Google SGE：生成式搜索新体验

可视化演示

展示SGE答案生成机制、多来源信息整合与引用策略、以及对出版商流量的生态影响，可视化AI Overview的生成与搜索生态变化。

概念背景：从“递菜单”到“主厨上菜”

在传统搜索引擎时代，用户走进“搜索餐厅”点一道“红烧肉怎么做”，服务员只递上一本厚厚的菜谱目录——十个蓝色链接，你得自己一本本翻开找做法。整个信息获取过程充满“翻目录”的摩擦：先看标题、再猜摘要、点进页面、找到关键词、可能还要返回重试。用户真正想要的是“答案”，但搜索引擎给的是“可能包含答案的地点清单”。

2023 年 5 月，Google 在 I/O 大会上发布 SGE（Search Generative Experience，搜索生成体验），随后逐步以 AI Overview 的形式在搜索结果顶部展示 AI 生成的摘要和追问建议。这就像搜索餐厅升级了后厨：服务员不再只递菜单，而是由一位 AI 主厨直接根据你的需求，把多本菜谱的精华烹饪成一道完整的菜端到面前。SGE 的核心产品定义包含三层：AI 生成摘要置顶、来源引用可追溯、追问建议引导多轮对话。搜索从“找到信息所在的网页”进化为“直接帮你把答案做出来”。

从技术视角看，SGE 是“检索增强生成”（Retrieval-Augmented Generation）在搜索产品中的规模化落地：先用传统检索召回候选网页，再用大模型对候选内容进行理解、筛选与摘要生成。这一架构决定了 SGE 回答的“信息密度”远超传统结果页。

搜索餐厅的改革并非一蹴而就。菜单（传统结果列表）仍然保留，只是被压缩到 AI 摘要下方，主厨上菜的同时，顾客若想亲手对照菜谱原文，仍可下拉翻看。这种“摘要为主、链接为辅”的布局，正是 SGE 对传统搜索体验的渐进式重构。

答案生成机制：主厨的“拆解—烹饪—摆盘”

主厨上菜前，先要确认食客口味——“您想吃家常味还是麻辣味？几位用餐？”AI 主厨同样先进行查询理解：把“红烧肉怎么做”识别为“菜谱步骤”类意图，把“附近哪家红烧肉好吃”识别为“本地推荐”类意图。Google 通过大模型对查询进行语义解析和意图分类，必要时还会生成多个子查询去补充检索，这一过程相当于主厨在心里把一道大菜拆解成“选肉、备料、火候、收汁”几个环节。

查询理解之后进入内容合成，这是 SGE 最核心的“烹饪”环节。SGE 不是从零“创作”答案，而是基于检索到的网页片段进行摘要式生成。大模型以自回归方式逐词输出：每个新词都依赖已经生成的前文、查询本身以及检索到的上下文片段。在生成时，模型会对多个来源的信息进行对比融合，去除重复、保留关键实体（数字、时间、价格、结论），最终形成一段连贯、自包含的摘要。

摆盘环节同样讲究：摘要被限制在合理长度，关键信息前置，底部提供“继续追问”按钮。用户点击追问建议，系统会在原查询基础上追加一轮检索与生成，形成“搜索会话”。这种交互把单次搜索变成了可多轮深挖的对话，就像主厨上菜后还会问“要不要再加一碟小菜”。

主厨一道菜一道菜地做，AI 一个词一个词地写。每写一个词都得回头看之前写了什么、菜单上有什么材料，这正是自回归生成的核心逻辑。用户感受到的“流畅答案”，本质上是一个词一个词被“烹饪”出来的确定性结果。

多源信息整合：博采众长的“融合菜”

一道好菜往往结合好几本菜谱的精华——川菜师傅的火候、粤菜师傅的食材处理。SGE 也不满足于单一来源，而是同时召回多个网页，交叉验证后综合成答案。这就像主厨做“红烧肉”时，左手翻着川菜谱定火候，右手翻着江浙菜谱选糖色，再参考评论区里“少放油更健康”的改良建议。

具体流程分为四步：候选召回、相关性打分、置信度加权、语言组织。系统先把查询映射到索引库，召回数十个候选网页；然后对每个网页做语义相关性打分，过滤无关内容；接着评估来源的权威性和时效性，权威站点、官方数据、最新发布的内容获得更高置信度；最后，大模型把高分片段按逻辑组织成摘要，并在每个关键句后面附上来源角标，用户点击即可跳转原始网页。

