身為內容行銷人員或網站經營者，你是否發現：同樣一段內容，在 Google 搜尋排名明明很好，但在 ChatGPT 或 Perplexity 引用卻完全找不到？這背後的關鍵在於——混合式搜尋評分 (RRF) 正在改變搜尋的遊戲規則，AI 助理與搜尋引擎其實已經成為兩套截然不同的「內容推薦系統」。
本文將介紹搜尋引擎與 AI 助理在資料檢索上的邏輯差異、RRF 技術的運作原理，以及如何透過行銷角度解讀這些變化，優化內容策略，讓品牌在未來的「雙重曝光」中搶得先機。
傳統搜尋 vs AI 推薦：從關鍵字比對到語意比對
語意 vs 字詞：AI 助理不是在找「字」，而是在猜「意思」
搜尋引擎（如 Google）是以「關鍵字」作為主要檢索依據，背後技術如 BM25，就是在比對文字中關鍵詞出現的頻率與匹配度。這種檢索方式擅長處理精確的查詢，但難以理解語境或同義詞。
相對地，AI 助理（如 ChatGPT、Perplexity）則是基於語意檢索，它們使用「向量嵌入（Embeddings）」來理解概念與上下文——不是找一模一樣的字，而是判斷「這段內容跟你在說的話有沒有意義上的關聯」。
傳統搜尋 v.s AI：檢索層面差異 – BM25 vs 向量檢索
BM25：傳統詞彙檢索（Lexical Retrieval）
- 核心原理：根據查詢詞與文件中詞頻的匹配程度進行打分。
- 常用於：Google Search、Elasticsearch、OpenSearch 傳統模組。
- 詞頻高、文件短、詞稀有 → 排名高。
向量檢索（Semantic Retrieval using Embeddings）
- 原理：將文本與查詢轉換成高維向量，計算兩者的距離或相似度。
- 模型：OpenAI
text-embedding-3-large、bge-large-en、E5、Cohere Embed等。 - 常見距離指標：
- Cosine similarity
- Dot product
- Euclidean distance (L2)
- 向量檢索會捕捉語意相似，例如「buy car」≈「purchase vehicle」。
| 傳統 SEO | 語意 SEO | 向量 SEO (GEO) | |
| 對象 | 搜尋引擎爬蟲 | BERT / NLP 模型 | LLM / Embedding 模型 |
| 核心思維 | 關鍵字匹配 | 語義關聯 | 向量相似度 |
| 技術重點 | Title、Meta、H1 | 主題樹（Topic cluster） | 向量空間定位（Vector cluster） |
| 寫作焦點 | 排名 | 內容理解 | 被引用、被生成 |
| 成功指標 | SERP 頁面曝光 | 搜尋意圖覆蓋 | AI Overview 收錄率、生成內容被引用率 |
這也意味著，相同的內容在 AI 助理與搜尋引擎的曝光表現可能天差地遠。舉例來說，當使用者搜尋：「AI 內容優化方法」：
傳統 SEO 寫手會放關鍵字：「AI 內容優化、AI SEO、AI 文案生成工具」；
但 LLM 會這樣想：「這篇文章的語意是否涵蓋了 AI 如何理解內容品質、語意結構、向量關聯？」因此更適合 LLM 的寫法應為：
「AI 模型會將文章轉成向量，在語意空間中評估其主題一致性與知識權威性。因此，內容優化的重點，不只是關鍵字密度，而是如何讓模型清楚辨識主題核心。」
混合式搜尋評分（RRF）是什麼？如何影響曝光排名？
現代搜尋引擎與 AI 系統，往往不是單用其中一種檢索技術，而是同時使用關鍵字檢索（BM25）與語意檢索（向量模型）。這兩份結果清單如何融合？就是透過「RRF（倒數秩融合）」公式：
RRF 公式：分數 = 1 ÷ (k + 排名)（k 通常為 60）
同一篇文章如果在兩種檢索結果中都有出現，會加總分數，得分高者勝。
以下是 AI LLM（如 ChatGPT Search、Perplexity、Claude Search）採用的 RRF 流程範例：
Q [使用者查詢 Query]
-->A[Lexical Search (BM25)]
-->B[Semantic Search (Embedding Similarity)]
-->C[RRF Score Fusion]
-->D[結果排序 + Context 塊]
-->E[LLM 回答 + 引用來源]
LLM 並不直接搜尋網頁，而是依賴「Retrieval Layer」提供的前 N 筆結果。這層的結果融合邏輯（RRF）決定了 哪些文件被 LLM 看見、被引用。
混合檢索（Hybrid Search）：RRF（Reciprocal Rank Fusion）
結合 BM25、向量檢索兩者的搜尋模式，使得結果兼具「關鍵字精準」與「語意理解」。若一份文件在多個模型中排名都高，則它的最終分數加總也高。
範例：
| 文件 | BM25 排名 | 向量 排名 | 最終分數 (k=10) |
|---|---|---|---|
| A | 1 | 3 | 1/(10+1)+1/(10+3)=0.1678 |
