Alex Groberman 的 X 长文把一条研究线索推爆了：Google Cloud Discovery Engine（现在也叫 Agent Search / Vertex AI Search）公开了可用于理解 AI 搜索的排序信号。对 SEO/GEO 团队来说，真正有用的问题不是“泄露”够不够刺激，而是：官方文档确认了什么、研究者对 AI Mode 的推断到哪一步、页面该怎么改、怎么复测。
LEAKED: Google just accidentally revealed how AI search systems actually work.
Google just accidentally revealed how its AI search systems actually work.
Now that none of it is a secret anymore, let's talk about it.
2026 is going to be a make or break year for a lot of businesses when it comes to traditional search and AI search.— Alex Groberman (@alexgroberman) January 17, 2026
研究来源：Metehan Yesilyurt 逆向 Google AI Mode · 官方信号：Google Cloud 自定义排序文档
结论先行： Discovery Engine 排序信号可以当成 Google AI 搜索产品的公开架构图，但不是消费级 AI Mode 源码泄露。优化时重点关注语义匹配、深层相关性、关键词、新鲜度、互动预测和分块清晰度，再用固定提示词包测引用。想系统实践，可以看 GEO 教程，或用 AI 可见度检测 做一次快照。
核心结论
- Google Discovery Engine 官方文档披露了多项企业级排序信号，包括 default_rank、semantic_similarity_score、relevance_score、keyword_similarity_score（BM25）、document_age、pctr_rank、topicality_rank、boosting_factor，详见官方文档。
- 这些信号为 GEO 从业者提供了可用的参考框架，帮助理解 AI 搜索排序系统大致怎么打分、怎么取片段。
- 所有公开信号仅限于企业级 Discovery Engine 产品文档，并非 Google 消费级 AI Mode 已证实源码。不能直接等同于 Google 搜索主引擎的实际排序实现。
- 研究与社区逆向工程（如 Metehan 博客 和 Alex Groberman 讨论）表明，AI Mode 排序流程大致遵循 Prepare→Retrieve→Signal→Serve 的架构，且信号分块约 500 token。
- Convertos.ai 已将 Discovery Engine 信号映射到自身的内容诊断与可见性分析工具中，帮助用户评估内容与排序信号的契合度。（详见 Convertos GEO 工具介绍）
注意： Discovery Engine / Agent Search 排序信号仅为企业产品文档信号，不等于已证实的消费级 Google AI Mode 源码。GEO 策略需合理参考，勿盲目套用。
建议： GEO 从业者应以 Discovery Engine 排序信号为重要参考，结合 Convertos.ai 工具链进行内容优化，但需警惕信号与 Google 搜索主引擎实际实现之间的差异。持续关注社区动态与官方更新，灵活调整 GEO 策略。
Discovery Engine 信号故事的本质
Discovery Engine 的排序信号，是 Google 在企业级 Discovery Engine 产品文档中，首次系统性披露的内容检索与排序“信号”体系，包括 default_rank、semantic_similarity_score、relevance_score、keyword_similarity_score（BM25）、document_age、pctr_rank、topicality_rank、boosting_factor。这些信号为理解 Google 在 AI Mode 及 GEO 背景下，如何评估和排序内容提供了重要线索，但仅限于企业产品文档，并不能直接等同于消费级 Google 搜索或 AI Mode 的真实算法实现。
这些信号的披露，出自 Google Cloud Discovery Engine 的官方文档（custom-ranking）。研究者和从业者通过逆向分析（如 metehan.ai 和 X.com 讨论），试图将这些企业级信号与 Google AI Mode、GEO 的实际排序机制建立映射关系。行业普遍关注 Prepare→Retrieve→Signal→Serve 这四步流程，以及信号如何作用于约 500 token 的分块内容。
在 Convertos 的 GEO 工具开发中，这些信号体系被用来帮助用户理解内容在 AI 搜索环境下的可见性。例如，Convertos 的 AI 可见性检测器 会结合语义相关性、时效性等信号，模拟内容在新一代检索系统中的表现，但始终明确标注这些信号来源于企业产品文档，非消费级 Google 搜索源码。
| 来源 | 类型 | 主要内容/用途 | 边界说明 |
|---|---|---|---|
