
《投資管理》/ China JOIM第11期——AI for Investment Ⅱ(鎖定AI落地最后一公里:從實證到實踐_2025_新聞動態_衡泰技術-領先的金融行業定量分析與技術供應商點擊回顧),也是AI專刊第二楫的“中國實踐”欄目中,廣發證券副總經理、首席信息官辛治運,以及王蓁、苗園莉三位專家,撰文分享對AI應用探索的深度思考。
文章超越純技術視角,探討并展望大模型浪潮如何從技術實踐、范式演進到生態重構層面,重塑金融行業組織架構與資源文化。
作為系列文章的第一篇,本文中對生成式搜索引擎優化(GEO,Generative Engine Optimization)的深度思考和細節探索,更為行業突破傳統思維局限提供了有益嘗試。
作者 :辛治運b,*、王蓁a,*、苗園莉*
a第一作者,b通訊作者,*廣發證券
引言
過去十數年人工智能技術在金融行業的廣泛使用,伴隨著金融科技行業的興起,似乎體現了技術落地的 “馬爾薩斯陷阱”1。
當前,大模型如火如荼,金融行業AI應用正從 “由薄做厚”的場景積累期,向 “由厚做薄” 的價值萃取期躍遷,短期目標做精品高價值標桿應用,中長期希望實現對業務模式和客戶服務模式的重構。
這一次大模型引領的智能化浪潮,是馬爾薩斯1800年前短暫的均值偏離,還是突破陷阱的第一次工業革命,金融機構和從業者如何在工具爆炸式迭代中錨定真正改變行業生產關系的核心范式?
金融機構的AI轉型從來不只是技術問題。本系列將沿著“技術實踐—范式演進—生態重構”的脈絡,揭示AI如何從流量轉化、智能研發等效率工具進化為對金融行業組織架構和資源文化的沖擊,為機構破解創新焦慮提供另一種視角和思考展望。
1“馬爾薩斯陷阱”(Malthusian Trap),由英國經濟學家托馬斯?羅伯特?馬爾薩斯(Thomas Robert Malthus)在1798年出版的《人口原理》中提出,核心觀點是:當人口增長超過社會資源(如糧食)的承載能力時,會通過饑荒、戰爭、疾病等“積極抑制”手段迫使人口回歸平衡,形成“人口增長—資源短缺—人口減少”的循環。
問題一:
如何讓DeepSeek/豆包等在回答里推薦你的公司?
我們希望不管是個人用戶還是企業客戶,在使用DeepSeek、豆包等生成式搜索引擎查詢相關內容時,能夠清晰且優先獲取到機構自身的優勢信息,例如 “產品性價比高”、“服務貼心”等 ;如果涉及證券業務搜索,能優先看到對特定機構的推薦。
生成式搜索引擎優化(GEO,Generative Engine Optimization)應運而生。GEO是一種旨在通過優化策略,使特定內容在豆包、DeepSeek等生成式搜索引擎的答復結果中,得以清晰且優先展示的技術與方法體系。
我們的核心目標就是確保用戶在搜索相關信息時,能便捷地獲取到對我們業務發展和品牌建設具有積極推動作用的有效信息。
01
生成式搜索引擎的工作原理
我們梳理了生成式搜索引擎的工作原理(圖1),關鍵環節包括大模型記憶知識、搜索引擎聯網檢索和大模型總結答復三大部分:
大模型記憶知識
在大模型記憶知識階段,大模型通過對海量文本數據的學習與存儲,構建起知識體系,并將信息以參數形式記憶下來,用于后續分析用戶提問。這一過程就如同大腦不斷吸收知識,形成儲備庫以便快速檢索調用。
此階段的關鍵是,通過大量不重復且高質量的PR稿(新聞通稿、品牌傳播文案等)引導大模型學習與企業、產品或服務相關的核心優勢信息,確保這些關鍵內容被深度記憶,便于后續能被高效檢索,為用戶查詢提供有力支撐。
搜索引擎聯網檢索
