引擎偏好规则与内容重写

前述内容优化（advanced/01）给的是通用判据；这一篇讲怎么把“引擎喜欢什么“变成可提取的规则、再用规则重写——AutoGEO（ICLR’26）把这个循环做了学术化，是本书 reverse/ 手法的自动化理论版。机制描述来自 AutoGEO 官方仓库与论文摘要（arXiv:2510.11438，2026-11-06 核验）。

一、问题的提出：通用判据 vs 引擎特异偏好

“数字块 +61.6%“这类判据是跨引擎平均数。但实践中每个生成式引擎的偏好不同：Gemini 偏结构化数据、Perplexity 偏新鲜第三方、豆包偏中文社区帖（见 guide/07）。同一篇内容在 A 引擎被引、在 B 引擎消失，差的就是引擎特异偏好。

核心问题：偏好能不能不靠猜、从引擎行为里自动挖出来？ AutoGEO 的答案是能。

二、AutoGEO 的三组件方法

采样语料（问题 + 引擎回答 + 引用片段）
        │
        ▼
① Rule Extraction ──自动挖掘──▶ 偏好规则集（每引擎一套）
        │
        ├─▶ ② AutoGEO_API：规则塞进提示词 → 大模型按规则重写
        └─▶ ③ AutoGEO_Mini：规则作奖励信号 → GRPO 强化学习训练小模型（Qwen1.7B）

规则提取（Rule Extraction）：喂给引擎大量“问题-回答“对，让模型归纳“它引用的片段长什么样“——带统计数字、给出直接定义、列步骤……产出显式规则集，按引擎×领域分目录存放。
AutoGEO_API：把提取的规则注入改写提示词，用现成大模型重写目标文档。零训练成本，规则透明可审。
AutoGEO_Mini：用强化学习（GRPO）把能力蒸馏进 1.7B 小模型——推理便宜，但要 2×A100 训约 48 小时（README 自报）。

三、双指标：可见度不能牺牲效用

AutoGEO 的评估是两个分数同时算：

指标	衡量	防什么
GEO score	重写后文档在引擎回答中的可见度（被提及/被引用）	防“改了没用“
GEU score	生成式引擎对重写后文档的效用（内容质量、准确性）	防“为骗引用把内容改烂“

这是对黑帽 GEO 的正面回击：只优化 GEO score 的改写会滑向关键词堆砌和事实注水；GEU 把“引擎自己觉得这内容有没有用“纳入约束。从业者版等价物：每次改写后，除了重采样看引用率（advanced/12 采样纪律），还要人工核事实未被改损。

四、诚实边界（README 原文强调）

偏好规则不迁移：换引擎或换领域，必须重跑规则提取、重训 Mini。不存在一套规则通吃。
学术实现 ≠ 生产工具：仓库是研究代码，无仪表盘无工单流，落地要自己搭管线。
适配成本实打实：API 版要烧采样 token；Mini 版要 GPU。

五、从业者怎么借（不必跑代码）

三层递减的工程强度，取你能承受的最低档：

手工版（今天就能用）：reverse/01 的“引单采集“攒够 50+ 条某引擎的引用片段后，人肉归纳 5-10 条该引擎的偏好规则（形态/长度/内容类型），写进内容简报模板（advanced/13），再按 reverse/01 手法 4“单变量改写“验证——这就是人肉 Rule Extraction + GEU 复核。
提示词版：把归纳的规则集直接写进改写提示词（AutoGEO_API 的同构做法），让手边任何大模型按规则重写页面正文。
全管线版：跑 AutoGEO 仓库（MIT；conda 环境+keys.env，python -m autogeo.extract_rules --dataset X --engine_llm gemini-2.5-flash-lite），或等工程化产品吸收该方法（观察名单见 news/01）。

与 GEO-Bench 的关系：AutoGEO 论文同时提出可复现 benchmark（GEOLab 收录其数据集）——它既可用来测方法，也可用来测你的页面：把自己放进基准跑分，是“改写有效“的第三方证据。

六、常见误解

❌“AutoGEO 是个 CMS/平台”——它是研究框架+模型权重，没有管理界面。
❌“挖出来的规则永久有效”——引擎版本一更新偏好就漂移，规则集要按采样周期重挖（呼应四层模型“引擎行为会变“的口径）。
❌“重写=AI 洗稿”——GEU 约束存在的全部意义就是把“提升可引用性“和“注水洗稿“切开；只动结构与证据密度，不动事实。

GEO 知识库