| Google Cloud Docs | 官方文档 | 排序信号详细定义 | 仅限企业产品，非消费级搜索 |
| metehan.ai | 研究分析 | 信号与 AI Mode 推测映射 | 逆向推测，非官方证实 |
| X.com 讨论 | 行业讨论 | 信号体系与实际排序关系 | 观点性内容，需独立判断 |
七大排序信号与四阶段管线
Google Discovery Engine（Agent Search）官方文档披露了七大排序信号：default_rank、semantic_similarity_score、relevance_score、keyword_similarity_score（BM25）、document_age、pctr_rank、topicality_rank、boosting_factor。这些信号贯穿于四阶段管线：Prepare → Retrieve → Signal → Serve。理解这些信号及其在管线中的作用，是GEO/SEO专业人士优化AI搜索可见度的关键。
!Google Cloud Agent Search 标准排序信号
四阶段管线分工明确：
- Prepare：内容分块（通常约500 token），生成 embedding 等结构化数据。
- Retrieve：根据 query 召回候选文档，初步靠 embedding 和 BM25 等信号。
- Signal：对候选文档应用七大信号，生成最终排序分数。
- Serve：输出排序结果，供 AI 搜索/推荐模块使用。
这些信号在不同阶段权重不同。例如，semantic_similarity_score 和 keyword_similarity_score 在 Retrieve 阶段作用突出，pctr_rank 和 boosting_factor 多在 Signal 阶段精细调优。
Convertos GEO 工具包支持分析和可视化 AI 搜索排序信号。例如，利用 AI Visibility Checker 可追踪文档在 semantic_similarity_score、BM25 等信号下的表现，帮助 GEO 从业者识别内容在 AI 搜索中的优势与短板，辅助内容分块与信号优化。
- 官方信号出处详见 Google Cloud 自定义排序文档
- 信号与管线映射参考 Alex Groberman 的 X 长文
- 研究界普遍将信号分布映射到 Prepare→Retrieve→Signal→Serve 四阶段，详见 Metehan 逆向文章
注意： Discovery Engine/Agent Search 信号为企业产品文档信号，不等于已证实的消费级 Google AI Mode 源码。实际排序逻辑可能有差异，需结合实际观测与实验。
分块、Schema 标记与可抽取答案块
在 Google Discovery Engine 和 GEO 实践中，内容“分块”（Chunking）、Schema 标记以及可抽取答案块的优化，正成为提升可见性与答案提取率的核心策略。分块是指将长文档拆分为约 500 token 的语义单元，Schema 标记则通过结构化数据帮助 Google 理解内容，而可抽取答案块则直接影响 AI 摘要和 SERP 直出答案的质量。
Google Discovery Engine 官方文档明确提到，系统会用 default_rank、semantic_similarity_score、relevance_score、keyword_similarity_score（BM25）、document_age、pctr_rank、topicality_rank、boosting_factor 等信号，对分块后的文档进行排序。分块不仅便于算法处理，还提升了每个内容单元被检索和抽取为答案的概率。Schema 标记（如 FAQPage、HowTo、Article）通过结构化数据、内容类型、可抽取性等信号，帮助 Discovery Engine 更精确地识别答案块。
Convertos GEO 工具包可自动检测页面分块与 Schema 标记完整性，辅助内容团队针对 AI 摘要与 GEO 优化。以 AI 可见性检测器 为例，用户上传页面后，系统会分析内容分块结构、Schema 标记覆盖率，并评估哪些区块最可能被抽取为答案块。这种自动化检测，有助于及时发现内容分块过大、Schema 标记缺失等影响 GEO 排名的问题。
社区实测发现，分块与 Schema 标记的优化，能显著提升答案块抽取率（参考讨论）。
建议： 合理分块、完善 Schema 标记、优化可抽取答案块，是提升 Discovery Engine 与 AI Mode 可见性的必修课。建议结合 Convertos GEO 工具 持续检测与调整，确保内容在新一代搜索环境中具备更高的答案曝光率。
GEO 工作流与检查清单
| 检查项 | 要点 | 解释 | Convertos 相关例子 | 边界说明 | 建议 |
|---|---|---|---|---|---|
| 1. 是否明确目标用户意图？ | 明确目标意图是 GEO 成功的第一步。 | GEO 要求内容和结构紧贴用户需求。 | Convertos 支持意图分析，帮助定位内容方向。 | 见 Google Cloud 自定义排序文档。 | 明确意图，内容更易被 AI Rank 理解。 |
| 2. 内容分块是否合理？ | 推荐每 500 token 一块，便于信号提取。 | AI Rank 处理内容时偏好小分块（Prepare→Retrieve→Signal→Serve）。 | Convertos 自动分块工具，提升内容结构化。 | 见 Metehan 逆向文章。 | 合理分块，提升检索与排序表现。 |
