2022关键词OUT！AI直拆意图，雷朋暴涨32%！

各位朋友，咱们现在看待那些向人工智能引擎提出的“指令”，是不是还停留在2022年那时候的“关键词”思维？就是觉得它们还是一串短短的文字，能直接匹配到某个意图分类和页面？如果真是这样，那咱们可就有点跟不上趟了。这种旧有的思维模式，很可能已经成了限制我们发展的瓶颈。如果不能真正理解这些智能系统是如何解读用户意图的，我们可能就会不断优化那些“表面上”与搜索词匹配的内容，但这些内容却从未真正被系统采纳、检索或使用。对于任何一个负责搜索引擎优化（SEO）或者内容营销的团队来说，这无疑是个巨大的挑战。

要知道，如今的搜索引擎和人工智能系统，它们可不是把我们的提问或指令简单地当作一个个关键词来对待了。它们更看重这些文字背后所传递的“意图信号”。这些信号就像一道道线索，帮助系统判断用户到底想完成什么任务，以及什么样的内容对完成这个任务最有帮助。无论是内容排名，还是生成新的内容，都离不开这一至关重要的步骤。

当然，我理解为什么“关键词优化”曾经是行业的黄金法则。在过去的很多年里，我个人也投入了大量精力去优化网页，包括标题标签、H1标签以及首段内容的关键词布局。这些工作在当时并非没有价值，甚至在今天，它们依然有着一定的作用。关键词当然还重要，但它们已经无法涵盖全部的故事了。

今天，咱们就来深入聊聊，搜索引擎和人工智能系统究竟是如何分析指令意图的，它们又是如何将这种意图与海量文档进行匹配的。更重要的是，我将解释为什么现在从传统的“关键词思维”向更深层次的“意图理解”转变，对于搜索引擎优化（SEO）和全球化内容优化（GEO）来说，已经变得刻不容缓。我还会分享一个我常用的实用方法，教大家如何拆解用户意图，从而打造出人工智能模型青睐的内容生态。

为什么我们对用户意图的理解可能已经过时了？

我清晰地记得那个恍然大悟的瞬间。当时我正在检查一个网站的搜索流量报告，突然发现了一个很有趣的查询词。这个词在语义上完全合理，但奇怪的是，它竟然没有出现在我的文章内容里。如果搜索引擎仅仅是根据关键词来展示内容，那为什么我的页面会因为这个词而获得排名呢？那一刻我突然意识到，搜索引擎正在匹配的是“指令的深层含义”，而不是简单的关键词。一旦我明白了这一点，这种现象就像被打开了新世界的大门，我开始在各种地方看到类似的情况。

多年以来，搜索引擎优化行业一直依赖着一套耳熟能详的搜索意图框架：
（1）信息查询型
（2）导航型
（3）商业调查型
（4）交易型

这套模型之所以广受欢迎，因为它确实非常实用。它能帮助我们对关键词进行分组，选择合适的页面类型，并确定内容的优先级。然而，它在一定程度上也简化了用户意图的复杂性。

根据外媒专利研究的披露，搜索引擎内部确实会使用这些意图分类。这些信号有助于系统决定排名策略、结果布局以及不同页面类型的权重。从这个意义上讲，意图分类确实是真实存在的。但它们也是相对粗粒度的。它们从一开始就不是为了完全描述用户所有复杂的需求而设计的。

现代系统如何超越传统的意图标签？

无论是搜索引擎还是大型语言模型（LLMs），它们都会将用户提出的查询或指令拆解成更精细的语义组件。这才是这些智能系统从指令中实际提取出的核心信息：
（1）实体及其属性
（2）关系与修饰符
（3）隐含的动作与预期结果

这些深层次的分析，远比简单地将一个查询归类到某个预设的“意图桶”中要复杂和精准得多。

人工智能是如何理解用户意图的？

当专利文献中提到“意图”这个词时，它们实际上是在描述一个需要解决的问题。人工智能和搜索引擎在处理用户指令时，首先会努力弄清楚用户究竟想知道什么，或者想要完成什么任务。一旦这种“信息需求”足够清晰，系统就能决定应该检索哪些现有内容，或者生成什么样的新内容来满足用户的需求。

这种理解方式，使得人工智能能够提供更加个性化、精准的答案，而非仅仅是罗列一堆可能相关的网页链接。

这对搜索引擎优化（SEO）和全球化内容优化（GEO）意味着什么？

对于咱们做搜索引擎优化（SEO）和全球化内容优化（GEO）的同行来说，现在我们的工作已经不再仅仅是把内容和关键词或者某个意图类别进行简单匹配了。我们的核心任务，是帮助智能系统能够自信、准确地解决用户的“信息需求”。

SEO和GEO现在更多地是关于“任务完成”