當大模型無法滿足復雜、實時的提問需求時,搜索引擎便會啟動聯網功能,依據關鍵詞在互聯網中篩選、抓取網頁信息,并反饋給大模型,這就是搜索引擎聯網檢索階段。該階段類似于撰稿人基于文章主題在互聯網中搜集最新、相關的素材。
此階段的關鍵在于針對特定的業務搜索需求,精準設置SEO策略,讓搜索引擎能優先抓取對業務發展和品牌建設有積極推動作用的信息,為后續的答復提供優質素材。此階段取決于不同模型的具體搜索策略,與傳統搜索引擎不一致。
大模型總結答復
最后是大模型總結答復階段,該階段大模型會整合記憶中的知識以及檢索到的信息生成用戶答復,這如同撰稿人梳理、組織素材創作出高質量文章。
此階段的關鍵在于運用一系列PR稿內容優化策略,如嵌入特定關鍵詞、合理調整語句用詞方式等,使大模型在總結答復時,能夠將企業希望用戶優先獲取的優勢信息,以自然流暢的方式呈現。

圖1 生成式搜索引擎工作原理
因此,若要提升特定知識在生成式搜索引擎中的曝光率,可從以下三個維度加以考量:
優化特定知識在LLM參數知識中的存儲容量;
優化網頁在搜索引擎的搜索排名;
針對 LLM 處理信息時的特性進行優化,優化LLM答案生成過程。
02
生成式搜索引擎的優化階段劃分與產品分析
(一)GEO三階段劃分
針對生成式搜索引擎的三個工作階段,即LLM本地答復、通過搜索引擎聯網召回網頁數據和通過LLM生成問題答案,我們總結了GEO的三個階段,按照生成式搜索引擎工作流程的時間順序,劃分為LLM參數知識容量優化、搜索引擎聯網召回優化,以及LLM總結答復過程優化。

圖2 生成式搜索引擎關鍵流程和對應GEO三階段優化劃分
(二)主流生成式搜索引擎分析
基于生成式搜索引擎的工作流程,下面對四個主流的生成式搜索引擎進行了對比分析,分析對象包括豆包、Kimi、DeepSeek和騰訊元寶。通過對比不同生成式搜索引擎的對話界面和引用網頁的標注特點,我們推斷了不同引擎在第三階段的工作流程。

圖3 國內主流生成式搜索引擎分析(示例)
03
GEO各階段的操作目標分析與實操建議
(一)優化LLM參數知識存儲容量
優化參數知識存儲容量,該階段一般發生在大模型預訓練或者微調階段,關鍵是通過提升特定知識在大模型訓練數據中出現的頻率,實現提升該知識在大模型參數知識中的存儲容量,從而提升該知識在大模型輸出中出現的頻率。除此之外,添加特殊標記(類似域名)到特定數據前,能讓模型自動識別并優先學習這些數據,從而提升對應的知識容量。
為了大模型能記住更多關于目標宣傳公司的正面信息,公司需要發布大量高質量、不重復的 PR 稿,增加公司正面信息在大模型預訓練語料中的出現頻率。
(二)優化搜索引擎聯網搜索排名
為了準確回復用戶問題,生成式搜索引擎會通過傳統搜索引擎聯網去獲取與用戶提問相關的各種網頁數據,作為LLM生成回復答案的參考依據。對于聯網搜索的場景,特定知識所在網頁需要被搜索引擎召回,才能作為答案出現在LLM的輸出中。如何提升網頁排名(傳統SEO)是該階段的關鍵。
核心還是網頁數據在搜索引擎的排名和曝光,決定了最后大模型在此環節回答的推進。為了讓目標宣傳公司的網頁被搜索引擎召回,我們需要加強傳統的SEO策略,增加公司網頁在搜索引擎召回結果中的排名。
(三)優化LLM總結答復過程
在大模型總結答復過程中,會先通過大模型或者其它AI模型對召回的原始網頁內容進行預處理,包括識別網頁中關鍵文本片段或者提取網頁摘要,然后將預處理的內容作為上下文給大模型參考,大模型基于此上下文進行知識點總結輸出。
