## 零、先把问题当工程问题：黑箱的输入是什么

做 SEO 时，我们建模的输入是**关键词**——离散、短、可枚举。所以整个行业的方法论是围绕"词"建的：词库、词频、排名、点击率。

做 GEO 时，输入变了。用户交给 AI 的是一段**高维意图描述**：

> "我在望京有套 89 平的二手房，预算 15 万想翻新，家里有猫，最怕甲醛，工期只有 45 天，帮我看看该怎么安排、大概多少钱、找什么样的公司靠谱？"

同一个需求，在 Google 里是 4 个词，在 AI 里是 90 个字。**关键词的世界竞争"点击"，意图的世界竞争"被答案引用"。**

于是一个工程问题浮出来：

> **P(topic | query) 的分布长什么样？**

换句话说：当一个人把 AI 当搜索用时，他到底把什么样的任务丢进来？这个问题不测清楚，后面所有"优化"都是在没有探针的黑暗里调参。

**先立一条纪律（全篇遵守）：** 下面 8 组数据，样本、口径、人群各不相同。我按"一手程度"排序，逐一标注它测的是什么、局限在哪。**不同口径的数字不能相加**——这是数据分析，不是变魔术。

---

## 一、测量方法：我怎么给黑箱装探针

不是发问卷，也不是靠感觉。我的采集链路是这样的：

```text
① 检索   浏览器上 Google，多轮 query（英文为主，覆盖官方报告/论文/行业数据）
          ↓
② 溯源   不满足于二手转述：追到一手源头，官方 PDF 抓原文
          ↓
③ 抽取   只取原文里明确写出的数字，记录样本量与时间窗，剔除"据说/大约"
          ↓
④ 留痕   每条检索（查了什么/为什么查/查到什么/用在哪）
          ↓
⑤ 交叉   同一现象至少两个独立来源互证，才写进结论
```

为什么这么较真？因为 GEO 圈里 90% 的"数据"是这样来的：某篇文章引用某篇博客引用某条推特。**链路一长，数字就会漂。** 工程上的做法是：**每一层都要能回溯到原始采样点。**

这次装上的 8 个探针，覆盖 4 个不同视角：

| # | 探针 | 视角 | 样本量级 | 时间窗 |
|---|---|---|---|---|
| 1 | OpenAI × Harvard（NBER） | 平台内部日志 | ~110 万条对话 | 2024-05 ~ 2025-06 |
| 2 | Microsoft Copilot | 平台内部日志 | 3,750 万条对话 | 2025 报告 |
| 3 | Anthropic Economic Index | 平台内部日志 | 时间节律分析 | 2026-06 |
| 4 | Pew Research | 用户自报问卷 | 5,119 人（美国） | 2026-02 |
| 5 | U.S. Census HTOPS | 官方统计 | 全国抽样 | 2026-03 |
| 6 | BrightEdge AI Hyper Cube | 引用站点提示词 | 搜索量加权 | 2026 |
| 7 | Siege Media × Profound | Top 提示词榜 | Top 1,000 | 2026 |
| 8 | Siege Media × Peec AI | 交易型提示词 | 1,000 条 | 2026 |

日志类（1/2/3）测的是**真实行为**，问卷类（4/5）测的是**用户认知**，第三方类（6/7/8）测的是**公开可见的切片**。三者互相印证，比任何单一来源都可靠。

---

## 二、8 组采样结果

### 探针 1｜OpenAI × Harvard：110 万条对话的三大话题

**来源：** NBER 工作论文《How People Use ChatGPT》（Chatterji 等，2025-09），抽样约 **110 万条**消费者套餐对话。

| 话题（Conversation Topic） | 占比 | 一年变化 |
|---|---|---|
| Practical Guidance 实用建议 | **≈29%** | 基本持平 |
| Seeking Information 信息查询 | **24%** | 从 14% ↑ |
| Writing 写作 | **24%** | 从 36% ↓ |
| Multimedia 多媒体 | ≈7% | 从 2% ↑ |
| Technical Help 技术帮助 | ≈5% | 从 12% ↓ |
| 其他（Self-Expression 等） | 余额 | — |