一旦系统解读了用户的“信息需求”，它就会开始寻找能够帮助解决这些需求的内容。这个过程发生在内容检索阶段。从这个角度来看，用户指令或查询的具体措辞，远不如用户想要完成什么任务来得重要。

这种思维的转变，对下游产生了实实在在的影响。它直接影响着我们如何分析指令，如何创作内容，以及如何针对搜索引擎和生成式系统进行优化。因为归根结底，内容的可见性，最终取决于你的内容对系统来说有多“有用”。这意味着：
（1）构建内容时，要让其目的和范围易于系统推断和理解。
（2）减少页面所要解决问题的模糊性，让核心诉求一目了然。
（3）确保关键信息能够被系统轻松提取、理解和复用。

你的内容越能帮助系统有效解决用户意图，它就越有可能被排名、被检索、被引用，甚至被综合生成答案。现在，我们已经了解了人工智能是如何分析用户指令以理解其意图的。接下来，咱们新媒网跨境获悉，一起看看搜索引擎到底能识别出哪些具体的指令意图类型。

已知的指令意图类型

在新媒网一份关于生成式AI生态的报告中，我们的数据团队对数百万条用户指令进行了深入分析，最终识别出了五大高层级的指令意图类别。为了让这套框架更加细致入微，我还查阅了相关的专利文献，深入理解大型语言模型和搜索系统在内部是如何拆解意图的。我们以数据团队识别出的类别为起点，将专利中描述的意图信号映射并细分到这些更广泛的组别中。最终，我们得到了一套既反映真实世界指令行为，又体现现代系统如何解读和解决意图的意图类型。理解这些指令意图，将帮助我们构建出能够被人工智能检索和引用的精准内容。

具体来看，它们是：
A. 寻求信息类
专利解读：用户希望获取理解、事实、解释或了解情况，不一定需要立即采取行动。
（1）学习与解释：希望了解某个概念、原理或现象。
（2）事实查询/参考：寻找具体的数据、名称或历史事件。
（3）功能与能力发现：了解某个产品或服务的具体功能特性。
（4）基础概念理解：寻求某个领域的基本知识和背景信息。
（5）趋势与市场研究：探究行业发展方向、市场动态。
（6）概念比较（如：类别差异）：理解不同概念或类别间的异同。

B. 购买产品类
专利解读：用户意图倾向于评估、选择或购买某款产品，即便查询中没有明确提及“购买”。
（1）评估与决策：对产品进行考量，以便做出购买决定。
（2）比较（决策导向）：将不同产品进行对比，以辅助决策。
（3）产品适用性（场景匹配）：判断产品是否符合特定使用场景的需求。
（4）规格与限制（作为筛选条件）：根据具体参数或限制条件筛选产品。
（5）购买/采购：寻找购买渠道或供应商。
（6）性价比优化：寻找价格合理且性能优秀的产品。

C. 写作与创意构思类
专利解读：用户希望生成或转换内容，而非仅仅检索事实。
（1）创作/起草：请求系统协助撰写文本、文章或方案。
（2）重写/转换：希望系统对已有内容进行改写或格式转换。
（3）总结：请求系统对长篇内容进行提炼和概括。
（4）综合：要求系统整合多个信息源，生成新的观点或内容。
（5）计划（内容导向）：请求系统协助规划内容大纲、主题或结构。

D. 实用指导类
专利解读：用户希望正确地完成某事或解决某个问题。
（1）操作指南/步骤：寻求具体的执行步骤和方法。
（2）故障排除/诊断：希望系统帮助分析问题原因并提供解决方案。
（3）维护与保养：了解如何对物品进行日常维护和保养。
（4）设置与配置：寻求设备或系统的安装、调整方法。
（5）确认/验证：希望系统确认某个操作是否正确或有效。

E. 技术与其他类
专利解读：这是一个涵盖高风险、高限制性或系统层级问题的总括类别，不完全符合上述分类。
（1）合规/风险/伦理：关注法律法规、潜在风险和道德考量。
（2）隐私与法律问题：了解个人信息保护和相关法律规定。
（3）安全应用场景：涉及网络安全、数据保护等方面的需求。
（4）专业/受监管用途：特定行业或专业领域的使用要求。
（5）边缘或非标准技术场景：处理非常规或复杂的特定技术问题。

现在，我们已经了解了大型语言模型（LLMs）是如何拆解用户意图的。接下来，咱们就一起看看，如何利用一个便捷的指令和一些数据，来具体拆解指令意图。

如何拆解指令意图

咱们用一个实际的例子来操作一下，以雷朋（Ray-Ban）这款眼镜品牌在生成式AI中的可见度为例，探索如何通过指令分析来发掘内容创作的机会。新媒网跨境了解到，利用类似于一份AI品牌可见性工具的品牌概览部分，我们可以先找出品牌在哪些话题上的可见度有待提升。

