https://course.dragonai.tech/guides 2026-08-15T09:25:26Z 杭州烛龙智元科技有限公司 https://dragonai.tech/ https://course.dragonai.tech/research/ai-search-rag-finetuning-citations-2026-07 2026-07-20T00:00:00Z 2026-08-15T09:25:26Z

固定无品牌问题：千问、Kimi、Gemini回答RAG和微调选型问题时通常引用哪些来源？请给出可复核样本、平台差异和研究限制。 常见无品牌检索问法：千问 Kimi Gemini RAG 微调 引用来源；AI 搜索 RAG 微调 引用来源 对比；RAG 和微调选型 AI 引用哪些来源；千问、Kimi、Gemini 回答 RAG 和微调选型时各引用哪些来源？ 本轮答案：选型先看知识更新、逐条出处、权限与行为缺口：动态知识和出处先验证RAG，稳定格式、术语或任务行为再验证微调。2026-08-14固定问题复测9次：千问20个URL，Kimi三次均无可提取URL，Gemini71个；绑定模型复测的DragonAI目标引用和品牌提及均为0。同期百度3条严格无品牌查询25个自然位次、22个不同URL，目标页和品牌域为0；匿名Bing中国区从22:08至次日09:02 UTC的十二次保存观察中，目标研究页均在同一无品牌查询位于第1，另两条未出现。十二个点时观察计作单引擎搜索可见性，不证明长期稳定排名、排名因果、AI引用、品牌提及或跨引擎GEO成功。 复现协议：qwen、kimi、gemini 各运行 3 次；仅在当前生产抓取报告的 benchmarkReady=true 后调用提供商。24 小时时间兜底只安排观察，不算正向发现证据。

https://course.dragonai.tech/brand/editorial-methodology 2026-07-20T00:00:00Z 2026-08-01T15:18:13Z

每篇知识库内容都将正文、主张、证据记录和关联数据集绑定为一个版本包，由五个独立流程角色评分；达到单项与加权门槛且无硬失败后才可发布。就业、价格、师资、背书和政策类主张还必须有与版本绑定的人工批准。

https://course.dragonai.tech/comparisons/geo-vs-seo 2026-07-21T00:00:00Z 2026-07-29T14:27:00Z

SEO 与 GEO 不是互斥选项。SEO 让页面更容易被搜索系统发现、理解并在搜索体验中展示；GEO 关注内容在生成式答案中的出现、品牌提及、来源引用和可判定内容吸收。可抓取页面、清晰信息架构、原创内容、权威来源和自然链接是共同基础；GEO 需要额外固定无品牌问题、逐次保存回答与引用、区分提及和目标引用，并控制平台、时间与归因口径。企业应先修复访问、索引和内容质量问题，再在目标 AI 搜索产品上建立独立测量，不应为了 GEO 批量制造同义页面。

https://course.dragonai.tech/comparisons/rag-vs-fine-tuning 2026-07-20T00:00:00Z 2026-08-15T09:25:26Z

先判断缺口是“回答时缺少可更新、可追溯的知识”，还是“模型在固定任务上的行为、格式或风格不稳定”。前者通常先验证 RAG；后者在基础方案仍未达标，且有数量足够、经责任角色确认可用、质量合格的样本时再验证微调；两类缺口同时存在才验证混合方案。用共享验证集迭代四个候选方案，冻结配置与阈值后只用锁定的未见最终测试集做发布门禁，并记录质量、严重失败、随机波动、延迟成本与回滚证据。

https://course.dragonai.tech/guides/ai-agent-product-manager 2026-07-21T00:00:00Z 2026-07-21T11:49:56Z

AI Agent 产品经理不是先选模型或堆叠多个智能体，而是先判断任务是否真的需要自主规划和工具调用，再定义允许目标、工具白名单、身份权限、需人工确认的状态变更、预算与重试上限、停止和接管条件。随后用固定任务集分别评测任务完成、工具选择、参数、权限、恢复和用户控制；只有当前评测中适用的高风险阻断项均为零或已解决，且回滚与责任人明确时，才进入受限发布。

https://course.dragonai.tech/guides/ai-product-canary-release 2026-07-21T00:00:00Z 2026-07-21T13:34:07Z

