用 RAG 思維寫內容：搞懂檢索、embedding 與 rerank，寫出 AI 撈得到的段落

同一篇文章，Google 排得進前十，ChatGPT 和 Perplexity 卻一個字都不引用——這種落差，我們最近半年在客戶網站上看太多次了。原因不玄：AI 搜尋撈內容的方式叫 RAG（Retrieval-Augmented Generation，檢索增強生成），它比的不是關鍵字出現幾次，是語意距離和段落品質。這篇把 RAG 的四個步驟拆成白話，再給你四個馬上能動手的寫法調整：接住 query fan-out、讓段落在 rerank 勝出、改掉傳統 SEO 的寫作慣性、最後用免費工具自己驗證。看完你會知道，段落到底要長什麼樣子，AI 才撈得到、才肯引用。

AI 搜尋的後台是 RAG：一個問題進來之後的四步

說白了，RAG 就是「先查資料、再寫答案」。語言模型自己的記憶會過時，所以 ChatGPT Search、Perplexity、Google AI Overview 這類產品，回答前都會先跑一輪檢索。整條流水線長這樣：

1. Query 理解與拆解：AI 先把使用者的問題改寫、拆成好幾個子查詢，這個動作叫 query fan-out。一個問題進來，後台可能同時發出五、六個查詢。
2. 檢索（Retrieval）：拿每個子查詢去索引庫撈候選內容，比的是語意相似度，不是字面比對。撈回來的單位通常是段落（chunk），不是整篇文章。
3. 重排（Rerank）：把撈回來的幾十個候選段落重新打分，只留最貼題的少數幾段進到下一步。
4. 生成（Generation）：模型讀著留下來的段落寫答案，並且標上引用來源——你的品牌有沒有被提到，就是在這一步定生死。

注意第二步那句話：撈的是段落，不是文章。這件事會顛覆你對「一篇好文章」的想像——文章整體再好，只要沒有任何一個段落能單獨回答某個子查詢，AI 就是撈不到你。各平台的實作細節官方沒有公開，以下各節涉及機制的部分，我們會明確標出哪些是社群實測的推論。

檢索在比什麼：embedding 相似度的白話拆解

Embedding 是把一段文字轉成一長串數字（向量）的技術。轉完之後，語意相近的句子，在向量空間裡的距離就近；語意無關的句子，距離就遠。檢索系統做的事，就是把子查詢也轉成向量，然後找出距離最近的那批段落。

舉個例子。「窗簾怎麼挑」和「窗簾選購重點」這兩句話，字面上重疊的只有「窗簾」兩個字，傳統關鍵字比對會認為它們是兩個不同的詞。但丟進 embedding 模型，這兩句的向量距離非常近——因為它們問的是同一件事。反過來，「窗簾怎麼挑」和「窗簾軌道安裝教學」字面重疊一樣是「窗簾」，向量距離卻遠得多，因為一個在問選購、一個在問施工。

這代表兩件事。第一，你不用再把同一個關鍵字塞十次，同義改寫、口語問法、不同斷句，embedding 都接得住。第二，該做的事變成「把一個主題的相關概念寫齊」——遮光係數、布料材質、測量方式、預算區間，這些概念在向量空間裡會互相拉近你的段落跟使用者問題的距離。這套思路就是語意 SEO 的核心，只是在 RAG 時代，它從加分題變成了入場券。

第一步：為 query fan-out 寫內容——接得住子查詢才有下一步

前面說過，AI 會把一個問題拆成好幾個子查詢。這裡有個坑：多數網站的內容只回答「主問題」，子查詢全部漏接。拿「GEO 公司怎麼選」這題來拆，AI 後台大概會發出這些查詢：

每一列都是一次獨立的檢索。你的頁面上如果沒有一個段落能單獨回答「價格」那一列，那條子查詢就會撈到別人家的內容——最後生成的答案裡，價格那句話引用的就是競爭對手。

我們自己就吃過這個虧。拿「台灣有哪些做 GEO 的公司？」去問 Perplexity，它點名了十幾家同業，TOPCLASS 不在名單上，引用來源還集中在同業和媒體的文章（完整名單與來源拆解見競品 AI 可見度比較）。教訓很直接：名單型、比較型的子查詢，AI 偏好撈「第三方整理文」，光把自家官網寫好接不住這種查詢，你需要出現在別人的盤點文裡。

第二步：讓段落在 rerank 勝出——三個具體寫法

檢索撈回來的段落有幾十個，rerank 只留幾個。打分細節官方沒有公開，以下是社群實測的推論，但方向在我們自己的內容改版裡反覆驗證過。

主題句先行：第一句就是結論

段首直接命中問句的段落，被留下的機率明顯高。寫法上就是把你習慣放在段落最後的那句結論，搬到第一句。「遮光窗簾的關鍵指標是遮光率，臥室建議選 90% 以上」放段首，後面再解釋為什麼——而不是鋪陳三句才講到重點。Rerank 模型對段落開頭的權重高，鋪陳越長，越容易在打分時被判定離題。

