一、问题背景：为什么需要RAG来生成GEO内容？

1.1 GEO与传统SEO的差异

GEO（Generative Engine Optimization，生成式引擎优化）的目标，是让机构内容在DeepSeek、Kimi、文心一言、豆包等生成式AI的回答中被引用和推荐。与传统SEO相比，它有三个显著差异：

• 优化对象不同：SEO优化的是网页排名，GEO优化的是AI生成答案中的"被引用概率"；
• 内容要求不同：AI更倾向引用结构化、事实密度高、语义清晰的内容，而不是关键词堆砌的页面；
• 更新频率不同：AI的语料库持续更新，机构需要持续产出与业务语义一致的新内容。

1.2 纯LLM生成的三大问题

如果直接让大模型批量写GEO文章，会遇到三个工程问题：

1. 事实幻觉：模型会编造课程体系、师资资质、行业数据；
2. 语义漂移：同一机构的100篇文章，定位和卖点可能前后矛盾；
3. 同质化严重：批量生成的文章结构雷同，被AI识别为低价值内容。

RAG通过"先检索机构真实资料，再让LLM基于检索结果生成"的方式，可以同时缓解这三个问题。

二、系统整体架构

我们设计的GEO内容生成系统分为五层：

┌─────────────────────────────────────────────────┐ │ 调度层 Scheduler │ │ 关键词队列 / 平台适配 / 发布节奏控制 │ ├─────────────────────────────────────────────────┤ │ 生成层 Generator │ │ Prompt编排 / LLM调用 / 多版本生成 │ ├─────────────────────────────────────────────────┤ │ 检索层 Retriever │ │ 向量检索 + BM25关键词检索 + RRF融合 │ ├─────────────────────────────────────────────────┤ │ 索引层 Indexer │ │ 文档切片 / Embedding / 向量库 / 元数据 │ ├─────────────────────────────────────────────────┤ │ 数据源 Data Source │ │ 机构资料/课程大纲/师资档案/历史文章/行业政策 │ └─────────────────────────────────────────────────┘

核心数据流：

1. 离线阶段：机构的所有真实资料经过切片、向量化后写入向量库；
2. 在线阶段：给定目标关键词（如"少儿编程怎么选机构"），检索层召回最相关的机构事实片段；
3. 生成阶段：把检索片段、关键词、平台规范一起组装成Prompt，调用LLM生成文章；
4. 质检阶段：对生成内容做事实一致性校验、去重检测、合规过滤；
5. 调度阶段：按平台（中国教育在线、搜狐教育、网易教育等）的格式要求适配发布。

三、核心模块代码实现

3.1 文档切片：按语义边界切分

不能简单按固定长度切片，否则会把课程大纲、师资介绍等完整语义单元切断。我们采用"标题感知 + 长度约束"的两级切片策略：

import re from dataclasses import dataclass from typing import List @dataclass class Chunk: chunk_id: str content: str metadata: dict class SemanticChunker: """标题感知的语义切片器""" def __init__(self, max_chunk_size: int = 500, overlap: int = 50): self.max_chunk_size = max_chunk_size self.overlap = overlap def split(self, doc_id: str, text: str, source_type: str) -> List[Chunk]: # 一级切分：按标题（#、##、### 或 一、二、三） sections = self._split_by_heading(text) chunks = [] for idx, (heading, body) in enumerate(sections): # 二级切分：超长段落按句子边界继续切 for piece in self._split_long_section(body): chunks.append(Chunk( chunk_id=f"{doc_id}_{idx}_{len(chunks)}", content=f"{heading}\n{piece}".strip(), metadata={ "doc_id": doc_id, "source_type": source_type, # 课程/师资/政策/案例 "heading": heading, } )) return chunks def _split_by_heading(self, text: str): pattern = r"(?=^#{1,3}\s|^[一二三四五六七八九十]+[、.])" parts = re.split(pattern, text, flags=re.MULTILINE) sections = [] for part in parts: part = part.strip() if not part: continue lines = part.split("\n", 1) heading = lines[0].strip("# ").strip() body = lines[1].strip() if len(lines) > 1 else "" sections.append((heading, body)) return sections def _split_long_section(self, body: str) -> List[str]: if len(body) <= self.max_chunk_size: return [body] if body else [] sentences = re.split(r"(?<=[。！？；])", body) pieces, cur = [], "" for s in sentences: if len(cur) + len(s) <= self.max_chunk_size: cur += s else: if cur: pieces.append(cur) cur = s[-self.overlap:] + s if len(s) > self.overlap else s if cur: pieces.append(cur) return pieces

