2026 年三种搜索范式并存：关键词、RAG 与对话式大模型

在 2026 年的 Web 生态中，关键词搜索、RAG 检索增强生成以及纯对话式大模型三种搜索范式并行存在，它们并非简单的迭代取代关系，而是拥有不同架构、不同优化目标和不同失败模式的独立范式。对于建站者和内容生产者而言，理解这三者的差异至关重要。

范式一：关键词与倒排索引

经典 Google 搜索建立在三大组件之上：爬取、倒排索引与排序。

爬取：Googlebot 沿链接访问页面，下载内容并交由解析器处理。
倒排索引：内容被分词、词干化后建立索引结构，将每个词映射到包含它的文档集合（含位置与频次）。其结构与"文档 → 词"的常规索引相反，是"词 → 文档"。
排序：最初的 PageRank 是一种迭代算法，依据指向页面的链接分数加权求和来给页面打分。如今排序已极为复杂——包含数百种信号、用于查询理解的神经模型以及个性化机制——但倒排索引仍是基础结构。

该范式的结构性问题是：模型优化的是查询词与文档词的匹配，而非意图理解。它无法识别"食品级硅胶垫片供应商博洛尼亚"与"在艾米利亚-罗马涅大区哪里能买到食品级 O 形圈"其实是同一个问题。同义词扩展、查询扩展与实体识别等部分方案能提升召回率，但无法解决根本问题——它是统计匹配，而非语义理解。

Google 的 AI Overview 以及 Perplexity 等回答引擎采用 RAG 架构：查询 → 检索（倒排索引或向量索引）→ top-k 文档 → LLM → 合成答案。检索阶段拉取最相关的文档，大模型阅读后生成整合多源信息的自然语言回答。

相较关键词模型，RAG 的优势在于：答案为自然语言形式，可整合多源信息，更擅长处理复杂查询。但它也存在若干结构性问题：

检索质量：若检索返回错误文档，LLM 会以高置信度输出错误答案——典型的"垃圾进、垃圾出"，只是包装得更有说服力。
部分接地：即便检索文档不含某信息，LLM 仍可能用训练知识补全，导致答案混合了已验证事实与未声明的推断。
不透明性：用户无法分辨答案哪些来自检索文档、哪些来自模型训练。引用标注有一定帮助，但覆盖面有限。
表征不对称：文本内容丰富的站点更易被检索；具备丰富语义结构但文本稀疏的站点（例如使用扩展 JSON-LD 与 llms.txt 的站点）在传统检索中处于弱势。

当用户使用 ChatGPT、Claude 或 Gemini 的纯对话模式（无主动联网搜索）时，模型完全基于训练数据作答。

训练阶段，模型在大规模文本语料上以"下一词预测"为目标进行训练，过程中学习实体的分布式表征以及实体间关系。它并非机械记忆事实，而是学习词元上的概率分布。

幻觉之所以在结构上不可避免：模型并不区分"我知道 X 为真"与"在给定上下文下 X 概率较高"。当训练数据中某实体稀疏时，模型会用看似合理的概率推断填补空白。一家线上存在感薄弱的意大利制造型 SME 就是一个天然稀疏实体——模型是在推断，而非回忆。

分布密度决定表征精度：在训练语料中被多次、一致提及的实体，模型对其表征更精确；被罕见提及或提及不一致的实体，则容易产生幻觉。这就是大公司在模型中被表征得更好的原因——并非因为它们更"优秀"，而是因为它们在语料中具有更大的语义质量（semantic mass）。

三种范式的根本区别在于优化对象：

关键词模型：优化词元——关注关键词密度与外链建设，使用 Google Search Console、Ahrefs 等工具。
RAG 模型：优化文档——使其可被检索并被引用，关注结构化数据与可引用性。
对话式 LLM：优化实体——确保模型对自身数字身份有精确且可验证的表征，关注 llms.txt、JSON-LD @graph、schema.org 等。

当优化对象变为实体时，技术问题转化为：如何表征一个实体，才能让 LLM 正确理解它？

llms.txt 是放置在域名根目录的结构化文本文件，向模型提供关于站点身份的明确上下文——产品、服务、能力和实体关系。它不会被 Google 以传统方式索引，但会被 AI 爬虫（如 GPTBot、ClaudeBot、PerplexityBot）读取，并作为主要上下文来源。

规范本身简单：使用 Markdown 二级标题分节、链接至主要资源、描述简短精确。一份有效的 llms.txt 与无效版本之间的差距不在长度，而在表述精度与歧义消除程度。llms-full.txt 是其扩展版本，提供更完整的内容以便模型建立更深层次的实体理解。

三种范式并存的现实意味着，建站者不能再只针对 Google 关键词排序优化，而必须同时考虑文档的可检索性以及实体在训练语料中的语义质量——后者本质上要求站点以机器可读、可验证的方式"声明自身"。