Skip to main content

Gemini vs. AI Overviews vs. AI Mode: tiga cara jawapan dibina.

Google menjalankan satu keluarga model merentas tiga permukaan jawapan yang sangat berbeza. Aplikasi Gemini bersifat generative secara lalai dan menjawab kebanyakannya daripada data latihan. AI Overviews pula grounded secara reka bentuk, iaitu ia mensintesis daripada hasil yang sudah pun diberi kedudukan oleh Google. AI Mode ialah grounded ditambah query fan-out, yang memecahkan soalan anda kepada sub-pertanyaan selari. Setiap satu membuat keputusan secara berbeza sama ada jenama anda dipetik, jadi kerja untuk mendapat petikan juga berbeza. Berikut ialah cara setiap permukaan membina jawapan, sebab anda muncul atau tidak muncul di dalamnya, dan apa yang perlu diubah.

Available in:
English Deutsch Español Français हिन्दी Italiano Nederlands Polski Português Türkçe Українська
Tony Castillo

Author: Tony Castillo

← All articles

Tiga bentuk terpahat yang mewakili cara setiap permukaan Google membina jawapan: satu jisim pejal yang diketuk sekali untuk aplikasi Gemini, satu timbunan berkedudukan yang diambil daripadanya untuk AI Overviews, dan laluan selari yang bertemu pada satu nod untuk AI Mode
Versi ringkas
  1. Satu keluarga model. Tiga model sumber jawapan. Aplikasi Gemini bersifat generative secara lalai, menjawab daripada data latihan dengan grounding Search sebagai pilihan. AI Overviews pula grounded secara reka bentuk, disintesis daripada hasil yang sudah diambil dan diberi kedudukan oleh Google. AI Mode ialah grounded ditambah fan-out, menjalankan sub-pertanyaan selari merentas indeks, Knowledge Graph dan data masa nyata.
  2. Tiada indeks AI berasingan. Rangka fikir Google sendiri ialah semua carian adalah carian AI: crawl yang sama, indeks yang sama, sistem kedudukan yang sama. Keterlihatan bermaksud boleh diambil semula (retrievability), boleh diberi kedudukan dan boleh dipetik merentas setiap laluan yang mungkin diambil oleh sesuatu jawapan, bukan sekadar pertanyaan utama.
  3. Permukaan grounded memberi ganjaran kepada perenggan. Yang generative memberi ganjaran kepada entiti. Dalam AI Overviews dan AI Mode, anda dipetik apabila sesuatu perenggan pada halaman anda menyokong dakwaan dalam jawapan itu. Dalam aplikasi Gemini, anda disebut apabila model itu sudah mempelajari jenama anda, iaitu hasil liputan pihak ketiga yang tahan lama, bukan kedudukan carian minggu ini.
  4. Menyekat Google-Extended tidak mengeluarkan anda daripada Search. Ia hanya mengeluarkan anda daripada latihan Gemini pada masa hadapan. AI Overviews dan AI Mode berjalan di atas Googlebot, jadi menyekat Google-Extended merugikan kehadiran generative anda tanpa mengubah apa-apa tentang sama ada anda dipetik dalam permukaan grounded.

Satu Keluarga Model, Tiga Model Sumber Jawapan

Tiga permukaan Google menjawab soalan yang sama dengan tiga cara berbeza. Jika anda bekerja dalam bidang carian, perbezaan antara grounded dan generative bukan sekadar trivia. Ia menentukan apa yang perlu anda lakukan untuk dipetik.

Orang bercakap tentang "mendapat kedudukan dalam AI" seolah-olah ia satu perkara tunggal. Ia bukan. Google menjalankan satu keluarga model merentas tiga permukaan, dan setiap satu membuat keputusan secara berbeza tentang dari mana sesuatu jawapan datang.

PermukaanCara jawapan dibinaApa yang diberi ganjaran
Aplikasi Gemini Generative secara lalai. Menjawab daripada data latihan, dengan grounding Search sebagai pilihan. Kehadiran entiti dalam korpus latihan
AI Overviews Grounded secara reka bentuk. Disintesis daripada hasil yang sudah diambil dan diberi kedudukan oleh Google. Retrievability dan perenggan yang boleh dipetik
AI Mode Grounded ditambah fan-out. Sub-pertanyaan selari merentas indeks, Knowledge Graph dan data masa nyata. Liputan merentas setiap sub-niat
Rangka fikir Google sendiri ialah semua carian adalah carian AI. Crawl yang sama, indeks yang sama, sistem kedudukan yang sama. Tiada indeks AI berasingan yang perlu anda masuki.