- **前三类合计 ≈77%**，几乎就是"客户在 AI 里问什么"的全部。
- 意图维度：**Asking（问）49%、Doing（做）40%、Expressing（表达）11%**。
- 写作是**职场第一用途**：占工作类消息的 **40%**；其中约 **2/3 是"改我给你的文字"**（编辑、翻译、摘要），而不是从零创作。
- 教育是隐藏大户：**辅导/教学占全部消息 10.2%**，占实用建议的 36%。
- 两个被高估的方向：**编程只占 4.2%**，**情感/自我表达只有 1.9%**，游戏角色扮演 0.4%。
- 场景迁移：**非工作用途从 53% → 超 70%**——AI 首先是个生活工具，其次才是办公工具。

> **工程注释：** 它测的是**话题分布**，不是信息意图占比——别把它和探针 6 的"信息意图 92%"直接比，口径不同。
> 原文：<https://openai.com/index/how-people-are-using-chatgpt/>

### 探针 2｜Microsoft Copilot：3,750 万条对话的话题 × 意图矩阵

**来源：**《It's About Time: The Copilot Usage Report 2025》（微软 AI），**3,750 万条**去标识对话，分类为 **30 个话题 × 11 个意图 ≈ 300 个组合**。

**Top 5 话题：** ① 科技 ② 工作与职业 ③ 健康与健身 ④ 语言学习与翻译 ⑤ 社会/文化/历史

**前5大意图：** ① 搜索 ② 建议 ③ 创作 ④ 学习 ⑤ 技术支持

几个反直觉的发现：

- **手机上，"健康与健身"是全天候、全年第一话题**，不随时段波动——AI 被当成"私人健康顾问"。
- **"求建议"意图在上升**：人们不只问事实，还在问"我该怎么选、怎么办"。
- 存在明确的时间节律：编程话题周中上升、游戏周末上升；宗教与哲学在凌晨上升；情人节当天"关系"类对话出现尖峰。

> **工程注释：** 探针 1 和探针 2 来自两家竞争平台，却都指向同一结论——**"求建议"是跨平台的稳定刚需**。两个独立样本互证，这条结论的置信度最高。
> 一手 PDF：<https://microsoft.ai/wp-content/uploads/2025/12/What_people_do_with_Copilot-8.pdf>

### 探针 3｜Anthropic Claude：把"时间"当成一个变量

**来源：** Anthropic Economic Index 报告《Cadences》（2026-06）。

- **工作日 vs 周末**：个人用途占比从工作日约 **35%** 升到周末近 **50%**；周末话题从"商务函件、营销文案、PPT"切换为**情感支持、医疗问题、投资建议**。
- **一日节律**：**睡眠建议峰值在凌晨 5 点，食谱峰值在傍晚 6 点**。
- **日期节律**：美国报税截止日（4/15）前，报税类请求激增；"创业"相关对话在周末最高。

> **工程注释：** 这条数据提示我们：**意图是一个带时间戳的变量**。同一个问题（"我该不该辞职"），工作日午休和凌晨三点的表述、期望答案都不同。做内容时，"使用场景"应该和"关键词"一样被显式建模。
> 来源：<https://www.anthropic.com/research/economic-index-june-2026-report>

### 探针 4｜Pew Research：普通消费者到底用 AI 干什么

**来源：** Pew《Americans and AI 2026》（2026-02 调查，美国，n=5,119）。

- **49% 美国成年人用过 AI 聊天机器人**（2024 年为 33%），**约 24% 每天用**。
- 具体用途（多选）：

| 用途 | 占比 |
|---|---|
| 搜索信息 | **42%** |
| 工作相关任务（在职者） | **38%** |
| 娱乐 | 25% |
| 生成/编辑图片视频 | 24% |
| **医疗建议** | 20% |
| 饮食健身信息 | 20% |
| 看新闻 | 13% |
| 情感支持 | 10% |
| 陪伴 | 4% |

- 平台分布：ChatGPT 44%、Gemini 24%（在聊天机器人用户中）。
- **情绪警告**：多数受访者认为 AI 发展过快、会带来负面影响——**采用率高，信任度不高**。

> **工程注释：** 问卷类数据有"自报偏差"，但它的价值是**给出人群覆盖率**：49% 的成年人在用，说明 AI 已经不是小众工具。同时"搜索信息 42%"与"医疗 20%"两个数字，直接把 GEO 的优先级指向 YMYL。
> 来源：<https://www.pewresearch.org/internet/2026/06/17/americans-and-ai-2026-chatbots-smart-devices-and-views-on-impact/>

