AI 搜索与传统搜索结果优化之间有什么重叠之处？

为了帮助确定主要的差异，以及那些重叠程度最高的区域，我创建了一个比较（我会保持更新），通过搜索行为、优化领域、结果展示和交付，以及要跟踪的 KPI 和要实现的目标。

让我们通过上面指定的每个区域来评估差异和重叠程度：

用户搜索行为

用户搜索行为是传统搜索引擎与 LLM 之间变化最大的方面之一：

优化区域

传统搜索和 LLM 的优化原则存在高度重叠，但在几个关键方面也存在重要差异：

结果展示和交付

结果显示及其交付是可以发现更大差异的另一个领域：

目标和指标

在目标和指标的情况下，差异主要基于根据两种平台类型的用户行为特征及其特定界面应遵循的目标类型，但是，在高层次上，我们希望跟踪相似的 KPI，但预期结果不同：

简而言之

大型语言模型（LLMs）与传统搜索引擎的优化支柱之间确实存在重叠，但两者之间也存在一些重要差异，这些差异在制定各自的策略时需要特别考虑，例如个性化程度或需要针对上下文（而非查询）进行优化，这是由于 LLMs 采用了查询扇出技术。

这还受到用户行为的实际重大差异的影响——以及当前获取此类数据的限制，如LLM中查询的搜索流行度——以及结果的呈现和交付方式，因此需要优先考虑和关注的内容类型会因平台而异，同时我们追求的目标也不同。

我预计，随着 LLMs 的快速采用、AI Mode 的进一步整合与扩展，以及对第一方和第三方数据的更多访问权限（这些数据有助于我们进行分析），我们应能够开始实施专门策略，以在这些搜索平台中最大化可见性和转化率。