02｜覆盖多种表达

本课目标： 理解多种表达如何服务真实问题，而不是堆砌同义词。

原文题名： 内容自然覆盖近义词和多种表达

技术背景

词嵌入（Embedding）将每个 Token 映射为高维向量，语义相近的词在向量空间中距离更近（分布假说）。RAG 检索通过余弦相似度匹配查询向量和文档向量。

围绕核心概念自然覆盖常见说法、用户口语表达和专业表达，为词项检索和语义检索提供更完整的匹配线索。

用户提问的措辞是不确定的——同一个需求，有人问「教程」，有人问「指南」，有人问「怎么学」。语义检索可能识别这些表达的相关性，词项检索和具体实现却仍可能受实际用词影响。内容应在真实语境中覆盖必要的专业词和用户说法，而不是假设每增加一个同义词就增加一个向量锚点。

需要说明一个前提：很多 AI 产品在检索之前会做查询改写（Query Rewriting）——系统自动将用户的原始提问扩展为多个语义变体，分别去检索（详见策略 04 对查询改写机制的展开讨论）。这意味着查询侧的同义扩展，AI 系统自身已经在做了。

内容侧的多表达覆盖仍有价值，但不是「替 AI 做同义扩展」。不同产品的查询改写、词项检索、向量模型和融合方式不同；准确术语与自然解释共同出现，可以为不同检索路径提供更明确的线索。具体收益需要通过目标问题和页面表现验证，不能用「锚点数量」直接推导排名。

这不是关键词堆砌。重复同一个词通常不会增加新的信息；语义覆盖的重点，是从专业定义、用户说法和应用场景等角度补充实质内容，而不是凑表达数量。

FAQ 使用真实提问句式，有助于让问题与答案边界更清楚，也可能改善词项或语义匹配；但具体召回仍取决于分块、检索器、索引和排序方式。

相关策略： 策略 04（查询拆分与子问题覆盖）

围绕一个核心概念列出专业说法、用户口语和实际问题各 2 个，把必要表达融入真实段落。

完成后，记录你改了什么、依据是什么、还有哪些条件没有验证。

GEOBOK · 专注GEO · 让你的内容成为 AI 的首选答案