引用 vs 提及 vs 链接

1. 这里所说的「被署名」是什么：三种结果，同一个事件

一段生成式答案给你署名的方式只有三种（再加上一种「不署名」，共四种结果）：

• 引用（citation）：你的内容被取用或转述，并且附上一个可溯源标注；
• 提及（mention）：你的品牌、产品或作者在正文里被点名，但不带链接；
• 链接（link）：出现一个可点来源，但未必对应答案真正用到的内容。

GEO Wiki 立场：生成式答案里的*归属（attribution）*与采信（grounding）是两件独立的事：一段内容被引擎采用作为依据，与这段内容的作者会不会被署名，并不一一对应；而署名本身又分三种并不等同的形态：引用、提及、链接。

这三种结果都发生在 答案循环 第 4 步「生成与归属」，也就是采信之后、引擎决定要不要附上一条标注的那一刻。

2. 三者的精确定义

一段合成答案可以同时包含这三种署名，下面逐一标出：

"生成式引擎将采信与归属解耦。[1]                  ← 引用（标注挂在被取用的论断上）
 据 Otterly.AI，提及与引用是分开统计的 KPI。       ← 提及（被点名，无链接）
 关于答案机制的更多内容，见下方来源。

 来源：  [1] geo.wiki/citation-vs-mention
         ▸ example.com/unrelated-page              ← 链接（在来源栏，但无对应句子）"

下面三条一句话判别，是日常会反复用到的口径：

• 「用了我的事实，没链接也没点名」 → 未署名：被采信 ≠ 被署名（见 §3）。
• 「点名了我们，但没带来流量」 → 一次提及，不是一次引用，而是另一类成功事件。
• 「链了我们，但没引述我们」 → 一个链接，不是一次引用，是三种结果里最弱的一种。

指标算法（引用份额、声量份额、引流归属）见 GEO 指标；如何赢得提及见 品牌提及。

3. 被采信 ≠ 被署名：为什么归属是独立的一关

这就是引用、提及、链接必须分开看的根本原因：引擎可以把回答建立在你的内容之上，却给出零署名，或者点名你但不带链接，或者链了你但不引述你。被采用与被署名在设计上就是两件事，并非缺陷。

  被采信的内容子集
        │
        ▼
  ┌──────────────────────────────┐
  │  生成与归属                  │
  │  是否署名？                  │
  └──────────────────────────────┘
        │
        ├──► 引用   （被采用 + 署名 + 可溯源标注）
        ├──► 提及   （被点名，无链接）
        ├──► 链接   （出现 URL，未必真正用到）
        └──► 无     （被采用，从不署名）

同一段被采信的内容，最终可能落到这四种结果里的任意一种。多数「我的内容被用了，却什么也没得到」的损失都发生在这里：能被采信，并不等于能拿到署名。

次序很重要。归属处在「能否被采信」的下游（可引用性：先要能被选中），而「能否被采信」又处在「能否被检索」的下游（AI 爬虫：先要能进入候选）。上游任何一环不达标，署名都无从谈起，因此排查要按答案循环的次序逐级回看；完整的逐环失败图景见 答案循环 §4。

这种独立性不只是概念层面的说法，在 API 上就能直接看到。Gemini 返回的 groundingChunks（用到的来源）与 groundingSupports（哪些答案片段真正被归属回去），是两个分开的字段：「被用到」和「被署名」在响应结构里就对应不同的字段（见 Grounding with Google Search）。Anthropic 的网页搜索工具划出的是同一条界线：每条结果各自带 url 与 cited_text（见 Web search tool）。

4. 关于署名是否可靠，证据说了什么、没说什么

Liu、Zhang 与 Liang 的 Evaluating Verifiability in Generative Search Engines（Findings of EMNLP 2023）审计了 Bing Chat、NeevaAI、Perplexity.ai 和 YouChat。核心测量结果是：平均只有 51.5% 的生成句子能被其引用完全支撑（引用召回率），而引用本身也只有 74.5% 真正支撑了它所对应的句子（引用精确率）。作者称这些数字「对于可能成为信息检索用户主要工具的系统而言，低得令人担忧」。换言之：被署名不等于你真的被用到，被用到也不等于会被署名，而且即便给出了引用，也常常对不上。

还有一处对照要在这里说清楚：Aggarwal 等 度量的是可见度（曝光），也就是有没有被用到，并不度量是否被署名。 Liu 等的研究恰好补上了这中间的缺口。对 Aggarwal「最高 40%」提升的质疑，详见 论文条目（arXiv:2311.09735 · ACM DL）。

5. 为什么这个区分对 GEO 至关重要

把三者分开看的实际意义在于：每一种结果对应的指标、杠杆与商业价值都不一样。把它们混为一谈，整个项目的衡量都会失真。

分开度量是业界通行做法，并非 GEO Wiki 自创。Otterly.AI 的 KPI 体系就把品牌提及、域名引用、声量份额定义为三个各有算法的独立指标（见 Brand Report KPI Definition）；这个领域早已把「品牌有没有被点名」和「域名有没有被当作来源引用」分开统计。

要点是：一次没有点击的提及，不是一次失败的引用，而是另一类成功事件，沉淀得往往更慢一些；只盯带链接的引用，会低估实体先验带来的回报。 这与可引用性那句「必要而不充分」恰成对照：署名不是单一形态，每一种的实际落点都不一样。

6. 署名如何随呈现面变化（不变量 vs 增量）

三类结构本身是不变的：引用、提及、链接在任何呈现面上都各自成立，会变的只是它们的密度和默认形态。

署名密度还会因语言不同而出现差异，这属于多语言 GEO 的范畴。

7. 反模式：把三者读错

下表逐行列出常见误读，分别说明它为什么看上去成立、又为什么其实站不住。

要点是：署名这件事本身没有办法直接优化；你能动手的是它上游的两道关卡，也就是能否被采信，以及有没有站外先验（提及）；归属处在这两者的下游。

8. 这对 GEO 为什么重要，以及如何行动

署名是整个 答案循环 最终的回报，但它有多种形态、彼此独立，又并不可靠，因此必须当作三件事来度量，而不是一件事。

参考资料

学术：

• Liu, N. F., Zhang, T. & Liang, P. (2023). Evaluating Verifiability in Generative Search Engines. Findings of EMNLP 2023. arXiv:2304.09848
• Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K. & Deshpande, A. (2024). GEO: Generative Engine Optimization. KDD ‘24. arXiv:2311.09735 · ACM DL · 论文摘要

业界 / 工具：

• Otterly.AI — Definition of Brand Report KPIs

官方平台文档（截至 2026-05）：

• Google — Grounding with Google Search (Gemini API) · Google Search Central — AI features and your website
• Anthropic — Web search tool
• OpenAI — ChatGPT search
• Perplexity — What is an answer engine, and how does Perplexity work as one?