GEO: Generative Engine Optimization
Aggarwal等；KDD 2024
定义GEO与GEO-bench，并报告特定实验条件下的可见度变化。
支持C1—C3；定位：Abstract、方法与结果部分信源治理说明
同一论文的摘要页、PDF、DOI和官方代码仓库归入同一信源组。中文来源和英文/国际来源按其真实性质分别标注，不把翻译页、平台文档或综述冒充独立同行评审研究。
生成式引擎优化
Don’t Measure Once: Measuring Visibility in AI Search (GEO)
2026
说明生成式搜索可见度具有运行、Prompt和时间波动。
支持C4；定位：Abstract、measurement findingsFrom Citation Selection to Citation Absorption
2026
区分被选择为Citation与内容真正被答案采用。
支持C1、C5；定位：Abstract、frameworkSAGEO Arena: A Realistic Environment for Evaluating Search-Augmented GEO
2026
把检索与排序纳入GEO评估，修正只观察生成阶段的局限。
支持C5；定位：Abstract、benchmark motivationThink Before Writing: Feature-Level Multi-Objective Optimization for Generative Citation Visibility
ACL 2026
从孤立词语改写推进到文档级特征与质量—可见度多目标优化。
支持C3；定位：Abstract、methodOptimizing Visibility in Generative Engines: A Critical Survey of GEO (2023–2026)
2026
综合后续研究并强调长期、跨平台自然效果的证据边界。
支持C2、C5；定位：Abstract、limitations synthesis讲座回顾｜操控与抗争：GEO、算法想象与影响大模型的机制
上海交通大学媒体与传播学院；2025
该校官方讲座回顾从传播与算法治理视角介绍GEO，并提醒恶意内容投放可能造成模型中毒和信息污染。该来源用于中文学术语境与风险边界，不作为量化效果的独立复现实验。
补充支持C1、C5；定位：GEO与SEO差异、算法影响及信息污染风险讨论大型语言模型
Attention Is All You Need
Vaswani等；NeurIPS 2017
提出Transformer及其注意力架构。
支持C1、C2；定位：Abstract、Model ArchitectureLanguage Models are Few-Shot Learners
Brown等；NeurIPS 2020
展示大规模语言模型的上下文学习和少样本能力。
支持C1、C3；定位：Abstract、ResultsOn the Opportunities and Risks of Foundation Models
Stanford CRFM 2021
系统讨论基础模型的能力、同质化风险和社会影响。
支持C3、C5；定位：Overview、RisksTraining language models to follow instructions with human feedback
Ouyang等；NeurIPS 2022
说明指令微调和人类反馈对行为的影响及其局限。
支持C4；定位：Abstract、EvaluationArtificial Intelligence Risk Management Framework: Generative AI Profile
NIST AI 600-1，2024
提供生成式AI风险识别、测量和管理框架。
支持C5；定位：风险分类与建议大模型落地路线图研究报告
中国信息通信研究院，2024
用于补充中国大模型应用与工程落地背景，不替代原始学术证据。该报告用于补充中国大模型产业落地、知识增强、应用架构与治理语境。
中文语境；定位：大模型能力与落地章节检索增强生成
Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
Lewis等；NeurIPS 2020
RAG原始定义和知识密集型任务实验。
支持C1—C3；定位：Abstract、MethodsRetrieval Augmented Language Model Pre-Training（REALM）
Guu等；ICML 2020
说明检索器参与预训练、微调和推理。
支持C1、C3；定位：Abstract、MethodDense Passage Retrieval for Open-Domain Question Answering
Karpukhin等；EMNLP 2020
提供稠密段落检索的独立证据。
支持C2、C4；定位：Abstract、ExperimentsRAGAs: Automated Evaluation of Retrieval Augmented Generation
EACL 2024
区分上下文、忠实度和答案相关性。
支持C6；定位：Abstract、MetricsLost in the Middle: How Language Models Use Long Contexts
TACL 2024
说明信息在长上下文中的位置会影响利用效果。
支持C4、C5；定位：Abstract、ResultsRAG LLMs are Not Safer