这种“多源整合 + 显式引用”的设计在信息检索中对应经典的加权打分框架。它的好处是信息互补、幻觉可溯源；挑战在于当各来源相互矛盾时，模型必须在冲突中做取舍，一旦选错，错误信息会被摘要“放大”。Google 通过交叉验证机制缓解这一问题：当多个独立来源指向同一结论时，该结论的置信度会显著上升。

就像主厨会同时翻开三本菜谱对照火候，SGE 把多个网页“浓缩成一盘菜”，并在盘子边贴好“本菜做法参考 XX 网站”的小标签。食客既吃到了博采众长的融合菜，又能按标签追根溯源——这正是 SGE 多源整合设计的精妙之处。

广告嵌入策略：明码标价的“赞助菜品”

虽然主厨把菜端上来了，餐厅终究要靠盈利活下去。Google 的广告模式在 SGE 时代没有消失，而是换了一种更精细的上菜方式。传统搜索的广告是贴在菜单栏里的“推荐位”，而 SGE 的广告则像服务员在 AI 主厨上完菜后，顺势推荐的“今日主厨特供”——但它一定会明确告诉你：这道菜是品牌赞助的。

SGE 中广告以“赞助商推荐”形式出现在 AI 摘要的上方或下方，并明确标注“赞助”或“广告”标识。广告系统仍基于传统竞价拍卖（Ad Auction）：广告主对关键词出价，系统综合考虑出价、广告质量分和预期点击率，决定哪条广告赢得展示位。值得注意的是，Google 强调广告由既有广告系统生成，而不是大模型“即兴创作”——这样可以避免 AI 在回答中偷偷夹带商业推销，保证答案的客观性。

从商业角度看，SGE 的广告位设计本质上是把“结果页位置资源”转化为“生成语境下的注意力资源”。广告与 AI 摘要同屏出现，视觉上更接近自然答案，但必须保持可区分性。Google 还允许广告主选择“在 AI Overview 中是否显示”，广告主可以购买“AI 摘要相邻位”这类新广告形式，形成与传统列表页并行的拍卖市场。

餐厅把“品牌合作菜”放在醒目处，但会光明正大标注“赞助”。广告主想被主厨“顺嘴推荐”，就得继续竞价，而食客也清楚哪些是广告——透明才是可持续的生意。广告嵌入策略的核心，不是让广告变得更隐蔽，而是在不牺牲用户信任的前提下，找到新的注意力变现方式。

风险与不足：主厨也有失手时

再厉害的主厨也有失手的时候——把糖当盐、把火候看错。SGE 最大的风险同样来自大模型固有的“幻觉”：它可能一本正经地给出与事实不符的答案。主厨颠勺的自信动作，会让食客下意识停止质疑；AI 摘要流畅的语言表达，也会让用户不自觉把它当作权威事实来接受。

在医疗、金融等高风险领域，AI 摘要的一句话错误可能造成严重后果。评测显示，SGE 答案在“信息正确性”和“回答完整性”之间存在张力：答案越简洁，越容易丢掉关键细节；答案越全面，越可能混入检索噪声。此外还有“体验争议”：摘要占据了首屏大部分空间，用户想看的原始链接被挤到下方，增加了获取一手信息的成本；部分用户反馈“AI 摘要把简单问题复杂化了”。

学术界常用精确率（Precision）和召回率（Recall）评估这种取舍。对 SGE 而言，幻觉直接打击精确率——摘要里出现了错误的句子；信息缺失则打击召回率——正确答案里的关键点没被覆盖。Google 引入了自动事实一致性检查与人工评估双机制，将大模型输出与检索来源逐句比对，但幻觉问题不可能被完全消除，只能被持续压缩。

食客偶尔吃到一道“改良失败”的菜，就会质疑整家餐厅的水平。SGE 面临的正是同样的信任难题：一次错误摘要的代价，可能远超一次错误链接的代价——毕竟用户点错链接可以后退，但记住一个错误的答案却很难“后退”。如何在高风险的场景中控制幻觉，是生成式搜索持续面对的考题。

生态影响：被重构的食物链

主厨开始直接上菜后，菜谱出版商的生意受到了冲击——以前食客必须买书才能做菜，现在他们只来餐厅吃就够了。SGE 对内容生态的冲击正是如此：用户不再点击网页链接，出版商的自然流量骤降。那些依赖搜索流量维持广告收入的内容网站，第一次感受到“被 AI 截胡”的寒意。

