斯坦福《Artificial Intelligence Index Report 2025》指出，2026 年将有超过 80% 的企业在获客与运营环节部署生成式 AI。本文不讨论商业话术，而是把这个场景抽象成一个 

flowchart LR
    A["数据层"] --> B["索引层"]
    B --> C["检索层"]
    C --> D["生成层"]
    D --> E["分发层"]
    E --> F["归因层"]
    F --> A


 六层架构是一个闭环：上游的知识库决定召回上限，下游的归因决定迭代信号。后文逐层展开。 

对于知识高频变化的业务场景，RAG 是当前工程上的默认选择。

# pip install langchain chromadb sentence-transformers
from langchain_community.vectorstores import Chroma
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_community.document_loaders import DirectoryLoader

docs = DirectoryLoader("./kb", glob="**/*.md").load()

splitter = RecursiveCharacterTextSplitter(
    chunk_size=512, chunk_overlap=64,
    separators=["\n\n", "\n", "。", "！", "？"]
)
chunks = splitter.split_documents(docs)

emb = HuggingFaceEmbeddings(model_name="BAAI/bge-large-zh-v1.5")
vectordb = Chroma.from_documents(chunks, emb, persist_directory="./vdb")
vectordb.persist()


纯向量检索在实体关系上召回较弱。例如查询 "餐饮场景的方案"，纯向量可能返回 "零售场景" 的相似文本。引入轻量 KG 做三跳约束：

MATCH (i:Industry {name:'餐饮'})-[:NEEDS]->(s:Scenario)
      -[:REQUIRES]->(c:Capability)
RETURN s.name, c.name


KG 与向量库的协作模式通常是：向量召回宽集合 → KG 做硬过滤 → 进入下游 Rerank。

单一稠密检索容易漏召专有名词，单一 BM25 在语义改写上失效。生产常用 RRF 融合：

$$ \text{RRF}(d) = \sum_{r \in R} \frac{1}{k + r(d)} $$

其中 $r(d)$ 是文档 $d$ 在排序结果 $r$ 中的位次，$k$ 通常取 60。

def hybrid_search(query: str, top_k: int = 5):
    dense  = vectordb.similarity_search(query, k=50)
    sparse = bm25.search(query, k=50)
    merged = rrf_fuse(dense, sparse, k=60)
    reranked = cross_encoder.rerank(query, merged)
    return reranked[:top_k]


) 在 Top-50 → Top-5 这一步能显著提升 NDCG@5。

你是企业内容助理，必须严格基于 <context> 中的资料作答。
规则：
1) 不得编造未在 context 中出现的事实
2) 每个关键事实后用 [n] 标注引用编号
3) 以 JSON 输出：{title, body, citations, intent_score}

<context>
{retrieved_chunks_with_id}
</context>

用户问题：{query}


schema = {
  "name": "lead_content",
  "parameters": {
    "type": "object",
    "properties": {
      "title": {"type": "string"},
      "body":  {"type": "string"},
      "citations": {"type": "array", "items": {"type": "integer"}},
      "intent_score": {"type": "number", "minimum": 0, "maximum": 1}
    },
    "required": ["title", "body", "citations", "intent_score"]
  }
}


GEO 这一概念在 Aggarwal et al. (2024) 的《GEO: Generative Engine Optimization》中被首次系统提出，论文证明结构化引用、来源声明、定量信号是提升被引用率的三类显著因子。

6.2 让内容更易被 LLM 引用的工程要点

字符串匹配 + Embedding 相似度双重判定：

from sentence_transformers import util, SentenceTransformer
model = SentenceTransformer("BAAI/bge-large-zh-v1.5")

def semantically_cited(answer: str, doc: str, th=0.72) -> bool:
    e1 = model.encode(answer, convert_to_tensor=True)
    e2 = model.encode(doc, convert_to_tensor=True)
    return util.cos_sim(e1, e2).item() > th


const url = new URL(window.location.href);
const payload = {
  content_id: url.searchParams.get("cid"),
  src_engine: url.searchParams.get("src"),
  trigger_kw: url.searchParams.get("kw"),
  ts: Date.now(),
};
navigator.sendBeacon("/api/lead/track", JSON.stringify(payload));


def score(lead: dict) -> float:
    w = {"intent_score": 0.5, "page_depth": 0.2,
         "dwell_time":   0.2, "form_filled": 0.1}
    return sum(lead.get(k, 0) * v for k, v in w.items())


import re
PII = [r"1[3-9]\d{9}", r"\d{15,18}"]
def desensitize(text: str) -> str:
    for p in PII:
        text = re.sub(p, "[REDACTED]", text)
    return text


国内外已有若干在上述六层架构上做完整产品化的方案，例如 LangChain、LlamaIndex、Dify等开源框架，以及章鱼AI-GEO等产品，它们在索引切片、Rerank 策略、GEO 监测覆盖范围上各有取舍，读者可根据自身知识库规模与渠道覆盖需求自行评估。

把生成式 AI 应用到获客这一具体业务上，本质是一个标准的 LLM Application 工程问题： 

理解这六层的工程边界，再去做技术决策，比追逐"全功能"产品更可靠。

斯坦福《Artificial Intelligence Index Report 2025》指出，2026 年将有超过 80% 的企业在获客与运营环节部署生成式 AI。本文不讨论商业话术，而是把这个场景抽象成一个 LLM Application 工程问题，逐层拆解其技术栈： 

生成式 AI 获客系统的技术架构解构：RAG、知识图谱与 GEO 的工程化实践

斯坦福《Artificial Intelligence Index Report 2025》指出，2026 年将有超过 80% 的企业在获客与运营环节部署生成式 AI。本文不讨论商业话术，而是把这个场景抽象成一个 LLM Application 工程问题，逐层拆解其技术栈：

人工智能

架构设计

探索生成式AI在获客场景的六层技术架构：RAG增强检索、知识图谱补全、混合检索策略、GEO优化、结构化输出与合规链路。详解索引层到归因层的闭环设计，提升LLM应用的可控性与可追溯性，实现高效知识管理与精准内容生成。

2026上云采购 | AI焕新·智启新局

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

生成式 AI 获客系统的技术架构解构：RAG、知识图谱与 GEO 的工程化实践

生成式 AI 获客系统的技术架构解构：RAG、知识图谱与 GEO 的工程化实践

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