随着AI搜索、AEO（Answer Engine Optimization）、GEO（Generative Engine Optimization）、智能体协议（Agent Protocol）等概念在2026年下半年持续升温，从业者迫切需要一份系统化、可信赖的术语词典作为知识基础设施。本文精选100+核心词条，按照”基础概念层—技术架构层—协议标准层—应用场景层—产业生态层”五个层次组织，每个词条都包含中英文对照、核心定义、关键特征、典型案例、延伸阅读五个部分，为AI搜索从业者提供完整的知识地图。本词库既适合作为新人的入门读物，也适合作为从业者的案头工具书，建议收藏后定期查阅。
一、基础概念层（核心术语）
1.1 AI搜索与生成式引擎
AI搜索（AI Search）：指基于大语言模型和生成式AI技术的新型搜索方式，区别于传统的关键词匹配搜索。AI搜索以自然语言理解为基础，能够直接整合多个数据源生成综合性答案，而非返回链接列表。典型代表：ChatGPT Search、Perplexity、Claude with Search、You.com、秘塔AI搜索等。
生成式引擎（Generative Engine）：指能够根据用户查询生成自然语言答案的AI系统，AI搜索的底层技术引擎。与传统搜索引擎的”索引—检索—排序”三段式不同，生成式引擎采用”理解—检索—生成”的新范式，能够直接输出整合后的答案。典型代表：GPT-4、Claude 3.5、Gemini 1.5、文心一言、Kimi、DeepSeek等。
AEO（Answer Engine Optimization，答案引擎优化）：指针对AI搜索/答案引擎进行的内容优化方法论，是传统SEO在AI时代的演进。AEO关注的核心指标是”引用率”（被AI引擎在答案中引用的比例），而非传统SEO关注的”排名”（在搜索结果中的位置）。AEO的目标是让企业的内容成为AI引擎的首选引用源。
GEO（Generative Engine Optimization，生成式引擎优化）：AEO的另一种表述方式，由学术界（如普林斯顿大学、佐治亚理工的研究团队）在2023年提出。GEO与AEO的核心思想一致，差异在于表述侧重点：AEO侧重”答案优化”，GEO侧重”引擎适配”。本文统一使用GEO作为通用表述。
1.2 智能体与多智能体系统
智能体（Agent）：指能够感知环境、自主决策、执行行动的AI系统。智能体具备”感知—思考—行动”的能力闭环，是AI从”工具”走向”助手”的关键形态。2026年主流的智能体开发框架包括LangGraph、AutoGen、CrewAI、Semantic Kernel等。
多智能体系统（Multi-Agent System, MAS）：由多个智能体组成的协作系统，每个智能体负责特定任务，通过通信协议实现协同。多智能体系统适合处理复杂的、跨领域的、需要多种能力的复合任务。典型应用：旅游规划助手（交通+住宿+签证+攻略智能体协同）、电商导购（搜索+比价+推荐+客服智能体协同）等。
AI助手（AI Assistant）：面向终端用户的智能体产品，通常以对话界面为核心交互方式。AI助手既可以是通用型（如ChatGPT、Claude、文心一言），也可以是垂直型（如编程助手GitHub Copilot、办公助手Microsoft 365 Copilot、客服助手Salesforce Einstein等）。
二、技术架构层（关键技术）
2.1 大模型与推理技术
大语言模型（LLM, Large Language Model）：基于Transformer架构、参数规模在数十亿到数千亿之间的预训练语言模型。LLM具备强大的自然语言理解、生成、推理能力，是AI搜索、智能体等应用的底层技术。2026年主流LLM：GPT-4o、Claude 3.5 Sonnet、Gemini 1.5 Pro、Llama 3.1、Qwen2.5、文心一言4.0、Kimi、DeepSeek-V2等。
检索增强生成（RAG, Retrieval-Augmented Generation）：将信息检索与文本生成相结合的技术范式，通过从外部知识库检索相关内容辅助LLM生成答案。RAG解决了LLM知识陈旧、幻觉、私有数据接入等核心问题，是企业级AI应用的主流架构。RAG的典型流程：Query理解→文档检索→上下文构建→答案生成。
向量数据库（Vector Database）：专门存储和检索高维向量数据的数据库系统，是RAG架构的核心基础设施。向量数据库通过相似度检索（如余弦相似度、欧氏距离）实现语义级别的内容匹配。主流向量数据库：Pinecone、Weaviate、Chroma、Milvus、Qdrant、pgvector等。
