`

在生成之前挑選候選文件的搜尋步驟。檢索決定了哪些事實、哪些企業名稱才有機會進入答案，因此是能見度工作中槓桿最高的一環。
**相關詞：** 檢索增強生成（RAG）、向量嵌入（Embedding）、重新排序（Reranking）、分塊（Chunking）

### 向量嵌入（Embedding）  `#embedding`

把文字轉換成數值表示，令語意相近的段落在空間上彼此接近。嵌入正是為何一個以「客戶提問的方式」書寫的頁面，比以「市場部書寫的方式」書寫的頁面更容易被檢索出來。
**相關詞：** 檢索、語意相似度

### 語意相似度  `#semantic-similarity`

意思上的接近，而非字面用詞上的接近。檢索系統以語意相似度比對，因此貼合客戶的表達方式，比重複某個精準關鍵字更重要。
**相關詞：** 向量嵌入（Embedding）、檢索

### 分塊（Chunking）  `#chunking`

把一份文件切割成可獨立被檢索及引用的段落。由於檢索回傳的是分塊而非整頁，頁面上每一節都應該能自行回答自己那條問題，而不依賴前後文。
**相關詞：** 檢索、檢索增強生成（RAG）

### 重新排序（Reranking）  `#reranking`

在生成之前，對檢索到的候選項再做一次評分並重新排列。重新排序正是為何搜尋步驟排在第一的文件，往往不是助理最終引用的那一份。
**相關詞：** 檢索、引用

### 引用  `#citation`

AI 答案明確標示出處、並通常附上連結的來源。引用比提及更有力：它指名你是該說法的依據，並可能把讀者帶到你的網站。
**相關詞：** 提及、AI 聲量佔比、依據（Grounding）
**對比：** 提及

### 提及  `#mention`

企業名稱出現在 AI 答案之中，但並未被列為來源。提及能建立熟悉感，也可能贏得推薦，但不會帶來流量，亦不會確立你作為權威的地位。
**相關詞：** 引用、AI 聲量佔比
**對比：** 引用

### 出現率  `#presence-rate`

在受測的提示詞當中，答案有提及某間企業的比例。出現率量度的是你是否身處對話之中；它完全不說明你是被推薦，還是僅僅被順帶列出。
**相關詞：** AI 聲量佔比、推薦率
**對比：** AI 聲量佔比

### AI 聲量佔比  `#share-of-voice`

在一組 AI 答案中出現的所有企業名稱之中，某間企業所佔的比例。出現率問的是「你有沒有出現」，聲量佔比問的則是「相對競爭對手，你佔走了多少注意力」。
**相關詞：** 出現率、推薦率、提及
**對比：** 出現率

### 推薦率  `#recommendation-rate`

答案主動推薦某間企業（而非把它列為選項之一）的比例。這是三個指標中最貼近實際收入的一個，數值通常亦最低。
**相關詞：** 出現率、AI 聲量佔比
**對比：** 出現率

### 幻覺（Hallucination）  `#hallucination`

一段語氣肯定、行文流暢，但內容錯誤的陳述。在 AI 能見度的語境下，代價最高的幻覺是具體而可查證的——錯誤的價格、已結業的地點、機構並不提供的服務、並不持有的資格。
**相關詞：** 混淆、過時事實、依據（Grounding）
**對比：** 過時事實

### 混淆  `#conflation`

AI 把兩間不同的企業合併成一間，通常因為名稱或地點相似。混淆與幻覺不同：每一項事實單獨看可能都正確，只是它們分屬兩間不同的公司。
**相關詞：** 幻覺（Hallucination）、實體解析
**對比：** 幻覺（Hallucination）

### 過時事實  `#stale-fact`

一段曾經正確、但現已不再正確的陳述——舊價格、舊地址、已離開的合夥人。過時事實是 AI 對企業出錯之中最常見的一類，也是最容易處理的一類，因為更正來源通常就能更正答案。
**相關詞：** 幻覺（Hallucination）、知識截止日期
**對比：** 幻覺（Hallucination）

### 實體  `#entity`

一件具體、可識別的事物——一間企業、一個人、一個地方——與用來指稱它的字眼有別。AI 系統以實體為單位進行推理，因此目標是令每一次提及你的機構，都能解析到同一個明確無誤的實體。
**相關詞：** 實體解析、知識圖譜、sameAs
**對比：** 

### 實體解析  `#entity-resolution`

判斷兩次提及是否指向同一件真實世界的事物。當它失敗，一間機構的聲譽會被拆散到數個不完整的身份之上，而每一個都不足以強到被推薦。
**相關詞：** 實體、混淆、sameAs