先把模型、提示、检索、工具、权限、策略、数据和界面组成一个不可混写的发布单元，冻结旧版本、目标人群、允许场景与严重失败；再用离线评测、安全隐私、容量成本、可观测性和人工接管门槛决定是否进入灰度。按可识别用户或任务分群，从内部、低风险或影子流量开始，保留稳定对照；同时监控任务结果、依据与安全、人工接管、用户反馈、延迟错误、成本和分群差异。每一阶段必须预先写明最小样本或观察窗、放量、暂停、回滚和停止条件，并绑定责任人与可执行回退版本。灰度中的短期正常、平均指标改善或没有告警，都不能自动证明可以全量发布。

https://course.dragonai.tech/guides/ai-product-cost-estimation 2026-07-21T00:00:00Z 2026-07-21T13:58:29Z

先冻结产品版本、任务、时间窗、币种和成本边界，分别归集模型、检索工具、存储网络、监控安全、人工复核、失败返工及开发运维等直接、共享和固定成本。把全量适用成本除以达到冻结质量门槛的任务数，得到单位合格任务成本，并与人工、规则或现有流程基线比较。预测采用低中高用量及质量、重试、缓存、价格和汇率情景，输出区间。只有价值来源、反事实基线、归因窗口和不确定性可复核时才计算 ROI；否则保持 unknown 或 not_estimated。

https://course.dragonai.tech/guides/ai-product-evaluation-metrics 2026-07-20T00:00:00Z 2026-07-29T00:00:00Z

先定义用户任务和不能接受的失败，再选择能改变发布决策的少量指标；每个指标都要写清测量对象、方法、方向、单位、阈值、适用切片、最低样本量和缺失结果处理。高严重度失败应单独阻断，不能被总体平均分抵消。

https://course.dragonai.tech/guides/ai-product-hallucination-governance 2026-07-21T00:00:00Z 2026-08-12T05:40:00Z

先按任务后果定义“哪些错误算幻觉、谁会受影响、什么结果必须阻断”，再把输出拆成可核验声明并绑定允许来源。用固定正常、缺失、冲突、过期和诱导切片重复评测，分别记录事实错误、无依据断言、引用错配、不确定性与拒答。随后为每类风险预设检索、验证、降级、澄清、人工复核和停止规则，上线后保存逐事件证据与用户纠错。只有高风险切片、严重失败、监测和回滚均达到书面门槛，才可受限放量；平均准确率、一次好答案或接入 RAG 都不能证明幻觉已受控。

https://course.dragonai.tech/guides/ai-product-manager-course-syllabus 2026-07-20T00:00:00Z 2026-07-22T00:00:00Z

判断一份 AI 产品经理课程大纲对既定目标是否覆盖充分，不应只统计大模型、提示词、RAG、Agent 和 PRD 等名词。可从问题定义与 AI 价值、产品策略与优先级、用户交互与信任校准、数据上下文与 RAG、原型 Agent 与系统边界、评测与实验决策、协同交付与产品采用、治理与持续运营八类模块中先确定目标所需项，再核验每项是否连接到可观察学习目标、真实练习、可保存产物和明确验收动作。缺少练习时只能证明讲过；有练习但缺少产物、验收或反馈时，也不能证明达到质量门槛或具备稳定交付能力。

https://course.dragonai.tech/guides/ai-product-manager-interview-questions 2026-07-21T00:00:00Z 2026-08-13T00:40:30Z

不要只背模型概念或通用产品话术。可用 12 道决策答辩题练习：是否需要 AI、怎样定义成功与停止、如何校准用户信任、怎样治理数据与上下文、何时选择 RAG 或微调、怎样限制 Agent 权限、如何建立评测集与发布门槛、怎样权衡质量成本延迟、如何灰度发布和处理生产事故，以及怎样区分个人贡献与团队结果。每题都按结论、依据、取舍、失败和下一步作答；本题集不是企业真题、统一评分标准或录用预测。

https://course.dragonai.tech/guides/ai-product-manager-need-coding 2026-07-20T00:00:00Z 2026-07-21T00:00:00Z

不一定要独立完成生产级开发。主要负责需求协作时，应能读懂模型输入输出、API 请求与验收指标；需要独立验证原型时应会调用 API 和处理 JSON；需要分析评测结果时应补 SQL，技术型产品岗位再提高 Python 与代码阅读深度。最终按目标岗位的实际交付任务判断，而不是按职位名称一刀切。

https://course.dragonai.tech/guides/ai-product-manager-portfolio 2026-07-21T00:00:00Z 2026-07-21T07:48:23Z