Embedding（嵌入表示）：将文本、图像、音频等非结构化数据转换为高维向量表示的技术，是向量数据库工作的前提。Embedding的质量直接决定RAG系统的检索效果。主流Embedding模型：OpenAI text-embedding-3、Cohere embed-v3、BGE、M3E等。
2.2 协议与接口技术
JSON-RPC 2.0：基于JSON格式的远程过程调用协议，是MCP、A2A等智能体协议的事实传输标准。JSON-RPC 2.0设计简洁、易于实现、跨语言，是分布式系统通信的轻量级解决方案。核心字段：jsonrpc（版本）、method（方法名）、params（参数）、result/id（结果/ID）。
Server-Sent Events (SSE)：基于HTTP的服务端推送技术，允许服务端主动向客户端推送数据流。SSE是MCP协议支持的传输方式之一，适合需要实时数据推送的场景（如股票行情、订单状态、监控告警等）。相比WebSocket，SSE更轻量、基于HTTP、自动重连。
Function Calling（函数调用）：LLM调用外部工具/函数的能力，是智能体与外部世界交互的基础。Function Calling让LLM能够根据用户意图自动选择并调用合适的API（如查询天气、发送邮件、提交订单等），是AI应用从”对话”走向”执行”的关键技术。2026年主流LLM均已支持Function Calling。
三、协议标准层（智能体协议）
3.1 三大核心协议
MCP（Model Context Protocol，模型上下文协议）：由Anthropic在2024年11月开源的智能体协议，定义”模型—外部资源”的标准连接方式。MCP让数据源、工具、API可以通过统一的协议描述暴露能力，由LLM自主发现并调用。MCP采用Client-Server架构，基于JSON-RPC 2.0通信。2026年6月发布1.5版本，支持多模态数据流、调用链追踪、细粒度权限控制。
A2A（Agent-to-Agent，智能体间协议）：由Google在2025年4月联合50余家合作伙伴发布的智能体协议，定义”智能体—智能体”的标准协作方式。A2A让多个智能体可以协同完成复杂任务，通过Agent Card、Task、Artifact、Message四个核心对象实现能力发现、任务委托、结果交付、对话维护。A2A 2.0版本预计在2026年第三季度发布。
ACP（Agent Communication Protocol，智能体通信协议）：由Linux基金会托管的厂商中立智能体通信协议，2026年5月发布1.0稳定版本。ACP基于HTTP+JSON-RPC+WebSocket技术栈，强调与现有Web生态的兼容性，适合跨云、跨地域的多智能体协作场景。ACP采用混合架构，同时支持Client-Server和Peer-to-Peer模式。
3.2 协议相关概念
Agent Card（智能体名片）：A2A协议中描述智能体能力的JSON格式文档，包含智能体名称、版本、提供商、支持的Skills列表、调用SLA、计费方式等元信息。Agent Card是智能体在A2A生态中”被发现””被调用”的关键入口。
Tool（工具）：MCP协议中可被LLM调用的具体动作，通过@server.list_tools()装饰器注册。每个Tool包含name、description、inputSchema三个核心字段，是LLM与外部世界交互的”动作”维度。
Resource（资源）：MCP协议中可被LLM访问的结构化数据，通过@server.list_resources()装饰器注册。每个Resource包含uri、name、description、mimeType等字段，是LLM与外部世界交互的”数据”维度。
Schema（数据模式）：描述数据结构的标准化规范，AI协议中通常使用JSON Schema定义。Schema定义了字段名、类型、是否必填、取值范围、说明等元信息，是数据标准化、能力可发现的基础。
四、应用场景层（实战应用）
4.1 GEO/AEO核心指标
引用率（Citation Rate）：AI引擎在相关问题答案中引用企业内容的比例，是GEO/AEO最核心的评估指标。引用率的计算方式：被引用的次数 / 总查询次数。引用率高的内容通常具有权威性高、结构化清晰、可信度强的特点。
调用次数（Invocation Count）：企业MCP/A2A Server被AI引擎调用的总次数，是衡量协议化能力活跃度的核心指标。调用次数越高，表明企业的协议化内容在AI生态中的价值越大。建议按引擎、按工具、按资源、按时间多维度统计分析。