### 知識圖譜  `#knowledge-graph`

一個結構化儲存實體及其關係的資料庫，被搜尋與 AI 系統用作穩定的事實骨幹。就企業能見度而言，Wikidata 是最具影響力的公開知識圖譜。
**相關詞：** 實體、sameAs、結構化資料

### sameAs  `#sameas`

schema.org 的一個屬性，用以把企業的正規頁面連結到它在其他平台的官方檔案。sameAs 是現時可用、最直接告訴機器「這些帳戶全屬同一個實體」的指令。
**相關詞：** 實體解析、結構化資料、知識圖譜

### 結構化資料  `#structured-data`

可被機器讀取的標記，通常為 schema.org JSON-LD，明確說明一個頁面在講甚麼。結構化資料令機器毋須從行文中推斷事實——而推斷正是錯誤產生之處。
**相關詞：** schema.org、sameAs、JSON-LD

### schema.org  `#schema-org`

網絡上大部分結構化資料背後的共用詞彙表。與專業服務相關的類型包括 Organization、LocalBusiness、MedicalClinic、LegalService、FAQPage 及 Article。
**相關詞：** 結構化資料、JSON-LD

### JSON-LD  `#json-ld`

結構化資料通常採用的嵌入格式——置於頁面 head 之中的一段 JSON。之所以是首選，是因為它不會令標記與版面糾纏在一起。
**相關詞：** 結構化資料、schema.org

### llms.txt  `#llms-txt`

放在網站根目錄的純文字檔案，概述該網站是甚麼，並連結其最有用的頁面，供 AI 讀者使用。採用屬自願性質，亦未標準化；成本近乎零，卻能讓模型讀到一段清晰的身份陳述。
**相關詞：** robots.txt、結構化資料
**對比：** robots.txt

### robots.txt  `#robots-txt`

控制哪些爬蟲可以存取網站的檔案。就 AI 能見度而言，關鍵分別在於訓練爬蟲、搜尋爬蟲與即時抓取代理三者之間：封鎖搜尋爬蟲，會令一間企業在即時答案中無法被引用。
**相關詞：** AI 爬蟲、llms.txt
**對比：** llms.txt

### AI 爬蟲  `#ai-crawler`

為 AI 系統收集網絡內容的機械人，負責三種工作之一：收集訓練資料、建立回答時查詢的搜尋索引，或在對話期間按需抓取某一頁。
**相關詞：** robots.txt、依據（Grounding）

### 零點擊  `#zero-click`

使用者毋須進入任何來源網站便得到答案的查詢。零點擊行為正是為何 AI 能見度不能單靠引薦流量量度：無論之後有沒有點擊，影響都已經發生。
**相關詞：** 暗流量、搜尋引擎優化（SEO）、答案引擎優化（AEO）
**對比：** 搜尋引擎優化（SEO）

### 暗流量  `#dark-traffic`

由 AI 推薦促成、但抵達時沒有可歸因引薦來源的到訪與查詢，因為使用者是在之後直接搜尋你的名稱。暗流量是 AI 能見度在分析工具中看似毫無成效的主要原因。
**相關詞：** 零點擊

### 答案引擎  `#answer-engine`

回傳綜合答案而非連結清單的系統。Perplexity 與 Google 的 AI Mode 屬答案引擎；像 ChatGPT 這類通用助理在進行檢索時，其行為亦等同答案引擎。
**相關詞：** 答案引擎優化（AEO）、零點擊、AI 助理
**對比：** 搜尋引擎

### AI 助理  `#ai-assistant`

通用的對話式 AI。哪些助理重要，是一條因市場而異的問題：ChatGPT 與 Claude 在香港被地區限制，而 Gemini、Perplexity、DeepSeek 及通義千問在當地可用。
**相關詞：** 答案引擎、接觸面

### 接觸面  `#surface`

某一群受眾實際能接觸到的助理集合。把受眾根本無法接觸的接觸面混合成單一能見度分數呈報，描述的是一批並不存在的受眾。
**相關詞：** AI 助理、生成式引擎優化（GEO）

### 提示詞組  `#prompt-set`

用以量度一間企業的固定買家意圖問題集合，保持不變以令結果可跨時間比較。提示詞組是 AI 能見度工作的量度單位。
**相關詞：** 出現率、AI 聲量佔比

### 搜尋引擎  `#search-engine`

回傳文件排名連結的系統。它與答案引擎的分別在於回傳甚麼——供使用者自行評估的連結，而非一個綜合而成的答案。
**相關詞：** 答案引擎、搜尋引擎優化（SEO）
**對比：** 答案引擎

---

**引用本頁：** SimplyAI（2026）。*AI 搜尋詞彙表。* 更新於 2026 年 8 月 24 日。
https://simplyai.work/zh-Hant/learn/ai-search-glossary/