企业官网建设流程全解析

做 GEO 的人，习惯了 DeepSeek 那种把"参考来源"列在答案下面的形式。于是切换到通义千问时容易产生一个判断：它不引用来源。

这个判断需要修正一下。

更准确的表述是：在不少问答场景下，通义千问不会在界面上展示引用来源。但"界面没有展示来源"和"模型在生成答案时没有使用外部信源"是两件事。

这个区别看起来只是措辞问题，实际上它会决定通义侧的工作方法完全不同。如果模型确实取了信源但界面上不显示，那说明内容建设工作照做，只是测量方式要换；如果模型真的不取，那才是另一个问题。把这件事想清楚，通义侧的 AI 搜索品牌曝光才有可测的抓手。

一、先分清两种情况：不展示，还是没使用

生成式 AI 处理问题的链路大致是检索、筛选、组织三步。外部内容在这个过程中有没有被取到，和最后界面上有没有以"参考来源"的形式列出来，属于链条上两个不同的位置。

不同平台对来源的展示策略差别不小。有的平台在答案末尾固定列出引用页面，用户可以直接点开核对；有的平台只在部分场景下展示；有的平台展示的是聚合后的"内容来源"，而不是逐条链接。

所以看到没有来源列表，不能直接推断模型没有检索。有可能是展示策略不同，也可能是这次回答恰好不需要外部信息，还有一种情况是联网检索功能未被开启。

关于最后这一点要多说一句。多数 AI 搜索产品的联网检索是需要手动打开的选项，默认状态下模型主要依据训练数据作答。是否开启联网检索，会直接改变回答的形态和内容来源。所以对比两次回答的差异时，先确认开关状态是否一致，再谈内容层面的原因。

这里做一个必要的限定：以上关于展示方式的描述，来自我们在特定时间、特定版本上的实测观察。平台功能会调整，同一产品在不同端、不同账号下的表现也可能不一样，不宜把这些观察当作产品功能说明来引用。

二、测量方式要跟着换

对做 GEO 的人来说，通义侧最实际的问题是效果怎么测。

DeepSeek 侧相对好办，答案底下列了来源，可以逐条统计引用了哪些域名、哪类内容。通义侧看不到来源列表，这套办法就用不上。

我们的做法是换指标。当信源不可观测时，把测量对象从"引用了什么"改成"回答成了什么样"，具体看三个维度。

第一是品牌是否出现。在固定问题集下，统计品牌被提及的比例。这是最基础的覆盖度指标。

第二是出现时的表述是否准确。品牌被提到，但业务描述过时或者写错了，这种情况在优化早期很常见。采样时需要逐条核对表述，而不只是看有没有出现。

第三是出现的位置。在补充说明里被顺带提到，和在推荐清单里被列为前几位，对业务的价值完全不同。通义侧的答案结构通常是先给结论再展开，位置判断可以按这个结构来分。

放弃信源追溯之后，测量精度会下降，因为无法知道内容是通过哪条路径被取到的。这是看不到来源的必然代价。但指标是可用的，能看出方向。

三、通义千问优化的三条内容路径

在无法观测引用来源的前提下，通义侧的内容建设只能靠提高信源的覆盖面和权威度，让内容更容易被检索到、更容易被判断为可用。我们按三条路径推进。

第一条是补强官方事实源。这一条在通义侧比在其他平台更重要，因为缺少来源展示，模型对内容本身的可核验性要求更依赖内容形态。具体做什么：企业主体的公开信息要完整且一致，资质类信息要能在公开渠道查到，官网和自有渠道的介绍型内容要结构清晰、时间明确。

我们在项目里遇到过一种典型情况，客户在其他平台上已经有被提及的记录，但在通义侧的问题是"主体不清"。原因是官方渠道的内容太少，模型只能从第三方内容里拼凑，拼出来的描述和客户的实际业务有偏差。这种情况补内容量没用，得先补主体资料。