| B | 2 | 1 | 1/(10+2)+1/(10+1)=0.1742 |
| C | 3 | 2 | 0.1602 |
結果：B > A > C。B 兼顧兩種檢索的高分，因此最終名列前茅。
各主流引擎中的 Hybrid Search 實作
| 平台 | 模組/功能 | 官方文件 |
|---|---|---|
| Azure AI Search | Hybrid retrieval with BM25 + vector | 微軟雲原生混合檢索系統 |
| ElasticSearch / OpenSearch | Reciprocal Rank Fusion (RRF) API | 8.11 之後支援混合排序 |
| Vespa.ai | Hybrid Search Tutorial | Yahoo/Oath 開源的分散式搜尋引擎 |
| Weaviate | Hybrid Queries | 內建 BM25 + cosine similarity |
| Qdrant / Milvus | 可在 client-side 實作 RRF 加權融合 | 需手動整合 keyword + vector 檢索 |
行銷人員如何觀察與應對？非工程師也能用的 RRF 3 指標
雖然行銷人員無法看到 AI 助理或搜尋引擎的演算法細節，但可以透過「重疊率觀察法」來理解內容曝光狀況：
1. SVR（Shared Visibility Rate）
SVR 是指在相同查詢中，Google 搜尋結果與 AI 助理引用來源重複的比例。Google 與 AI 助理都引用你的內容，表示內容同時被兩邊信任。
SVR 越高，表示你的內容不僅符合關鍵字匹配邏輯，也具備 AI 助理「語意上的信任」，是雙重標準下的「強內容」。這代表你製作的內容在結構與語意層面上都表現優秀。
舉例而言，若針對某關鍵字查詢，Google 前 10 名網站中有 3 個網域與 AI 助理的引用來源重複，那麼 SVR 就是 0.3。
要有好的 SVR，建議保持內容更新頻率、加強標題層級與語意明確性，讓內容在兩大系統中維持曝光。
2. UAVR（Unique Assistant Visibility Rate）
UAVR 是獲得 AI 助理引用的來源中，未出現在 Google 搜尋結果前 10 名的比例。
UAVR 高表示 AI 助理有「自己的偏好」，它發現了 Google 還沒列入的內容。這代表 AI 模型是根據語意與上下文的判斷，而非字面關鍵字來挑選資料來源。
舉例：AI 助理引用 6 個來源，其中只有 2 個也在 Google Top 10，UAVR 就是 (6-2)/6 = 0.67。
除了關鍵字語意內容，AI 也偏好結構化的資訊。可以在文章中放入條列式摘要、FAQ、HowTo 內容、白皮書格式等，提升語意辨識率。
3. RCC（Recurrent Citation Count）
RCC 是指相同網域在多個不同查詢中，被 AI 助理反覆引用的次數比例。可以視為對網域的品質信任度。RCC 高的品牌，代表在 AI 模型的語意世界中具有穩定可信度。即使查詢不同，只要是相關主題，AI 仍選擇引用你。
舉例而言，10 個不同的產品查詢中，有 4 次都出現你的網域，被 ChatGPT、Perplexity 反覆引用，RCC 就是 0.4。
建議操作策略：打造主題式內容集群（Content Cluster），讓網站中的知識結構完整一致，增加「語意指紋」，提升 AI 模型對你網站的整體信任感。
如何優化內容，讓 AI 與搜尋引擎都推薦？
| 目標 | 優化方法 | 適用平台 |
|---|---|---|
| 提升關鍵字命中 | 強化 H 標題層級、明確使用關鍵字 | Google 搜尋引擎 |
| 增加語意信任 | 條列摘要、FAQ、HowTo 結構化資料 | AI 助理 |
| 強化穩定引用 | 固定作者名、加時間戳、規範網址 | 向量模型 |
| 提供信任內容 | 白皮書、PDF、規格書等高格式內容 | AI 助理優先引用 |
FAQ：關於混合式搜尋評分（RRF）你可能想問的
混合式搜尋評分（RRF）和 SEO 有什麼關係？
RRF 是目前 AI 助理與進階搜尋平台用來排序內容的方式之一。對於 SEO 來說，代表我們不再只優化關鍵字，也要讓內容「語意清晰、邏輯完整」，讓 AI 看得懂。
怎麼知道 AI 助理有沒有引用我的內容？
可觀察 Perplexity、ChatGPT Search 等 AI 搜尋結果中是否引用你的網域，或使用上文的 SVR、UAVR、RCC 指標自製報表追蹤。
如何讓品牌內容在 AI 與搜尋引擎中雙重曝光？
若你是內容經營者、SEO 優化人員或品牌主，現在就是升級內容結構的時機：
- 檢查標題與段落層級，確保 H2/H3 明確定義主題
- 增加條列摘要、QA、HowTo 類型內容，幫助 AI 準確解析
- 提供結構化文件或高格式檔案，增強模型引用穩定度
想讓品牌內容不只排上第一頁，還能成為 AI 助理眼中的信任來源嗎？
現在就開始優化你的內容架構、語意設計與引用格式，掌握混合式搜尋評分(RRF) 的脈絡，讓你在未來的搜尋世界中立於不敗之地。
