AI 搜索與傳統搜索結果優化之間有什么重疊之處？

為了幫助確定主要的差異，以及那些重疊程度最高的區域，我創建了一個比較（我會保持更新），通過搜索行為、優化領域、結果展示和交付，以及要跟蹤的 KPI 和要實現的目標。

讓我們通過上面指定的每個區域來評估差異和重疊程度：

用戶搜索行為

用戶搜索行為是傳統搜索引擎與 LLM 之間變化最大的方面之一：

優化區域

傳統搜索和 LLM 的優化原則存在高度重疊，但在幾個關鍵方面也存在重要差異：

結果展示和交付

結果顯示及其交付是可以發現更大差異的另一個領域：

目標和指標

在目標和指標的情況下，差異主要基于根據兩種平臺類型的用戶行為特征及其特定界面應遵循的目標類型，但是，在高層次上，我們希望跟蹤相似的 KPI，但預期結果不同：

簡而言之

大型語言模型（LLMs）與傳統搜索引擎的優化支柱之間確實存在重疊，但兩者之間也存在一些重要差異，這些差異在制定各自的策略時需要特別考慮，例如個性化程度或需要針對上下文（而非查詢）進行優化，這是由于 LLMs 采用了查詢扇出技術。

這還受到用戶行為的實際重大差異的影響——以及當前獲取此類數據的限制，如LLM中查詢的搜索流行度——以及結果的呈現和交付方式，因此需要優先考慮和關注的內容類型會因平臺而異，同時我們追求的目標也不同。

我預計，隨著 LLMs 的快速采用、AI Mode 的進一步整合與擴展，以及對第一方和第三方數據的更多訪問權限（這些數據有助于我們進行分析），我們應能夠開始實施專門策略，以在這些搜索平臺中最大化可見性和轉化率。