NAACL 2025
反驳“RAG天然更安全”的绝对说法。
支持C5、C6；定位：Abstract、Safety analysis浅谈大模型时代下的检索增强：发展趋势、挑战与展望
CCL 2024
提供中文研究语境、方法分类和挑战综述。该中文综述用于补充国内研究对RAG技术演进、评估与挑战的系统梳理。
支持C2、C4；定位：综述框架与挑战CRUD-RAG: A Comprehensive Chinese Benchmark
ACM 2024
评估中文Create、Read、Update、Delete类任务。
支持C6；定位：Abstract、Benchmark design人工智能智能体
ReAct: Synergizing Reasoning and Acting in Language Models
ICLR 2023
提出交替推理轨迹与行动的智能体范式。
支持C1、C2；定位：Abstract、MethodToolformer: Language Models Can Teach Themselves to Use Tools
NeurIPS 2023
研究模型学习调用外部工具的方式。
支持C1、C3；定位：Abstract、MethodGenerative Agents: Interactive Simulacra of Human Behavior
UIST 2023 / ACM
展示观察、记忆、反思和规划的组合架构。
支持C1、C4；定位：Abstract、ArchitectureReflexion: Language Agents with Verbal Reinforcement Learning
NeurIPS 2023
研究通过语言反馈和反思改进后续行动。
支持C4；定位：Abstract、MethodAgentBench: Evaluating LLMs as Agents
ICLR 2024
在多种交互环境中评估智能体能力和差异。
支持C5；定位：Abstract、BenchmarkArtificial Intelligence Risk Management Framework: Generative AI Profile
NIST AI 600-1，2024
用于约束工具权限、错误传播和人类监督。
支持C3、C5；定位：安全、治理与监测建议企业级智能体技术与应用研究报告（2026年）
中国信息通信研究院；2026
报告从企业级应用出发讨论智能体的感知、规划、工具调用、流程编排和治理边界，为英文论文中的通用智能体框架补充中国工程实践语境。
补充支持C1、C2、C5；定位：智能体定义、技术架构、工具调用、流程编排与企业治理章节知识图谱
Knowledge Graphs
Hogan等；ACM Computing Surveys 2021
系统综述知识图谱定义、模型、查询、构建与应用。
支持C1、C2、C4、C5；定位：Overview、FoundationsRDF 1.1 Concepts and Abstract Syntax
W3C Recommendation 2014
定义RDF图、三元组、IRI与字面量。
支持C1、C2；定位：Introduction、RDF Data ModelSPARQL 1.1 Overview
W3C Recommendation 2013
概述SPARQL查询、更新和相关协议。
支持C3；定位：OverviewIntroducing the Knowledge Graph: Things, Not Strings
Google 2012
展示知识图谱在搜索实体理解和关系呈现中的应用。
支持C4；定位：官方说明正文A Survey on Knowledge Graph Construction
ACM Computing Surveys 2023
讨论抽取、融合、质量和持续构建问题。
支持C5；定位：Abstract、construction pipeline大规模RDF图数据上高效率分布式查询处理
软件学报 2019
用于补充中文RDF、三元组和SPARQL技术语境。
中文语境；支持C2、C3部分内容新一代知识图谱关键技术综述
《计算机研究与发展》；2022；DOI:10.7544/issn1000-1239.20210829
文章系统梳理新一代知识图谱在非结构化多模态数据组织、大规模动态图谱表示学习、知识更新和推理方面的发展，为国际标准与英文综述补充中文研究视角。
补充支持C1、C2、C5；定位：多模态数据组织、动态图谱表示、知识更新与神经符号推理综述实体搜索优化
Introducing the Knowledge Graph: Things, Not Strings
Google 2012
说明搜索从字符串向实体和关系理解扩展。
支持C1、C2、C5；定位：官方正文Schema.org About / Vocabulary
Schema.org
提供实体类型、属性和关系的共享词汇背景。
支持C1、C2；定位：AboutIntroduction to Structured Data Markup in Google Search
Google Search Central
说明结构化数据帮助理解内容，但不保证展示。
支持C2—C4、C6；定位：Introduction、GuidelinesGeneral Structured Data Guidelines
Google Search Central
要求标记真实、可见、相关并符合技术与质量规则。