### 探针 5｜美国普查局：职场里 AI 干的 5 件事

**来源：** US Census HTOPS（2026-03 调查）。

- **56% 的美国工作者**在过去一年至少用 AI 做过 11 项工作之一。
- Top 5 任务：**查信息/找技术帮助 37%**、**写沟通/文档/说明 32%**、**生成想法 32%**、**解释/翻译/摘要 31%**、**行政事务 27%**。
- 提效分布：31% 的人说省了 1–2 小时，15% 说省了 3–4 小时，15% 说省了 4 小时以上。

> **工程注释：** 职场口径与探针 1 高度一致——**"查"和"写"是主战场**。凡是能覆盖"怎么做、怎么写、帮我想"的内容，天然吃这波任务型流量。
> 来源：<https://www.census.gov/library/stories/2026/08/ai-use-at-work.html>

### 探针 6｜BrightEdge：AI 搜索里的四大意图被重塑，而不是被消灭

**来源：** BrightEdge AI Hyper Cube（对引用最多网站的高频提示词做意图分类，按搜索量加权）。

| 意图 | Google AI Overviews | ChatGPT |
|---|---|---|
| Informational 信息 | **71%** | **92%** |
| Navigational 导航 | 19% | 2% |
| Commercial 商业调研 | 8% | 3% |
| Transactional 交易 | 2% | 3% |

- **"AI 杀死了信息搜索"是错的**：信息意图反而"浓缩"了——在 ChatGPT 上占 **92%**。
- **导航意图在变形**：AI Overviews 里 **53% 的提示词 ≤3 个词**（"tv app""play music"），用户把它当高级地址栏；而在 ChatGPT 上同一意图会写成品牌问句（"Is United Airlines good?"）。
- **商业/交易意图仍在上层漏斗**：纯交易意图只占 2–3%。

> **工程注释：** 这条数据修正了一个常见误判。很多人以为 AI 搜索意味着"离钱更近"，但交易意图在 AI 里的占比反而**比传统搜索更低**。客户在 AI 里主要处于"了解 + 比较 + 决定"阶段，内容必须向上覆盖到认知与信任。
> 来源：<https://www.brightedge.com/resources/weekly-ai-search-insights/ai-search-query-intent-evolution>

### 探针 7｜Siege Media × Profound：最高频的 1,000 条提示词长什么样

**来源：** Siege Media 基于 Profound 识别的 **Top 1,000 ChatGPT 提示词**。

| 提示词类型 | 占比 | 例子 |
|---|---|---|
| Planning & Scheduling 计划与排程 | **27%** | every single day / long-term goals |
| Local or Task Requests 本地/任务 | 10% | new york city / salt lake city |
| Channel-Specific Creation 渠道化创作 | 9% | social media posts / landing page copy |
| Role Definitions & Templates 角色与模板 | 7% | business development manager |
| Email & Correspondence 邮件 | 3% | thoughts best regards |
| 其他 | 44% | — |

- 超过 **1/3** 的提示词围绕**计划、排程、模板**——AI 在替用户"管日程、做决定"。
- 报告称 **>37% 的 LLM 查询是"生成式"的**（要产出，不只是要链接）。
- 本地意图正在"口语化"：从 Google 的 `restaurants near me` → LLM 的 `Recommend an affordable Italian restaurant near me with vegetarian options.`

> **工程注释：** **"帮我做决定"（27%）已经超过"帮我查"**。这解释了为什么"保姆级攻略 + 决策清单 + 模板"类内容在 AI 时代更吃香——它正好命中占比最高的那类提示词。
> 来源：<https://www.siegemedia.com/research/popular-chatgpt-prompts>

### 探针 8｜Siege Media × Peec AI：客户问 AI 时，AI 到底引谁

**来源：** Siege Media 与 Peec AI 对 **1,000 个交易型提示词** 的分析。

- **40 个被引用最多的域名里，21 个根本不是品牌**；**52.5% 的高频来源是联盟/赞助类站点**，而不是厂商官网或产品页。
- 在购买决策阶段，**第三方来源占引用量的 80%–95%**（因行业而异）。
- 要区分两个常被混淆的指标：
  - **Citation visibility（被引用率）**：你的域名被列为来源的频率——多数品牌是**个位数**。
  - **Brand visibility（品牌被提及率）**：你被"点名推荐"的频率——品类领导者可达 **75%–80%**。
- 一个领导者可以"几乎出现在每个答案里，却几乎不被引用为来源"。