“零点击搜索”比例不断上升：用户能在 AI 摘要中直接获得答案，就不再往下滚动。多方测算显示，生成式搜索可能让传统搜索结果页的自然点击率下降一至三成。出版商面临两难：如果不允许内容被 AI 引用，会失去搜索可见性；如果允许，用户又不再点进网站。一些大型媒体选择与搜索引擎签订内容授权协议，另一种模式是把自己的深度内容打造成“AI 无法替代的独家菜谱”。

生态的连锁反应还体现在广告与竞争格局上：广告主把预算从“列表页竞价”转向“AI 摘要位争夺”，搜索广告市场重新定价；Bing、Perplexity 等竞争对手加速布局生成式搜索，搜索的护城河从“索引规模”转向“模型能力 × 数据生态”。Google 的应对是让 SGE 深度绑定其大模型、YouTube、Google Maps 等自有数据源，形成难以复制的组合优势。

整个内容生态像一条被重构的食物链：AI 主厨站在了食客和食材（网页内容）之间。菜谱作者们必须找到新的生存方式——有的把菜谱做得更精美繁琐（深度原创内容），有的主动与餐厅签订供应协议（内容授权），还有的转型做“主厨尝不到的私房菜”（独家数据与体验型内容）。流量在减少，但被引用的价值和品牌曝光，正在成为新的分配标尺。

AI 应用场景

Python 演示

class MiniSGE:    """A minimal SGE-like engine: retrieve -> aggregate -> answer with citations."""     def __init__(self, documents):        self.doc_list = documents        self.rank_cache = []     def retrieve(self, query, top_k=3):        """Pick documents by word-overlap relevance."""        q_terms = set(query.lower().split())        scored = []        for idx, doc in enumerate(self.doc_list):            d_terms = set(doc["text"].lower().split())            score = len(q_terms & d_terms)            scored.append((idx, score))        scored.sort(key=lambda x: x[1], reverse=True)        self.rank_cache = scored[:top_k]        return self.rank_cache     def aggregate(self, query, ranked):        """Merge top snippets into one combined summary."""        parts = []        for idx, score in ranked:            if score <= 0:                continue            snippet = self.doc_list[idx]["text"][:60]            parts.append(snippet)        return " ".join(parts)     def generate_answer(self, query):        """Return a synthesized answer plus cited sources."""        ranked = self.retrieve(query)        top = [r for r in ranked if r[1] > 0]        if not top:            return "No relevant information found.", []        combined = self.aggregate(query, top)        sources = [self.doc_list[idx]["source"] for idx, _ in top]        answer = "According to [" + ", ".join(sources) + "]: " + combined        return answer, sources  if __name__ == "__main__":    docs = [        {"text": "Google SGE is a generative search experience that shows AI overviews.", "source": "Google Blog"},        {"text": "Search generative experience combines multiple web sources into one answer.", "source": "Tech News"},        {"text": "Publishers worry that generative search reduces traffic to their websites.", "source": "Media Report"},    ]    engine = MiniSGE(docs)    ans, src = engine.generate_answer("Google SGE generative search")    print(ans)    print("Cited sources:", src)    ans2, src2 = engine.generate_answer("weather today")    print(ans2)

1. q_terms = set(query.lower().split())把查询分词并转小写，构建集合用于快速求交集，模拟查询理解。
2. score = len(q_terms & d_terms)用查询词与文档词的交集大小作为相关性得分，这是最简单的检索打分器。
3. scored.sort(key=lambda x: x[1], reverse=True)按相关性从高到低排序，模拟候选召回后的排序环节。
4. self.rank_cache = scored[:top_k]只保留前 top_k 个来源作为答案素材，对应 SGE 的“多源整合”入口。
5. snippet = self.doc_list[idx]["text"][:60]截取每个来源的前 60 字符作为摘要片段，对应检索增强生成中的“片段抽取”。
6. sources = [self.doc_list[idx]["source"] for idx, _ in top]收集被引用文档的来源名，对应 SGE 的“来源标注”。
7. answer = "According to [" + ", ".join(sources) + "]: " + combined把来源列表拼接进答案头部，实现可追溯的生成式回答。

常见误区

面试题