支持C3、C4、C6；定位：Quality guidelinesOrganization Structured Data
Google Search Central
展示组织名称、URL、标识和相关属性的机器表达方式。
支持C2、C5；定位：Properties、GuidelinesHow Search Works
Google Search Central
说明内容首先要经过抓取、索引与服务链路。
支持C4、C6；定位：Crawling、Indexing、Serving组织（Organization）结构化数据
Google 搜索中心中文官方文档；持续更新
中文官方指南说明，组织结构化数据有助于搜索系统理解组织管理信息，并在搜索结果中识别和区分组织；同时强调应提交真实、完整且与页面一致的属性。
补充支持C2、C3、C4；定位：组织身份识别、名称、网址、标识与建议属性说明结构化数据
RDF 1.1 Concepts and Abstract Syntax
W3C Recommendation 2014
定义RDF图及其核心数据模型。
支持C1、C2；定位：Introduction、RDF Data ModelJSON-LD 1.1
W3C Recommendation 2020
定义JSON-LD如何用JSON表达关联数据。
支持C1、C2；定位：Introduction、Data ModelSchema.org
Schema.org协作社区
提供网页对象、属性和关系的共享词汇。
支持C1、C2、C5；定位：首页与词汇说明Introduction to Structured Data Markup in Google Search
Google Search Central
说明结构化数据的搜索用途与资格边界。
支持C3、C4；定位：Introduction、How it worksGeneral Structured Data Guidelines
Google Search Central
要求标记准确、相关、可见并符合内容规则。
支持C3—C5；定位：Technical、Quality guidelinesSearch Gallery
Google Search Central
显示平台支持类型会随功能和文档更新。
支持C4、C5；定位：支持功能列表结构化数据标记的运作方式简介
Google 搜索中心中文官方文档；持续更新
中文官方指南将结构化数据说明为提供网页信息并对内容分类的标准化机器可读格式，同时强调正确性、完整性、测试与持续监测比堆叠大量属性更重要。
补充支持C1、C3、C4；定位：结构化数据定义、Schema.org词汇、验证和质量指南Schema.org结构化数据标准
Schema.org
Schema.org协作社区
提供词汇入口、类型和属性浏览。
支持C1、C3；定位：首页说明About Schema.org
Schema.org
说明项目、共享词汇和采用方式。
支持C1、C2；定位：AboutGetting Started / Developers
Schema.org
提供JSON-LD、RDFa和Microdata相关实现入口。
支持C2；定位：Developer resourcesIntroduction to Structured Data Markup in Google Search
Google Search Central
说明Google对结构化数据的使用和支持格式。
支持C3、C4；定位：Introduction、Supported formatsGeneral Structured Data Guidelines
Google Search Central
明确资格不等于保证展示，并规定质量要求。
支持C4；定位：Quality guidelinesSchema.org Releases
Schema.org
记录词汇版本演进和发布时间。
支持C5；定位：Release historyGoogle 搜索支持的结构化数据标记
Google 搜索中心中文官方文档；持续更新
中文官方文档明确，Google广泛采用Schema.org词汇，但只支持其中一部分类型与属性；使用Schema.org不等于自动获得富媒体展示，仍需符合平台技术和内容指南。
补充支持C1、C3、C4；定位：Schema.org词汇与Google功能支持范围说明引用工程
PROV-O: The PROV Ontology
W3C Recommendation 2013
提供实体、活动、代理和来源关系的标准模型。
支持C1—C3、C6；定位：Introduction、Classes and PropertiesWeb Annotation Data Model
W3C Recommendation 2017
提供注释Body、Target、Selector和定位模型。
支持C1、C2、C4、C6；定位：Web Annotation Principles、TargetVersioning
DataCite Support
说明版本标识和相关标识符关系。
支持C5；定位：Versioning guidanceVersioning: Best Practices
Crossref
说明内容变化、版本关系和持久标识实践。
支持C5；定位：Best practicesDOIs and URLs
APA Style
说明DOI和URL在参考文献中的稳定表达方式。
补充引用格式；定位：DOI and URL guidelinesGB/T 7714—2025《信息与文献 参考文献著录规则》
国家市场监督管理总局、国家标准化管理委员会；2025发布，2026-07-01实施