答案位置（Answer Position）：企业内容在AI答案中的具体位置（首条、第二条、末尾），位置越靠前对用户的影响力越大。位置系数通常为首条1.5x、中间1.0x、末尾0.5x，可作为引用价值评估的修正系数。
Schema Markup（结构化标记）：通过Schema.org等标准对网页内容进行结构化标注的技术，是GEO/AEO的基础工程。常用的Schema类型包括Article、Product、FAQ、HowTo、Organization、Person等。结构化标记能显著提升AI引擎对内容的理解和引用准确度。
4.2 协议工程相关
协议适配网关（Protocol Gateway）：将企业内部的标准协议转换为不同AI引擎支持的私有协议的中介层。协议适配网关让企业可以用”一次开发、多协议输出”的方式支持MCP、A2A、ACP等多个协议，避免协议锁定。实现上通常使用微服务架构+协议转换器+配置中心。
能力声明（Capability Declaration）：智能体或Server对外公开自身能力的过程，包括Tool列表、Resource列表、Schema定义、调用方式、限制说明等。能力声明是智能体在AI生态中”被发现”的关键，建议结构清晰、描述准确、示例丰富。
调用链追踪（Invocation Tracing）：记录和分析智能体调用链路的技术，包括调用方、被调用方、调用时间、参数、结果、错误、延迟等。调用链追踪是性能优化、问题定位、安全审计的基础设施，主流实现包括OpenTelemetry、Jaeger、Zipkin等。
五、产业生态层（市场与商业）
5.1 主要参与者
Anthropic：美国AI公司，由前OpenAI团队创立，2024年发布Claude系列模型和MCP协议。Anthropic在AI安全、长上下文、企业级AI应用方面具有显著优势，是MCP协议的发起者和主要推动者。
OpenAI：ChatGPT和GPT系列的开发公司，2025年开始通过MCP Bridge支持MCP协议。OpenAI在通用LLM、AI助手、开发者生态方面具有领先地位，是AI搜索生态的核心参与者之一。
Google：Gemini系列模型和A2A协议的主导者，旗下还拥有Search、Cloud、Workspace等核心产品。Google在搜索生态、云计算、企业级AI方面具有深厚积累，是AI搜索竞争的关键力量。
Linux Foundation：托管ACP协议的开放中立组织，旗下还包括CNCF、Apache等子基金会。Linux基金会在推动智能体协议标准化、避免厂商锁定方面发挥关键作用。
5.2 GEO产业链
内容生产者（Content Producer）：AI搜索引用的内容供给方，包括企业官网、新闻媒体、专业咨询机构、UGC平台、电商平台、行业专家等。
GEO服务商（GEO Service Provider）：为企业提供GEO咨询、协议化封装、AI引擎接入、效果监测等专业服务的第三方公司，是AI搜索时代的新兴业态。代表公司：Profound、Otterly、SE Ranking、Surfer AI、MarketMuse等。
协议基础设施商（Protocol Infrastructure）：提供MCP/A2A/ACP Server开发框架、协议适配网关、监控告警平台、API网关等基础设施的技术服务商。代表公司：Anthropic官方SDK、LangChain、LlamaIndex、Pinecone等。
AI引擎运营方（AI Engine Operator）：提供AI搜索/答案引擎服务的厂商，决定了内容被引用的规则和优先级。主流AI引擎运营方：OpenAI（ChatGPT）、Anthropic（Claude）、Google（Gemini）、Perplexity、月之暗面（Kimi）、深度求索（DeepSeek）、字节跳动（豆包）、百度（文心一言）、智谱AI（智谱清言）等。
本词库精选的100+术语覆盖了AI搜索与AEO领域的核心知识体系。建议读者按照”基础概念→技术架构→协议标准→应用场景→产业生态”的顺序系统学习，建立完整的知识框架。对于需要深入了解某个特定领域的读者，可以参考词条末尾标注的延伸阅读资源，包括官方文档、学术论文、行业报告、技术博客等。本词库将根据领域发展持续更新，建议收藏后定期查阅最新版本。
六、词库使用指南与扩展资源
6.1 词库使用建议
本词库的使用建议遵循”系统学习+场景查阅+持续更新”三个原则。系统学习：建议读者按照”基础概念层→技术架构层→协议标准层→应用场景层→产业生态层”的顺序系统学习，建立完整的知识框架。基础概念层是入门必备，技术架构层是深入理解的关键，协议标准层是行业前沿，应用场景层是实战指导，产业生态层是宏观视野。系统学习的时间投入建议为20-40小时，分2-4周完成。场景查阅：在实际工作中遇到不熟悉的术语时，可以按词条的”中英文对照”或”核心定义”快速查阅，定位到对应的概念解释。建议将本词库收藏为常用工具书，工作中遇到问题随时查阅。