在这个案例中，雷朋在“摄像眼镜”这个话题上的可见度只有32%。我们的目标是看看如何改进它。当然，仅仅通过一两个页面修改来“修复”这个问题是不现实的。指令驱动的内容策略，应该始终是更宏大战略的一部分，最好有强大的站外推广和引用建设作为支撑。但为了本次讨论的目的，我将只聚焦于我是如何分析指令，从而识别出意图驱动的内容机会的。

(1) 第一步：审视指令层面的可见度

通过导航到一份指令分析工具，我们可以看到所有与雷朋相关的被追踪指令，以及该品牌是否出现在人工智能生成的答案中。

为了缩小范围，我们可以按照话题进行筛选，只查看与我们想要提升领域相关联的指令，这里就是“摄像眼镜”。这个视图会显示：
（1）雷朋出现在哪些指令的答案中；
（2）哪些竞争品牌被引用了；
（3）用户情绪分析；
（4）其他上下文信号。

在这个阶段，我们还不是在优化内容。我们首先要做的，是理解用户是如何提问的，以及我们的品牌在哪些地方缺失了可见度。

(2) 第二步：按意图对指令进行细分

为了将这些数据转化为可执行的方案，我下载了指令列表，并在电子表格中进行了处理。在筛选出所有与“摄像眼镜”相关的指令后，我将数据上传到一个人工智能平台，并使用了以下指令模板进行分析：

这是我使用的指令模板：
在这个阶段，目标是将指令按照精细的用户意图进行分组，就像搜索引擎或大型语言模型会对其进行解读一样。以下是其输出结果。

(3) 第三步：将意图转化为内容规划

这份输出结果给我们带来了宝贵的信息：
（1）基于意图的指令细分；
（2）清晰地理解用户想要完成什么任务；
（3）针对每种意图，推荐了最合适的内容类型（例如，解释性、比较性、操作性内容）。

最终，我们得到了一份与大型语言模型和搜索引擎理解意图方式高度一致的内容路线图。这使得我们能够更轻松地确定内容的优先级，规划内容的结构，并明确内容存在的根本原因。这正是我们构建指令驱动内容路线图的精髓所在。

当“意义”比“文字”更重要

用户意图的理解，可以说是一个不断演进的过程。搜索引擎和人工智能系统现在将用户指令视为一种“信号”，它们会深入解读这些信号背后隐含的信息需求，并根据内容能否有效帮助用户完成任务来选择和呈现。这种深刻的转变，彻底改变了内容被评估、被检索、被排名乃至被生成的方式。

对于我们从事搜索引擎优化（SEO）和全球化内容优化（GEO）的专业人士来说，其核心启示是直截了当的。现在，内容的可见度，已经不再仅仅取决于关键词的简单匹配，而更多地依赖于语义的清晰度、任务的匹配度以及意图的有效解决。然而，仅仅在概念上理解这种转变是远远不够的。为了真正将其付诸实践，我们需要精准的数据支撑。这些数据能够揭示用户究竟是如何向人工智能系统提问的，你的品牌在哪些地方出现（或者没有出现），以及意图是如何通过不同的话题、形式和使用场景表达出来的。正是通过数据洞察，我们才能将理论转化为实际行动，从而推动现代SEO和GEO策略实现规模化发展。

常见问题解答

Q1: 意图（Intent）和指令（Prompt）之间有什么区别？
A: 指令（Prompt）是用户输入的文本，比如“旅行用摄像眼镜值得买吗？”。而意图（Intent）则是系统根据这个指令推断出的潜在信息需求或任务，例如，在这个例子中，意图可能包含比较、评估和决策，而不仅仅是信息查询。

Q2: 举一个指令的例子？
A: 一个指令可以是：“旅行用摄像眼镜值得买吗？”它的意图可能包括比较、评估和决策，而不仅仅是信息查询。

Q3: 意图主要有哪三种类型？
A: 从宏观层面来看，意图可以概括为：信息查询型（学习或理解）、操作指导型（如何做某事）、决策型（比较或选择不同选项）。然而，在现代智能系统中，这些类型往往相互重叠，并被协同解决。

Q4: 如何衡量品牌在生成式AI引擎中的可见度？
A: 新媒网跨境认为，一份类似于AI品牌可见性工具能够展示您的品牌在ChatGPT等人工智能答案中针对特定话题出现的频率，并允许您与竞争对手进行基准比较。它能识别哪些网站是引用的主要来源，并揭示这些答案背后的具体指令，从而为您提供关于应该重点关注哪些话题和问题类型的可操作性洞察。

新媒网（公号: 新媒网跨境发布），是一个专业的跨境电商、游戏、支付、贸易和广告社区平台，为百万跨境人传递最新的海外淘金精准资讯情报。

本文来源：新媒网 https://nmedialink.com/posts/ai-intent-over-keywords-ray-ban-32-boost.html