索引
firel.cn 全部内容的速查表。每条包含一句话定义和版本信息。
推荐阅读路径
如果你是第一次来，建议按顺序阅读三篇指南：
如果你想深入某个具体概念或查阅实验证据，下方按类别列出了全部内容。
概念定义
| 概念 | 一句话定义 | 版本 |
|---|---|---|
| 采纳率 | AI是否沿着你的判断与框架组织了它的回答。 | v0.5 |
| 引用层 | firel用于描述AI生成阶段信息选取现象的分析框架——在这个层面，内容能否进入AI的回答取决于内容对用户的实质价值，而不只是格式是否合规。 | v0.4 |
| 燃料与火光 | 燃料是你的行业知识，火光是知识通过结构产生的影响力。 | v0.2 |
| 推理坡度 | firel用于解释AI生成阶段方向偏置现象的工作概念——文档建立的认知倾斜度，坡度越陡，AI在给定上下文中越倾向于沿预设的推理方向生成回答。 | v0.2 |
| 搜索层 | AI检索阶段，决定哪些内容被找到、被读取。 | v0.2 |
方法论
| 主题 | 核心结论 | 版本 |
|---|---|---|
| 内容主权与工具主权 | 工具可以买、格式可以学，但行业经验难以复制。相较于工具型投入，内容型投入通常更具累积性与差异化潜力。 | v0.2 |
| AI如何选择信息源 | AI倾向于沿推理连贯性方向组织回答，而非按固定规则排序。内容对用户问题的实质帮助程度是当前观察到的重要影响因素之一。 | v0.4 |
| 两类读者 | 在AI检索场景下，内容通常有两类读者：AI（第一读者，看结构和推理连贯性）和人类（第二读者，看说服力和信息价值）。文档最好同时兼顾两者。 | v0.2 |
| 可见性与采纳率的区别 | GEO论文衡量的是可见性（被看见），firel衡量的是采纳率（被采用）。两者指向不同维度，不宜混用。 | v0.3 |
| 为什么格式优化有天花板 | 当前外部研究显示，在特定实验条件下格式优化对内容可见性的提升存在明显边界。从可见到被采纳，格式优化不足以单独完成这一跨越，还需要内容质量本身的突破。 | v0.4 |
论文 / 预印本
已通过 Zenodo 发布并分配 DOI 的正式预印本，本站为 canonical 托管源。
| 标题 | 摘要简述 | DOI | 发布 |
|---|---|---|---|
| 推理坡度：基于 Transformer 注意力机制的内容采纳理论 | 提出推理坡度概念（文档建立的认知倾斜度），由问题框架、因果铺垫、视角锁定三要素构成。11 次受控实验覆盖 8 个 LLM 平台验证跨平台有效性。 | 10.5281/zenodo.19027371 | 2026-03-15 |
| 多层嵌套选择架构：区分层级收敛与助推叠加在 AI 内容采纳中的差异 | 提出多层嵌套选择架构概念，区分层级收敛（层级独立，避免backfire）与助推叠加（同层竞争，产生backfire）。基于 8 平台实验，嵌套结构将最强抵抗平台采纳轮次从 5 压缩至 2。 | 10.5281/zenodo.19202862 | 2026-03-24 |
| 推理坡度作为低成本路径假说：关于 LLM 内容采纳机制的一份第一人称观察报告 | 以 Simon bounded rationality 为理论底座，通过 3 平台×2 文档×18 trial 小样本实验观察到推理坡度型文档在 M2 采纳深度上呈现三平台方向一致优势（+1.67 至 +2.34）。 | 10.5281/zenodo.19528262 | 2026-04-12 |
指南
| 问题 | 说明 | 版本 |
|---|---|---|
| AI搜索和传统搜索有什么区别 | AI搜索（Generative AI Search）和传统搜索引擎（SEO/百度/Google）的核心区别不是语义理解更智能，而是信息分发权的转移——从关键词排名（Search Engine Ranking）到内容质量决定被采纳（Content Adoption）。对企业而言，GEO/AEO格式优化是门票，内容质量才是比赛。 | v0.2 |
| 怎么让内容出现在AI的回答里 | GEO（Generative Engine Optimization）格式优化对可见性的提升有上限（约40%，普林斯顿研究）。从可见性到采纳率的跨越，核心方向是：不研究AI的格式规则，研究你客户的问题。让你的行业隐性知识（Tacit Knowledge）成为AI回答的信息源。 | v0.2 |
| 为什么AI推荐别人不推荐你 | 当你发现AI搜索（豆包/Kimi/DeepSeek/ChatGPT）在回答行业问题时推荐了竞争对手却没有你，原因可能不在产品或预算，而在内容的可见性（Visibility）与采纳率（Adoption Rate）之间的差距。本指南帮你诊断原因并找到方向。 | v0.4 |
实验证据
| 主题 | 核心结论 | 来源 | 版本 |
|---|---|---|---|
| 基线对照实验 | 无文档时AI未引用相关细节，有文档时3组测试均出现框架采纳现象。观察到文档影响了AI的输出组织方式，提示内容本身是影响采纳的重要因素。 | firel内部实验, 2026-03, 对照实验设计 | v0.2 |
| 三平台对照实验: 可见性与采纳的分离 | 在三平台18次对照实验中，格式优化型文档与推理坡度型文档在可见性(M1)上差异不大，但在采纳深度(M2)上呈现三平台方向一致的显著差异(+1.67至+2.34)。可见性与采纳是两个可独立变化的维度。 | firel内部实验(EXP-003), 2026-03下旬至04上旬, 预印本DOI:10.5281/zenodo.19528262 | v0.1 |
| GEO论文解读 | 格式优化对AI回答中的内容可见性最高可提升约40%（up to），但可见性不等于采纳率。 | 普林斯顿大学, arxiv:2311.09735 | v0.2 |
| 多维收敛与线性堆叠的对比 | 在当前测试中，多维收敛版本表现出更高的采纳效率——线性堆叠版本需要较多轮次对话，多维收敛版本更早出现采纳行为。结构差异可能是影响因素之一。 | firel内部实验, 2026-03, v1/v2文档对照 | v0.2 |
| 开放检索初步观察 | firel.cn上线不到一周，在开放网络检索场景下即被AI平台自主发现并引用。在没有格式优化、没有SEO的条件下，内容结构本身促成了采纳。这是阶段性观察，不是结论。 | firel内部实验, 2026-03, 开放检索场景 | v0.2 |
| 多平台采纳测试 | 在三个AI平台的小样本测试中，观察到框架被采纳与品牌被剥离并存的现象。 | firel内部实验, 2026-03-14, 三平台测试 | v0.2 |
| 示范效应 | 如果一套方法论产出的内容本身也被AI采纳，这构成一种值得关注的示范效应——但不能替代外部验证。 | firel方法论分析 | v0.2 |