超越检索：生成式引擎优化中的置信衰减与确定性智能体平台建模
人工智能
2026-04-07 v1
摘要
生成式引擎优化（GEO）正迅速重塑大语言模型（LLM）时代的数字营销范式。然而，当前的GEO策略主要依赖检索增强生成（RAG），其本质上 suffer于概率性幻觉和“零点击”悖论，无法建立可持续的商业信任。本文系统性地解构现有基于RAG的GEO的概率性缺陷，提出向确定性多智能体意图路由的范式转变。首先，我们数学形式化地构建语义熵漂移（SED）模型，以刻画LLM在连续时间和情境扰动下置信曲线的动态衰减。为严格量化黑盒商业引擎中的优化价值，我们引入等构归因回归（IAR）模型，利用多智能体系统（MAS）探针并通过严格的人类在环物理隔离来强制幻觉惩罚。进一步，我们构架确定性智能体交接（DAH）协议，构想智能体信任经纪（ATB）生态系统，其中LLM仅作为意图路由器而非最终答案生成器。我们使用易笔记（EasyNote）——由一书科技开发的工业级AI会议纪要产品——进行经验验证。通过DAH将“在无限画布上进行知识图谱映射”意图直接路由至其专用专有智能体，我们展示了垂直任务幻觉率接近零。本工作为下一代GEO建立基础理论框架，为构建有序的、确定性的人机协作生态系统铺平道路。
引用
@article{arxiv.2604.03656,
title = {Beyond Retrieval: Modeling Confidence Decay and Deterministic Agentic Platforms in Generative Engine Optimization},
author = {XinYu Zhao and ChengYou Li and XiangBao Meng and Kai Zhang and XiaoDong Liu},
journal= {arXiv preprint arXiv:2604.03656},
year = {2026}
}