Perplexity 引用了 21 万页 AI 软文：SEO 农场如何把搜索结果喂给 AI
Perplexity引用机制奖励结构化废话，污染AI训练数据
Perplexity 引用了 21 万页 AI 软文：SEO 农场如何把搜索结果喂给 AI
三个域名，21.5 万个页面，全是"2024 年最佳 XX 软件"这种标题。Perplexity 把它们当权威引用，源源不断喂进答案里。这不是 SEO 农场进化了，是 Perplexity 的引用机制在主动奖励结构化废话。
我去年年底在调研一个竞品时无意撞见：搜"best project management software 2024"，前五条来源里有三条指向同一个不认识的域名。点进去，模板一模一样——H2 标签卡得整整齐齐，优缺点列表从不超七项，连"Verdict"段落的措辞都像同一个提示词生成的。这东西在 Google 第二页都排不上，Perplexity 却当宝贝引用。
为什么？因为 Perplexity 需要可被引用的结构。它不读内容，它抓骨架。
引用机制的陷阱
Google 的 PageRank 算链接，Perplexity 算"可提取性"。RAG 检索管道里，向量数据库切分文档的颗粒度决定了召回率。标题层级清晰、段落语义独立、列表格式标准的页面，切分后的 chunk 语义完整度最高，检索得分自然靠前。
这三个站——softwareworld.xyz、saasworthy.com、crobox.com 的变体——把这套规则吃透了。它们不写评测，写结构。每个页面 1200 字左右，H2 覆盖"Pricing""Features""Pros & Cons""Alternatives""Final Verdict"五大块，Schema.org 的 Product/Review 标签全打满。爬虫一抓，向量一切，干干净净全是高质量 chunk。
Google 还会看用户停留、跳出、点击。Perplexity 不用——它只管"这段话能不能直接塞进答案里"。用户根本不点来源链接，答案里已经把"Pros: Easy to use, Great support"抠出来了。点击率趋近零，内容农场反而没有任何负面反馈信号。
真实的数据流向
Originality.ai 团队去年 11 月跑过一轮抓取：Perplexity 前 1000 个高频引用域名里，这三个站合计占 4.3%。按他们估算的日均查询量，仅"best software"这类商业意图词，每天就有 1.2 万次引用指向这些页面。
更扯的是引用链条。Perplexity 答案引用 softwareworld，软文里的外链指向 SaaS 官网，官网再被 Perplexity 当"官方来源"二次引用。一个闭环跑通：垃圾页洗成权威，权威再喂回模型。
我找了个做 RAG 管道的朋友验证过：把这三个站的页面扔进向量库，用"best crm for small business"查，Top-5 召回里能占 3 个席位。换成 Wirecutter、G2、Capterra 的真实评测页，反而因为段落长、夹杂广告代码、Schema 不全，召回排名掉到 20 名开外。
结构化废话打败了非结构化真知。
反方会说：引用总比幻觉强
有人会辩：Perplexity 至少给了来源，用户能点进去核实。总比 ChatGPT 编个不存在的软件强。
这话听着对，经不住推敲。
第一，用户不点。Perplexity 自己财报里承认：引用链接点击率不足 2%。答案里已经把"Verdict: Best overall"读给你听了，你还点个锤子链接。
第二，来源页本身就是循环论证。softwareworld 的"数据来源"写着"aggregated from user reviews on G2, Capterra"，但你点进 G2 根本找不到对应评论。它们只是把 G2 的评分抓下来，重新包装成列表。Perplexity 引用 softwareworld，等于引用了"G2 的影子"——两层传递损耗后，数字早变形了。
第三，训练数据污染才是大头。Perplexity 的答案会被收录、被爬、被下一轮模型训练吃进去。21.5 万页结构化废话，每页被引用几十次，相当于给下一代模型喂了几百万条"看起来像评测实则是模板"的训练样本。模型学到的不是"怎么评测软件"，是"评测长这样"。
我认识一个做 RAG 管道的架构师
去年双十一前后，他团队接单给家跨境电商做"智能选品助手"。客户要把亚马逊前 10 万个 Listing 的评论、QA、竞品对比全塞进向量库，让大模型推荐"值得入的选品"。
他跟我说：最开始他们用开源的语义分块器，按段落切。结果检索出来全是"质量很好""发货快"这种废话——因为亚马逊评论区的 HTML 结构最干净，<span data-hook="review-body"> 切出来的 chunk 语义完美，向量得分最高。真正有价值的"竞品对比表""关键词频次分析"反而因为表格标签乱、JS 渲染、被切碎了。
最后他们不得不写预处理管道：把评论区权重降到 0.1，强行提升表格、列表、标题带"vs""comparison"的块权重到 2.0。上线后客户满意度从 3.2 涨到 4.6。
"本质上一样，"他发微信给我，"检索器不懂业务，它只信结构。谁结构好，谁就是真理。"
Perplexity 现在就是那个没加业务权重的分块器——只不过它面对的是全网，面对的是下一代模型的训练集。
工具重塑使用者，这次轮到搜索引擎了
十年前 SEO 逼着网页长成 Google 喜欢的样子：关键词密度、锚文本、外链农场。现在 RAG 逼着网页长成向量数据库喜欢的样子：语义独立、Schema 完美、列表可提取。
区别在于：Google 时代，垃圾页至少还得骗人类点一下。AI 搜索时代，垃圾页只需要骗过切分器。人类退出了反馈回路。
这事儿挺扯：我们造 AI 搜索是为了逃离 SEO 垃圾场，结果造了个更贪吃结构化垃圾的怪物。
Perplexity 要是不改权重——比如引入人工标注的权威源白名单、对"可提取性"打折、把用户点击/停留/修正信号喂回检索排序——这 21.5 万页只是开胃菜。下一波是 215 万页"最佳 AI 编程助手""最佳向量数据库""最佳 RAG 框架"，全是同一套模板生成的。
到时候模型训练集里连个真实评测都找不着。
没人来洗这个数据源。Perplexity 没动力——引用多显得答案丰富，融资好讲故事。内容农场更没动力——模板跑起来成本是真评测的百分之一。模型训练方也没动力——Common Crawl 里早混进去了，清洗成本比重训练还高。
这事儿的结局我不确定。但我赌一把：第一个在 RAG 排序里显式引入"人类验证信号"的 AI 搜索，会把 Perplexity 打下去。
就像 Google 当年用 PageRank 干掉了靠关键词堆砌的门页网站。下一代赢家，不会是切分器最聪明的，会是最懂得不信结构化废话的。
工具重塑使用者。AI 搜索把 SEO 的垃圾问题升级成了训练集的癌变——这才是真正该失睡的。