选择与重排是怎么决定一条 AI 答案用哪些段落的？

选择与重排把若干份候选名单变成一份简短、有序、塞得进固定上下文预算的证据清单。依次发生四个操作：把各条扇出子查询返回的候选集合并；把近似重复与转载副本折叠掉，免得同一个论断占掉三个名额；把剩下的按“某个模型对该段落回答这条具体问题的程度”打分重排，而不是按它域名有多权威；然后从尾部裁掉，直到证据装得下。Google 用第一方语言描述了同一个形状：接地（grounding）“依靠我们核心的搜索排名系统”检索网页，之后“我们的系统再审阅那些被检索到的页面中的具体信息，以生成更可靠、更有帮助的回答”。⁹ 这一步“审阅”，就是第四阶段。

是一个模型在阅读这些段落，而不是某个作用在链接图上的公式，这一点并不是对封闭系统的猜测。它就是这个阶段依赖的、已发表的技术：EMNLP 2023 的一项研究发现，被恰当指令化的语言模型用作重排代理时，“能在常用的信息检索基准上给出与最先进的有监督方法相当、甚至更好的结果”。¹⁰ 重排器是一个读者，而它读的是块。

被低估的是“裁掉”这一步。上游产出的候选是几百上千条；抵达书写阶段的只有屈指可数的几条。在 2026 年 4 月发表的一份 602 条 prompt 的学术样本里，一条成品答案上挂的引用数平均为：ChatGPT 6.88 个，Google 的 AI 界面 12.06 个，Perplexity 16.35 个。³ 候选池的绝大部分都在这里被丢掉了，而被丢掉的东西无法靠下游更好的文笔捞回来。这个阶段在整条管线里的位置，见AI 搜索如何工作这一阶段。

被埋起来的答案会输，是因为重排器打分的对象是那个块，而围着你答案的那八段并不是它的证据，它们是它周围的噪声。一个 3,000 词的页面，如果答案在第九段，它呈现的就是“一个相关段落嵌在一大堆讲相邻话题的材料里”。而一个更短的页面，如果第二句就把问题答了，它呈现的是一个几乎全在靶心上的段落。页面级权威救不了前者，因为这里被打分的根本不是权威。

段落在页面中的位置看起来也有影响，尽管证据是厂商发布并自我声明为相关性质的。2026 年 6 月一项针对 10,000 条 AI Overview 回答、100,000 个引用落点、通过滚动定位片段匹配到原文位置的研究发现，38% 的引用取自页面的前 100 词，而一年前一个更小的对照集里是 20%；作者明确写道，这份数据是相关性质的，他们“能展示 AI 模型从哪里引用，但不能确定地说明为什么”。² 实用的读法不是“把所有东西都堆到顶部”，而是：开场白、品牌清嗓子和“本文将介绍……”占据了整页最值钱的地段。

一个段落被选中之后，它在模型上下文里的位置同样有影响，而且这方面的证据比任何关于页面形态的证据都强。2026 年那篇批判性综述把“上下文中的位置”评为强（前提是该文档已经被检索到），把“查询与文档的相关性”评为在受控设置下强。⁴ NeurIPS 2025 的 C-SEO Bench 给出了具体数字：在 GPT-4o-mini 上的零售领域，最好的传统干预（即改善来源在 LLM 上下文里的位置）让目标文档平均前移 2.77 个名次，而它所测十种内容改写方法中最强的一种只有 0.36。论文自己的措辞没有给出任何倍数：把目标文档“放到 LLM 上下文窗口的第一位，带来的引用排名增益远大于任何一种 C-SEO 方法”。⁵ 为什么会这样，有它自己的文献：模型表现“往往在相关信息位于输入上下文的开头或结尾时最高，而当模型必须访问长上下文中间的相关信息时会显著下降”。⁸ 这个位置不是你设定的。你能施加的影响，是成为那个最精确回答了子问题的段落。

只能反向控制，而且只在有文档提供控制手段的界面上。Google 的指引点名了四个：“要限制你的页面在搜索中展示的信息量，请使用 nosnippet、data-nosnippet、max-snippet 或 noindex 控制”，而它的 AI 功能跑在同一套摘要资格上。⁶ 这让你有办法把某一块文字排除在被引用之外，或给页面可展示的量设上限，两者都是在减少你的暴露面，而不是在引导它。

不存在正向的对应物。没有引擎提供“把某一段标记为你希望被引用的那段”的办法，也没有任何标记、文件或指令能提名一个。唯一可用的正向影响是构成性的：让回答子问题的那一段成为整页里最清楚、最精确对准靶心的东西，并给它一个把问题说出来的标题。这不是技巧，而这恰恰是它一直有效的原因。