先看一个现象：越来越多的人，正在把问题抛给 DeepSeek——“宝宝奶粉怎么选”、“新能源车到底能不能买”。答案几秒钟就出来，引用来源一条条列在下面，比搜索引擎的十条蓝色链接更像一份已经替你整理过、直接给出结论的建议。

这意味着内容行业的入口正在变化：过去，内容的价值很大程度取决于“能不能被搜索引擎收录、排到前面”；现在，内容还要回答另一个问题——“能不能被 AI 发现、读取并采用，最终进入答案？” 。被引用，是内容进入 AI 答案最可观测、也最可验证的信号之一。

内容多了一个新读者——AI，它不靠点击投票，靠“引用”投票。

但紧接着是两个问题：AI 到底引用什么？它凭什么这样引用？

我们花了两年时间持续跟踪 DeepSeek 在奶粉和新能源车两个行业的引用记录，结合公开资料观察它背后的检索与生成机制，也将尝试通过具体的数据分析解读两件事——答案里的信息源怎么变了，答案的生成机制怎么变了，以及这两件事如何共同影响内容的价值规则。

01 信息源演变：答案里的“食材”在换血

基于闻道网络 GEO 系统持续监测数据，我们按观察日持续采集 DeepSeek 回答中的实际引用来源，并按来源类型、域名和模型模式进行归类统计。本文讨论的是引用结构的变化，不等同于互联网整体内容供给的变化，也不能单独用于证明某一机制导致了某一来源份额的变化。

第一层：结构呈现出相对稳定的分层特征。两个行业都能看到清晰的来源分层——媒体是重要基础盘，垂直与专业内容也占据显著位置：

奶粉行业里，新闻媒体/综合资讯占约 35%，医疗健康/食品专业占约 18%，消费决策/电商占约 11%、财经产业研究占约 10%；新能源车行业里，汽车/出行垂直占 43%，新闻媒体占 26%，科技/数码资讯占 13%。值得注意的是，两个行业的榜首都不是泛咨询，而是“懂行”的内容。

具体到域名，“懂行优先”的集中度更直观。奶粉行业被引用最多的母婴垂直站是奶粉智库（占母婴类引用的 28.9%），其后是 TOM 母婴、摇篮网、宝宝树；头部媒体以新京报、网易、搜狐、界面为代表。新能源车行业被引用最多的是汽车之家（占汽车类引用的 25%）、易车（17%）、懂车帝（11%）；科技类里中关村在线一家就占 59%。

第二层：份额在流动，方向很明确，奶粉走向专业与严谨，汽车走向资讯的时效性。

奶粉行业：新闻媒体/综合资讯从约 42% 降到约 24%；医疗健康/食品专业从约 11% 升到约 24%；政府监管/公共机构从约 3% 升到约 8%。新能源车行业：汽车/出行垂直全年稳定居首（首观察日 34.8%、末观察日 34.2%）；新闻媒体/综合资讯从约 25% 升到约 34%；科技/数码资讯从约 13% 降到约 12%（2026 年 6 月一度冲高至约 22% 后回落）。

为什么会这样？仅凭引用数据不能给出唯一答案。

一个值得关注的解释是：用户交给 AI 的问题正在变得更具体——选品、比价、安全、参数。“这款奶粉适不适合肠胃敏感的宝宝”，单纯的泛资讯往往不足以支撑回答，模型需要寻找更专业、可验证的证据。与此同时，模型版本、检索策略、Prompt 结构和索引覆盖的变化，也可能影响来源结构。我们看到的，更可能是用户问题变化与模型机制变化共同作用后的结果。

这里要说明边界：这组数据说明“被引用的结构在变”，但不说明媒体内容没用了——媒体仍是最大来源之一，只是从“绝对主角”变成了“基础盘”。

到这里，第一个问题“AI 引用什么”有了答案。但更关键的是第二个问题：它凭什么这样引用？这就要拆开答案的生成机制。

02 模型机制变化：答案的“做法”在升级

对于需要外部信息、尤其是带引用的 AI 回答而言，答案越来越多地由“检索 + 推理”共同完成：模型寻找外部信息，再据此组织答案。过去一年值得关注的变化，是模型开始更深地参与“找什么、读什么、是否继续查”的过程。

传统 RAG（2023—2025）：工程师预设的流水线。流程是固定的：用户提问，检索器召回，截取 Top-K 上下文，模型生成。何时检索、检索几次、Top-K 取多少、证据可不可信——这些关键决策都写死在工程管道里。内容能不能进答案，很大程度取决于“工程师当初怎么配的检索策略”，而不是内容本身。

Agentic Retrieval（2025—2026）：模型自己当厨师。检索变成模型运行时的动态决策：要不要检索、检索什么、读哪些结果、证据可不可信、证据不够要不要再查一轮。模型像一位有判断力的厨师——自己决定去哪进货、挑哪些料、火候不够就再炖一轮。

这不是个别产品的动作，而是全行业的迁移。公开口径里：OpenAI 的 Deep Research 是“规划并执行多步骤研究”；Google Gemini 迭代式地“搜索、读、找缺口、再搜”；Perplexity 把检索写成可并行执行的“搜索程序”（Search as Code）；DeepSeek V4 把上下文扩到 100 万 token，并强化 Agent 与工具使用能力。方向一致：检索从“固定管道”变成“模型可编排的工具”。

这个变化落到内容生产上，意味着三件事：

第一，内容更要“经得起拆”。模型会拆解问题、对比多来源、验证证据。观点堆砌、缺少结构的软文不利于被提取和交叉验证；清晰的标题、要点、数据与清单，更方便模型识别、引用和组合。

第二，被引用不等于有效。证据链变长了：被召回，不等于被读取；被读取，不等于被采纳；被采纳，也不一定形成品牌语境。一条内容进了参考列表只是第一步，品牌有没有在相关语境里被有效提及，才是真正的“有效”。

第三，不同模式看到的答案不一样。“快速模式”和“专家模式”像两位阅读习惯不同的读者，引用范围并不重合：

多个行业的视频中，双模式并集引用率为 56.5%；但 33.1% 的引用 URL 只在单一模式出现。只看一种模式，会系统性漏掉约 1/3 的进入范围——这也是为什么监测内容可见性，不能只看单一模式。

结尾：把两条线收回来

回到开头的两个问题。AI 引用什么，取决于信息源的结构与质量（食材）；AI 怎样决定引用，取决于模型机制怎么决策（做法）。两个问题其实是一件事的两面：AI 正在从“搬运工”变成“有判断力的读者”——它自己挑食材，自己定做法。

对做内容的人来说，判断策略该不该变，看三件事：

1.信息源结构：你所在行业，AI 引用的是媒体、垂直还是官方？结构是否在变？

2.内容结构化：你的内容能不能被模型快速拆出要点、证据、清单？

3.模式稳健性：换一种模型模式，你的内容还在答案里吗？

当信息源结构、内容结构和模型模式同时发生变化时，品牌面对的就不再只是一个新的流量入口，而是一套正在形成的新内容分发机制。搜索时代研究的是：怎样被找到；AI 时代还要多回答一个问题：为什么模型愿意采用你的内容。