2025 年 SEO 行銷該如規劃？歡迎與我們諮詢！現在聯絡我們並提供上限 5 個競爭者對手網站，限時免費贈送「競爭者 SEO 表現分析」報告一份，輕鬆掌握對手 SEO 動態 & 差距！
了解最新 SEO 行銷解決方案：【新世代 AI SEO x 數位品牌優化】計畫
延伸：RRF 如何測試（Python 範例）？
若想在內部驗證品牌內容在「AI 助理 vs Google 搜尋」的重疊，可參考文中計算框架。
指標定義
| 符號 | 定義 | 計算公式 |
|---|---|---|
| I | 交集數（重疊的 URL/domain） | count(Google ∩ Assistant) |
| N | 助理引用但 Google 未列出的 | Assistant_total − I |
| F | 特定 domain 出現頻率 | across 10 queries |
| SVR | Shared Visibility Rate | I ÷ 10 |
| UAVR | Unique Assistant Visibility Rate | N ÷ Assistant_total |
| RCC | Recurrent Citation Count | ΣF ÷ queries_count |
範例：
Google Top10 URLs: 10
Assistant citations: 6
Overlap: 3
.com domain appeared 4 times
SVR = 3/10 = 0.30
UAVR = (6-3)/6 = 0.50
RCC = 4/10 = 0.40
模擬 RRF 實作（Python 範例）
def rrf_score(rank_lists, k=60):
"""
rank_lists: list of dicts, each {doc_id: rank_position}
return: dict of {doc_id: combined_score}
"""
from collections import defaultdict
scores = defaultdict(float)
for ranks in rank_lists:
for doc, r in ranks.items():
scores[doc] += 1 / (k + r)
return dict(sorted(scores.items(), key=lambda x: x[1], reverse=True))
# Example
bm25 = {'A': 1, 'B': 2, 'C': 3}
vector = {'A': 3, 'B': 1, 'C': 2}
print(rrf_score([bm25, vector], k=10))
輸出：
{'B': 0.1742, 'A': 0.1678, 'C': 0.1602}
RRF 對資料科學家與搜尋工程師的啟示
- 混合檢索不是排序最佳化（ranking optimization），而是信任校正（consensus calibration）。
- RRF 可視為多模態資訊整合的 baseline ensemble。
- 在多源檢索架構中，可延伸為：
- 加入 meta-weighting（根據模型信任度調整權重）；
- 使用 learning-to-rank 模型（例如 LambdaMART、RankNet）；
- 評估指標可採用 NDCG、MAP、Jaccard overlap。
延伸閱讀與官方技術文件
| 主題 | 文件連結 |
|---|---|
| BM25 原理 | https://en.wikipedia.org/wiki/Okapi_BM25 |
| 向量嵌入基礎 | https://platform.openai.com/docs/guides/embeddings |
| Reciprocal Rank Fusion (RRF) | https://trec.nist.gov/pubs/trec21/papers/UniversityofWaterloo-RankFusion.pdf |
| Hybrid Search in Azure | https://learn.microsoft.com/en-us/azure/search/hybrid-search-overview |
| Vespa Hybrid Ranking | https://docs.vespa.ai/en/hybrid-ranking.html |
| OpenSearch Hybrid Search | https://opensearch.org/docs/latest/search-plugins/knn/reciprocal-rank-fusion/ |
| Perplexity 檢索架構解析 | https://www.perplexity.ai/hub/articles/how-perplexity-search-works |