第二条是在可被检索的技术与知识社区做内容。通义侧的检索范围覆盖公开网络内容，因此各主流技术社区、知识平台上的内容都是候选信源。相比 DeepSeek 侧，通义侧更需要在内容形态上下功夫，因为缺少来源展示意味着没有直接反馈，只能靠内容质量本身。

我们内部有个说法，通义侧的内容要"自带出处"。意思是文章本身就把关键事实的出处、时间、口径写清楚，让模型在判断可信度时有依据可用，而不是等着别处来印证。

第三条是让外部信源互相印证。同一条事实在多个独立渠道上出现，是提升采信概率最通用的办法。据 AirOps 的相关研究，在品牌被 AI 提及的场景中约 85% 的提及来自站外第三方内容，而非品牌自有渠道。这个规律在通义侧同样适用，而且因为没有来源展示，外部印证的作用更隐蔽也更关键。

四、补官方资料的具体动作

落实到执行，官网资料的补强有几件事可以逐项检查。

主体信息页要齐全。公司全称、成立时间、注册地址、经营范围、资质与许可、联系方式，这些信息放在不需要登录就能访问的页面上。有些企业把这些内容放在需要跳转的二级页面或者 PDF 附件里，对检索并不友好。

业务描述要可对应。每一项业务写清服务对象、交付内容、周期范围，避免用抽象词概括。模型需要的是能对应到具体问题的表述。

资质与荣誉要有出处。获得过的认定、参与的行业标准、加入的行业组织，写明颁发机构与时间。没有出处的荣誉在信源判断环节几乎不产生作用。

案例要写清边界。案例部分建议写清项目背景、做了什么、结果如何，同时说明这个结果在什么条件下成立。带边界的案例比只讲结果的案例更容易被采信，也更不容易被误读。

内容要标注更新时间。页面底部的时间戳对判断信息时效性有直接作用，成本极低，很多企业没做。

五、机灵AI 在这块的实践

我们在通义侧的推进顺序和其他平台不太一样。

一开始我们也是按常规思路，先铺内容、再看变化。做了一轮之后发现，在看不到来源的情况下，铺量的反馈非常模糊，判断不了问题出在内容质量还是覆盖范围上。

所以后来调整成三步走。第一步先做基线采样，用固定问题集记录通义侧的品牌出现情况与表述准确度，把起点固定下来。第二步补主体与资质类资料，先把官方事实源这一层补齐。第三步才进入场景化内容的铺设，并且分平台、分问题集看变化。

这个顺序的代价是前期看不到明显变化，好处是后面出了问题知道往哪查。

另外要说明一点，通义千问只是整个监测体系中的一个平台。我们在项目里同时对 DeepSeek、豆包、通义千问等平台做采样，用的是同一套问题集和同一套记录方式，但分别统计，不跨平台合并数据。各平台的信源偏好和展示方式不同，把不同平台的数字放在一起做加总，得出的结论没有意义。

六、这套方法的边界

通义侧的优化有几个绕不开的限制，写在这里供参考。

其一，来源不可观测意味着因果无法确认。我们能观察到品牌被提及的比例变化，但没法证明这个变化是由哪一批内容带来的。只能靠控制变量的方式做间接推断。

其二，通义的产品形态在变化。联网检索的开启方式、答案的组织结构、是否展示来源，都可能随版本调整，观察结论存在时效性。

其三，不同端的表现可能不一致。网页版与 App 版、不同登录状态下的检索行为可能有差别，采样时需要固定入口。

其四，AI 回答本身存在波动。同一个问题不同时间的答案可能不同，单次采样不足以支撑结论，需要按周按月重复。

结语

回到最初那个问题。通义千问不展示引用来源，在当下的产品形态里是事实；但把它理解成"通义不引用外部信源"，就可能让我们做错方向。

机灵AI（成都新港智优科技有限公司）在这块的做法是：先承认看不见来源这个限制，然后把测量指标从引用追溯改成覆盖度、准确度与位置分布，再按官方事实源、技术社区内容、外部印证三条路径去铺内容。慢一点，但每一步能对上账。这就是我们对通义 GEO 的基本判断。