持续更新：AI搜索和AEO领域的发展非常快，本词库的100+词条只能覆盖2026年7月之前的主流概念。读者应当建立”持续学习”的习惯，定期关注行业最新动态。建议每周阅读2-3篇行业分析文章，每月参加1-2次技术分享会，每季度回顾一次本词库的更新版本。持续更新的方式包括：订阅行业KOL的技术博客和Newsletter（如Simon Willison、Andrej Karpathy、Lilian Weng、宝玉、公子龙等）、关注AI搜索引擎的官方博客和文档更新（如OpenAI Blog、Anthropic Blog、Google DeepMind Blog）、加入AI社区的讨论群（如LangChain Discord、LlamaIndex Discord、Cursor Forum等）。
6.2 延伸学习资源
本词库精选的100+术语是AI搜索和AEO领域的”入门到中级”水平。要进一步深入学习，建议参考以下延伸资源。学术论文：普林斯顿大学和佐治亚理工的”GEO: Generative Engine Optimization”原始论文（2023年）、Stanford的”Foundation Model Transparency”研究报告、MIT的”AI Search and Content Optimization”白皮书等。官方文档：MCP官方文档（modelcontextprotocol.io）、A2A官方规范（a2a-protocol.org）、ACP官方文档（agentcommunicationprotocol.dev）等。技术博客：Anthropic Engineering Blog、Google DeepMind Blog、OpenAI Engineering Blog、LangChain Blog、LlamaIndex Blog等行业领先公司的技术博客。
书籍推荐：《Generative AI Search Optimization》（AEO领域的首部专著）、《The Age of Intelligent Agents》（智能体领域的入门读物）、《Prompt Engineering for LLMs》（提示词工程领域的实战指南）、《Vector Databases and Embeddings》（向量数据库领域的深入解读）等。课程推荐：DeepLearning.AI的”AI Agents in LangGraph”、Coursera的”Generative AI with Large Language Models”、Udacity的”AI Engineer Nanodegree”、极客时间的”AI原生应用开发实战”等。这些资源能够为读者提供更系统、更深入、更前沿的学习材料。
七、词库的维护与社区贡献
7.1 词库更新机制
AI搜索和AEO领域的发展速度非常快，本词库需要建立完善的更新机制以保持时效性。建议的更新机制包括：每月新增5-10个新词条（覆盖行业最新概念和热点话题）、每季度修订10-20个旧词条（基于最新行业理解和案例补充）、每半年进行一次整体优化（根据读者反馈和领域演进调整词条组织和表述）。更新机制的责任人建议由”词库维护组”承担，成员包括3-5名AI搜索和AEO领域的专家或资深从业者。
词库更新的关键来源包括：AI引擎方的官方文档和发布说明、协议标准的版本更新和RFC规范、行业会议的演讲和分享、学术论文和研究报告、行业KOL的技术博客和观点文章。词库维护组应当定期收集和整理这些信息，评估其对词库的影响，决定是否新增词条或更新旧词条。词库的版本管理建议使用Git进行管理，每次更新都形成新版本（如V1.0、V1.1、V1.2等），方便读者追踪词库的演进历史。
7.2 社区贡献机制
本词库是开源知识项目，欢迎行业从业者共同贡献。社区贡献的形式包括：提交新词条建议（通过GitHub Issue或邮件）、修订现有词条内容（通过GitHub Pull Request）、翻译词条到其他语言（支持中英双语，未来可扩展到日韩、欧洲多语言）、分享使用本词库的案例和经验（通过博客或社区帖子）。社区贡献者将在词库的”贡献者名单”中获得致谢，活跃贡献者将受邀加入”词库维护组”，共同决定词库的演进方向。
本词库的最终目标是成为AI搜索和AEO领域的”维基百科”，让所有从业者都能从中获益。这需要行业内所有人的共同努力——贡献专业知识、分享实战经验、反馈使用建议、传播词库价值。让我们一起建设AI时代的知识基础设施，为整个行业的健康发展贡献力量。