> **工程注释：** 这条数据直接改变了优化目标函数。AI 综合的是**"别人怎么评价你"，不是"你自己怎么说"**。所以 GEO 的一半功夫在站外——被第三方写、被正确描述、被联盟/测评提及。
> 来源：<https://www.siegemedia.com/strategy/category-leader-trap>

---

## 三、归一化：把 8 个探针合成一张「问题分布」

探针读数不能直接相加，但可以**归并到同一套语义桶**里。把上面 8 组分布去掉标签差异、重新聚类，用户的问题实际只落在 **4 个抽屉**：

| 抽屉 | 客户真正在问 | 数据支撑 | 对应内容形态 |
|---|---|---|---|
| **① 查事实 / 要解释** | "X 是什么""为什么""区别在哪" | OpenAI 24%、Pew 42%、BrightEdge 71–92% | 定义页、对比页、术语表、FAQ |
| **② 要建议 / 要决定** | "我该怎么办""选 A 还是 B""值不值" | OpenAI 29%、Copilot `Advice` #2、Siege 27% | 决策指南、检查清单、成本/避坑、真实案例 |
| **③ 要产出 / 要执行** | "帮我写 / 改 / 翻译 / 总结 / 出图" | OpenAI 24%、Census 32% 写文档、Copilot `Creating` #3 | 模板、可复制结构、示例库、工具页 |
| **④ 本地 + 比较 + 交易** | "附近哪家""哪个牌子好""多少钱" | Siege 本地 10%、BrightEdge 商业 8%、Pew 医疗 20% | 本地页、榜单、价格页、第三方测评覆盖 |

三条跨探针的规律（这些才是能拿去做决策的结论）：

1. **"要建议"比"要事实"更值钱。** 事实类会被 AI 直接答完（零点击），建议类才需要引用多个来源——这正是 GEO 能抢的位置。
2. **时间与场景是隐藏维度。** 深夜问健康/哲学，周末问关系/创业，报税前问税务（探针 2/3）。内容的"使用场景"比"关键词"更该被覆盖。
3. **YMYL 占比高得吓人。** 健康 20%（Pew）、医疗是 Copilot 移动端第一话题、财务/投资在周末上升。这些领域对 EEAT 要求最高，也最难被同质内容抢走。

---

## 四、把结论编译成可执行的 SOP

数据不落到动作上就是装饰。基于上面的分布，我把 GEO 的输入端动作固化成 6 条：

1. **选题的输入从"关键词"改为"问题句"。** 建真实问句库：「89 平二手房 15 万预算怎么翻新」而不是「装修 报价」。
2. **内容优先级对齐抽屉 ②③。** 清单、对比、成本区间、避坑、模板——这两类被引用的边际收益最高。
3. **每篇显式回答 3 个问题**（是什么 / 我该怎么办 / 常见误区），结构上让 AI 好抽取：**小标题即问题、段落即答案**。
4. **把"写"和"改"做成可复制资产。** Census 里 32% 的人要 AI 写文档、OpenAI 里 2/3 的写作是"改文本"——模板/示例库天然被引用。
5. **补上站外"提及面"。** 52.5% 的高频引用来自联盟/赞助/第三方（探针 8），别只优化自家官网：测评、对比、行业报告、社区问答都要布。
6. **YMYL 内容必须堆 EEAT 证据。** 作者资质、引用来源、更新时间、实测数据——健康/财务/法律是 AI 提问的富矿，也是信任门槛最高的地方。



---

## 五、误差条：必须声明的局限

一个诚实的工程报告要写清楚误差来源：

- **人群偏差**：探针 1、2 只覆盖**消费者套餐**，不含企业版；探针 4 是**美国样本**，跨国需谨慎。
- **口径不可加**：探针 6/7/8 是**第三方对公开/授权数据的分析**，口径与学术论文不同，**不能与探针 1 相加**。
- **二手数字不采信**：网络上常见的"日均查询量""平均查询长度"（如 Google 3.9 词 vs ChatGPT 23 词）多为**聚合估算、未标一手**。本文不作为论据，只作方向参考。
- **时间衰减**：AI 使用行为变化极快。**任何具体百分比都必须标注日期与样本**，否则半年后就是误导。