Itulah bahagian yang berguna. Anda tidak sedang membina laman web kedua untuk robot. Anda sedang memastikan satu laman boleh diambil semula, boleh diberi kedudukan dan boleh dipetik merentas setiap laluan yang mungkin diambil oleh sesuatu jawapan, bukan hanya pertanyaan utama yang kebetulan anda jejaki.

Gemini (Aplikasi): Mengutamakan Generative

Cara jawapan dihasilkan. Respons dijana daripada data latihan model secara lalai. Grounding Google Search hanya bertindak secara terpilih, apabila model memutuskan sesuatu pertanyaan memerlukan maklumat segar atau boleh disahkan.

Dari mana jawapan diambil. Terutamanya daripada pemberat model, iaitu memori parametrik: apa yang model sudah pelajari. Apabila ia benar-benar melakukan grounding, ia menarik hasil Search secara langsung dan memaparkan pautan sokongan. Tetapi grounding di sini bersifat pilihan, bukan lalai.

Kenapa ia penting. Sebutan jenama dalam aplikasi Gemini banyak bergantung pada kehadiran dalam data latihan, bukan pada kedudukan carian minggu ini.

Kenapa anda muncul
  • Jenama anda diwakili dengan baik dalam korpus latihan: liputan berautoriti, kehadiran di Wikipedia, entiti yang sudah mantap.
  • Atau grounding tercetus untuk pertanyaan itu dan anda mendapat kedudukan baik dalam Search secara langsung.
Kenapa anda tidak muncul
  • Kebanyakan jawapan datang daripada memori model. Jika jenama anda baharu, khusus, atau tipis liputannya sebelum tarikh potong latihan, anda tidak wujud bagi model itu.
  • Kedudukan yang hebat tidak dapat menyelamatkan anda pada pertanyaan yang dijawab model tanpa grounding.
Menyekat Google-Extended hanya mengeluarkan anda daripada latihan Gemini pada masa hadapan. Ia tidak mengeluarkan anda daripada Search, AI Overviews, atau AI Mode, yang berjalan di atas Googlebot.

Langkahnya: bina kehadiran entiti yang tahan lama. Liputan pihak ketiga, data entiti yang konsisten, dan kandungan yang benar-benar berpeluang dipelajari oleh model.

AI Overviews: Mengutamakan Grounding

Cara jawapan dihasilkan. Pengambilan semula berlaku dahulu. Model Gemini tersuai mensintesis ringkasan daripada dokumen yang sudah diambil oleh sistem kedudukan Google, dan ia hanya dipaparkan apabila keyakinan tinggi.

Dari mana jawapan diambil. Indeks Search secara langsung, Knowledge Graph dan Shopping Graph. Pautan yang dipetik menunjuk kepada halaman yang menjadi asas ringkasan itu.

Kenapa ia penting. Retrievability klasik masih berkuasa. Jika anda tidak boleh diambil dan diberi kedudukan, anda tidak boleh dipetik.

Kenapa anda muncul
  • Anda berada dalam set yang diambil dan boleh diberi kedudukan untuk pertanyaan itu.
  • Sesuatu perenggan pada halaman anda menyokong secara langsung dakwaan dalam jawapan yang disintesis.
  • Teks yang bersih dan mudah diekstrak serta kesegaran membantu. Ahrefs mendapati URL yang dipetik AI cenderung kira-kira 26% lebih segar berbanding hasil organik.
  • Tiada skema khas diperlukan untuk kelayakan, menurut Google.
Kenapa anda tidak muncul
  • Anda tidak boleh diambil semula: noindex, nosnippet, sekatan, atau sekadar pengambilan semula yang lemah.
  • Atau tiada perenggan pada halaman anda yang menyokong dakwaan yang sedang dibuat.
  • Petikan bersifat passage-level. Kedudukan teratas tidak lagi menjamin petikan, walaupun ia masih meningkatkan peluang anda dengan kuat: pertindihan dengan 10 teratas berjulat kira-kira 17% hingga 76% merentas pelbagai kajian.
  • Jangan harapkan penindasan YMYL. Kira-kira 88% pertanyaan penjagaan kesihatan kini mencetuskan AI Overview.

Langkahnya: tulis perenggan yang boleh dipetik. Dakwaan yang jelas dan lengkap dengan sendirinya, yang menjawab satu sub-niat tanpa bantuan, bukan sekadar halaman yang mendapat kedudukan.