在這一階段,我們既要讓目標宣傳公司相關的正面信息出現在網頁內容預處理結果中,也要讓大模型在總結知識點時關注到并輸出公司相關的內容。這一步的關鍵,就是通過添加專業術語、權威術語、統計數據等手段進行PR稿優化,讓大模型重點關注到公司相關內容。
(四)通用GEO策略建議總結

圖4 通用GEO策略建議
結合傳統SEO策略及論文研究提出的9種GEO優化策略,我們整理了11種通用GEO策略,并按照位置調整詞數(Position-Adjusted Word Count)和主觀印象分(Subjective Impression)兩個GEO評估指標(評估指標的詳細解釋見附錄1),將策略按照性能提升幅度從高到低進行排序。位置調整詞數綜合考慮生成引擎響應中引用的詞頻和引用位置,主觀印象分通過計算多個主觀因素得出整體印象評分。
表1 部分GEO優化策略
(PAWC和SI兩個指標的定義參見附錄1)

數據來源:Aggarwal P, Murahari V, Rajpurohit T, et al. GEO: Generative Engine Optimization[C]//Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining.
04
問題的延伸:從 GEO 到搜推一體化:金融機構流量轉化的 “最后一公里”困局
在生成式搜索引擎優化(GEO)解決 “信息可見性”之后,金融機構正面臨更復雜的命題:如何將被動的信息曝光轉化為主動的業務增長?這需要從單一的 “信息展示思維” 轉向 “流量運營生態”,將用戶搜索行為從 “獲取信息”轉向 “投資決策”,將新生態流量轉化為真實的業務價值,這是金融行業在 AI 時代必須破解的 “場景適配性” 命題。
在金融行業,合規性與體驗性的對立、需求復雜性與技術通用性的矛盾等,尤為突出。這種困境的根源,時序維度來看,在于金融機構將搜推視為 “技術工具”而非 “用戶洞察入口”。當互聯網平臺通過搜推構建 “需求—供給”的實時轉化漏斗時,大多數金融機構仍停留在 “關鍵詞匹配 + 合規模板” 的初級階段,謹慎下沒有充分有效利用這部分流量。
橫向維度來看,這也是 “標準化技術”與 “非標化需求” 的沖突:大廠成熟的 “搜索 - 推薦 - 轉化” 閉環(如電商平臺基于瀏覽歷史的動態推薦),在金融場景中可能因觸及監管紅線而失靈。如果簡單照搬互聯網 “猜你喜歡”模式,而未充分考慮合規風控規則,可能東施效顰,導致高風險產品誤推給保守型客戶等合規風險。
AI 的價值正在于解構金融需求的復雜性,在于將金融需求解構為可計算的 “意圖網絡”。這里面包括對監管外規內規的意圖理解、對用戶的動態畫像、對上下文場景的意圖理解、以及搜推一體的轉化鉤子設計。借鑒 LLM 從 RLHF(基于人類反饋的強化學習)到 RRM(Reinforcement Learning based on Real-time Market Feedback,基于實時市場反饋的強化學習)的進化路徑,我們認為,未來的金融搜推系統可能會朝著 “數據閉環—策略迭代—體驗升級” 的正向循環逐步演進。
這種從 “被動響應” 到 “主動預判”的躍遷,未嘗不是金融服務從 “產品中心” 向 “客戶中心”轉變的范式革命。當 GEO 逐步實現 “讓機構被看見”的數據積累,搜推一體化是緊隨其后的“讓服務被需要”的價值轉化新規則。這是AI的泛化外延,更是對金融本質 “理解客戶、服務客戶” 的回歸。
問題二:
LLM對社會的重構:從微觀到宏觀
01
第一層,對金融機構的沖擊