| 3. 是否覆盖官方排序信号？ | 需关注 default_rank、semantic_similarity_score、BM25 等七大信号。 | 这些信号决定 Discovery Engine 的内容排序和可见度。 | Convertos 生成内容时自动优化相关信号。 | 官方信号详见 Google Cloud 自定义排序文档。 | 针对信号优化内容，提升 GEO 效果。 |
| 4. 是否进行可见性检查？ | 定期用工具检查内容在 Discovery/AI Rank 下的可见性。 | 可见性检查能及时发现内容丢失、降权等问题。 | Convertos AI 可见性检查器 | 见 Alex Groberman 的 X 长文。 | 定期检查，及时调整 GEO 策略。 |
| 5. 是否有站内链与工具支持？ | 站内链结构和辅助工具可提升内容信号传递效率。 | 合理内链和工具能帮助 Discovery Engine 更好理解内容关系。 | Convertos 工具包 | Discovery Engine/Agent Search 信号为企业产品文档，不等于消费级 Google AI Mode 源码。 | 强化内链与工具，提升整体 GEO 表现。 |
GEO 工作流需围绕用户意图、内容分块、排序信号、可见性检查和站内链五大环节展开。结合 Convertos 工具与官方信号，能更系统地提升内容在 Discovery/AI Rank 下的表现。当前信号基于企业产品文档，实际消费级 Google AI Mode 可能有差异，需持续关注行业动态。
如何衡量 GEO 优化是否有效
衡量 GEO 或 AI Mode 策略是否有效，核心在于建立一套指标表，并结合每周复测，持续追踪关键排序信号的变化。推荐重点关注 default_rank、semantic_similarity_score、relevance_score、keyword_similarity_score（BM25）、document_age、pctr_rank、topicality_rank 及 boosting_factor。通过对这些信号的定量监控，结合业务目标设定具体 KPI，才能科学评估优化成效。
Google Discovery Engine 明确提供了排序信号（详见 Google Cloud 自定义排序文档），这些信号反映了内容在检索与排序流程中的表现。GEO 从业者应建立一份指标表，定期记录各信号的分数、变化趋势和对应页面的业务表现。每周复测，即对同一批页面和查询持续采集信号和排名数据，能有效判断优化动作是否带来正向变化。
Convertos.ai 提供 GEO 工具包和 AI 可见性检测器，可协助团队自动化采集、对比和分析上述信号。例如，团队可用 Convertos 工具定期导出页面的 semantic_similarity_score、pctr_rank 等，配合业务转化数据，形成一套完整的“信号→排名→转化”追踪体系。
这些信号主要用于企业级产品文档，并非已证实的消费级 Google AI Mode 源码（参见 Metehan 逆向文章 和 Alex Groberman 的 X 长文）。但这些信号为 GEO 提供了重要的工程参考，尤其在 Prepare→Retrieve→Signal→Serve 流程和 500 token 分块机制下，指标的周复测更具代表性。
建议： 建立信号指标表，结合每周复测，动态调整优化策略。利用 Convertos 工具实现自动化监控与分析，是提升排序表现和业务成果的关键步骤。完整流程详见 GEO 教程。
FAQ
社区和 SERP 相关问题里反复出现这些问题。下面按短答处理。来源信号：X 社区讨论、行业研究里对 AI Mode / Discovery Engine 的常见疑问。
Discovery Engine 是不是就是 Google AI Mode？
不是——它是 Google Cloud 企业搜索产品，公开信号可当架构线索，不能当成消费级 AI Mode 源码（见 Google Cloud 文档）。
关键词匹配还重要吗？
重要——官方信号里仍有基于 BM25 的 keyword_similarity_score，语义和关键词要一起做（见 Google Cloud 文档）。
Schema 能保证进入 AI 引用吗？
不能保证——结构化数据有助于理解页面，但引用仍看答案质量和竞品，可用 AI 可见度检测 复测。
内容该按多大分块来写？
可按约 500 token 分块、问题式 H2 加 2–3 句直答来写，参考 Metehan 文章。
多久复测一次？
重大改版后立刻测，稳定后每周固定提示词包复测，流程见 GEO 教程。
来源与方法
本节内容基于 Google Discovery Engine 官方文档、行业研究与社区讨论，结合 Convertos.ai 的 GEO/SEO 经验整理。主要参考包括 Google Cloud 自定义排序文档、metehan.ai 逆向分析、以及 Alex Groberman 的 X 长文。研究日期为 2026-07-28。
Discovery Engine / Agent Search 信号主要服务企业搜索产品，不等于已证实的消费级 Google AI Mode 源码。文档和产品行为会变，发布前请复测官方页面，并用 AI 可见度检测 验证你自己的页面引用情况。更多流程见 GEO 教程。