我（王涛）最近确认了一个方向性变化：GEO的研究重心，正在从经典RAG机制转向信息获取全链路。这个判断来自我对2025年前沿实践的对照——Anthropic的Context Engineering、TREC 2025的RAG评测方向、Stanford/Manning的长上下文对比工作，三条线索指向同一个结论。
一个过时的模型与一条真实的链路
过去两年，很多GEO讨论建立在一条简化模型上：网页被向量化，用户提问后算相似度，相似度高的被召回，召回的被推荐。这套模型把GEO简化为“怎么被检索到”，但它和前沿系统的真实运行方式已经差得太远。
真实链路是：复杂问题进来，先推理，做查询规划，拆成多轮搜索；打开网页和PDF，提取证据；发现了证据不足，再回去搜；跨来源验证，组织上下文，最后生成答案。GEO真正要研究的，是从“用户问题如何被理解”“是否触发搜索”“查询如何改写”，到“哪些来源被搜索”“哪些证据进入上下文”“最终引用谁”的每一步。
关键判断是：传统RAG只是这条链路中间的一小段。把GEO等同为RAG优化，等于只研究一条生产线上的一个环节。
研究重心从RAG滑向信息获取层
我把各个技术方向做了价值重估。Query Planning和Rewrite、Agentic Search和Deep Research、Context Engineering、Grounding/Citation/Evidence、Retrieval Evaluation——这五个方向都值得深入，价值五星。经典RAG组件全线降级：BM25和Embedding、Chunk和Metadata、RRF和Rerank，理解机制即可，三星；Vector DB调参一星，不必深挖。
最值得注意的是黑盒采样与归因被评为最高优先级。这对我不是新闻——我的多平台AI采样器一直在做的，就是从黑盒外部观察AI怎么回答、怎么引用、怎么在多个来源之间选择。GEO研究的核心能力不是检索优化，而是证据选择机制的观测与归因。
学习重心因此从“RAG Engineer式”的检索算法深挖，转移到“大模型信息获取”这一整层：Search、Retrieval、Grounding、Context Engineering、Agentic Search，加上Evaluation。
这个转向的边界在哪里
这个转向的基础是2025年前后的实践，线索一致性很强，但并不意味着覆盖所有场景。评测机构的重心不一定等于企业实际需求；Agentic Search、Deep Research还在快速演化，今天的五星评级可能在一两年后失效。
更现实的边界是：从RAG到全链路，研究对象变复杂，可观测性反而更差。检索阶段还能用召回率、命中率评估，到了多轮搜索、证据归因和上下文组织阶段，大量环节仍然是黑盒。GEO的实践必须保持“采样—归因—验证”的闭环，而不是停留在算法层推演。
这改变了我怎么做研究
这个转向把我在做的事串成了一条线。
固定50题GEO Benchmark，本质上是为整条链路做了一个固定入口——用同一组问题反复观测AI对查询的理解、对来源的选择、对证据的组织，而不是测某个检索参数。我用多平台AI采样器验证过：同一篇内容，在查询规划不同的场景下，进入上下文的方式完全不同；在实际项目里，问题经常不在内容没被索引，而在证据组织阶段被其他来源挤掉。AI品牌可见度报告，就是把“最终引用谁”这个黑盒动作周期性拉到台面上。
TaoHtml在这条链路里的位置也清晰了：它不是为了表面优化，而是为了让内容在“打开页面—提取证据”这一步更安全、更完整地被读走。我现在的资源分配原则是：不再往检索参数上投入，压在查询规划、代理搜索和证据选样这些真正决定答案生成的环节上。
—— 王涛（Taomir）