现行国家标准规定参考文献与信息资源引用的著录原则和格式，并替代GB/T 7714—2015。该标准为中文引用格式与责任信息完整性提供规范依据。
补充支持C1、C2、C5、C6；定位：标准基本信息、引用与参考文献著录规则E-E-A-T与AI搜索官方来源
用于支撑第13个基础知识点和四阶段中的24个E-E-A-T专项问题。
Creating Helpful, Reliable, People-First Content
Google Search Central｜Google建议创作者说明谁创建内容、内容如何产生以及为什么创建，并把经验、专业性、权威性和可信度用于内容自评。
Search Quality Evaluator Guidelines
Google；2025-09-11版｜质量评估指南用于帮助评估搜索系统表现；其中把Experience、Expertise、Authoritativeness与Trust用于页面质量判断，Trust处于核心位置。
E-A-T gets an extra E for Experience
Google Search Central Blog；2022｜Google说明E-E-A-T中的新增E代表第一手经验，同时强调质量评估指南不会直接决定单个页面排名。
General Structured Data Guidelines
Google Search Central｜结构化数据需要真实代表页面可见内容；隐藏、无关或误导性标记不能替代真实作者、事实与责任信息。
Article Structured Data
Google Search Central｜文章结构化数据可帮助系统理解作者、标题、图片和日期等页面信息，但仍需遵守内容与结构化数据规范。
ProfilePage Structured Data
Google Search Central｜ProfilePage可用于描述人物或组织资料页，帮助连接作者身份与其公开页面，但标记本身不能创造资历或外部权威。
Optimizing for Generative AI Features in Google Search
Google Search Central；2026｜Google指出生成式搜索仍建立在搜索索引、排名与质量系统之上，应优先保证可访问、独特、可靠且面向人的内容，而不是依赖所谓GEO捷径。
Guidance on Using Generative AI Content
Google Search Central｜生成式AI可用于研究和组织内容，但批量生成缺少新增价值的页面可能触及规模化内容滥用政策。
新增信源组
模型工程化与知识增强
Distilling the Knowledge in a Neural Network
支持KD-C1—C5；定位：Abstract、Distillation、Experiments
提出使用教师模型软目标训练学生模型的经典知识蒸馏框架。
查看原始来源 ↗Model Distillation in the API
支持KD-C1、C3—C5；定位：Overview、How to use
说明使用能力较强模型的输出微调较小模型，并强调持续评测。
查看原始来源 ↗DistilBERT, a distilled version of BERT
支持KD-C2、C3、C5；定位：Abstract、Method、Results
展示蒸馏模型在减小规模的同时保留部分语言理解能力的具体实验。
查看原始来源 ↗Quantization overview
支持MQ-C1—C3、C6；定位：Overview
说明量化通过更低精度表示权重等数据以降低模型加载和使用的内存需求。
查看原始来源 ↗GPTQ: Accurate Post-Training Quantization for Generative Pre-trained Transformers
支持MQ-C2—C4、C6；定位：Abstract、Method、Experiments
提出面向生成式预训练模型的训练后权重量化方法。
查看原始来源 ↗SmoothQuant: Accurate and Efficient Post-Training Quantization for Large Language Models
支持MQ-C1—C4、C6；定位：Abstract、Method
通过平滑权重与激活的量化难度支持大模型W8A8量化。
查看原始来源 ↗QLoRA: Efficient Finetuning of Quantized LLMs
支持MQ-C4—C6；定位：Abstract、Method、Limitations
展示4位量化基础模型与LoRA适配参数训练的组合方法。
查看原始来源 ↗Supervised fine-tuning
支持FT-C1—C3、C5、C6；定位：Overview、Dataset、Evals
说明监督微调通过输入与理想输出示例改善模型在特定任务中的行为，并要求先建立评测。
查看原始来源 ↗LoRA: Low-Rank Adaptation of Large Language Models
支持FT-C1、C4—C6；定位：Abstract、Method、Experiments
提出冻结预训练权重并训练低秩适配矩阵的参数高效微调方法。
查看原始来源 ↗Claude Platform Glossary: Fine-tuning
支持FT-C5；定位：Fine-tuning
说明微调的用途与风险，并提示Claude API当前能力边界；具体可用性需以最新文档为准。
查看原始来源 ↗