---

## 六、结论

把黑箱的输入端测完之后，结论可以压缩成一句话：

**客户在 AI 里问的，归根到底是三类事——**

1. **"这是什么、为什么"** → 要**解释**（OpenAI 24%、BrightEdge 71–92%）
2. **"我该怎么办、选哪个"** → 要**决定**（OpenAI 29%、Copilot Advice #2、Siege 27%）
3. **"帮我把它做出来"** → 要**产出**（OpenAI 24%、Census 32%）

**GEO 的本质，是让 AI 在回答这三类问题时，愿意引用你、并愿意提到你的名字。** 前者靠可抽取的内容结构 + 站外提及面，后者靠 EEAT 证据。

先把"客户会怎么问"测对——这是探针的意义。靶子立正了，后面每一次内容投入才有回报可言。

---

## 参考来源

**一手研究 / 报告**
- [How People Use ChatGPT（NBER w34255，OpenAI × Harvard）](https://www.nber.org/system/files/working_papers/w34255/w34255.pdf)
- [How people are using ChatGPT（OpenAI 官方）](https://openai.com/index/how-people-are-using-chatgpt/)
- [It's About Time: The Copilot Usage Report 2025（Microsoft AI，PDF）](https://microsoft.ai/wp-content/uploads/2025/12/What_people_do_with_Copilot-8.pdf)
- [Anthropic Economic Index report: Cadences](https://www.anthropic.com/research/economic-index-june-2026-report)
- [Americans and AI 2026（Pew Research Center）](https://www.pewresearch.org/internet/2026/06/17/americans-and-ai-2026-chatbots-smart-devices-and-views-on-impact/)
- [AI Use at Work（U.S. Census Bureau, HTOPS）](https://www.census.gov/library/stories/2026/08/ai-use-at-work.html)

**行业分析**
- [Why Query Intent Still Matters in AI Search（BrightEdge AI Hyper Cube）](https://www.brightedge.com/resources/weekly-ai-search-insights/ai-search-query-intent-evolution)
- [Inside the 1000 Most Popular ChatGPT Prompts（Siege Media × Profound）](https://www.siegemedia.com/research/popular-chatgpt-prompts)
- [The Category Leader Trap in AI Search（Siege Media × Peec AI）](https://www.siegemedia.com/strategy/category-leader-trap)
- [ChatGPT Study: 1 In 4 Conversations Now Seek Information（Search Engine Journal 转述）](https://www.searchenginejournal.com/chatgpt-study-1-in-4-conversations-now-seek-information/556104/)

做 SEO 时，我们建模的输入是关键词——离散、短、可枚举。所以整个行业的方法论是围绕"词"建的：词库、词频、排名、点击率。

逆向 AI 搜索黑箱：8 组一手数据，还原「人到底在问什么」

一句话结论： 用户交给 AI 的不是关键词，是一段意图。把 8 组一手数据归一化之后，人的提问只收敛到四个抽屉——查事实、要决定、要产出、本地比较。

我是工程出身。面对&amp;quot;AI 搜索&amp;quot;这个黑箱，我的习惯不是猜它的排序算法，而是先给它装探针：测清楚输入分布，再谈优化。这篇文章就是一次「输入侧的逆向工程」。

人工智能

新闻资讯

AI搜索时代用户真实需求分布：8组跨平台数据显示，用户核心问题集中于信息查询(24%-92%)、决策建议(27%-29%)和内容创作(24%-32%)三大类。建议类需求超越纯事实查询，健康、财务等YMYL领域占比高。优化策略应从关键词转向问题句建模，内容需结构清晰、便于AI引用，并重视第三方提及面建设。

聊天机器人

数据分析

代码解释

ChatGPT

热销域名限时优惠，新客首年免费！


domain

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

逆向 AI 搜索黑箱：8 组一手数据，还原「人到底在问什么」-腾讯云开发者社区-腾讯云

逆向 AI 搜索黑箱：8 组一手数据，还原「人到底在问什么」

逆向 AI 搜索黑箱：8 组一手数据，还原「人到底在问什么」

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