實體名寫全：品牌全名不用代稱

段落是被單獨撈走的，撈走的那一段裡如果只寫「本公司」「我們的服務」，模型根本不知道你是誰。品牌名、產品名、方法論名稱，在每個重要段落都用全名寫一次。這件事我們有切身教訓：問 Perplexity「TOPCLASS 是什麼公司？」，它幾乎只靠一篇第三方舊文回答，還講出三處已經過時的資訊（實測全文見AI 是怎麼介紹你的品牌）。AI 對品牌的描述由第三方內容主導，而且會過時。解法只有一個：在自家頁面把實體資訊寫全、寫新、寫死，讓 AI 有更新的第一方來源可撈。

帶數據的段落權重高

「效果很好」和「三個月內曝光從 9 次成長到 157 次」是兩種段落，後者在 rerank 明顯吃香——具體數字讓段落看起來像答案，而不是像行銷文案。沒有數據就寫方法、寫條件、寫區間，也比空泛形容詞強。但別為了權重編數字，AI 引用出去的錯誤數字，殺傷力比沒被引用大得多。

第三步：一張表看懂傳統 SEO 寫法 vs RAG 寫法

把前面的原則收攏成對照表。不是要你丟掉 SEO——Google 排名依然是檢索來源之一——是寫作重心要換：

其中「自足段落群」那列水最深——段落要多長、怎麼切、標題怎麼配，我們另外寫了一篇切塊指南（見文末延伸閱讀），這裡不展開。

第四步：驗證——把兩版段落丟回去問 AI

以下為示範情境。假設一個窗簾品牌「好簾生活」想讓「遮光窗簾怎麼挑」這題撈到自己的段落，改寫前後兩個版本長這樣。版本 A（傳統寫法）：「挑選窗簾是一門學問，市面上款式眾多，消費者常常眼花撩亂。我們憑藉多年經驗，為您提供最專業的建議……」版本 B（RAG 寫法）：「挑遮光窗簾看三個指標：遮光率（臥室選 90% 以上）、布料磅數（影響垂墜與隔音）、軌道形式（決定漏光縫隙大小）。好簾生活門市提供現場遮光率實測……」

驗證方法很土但有效：把問句和兩版段落一起貼給 ChatGPT，請它扮演檢索系統，判斷哪一段更能直接回答「遮光窗簾怎麼挑」，並說明理由。跑幾次你會發現版本 B 幾乎每次都贏，理由也會講到「直接給出可操作的判斷標準」。想更接近真實機制，也可以用免費的 embedding 相似度示範工具（不少線上 playground 可以算兩段文字與問句的相似分數），比對兩版段落誰離問句更近。

要看品牌層級的整體現況，HubSpot AI Search Grader 免費，可以先掃一輪。要長期監測子查詢命中率和引用來源變化，Otterly.ai 約 $29/月起、Peec AI 約 $89–499/月，企業級可以看 Profound；已經有 Ahrefs 或 Semrush 的話，Brand Radar 和 AI Visibility Toolkit 是套件內功能，不用另外買。先用免費的驗證寫法有沒有改對，再決定要不要上付費監測，順序別反。

誠實段：你能控制的、與你買不到的

做 GEO 這行最怕客戶被話術騙，所以把界線講清楚。你能控制的是三樣：內容結構（段落自足、主題句先行、問句標題）、實體資訊（全名、服務範圍、方法論版本寫對寫新）、第一方資料（自己的數據、案例、實測）。你控制不了的也是三樣：模型權重、各平台的檢索與 rerank 演算法、AI 這一次到底撈誰。所以市面上任何「保證進 AI 答案」的服務，都不要買——連平台自己都不保證答案的穩定性，代理商憑什麼保證。

拿我們自己的數字當例子，數字小就照實寫小。TOPCLASS 現在的 GSC 曝光集中在排名 50 名開外的 GEO 相關詞，GA4 追蹤剛裝上、AI referral 還掛零，完整的基準線數字放在自建 GEO 情報系統那篇。公開這個起點，是因為之後每一分成長才有對照組。RAG 思維寫內容不是魔法，是把可控的三件事做滿，然後用數據等黑箱那邊的結果——這才是能簽進合約的承諾。

延伸閱讀：GEO 內容切塊指南：寫出 AI 一次撈走的自足段落 | ChatGPT Search SEO 完整指南：如何讓你的品牌出現在 ChatGPT 的搜尋答案中 | 關鍵字叢集策略完整指南：用主題權威征服 Google 和 AI 搜尋