AI Mode: Grounded Ditambah Fan-Out

Cara jawapan dihasilkan. Query fan-out memecahkan soalan anda kepada beberapa sub-pertanyaan yang dicari secara selari. Gemini kemudian menaakul merentas kesemuanya untuk menyusun satu jawapan perbualan.

Dari mana jawapan diambil. Indeks web, Knowledge Graph, dan data masa nyata seperti beli-belah, tempatan dan kewangan, disintesis dengan pautan keluar. Setiap respons di-grounded pada pengambilan semula.

Kenapa ia penting. Anda tidak lagi mengoptimumkan untuk satu pertanyaan. Anda mengoptimumkan untuk berpuluh sub-pertanyaan yang terhasil daripada fan-out.

Kenapa anda muncul
  • Anda mendapat kedudukan untuk mana-mana sub-pertanyaan selari yang dijana oleh fan-out, bukan hanya istilah utama.
  • Halaman yang mendapat kedudukan merentas pertanyaan fan-out adalah kira-kira 161% lebih berkemungkinan dipetik, menurut Ahrefs dan Surfer.
  • Liputan topik yang mendalam dan data entiti yang kukuh meluaskan luas permukaan anda.
Kenapa anda tidak muncul
  • Anda mengoptimumkan untuk satu kata kunci sedangkan jawapan itu disusun daripada belasan sub-pertanyaan yang tidak pernah anda sasarkan.
  • Hanya kira-kira 20% petikan AI Mode datang daripada 20 hasil organik teratas, menurut seoClarity.
  • Kaitan perenggan ialah tiket masuk, tetapi autoriti masih bertindak sebagai penapis, terutamanya dalam YMYL.

Langkahnya: petakan fan-out itu. Liputi kelompok niat berkaitan di sekeliling setiap pertanyaan bernilai komersial, bukan hanya pertanyaan itu sendiri.

Apa yang Perlu Diubah

Tiga permukaan, tiga mod kegagalan. Kerjanya terbahagi dengan kemas mengikut garis grounded dan generative.

Untuk permukaan generative, bina entiti. Anda tidak boleh mengoptimumkan diri masuk ke dalam memori model dalam suku tahun ini. Apa yang menggerakkannya ialah liputan pihak ketiga yang tahan lama, data entiti yang konsisten merentas tempat yang digunakan Google untuk menyelaraskan identiti, dan kandungan bermakna yang cukup untuk model belajar sesuatu. Ini kerja perlahan dan ia berkompaun.

Untuk permukaan grounded, tulis perenggan, bukan sekadar halaman. Halaman yang mendapat kedudukan hanyalah harga tiket masuk. Apa yang dipetik ialah perenggan yang menyatakan dakwaan dengan cukup bersih sehingga boleh diangkat keluar dan masih difahami. Lengkap dengan sendirinya, khusus, dan terikat pada sub-niat yang benar-benar wujud pada seseorang.

Berhenti mengukur satu pertanyaan. Jika AI Mode memecahkan satu soalan kepada belasan sub-pertanyaan, maka menjejaki istilah utama hampir tidak memberitahu anda apa-apa tentang sama ada anda hadir dalam jawapan itu. Petakan sub-niat di sekeliling pertanyaan yang penting dari segi komersial, dan liputi kesemuanya.

Benang merah merentas ketiga-tiganya: boleh diambil semula, boleh diberi kedudukan, dan boleh dipetik pada peringkat perenggan.

Tiada satu pun daripada itu memerlukan strategi AI berasingan yang dipasang pada laman anda. Ia memerlukan laman yang sama itu mudah dibaca oleh sistem yang kini menyusun jawapan dan bukan lagi menyenaraikan pautan. Dan ia memerlukan pengukuran yang dapat melihat apa yang sistem itu benar-benar lakukan, iaitu masalah berbeza, dan sesuatu yang telah kami tulis dalam tiga isyarat yang berbaloi dipantau.

Bekerjasama dengan WISLR

Lihat permukaan AI mana yang benar-benar memetik anda.

WISLR mengukur saluran AI pada data pihak pertama anda sendiri: crawler mana yang membaca halaman anda, jawapan mana yang memetiknya, dan apa yang trafik itu lakukan setelah tiba. Kebenaran pada peringkat pelayan, bukan anggaran syer suara.

Lihat cara AI Channel Analytics mengukurnya →