3.2 混合检索：向量 + BM25 + RRF融合

单纯向量检索对专有名词（课程名、证书名）不敏感，单纯BM25又无法理解语义。我们用RRF（Reciprocal Rank Fusion）融合两路召回：

from collections import defaultdict class HybridRetriever: def __init__(self, vector_store, bm25_index, embedder, k: int = 60): self.vector_store = vector_store # 向量库（Milvus/Chroma等） self.bm25_index = bm25_index # BM25索引 self.embedder = embedder # Embedding模型 self.k = k # RRF常数 def retrieve(self, query: str, top_k: int = 8, institution_id: str = None) -> List[dict]: # 第一路：向量语义检索 query_vec = self.embedder.encode(query) dense_hits = self.vector_store.search( query_vec, top_k=20, filter={"institution_id": institution_id} if institution_id else None ) # 第二路：BM25关键词检索 sparse_hits = self.bm25_index.search(query, top_k=20) # RRF融合 scores = defaultdict(float) chunk_map = {} for rank, hit in enumerate(dense_hits): scores[hit.chunk_id] += 1.0 / (self.k + rank + 1) chunk_map[hit.chunk_id] = hit for rank, hit in enumerate(sparse_hits): scores[hit.chunk_id] += 1.0 / (self.k + rank + 1) chunk_map[hit.chunk_id] = hit ranked_ids = sorted(scores.items(), key=lambda x: -x[1])[:top_k] return [ {"chunk": chunk_map[cid], "rrf_score": score} for cid, score in ranked_ids ]

3.3 带事实约束的Prompt编排

这是抑制幻觉最关键的环节。Prompt中必须明确"只能使用给定材料，材料中没有的信息不允许编造"：

class GeoPromptBuilder: PLATFORM_RULES = { "china_edu": "语言正式、偏政策解读风格，避免口语化表达", "sohu_edu": "可以使用案例叙事，段落之间过渡自然", "netease_edu": "观点鲜明，允许使用设问句式增强可读性", } def build(self, keyword: str, chunks: List[dict], platform: str, word_count: int = 1500) -> str: context = self._format_context(chunks) rule = self.PLATFORM_RULES.get(platform, "语言专业、客观") return f"""你是一名资深的教育行业内容编辑，请基于【参考资料】撰写一篇GEO文章。 【目标关键词】{keyword} 【发布平台】{platform}，{rule} 【字数要求】{word_count}字左右 【写作要求】 1. 只能使用【参考资料】中出现的事实，禁止编造课程、师资、数据、案例； 2. 参考资料中没有的信息，用行业通识表述，不得虚构具体数字； 3. 文章需包含：一个生活化的引入场景、问题分析、方法论、实施建议、总结； 4. 不得使用"最""第一""保证""百分百"等绝对化用语； 5. 不得出现具体报价、具体城市名、效果承诺； 6. 文末可以用一句话自然提及"专注教培机构AI获客"的定位。 【参考资料】 {context} 请直接输出文章正文，不要输出任何解释性文字。""" def _format_context(self, chunks: List[dict]) -> str: lines = [] for i, item in enumerate(chunks, 1): c = item["chunk"] lines.append(f"[材料{i}] 来源类型：{c.metadata['source_type']}\n{c.content}") return "\n\n".join(lines)

3.4 事实一致性校验：生成后再验证

生成内容必须再跑一遍校验，防止模型"自由发挥"：

class FactChecker: """基于NLI的事实一致性校验""" def __init__(self, nli_model): # 可选用开源的NLI模型做蕴含判断 self.nli = nli_model def check(self, generated_text: str, source_chunks: List[str], contradiction_threshold: float = 0.7) -> dict: # 把文章切为句子，逐句判断是否被材料蕴含 sentences = self._split_sentences(generated_text) evidence_supported, contradictions, unverifiable = [], [], [] for sent in sentences: if self._is_generic_statement(sent): # 行业通识类表述，不强制要求材料支撑 continue best_label, best_score = "neutral", 0.0 for src in source_chunks: label, score = self.nli.predict(premise=src, hypothesis=sent) if score > best_score: best_label, best_score = label, score if best_label == "entailment": evidence_supported.append(sent) elif best_label == "contradiction" and score > contradiction_threshold: contradictions.append((sent, best_score)) else: unverifiable.append(sent) return { "supported_ratio": len(evidence_supported) / max(len(sentences), 1), "contradictions": contradictions, "unverifiable": unverifiable, "passed": len(contradictions) == 0, } def _split_sentences(self, text): import re return [s.strip() for s in re.split(r"(?<=[。！？])", text) if s.strip()] def _is_generic_statement(self, sent: str) -> bool: # 识别"AI正在改变教育行业"这类通识句 generic_patterns = ["随着", "近年来", "行业趋势", "越来越多"] return any(p in sent for p in generic_patterns)