在 LLM 驅動的智能革命中,以細分場景為壁壘的中小金融機構正面臨生存壓力。當大模型能低成本實現全品類金融服務的智能化覆蓋,依賴區域資源或垂直客群的 “小而美”模式逐漸失效,細分特色金融業務的價值會下降。
金融機構組織架構層面,傳統 “分灶吃飯、財政包干” 的分散式管理體系,在需要數據共享與算法協同的 AI 時代暴露出天然短板:獨立業務單元的重復建設導致資源內耗,而決策權限的過度分散抑制了技術規模化應用的可能。
對于單一金融機構而言,“分稅制改革” 式的統籌式調整成為必然選擇:通過加強中央財力,建立公司級的 AI 中臺整合算力、數據與模型資源,在 “總部統籌”與 “地方靈活性”之間重構權力均衡。當業務流程被算法重新定義,組織內部的 “央地博弈” 將從資源分配轉向能力協同,機構在“統收統支”與“地方創新”之間的終會達到新的央地平衡。
判斷:互聯網公司會比金融機構在AI方面進化更快
不談數據、監管、資金投入等,只考慮一個角度,當前較好的AI產品,通常團隊自己就是產品的用戶,互聯網天然有這個優勢,而金融機構缺乏,從業者監管原因和準入資格限制等,無法做絕大多數金融業務。業務生態的封閉性,通常會減緩行業進化的節奏;創新者本身不是用戶,會降低創新效率和顯著增加試錯成本。
02
第二層,對金融行業的沖擊
傳統金融行業的資源本位邏輯(牌照、客戶、渠道等)正遭遇AI的沖擊。尤其今年DeepSeek爆火給各行各業的深遠的影響,讓越來越多的管理者認識到,專業能力(尤其是復雜問題解決與創造性洞見)超越資源稟賦,成為新的核心競爭力。相對傳統金融業務的“資源型”人才,具備跨領域整合、算法思維與商業直覺的復合型個體的價值被急劇放大,也越來越受到社會的認可。
但金融行業的傳統慣性與組織約束構成顯著阻力:科層制架構下的流程固化、風險厭惡文化等,與新型AI復合人才的突破性思維,會在相當一段時間里不斷沖突和調和。這種沖突本質上是工業時代 "標準化生產" 與數字時代 "個性化創造" 的范式對抗,其調和過程或將重塑金融行業的人才結構與協作模式,從依賴體系化資源轉向激活個體創造力,從風險規避走向可控試錯。
03
第三層,LLM對社會的沖擊和“AI覺醒”
當 AI 生成內容成為信息傳播的主流載體,一個 “算法閉環” 正在形成:AI 搜索依賴 AI 生成的結果,經過篩選與強化的 “標準文本”在輸入輸出循環中不斷自我復制,最終可能導致特定領域的認知收斂:對于同一問題,世界可能趨向于唯一的“算法標準答案”。這種正反饋機制加速了信息的同質化,而 LLM 的快速迭代則將這一進程大幅提前。
相較于“AI 是否會覺醒”的技術焦慮,更值得警惕的是人類認知模式的退化:當決策越來越依賴算法推薦、思考被模型輸出替代,人類的批判性思維與多元視角可能逐漸退化。這種“人類向 AI 的趨近”,是效率至上的邏輯下的主動選擇,最終可能重塑全社會的認知體系:多樣性與創造性消退,轉向接受標準化與確定性。
引上,談論 AI 是否會覺醒,不如擔憂我們人類會不會越來像越像AI。
(第一篇完,系列第二篇將聚焦智能研發體系。)
附錄:略,參見本期雜志。
本期更多內容
掃一掃訂閱


金融研究與IT技術的密切結合和高度整合,是衡泰的特色之一。
衡泰研究中心擁有專業的定量分析研究團隊,匯集多位華爾街專家及國內金融軟件資深專家。研究領域覆蓋定價模型、信用分析、風險計量、績效分析、會計核算、市場規則、定量投資、機器學習等。
由衡泰研究出品的《投資管理》/ China JOIM ,旨在打造實證研究與實踐的專業交流平臺,搭建投資管理學術與業界的橋梁。
