「搜索引擎」与「同事」之间的界线,正在变薄。Perplexity 推出了 Teammates——一种常驻型的 AI 智能体,可以在工作空间中承担具体角色,并继承用户既有 Perplexity 工具中的项目、技能与记忆。它们接入 Perplexity Computer,后者可将智能体部署在用户自己的设备上运行。产品细节建议直接阅读原文。
对搜索与内容团队而言,这不是一条产品新闻,而是一条分发渠道的新闻。当那个原本只负责回答问题的东西开始执行动作,网络的需求侧就变了形状:点击更少、任务更多被委托出去,并出现了一类既不是人类、也不是传统爬虫的「读者」。这直接冲击索引策略、结构化内容,以及你如何赢得 AI 引用。
从答案引擎到行动型智能体

图示:来源页预览图(仅作编辑上下文;版权归属原发布方) · 来源引用:www.theverge.com
过去两年的生成式搜索,把内容团队训练成「为被引用而优化」。检索增强式的答案引擎会奖励那些事实陈述干净、实体指向明确、能被两句话概括而不失真的页面。而智能体系统把门槛抬高了:它们奖励的是「可用性」。
一个系统引用你,和一个系统基于你的内容去执行,是两回事。引用只是一次提及;执行则是一种依赖——智能体拉取你的数据、套用你文档化的流程,或调用你的接口,然后回报给一个从未打开过你页面的人。在这种世界里胜出的内容,不是最有说服力的文案,而是最无歧义、标注最规范、自描述最完整的内容。
引用的单位,正从页面下沉到事实
传统 SEO 以文档为单位思考:一个 URL、一个意图、一个排名。生成式引擎已经把它拆成了段落;智能体则进一步拆成断言、参数与步骤。
一个智能体要「用」你的内容(而不只是复述),需要的是:
- 可验证的陈述——一个数字、一个定义、一句兼容性说明。
- 稳定的标识符——产品名、版本号、政策编号,能被改写而依然成立。
- 边界条件——这条陈述「不」覆盖什么,智能体需要它来避免过度泛化。
- 检索路径——规范 URL 加上机器可读提示,让智能体回到源头复核,而不是信任缓存的摘要。
多数编辑页面只提供了第一条,忽略了后三条。这正是 GEO 要补的缺口。
索引不再只服务于人
当智能体带着记忆、按计划执行任务时,它们会反复查询——不是在发现内容时查一次,而是在执行的那一刻再查。这让「新鲜度」与「机器可读性」变成会产生复利的资产,而不是一次性的排名胜利。
llms.txt 与正在形成的机器契约
放在域名根目录的 llms.txt,是机器契约最简单的形态:一份经过人工筛选的地图,告诉语言模型哪些页面重要、讲什么、规范版本在哪里。它不是排名机制,也不替代爬虫,但它能显著降低智能体面对「四十篇博客里哪篇才是权威」时的歧义。对于文档、产品目录或政策页面庞杂的品牌,这项投入极低,回报却不成比例地高。
结构化数据,就是你已经拥有的智能体 API
Schema.org 标记本是为富媒体摘要而生,但对智能体来说,它读起来就像一套 API。带有清晰 author、dateModified、citation 字段的 Product、FAQPage、HowTo、Organization、Article,等于给机器一副可以信任并复用段落的骨架。实用准则是:如果人类需要一张表格才能看懂,那智能体就需要结构化数据才能行动。表格与标记,两者都要发。
记忆,是新的排名战场

图示:HEXOPS 原创配图(受选题启发,非复制原文图片) · 来源引用:www.theverge.com
Teammates 的设定里,最被低估的一点是跨会话、跨角色携带的记忆。持久记忆改变了「被引用」的经济学。
在无状态的搜索世界,每次查询都是重新竞赛——今天赢,明天可能输。而在带记忆的智能体世界,第一个答得好的来源,往往会成为默认来源。智能体记住的是模式,不只是结果。复利优势属于「最早正确、并且持续正确」的那一方,这与「打爆某个头部词」是完全不同的优化目标。
这带来三个具体推论:
- 一致性胜过数量。 十篇在规格上互相矛盾的页面,被智能体抛弃的速度,远快于一篇维护良好的页面。在扩产之前,先做内部矛盾审计。
- 稳定 URL 胜过营销 URL。 如果每季度为了追踪参数就迁移一次权威答案页,你是在一次次重置辛苦建立的记忆。
- 归属必须可读。 智能体代你总结时,会越来越常被追问「这句话出自哪里」。清晰的署名、日期、版本更新记录与显式引用来源,会让你的内容成为更省事的那条引用。
面向智能体流量的 GEO 实战清单
- 做一次可抽取性审计。 取价值最高的二十个页面,逐页自问:一个称职的智能体能否脱离上下文,从中提取出正确且自洽的答案?不能,就重写每节开头。
- 上线 llms.txt。 按意图而非按日期编排,指向规范页,而不是每一个变体。
- 补齐结构化数据缺口。 优先
Organization、Product、FAQPage与带dateModified的Article,并加入sameAs让实体消歧变得轻而易举。 - 合并互相蚕食的答案。 智能体不喜欢选择困难。一篇权威页胜过三篇互相竞争的页面。
- 单独记录智能体流量。 在分析工具中识别 AI 智能体的 user agent 与来源,以便测量「被委托的会话」——即由智能体而非人类完成阅读的那些访问。
- 发布机器可读的政策。 退换规则、兼容矩阵、使用上限,应当出现在表格与标记中,而不是埋在第六段。
接下来该关注什么
竞争性问题已经不再是「智能体是否会介入工作」,而是它们介入你这个品类时,你的内容在不在回路里。Perplexity 把 Teammates 定位为按角色划分、原生融入工作空间,这意味着买家评估智能体的方式,会像评估一位新员工——看它懂不懂这个领域。领域知识在很大程度上是检索问题,而检索在很大程度上是内容格式问题。这恰恰落在编辑团队的职责范围内。
核心要点
- Perplexity 的 Teammates 标志着从答案引擎向行动型智能体的转向,后者继承记忆、技能与项目上下文。
- 智能体更看重可用、结构化、无歧义的内容,而非华丽的文案;引用单位从页面下沉到事实。
- llms.txt、Schema 标记与稳定的规范 URL 构成一套轻量机器契约,降低检索歧义。
- 持久化的智能体记忆,会让「最早正确且长期一致」的来源获得复利优势。
- 单独测量智能体中介的会话,让 GEO 工作拥有反馈闭环,而不只是理论。
下一步行动
- 本周对价值最高的二十个页面做可抽取性审计。
- 按意图与规范 URL 编排并发布一份 llms.txt。
- 为核心实体页面补充
dateModified与sameAs。 - 修复产品页或政策页中最严重的五处内部矛盾。
- 在分析工具中接入 AI 智能体流量,并在优化前先建立基线。
来源
- The Verge AI —— Perplexity launches its own take on AI agents for work