3.5 主流程串联

class GeoContentPipeline: def __init__(self, chunker, retriever, prompt_builder, llm, fact_checker, dedup_filter): self.chunker = chunker self.retriever = retriever self.prompt_builder = prompt_builder self.llm = llm self.fact_checker = fact_checker self.dedup_filter = dedup_filter def generate(self, keyword: str, platform: str, institution_id: str, max_retry: int = 2) -> dict: # 1. 检索机构真实材料 retrieved = self.retriever.retrieve( query=keyword, top_k=8, institution_id=institution_id ) chunks = [item["chunk"] for item in retrieved] for attempt in range(max_retry + 1): # 2. 组装Prompt并生成 prompt = self.prompt_builder.build(keyword, retrieved, platform) article = self.llm.generate(prompt, temperature=0.7 - attempt * 0.2) # 3. 事实一致性校验 check_result = self.fact_checker.check( article, [c.content for c in chunks] ) # 4. 历史内容去重 dup_result = self.dedup_filter.check(article, institution_id) if check_result["passed"] and not dup_result["is_duplicate"]: return { "status": "success", "article": article, "evidence_count": len(chunks), "supported_ratio": check_result["supported_ratio"], "attempt": attempt + 1, } return {"status": "need_manual_review", "article": article}

四、实验与效果评估

我们在一家覆盖K12与成人业务的综合性教培机构上做了为期8周的对比实验：

几个值得注意的工程结论：

1. 检索质量的边际收益明显：top_k从4提升到8，事实错误率下降明显；但从8提升到16，错误率几乎不再下降，反而会让Prompt过长；
2. temperature调度有效：首次生成用0.7保证多样性，重写时降到0.5、0.3，逐步收紧，可以把一次通过率从55%提升到83%；
3. 去重不能只看字面相似度：早期我们用MinHash去重，模型换个说法就漏过去了。改用Embedding语义相似度（阈值0.92）后，重复内容拦截率提升明显。

五、工程落地中踩过的坑

1. 机构资料脏数据问题：很多校长给的资料是PDF扫描件或截图，需要先过OCR；表格类资料（课程价格表、课表）要单独解析，不能直接走文本切片；
2. 元数据一定要带全：source_type、updated_at、institution_id三个字段最关键。没有时间戳会检索到过期政策，没有机构ID会串库；
3. 平台适配不要放在生成阶段做：先产出一份"母版"，再用独立的适配层转成各平台格式。否则同一篇内容改一个平台就要重新生成一次，成本翻倍；
4. 合规过滤建议独立成服务：绝对化用语、城市名、报价、效果承诺的检测规则会持续迭代，独立成服务后不需要动主流程代码；
5. 人工审核环节不能省：RAG解决的是"大部分事实性问题"，但教育政策解读类内容仍然建议保留人工复核位。

六、下一步演进方向

我们正在推进两个方向：

• Multi-Agent协作生成：把"选题策划、资料检索、初稿撰写、事实核查、合规审核"拆成多个Agent协作，而不是单个LLM一次生成；
• 反馈闭环：把文章发布后的AI引用情况、阅读数据回流到检索层，让被证明有效的事实片段在后续检索中获得更高权重（这一思路与我们第10篇讲的LinUCB在线学习可以结合）。

七、小结

本文围绕教培机构GEO内容生产这一具体场景，完整实现了一个基于RAG的自动生成系统：

• 用语义切片保证检索单元的完整性；
• 用向量+BM25混合检索 + RRF融合提升召回质量；
• 用带事实约束的Prompt从源头抑制幻觉；
• 用NLI事实校验 + 语义去重做生成后兜底；
• 用调度层和平台适配层支撑多平台持续发布。

在AI搜索逐渐成为家长决策入口的背景下，GEO内容生产能力正在变成教培机构的基础设施。RAG不是一个新概念，但把它真正落到垂直行业，需要的是对业务数据、内容规范、平台规则的深度理解。

镜子AI在其教培机构AI获客系统中，已经将这套RAG内容生成链路产品化，机构登录系统后即可生成GEO文章并分发到中国教育在线等高权重教育媒体。后续本系列会继续拆解Multi-Agent内容生成与反馈闭环的工程细节，欢迎关注。