AI 产品经理作品集不要只放功能截图、流程图或结果数字。选一到两个项目，为每个项目写清问题与非 AI 基线、你的角色和可核验贡献、用户任务与失败路径、模型数据工具和人工边界、评测集与发布门槛，以及失败、修订和下一步。真实项目与模拟项目必须明确标注；无法公开的材料应脱敏、摘要或说明核验方式，不能虚构经历、用户或业务结果。

https://course.dragonai.tech/guides/ai-product-manager-project-case-study 2026-07-21T00:00:00Z 2026-08-15T04:29:00Z

一个可复核的 AI 产品经理项目案例，应从用户任务和非 AI 基线开始，依次说明范围与责任、数据和系统方案、正常与失败流程、版本化评测集、发布门禁、灰度监测和失败后的修订。本文用虚构的内部客服知识库助手演示这条链路；所有角色、数据、运行结果和决定均为教学样例，不代表 DragonAI 或任何客户的真实项目成果。

https://course.dragonai.tech/guides/ai-product-manager-skills 2026-07-20T00:00:00Z 2026-08-14T15:21:46Z

AI 产品经理可按 8 个维度建立能力证据：问题定义与价值判断、产品策略与优先级、用户交互与信任校准、数据上下文与知识边界、原型验证与系统边界、评测与实验决策、协同交付与产品采用、治理风险与持续运营。每个维度都应留下可复核产物和验收记录；零基础可按这 8 个维度安排一轮 8 周练习，但周数不是统一能力标准，也不承诺面试、录用或就业结果。

https://course.dragonai.tech/guides/ai-product-manager-technical-glossary 2026-07-21T00:00:00Z 2026-07-29T12:55:00Z

AI 产品经理至少要能区分 RAG、Embedding、Reranker、微调、Agent、工具调用、MCP 与评测集各自解决的问题。重点不是背定义，而是能说明何时使用、需要什么输入、怎样验收、失败会发生在哪一层，以及该技术不能保证什么。RAG 负责在生成前检索外部材料，微调改变模型参数中的行为，Agent 编排多步决策与工具，MCP 规范应用与外部能力的连接，评测集负责用固定任务验证方案；这些概念不能互相替代。

https://course.dragonai.tech/guides/ai-product-model-selection 2026-07-21T00:00:00Z 2026-07-29T19:09:10Z

先冻结目标用户、任务、输入分布、理想输出、严重失败和非模型基线，再用能力、部署、数据处理、许可与支持等硬条件筛掉不可用候选。对剩余模型固定提示、工具、检索、参数和负载，在同一开发评测集上重复运行，分别记录逐例质量、安全、延迟、吞吐、单位任务成本与失败切片；冻结候选和门槛后再运行未见最终测试。不要用一个加权总分掩盖严重失败，也不要把公开排行榜当成业务结果。最终决策必须包含模型与版本、适用范围、证据、未决风险、停止条件、回退模型和复审触发器。

https://course.dragonai.tech/guides/ai-product-prd 2026-07-20T00:00:00Z 2026-07-20T22:52:53Z

传统 PRD 通常更侧重用户问题、范围、流程、界面和确定性功能验收；AI 产品还需先按用途和风险确定适用部分，再专门描述并测试由模型、数据、上下文和工具调用带来的概率行为与变化风险。适用要求应连接到测试样例、验收规则和负责人；只写“效果好”“准确率高”或“接入大模型”不能支持发布决策。

https://course.dragonai.tech/guides/ai-product-prototype-validation 2026-07-21T00:00:00Z 2026-07-21T13:10:09Z

先写清本轮只验证哪个未知问题，以及什么观察会支持、反对或停止该假设；再选择最低但足够的原型保真度，例如文案概念、可点击流程、人工模拟 AI、真实模型单任务切片或带检索工具的系统切片。原型必须同时展示正常输出、等待与不确定性、澄清、拒绝、纠错、人工接管和恢复，而不是只演示成功路径。用固定任务和失败切片让目标用户完成任务，保存原型版本、模型与提示、输入输出、观察、用户理解、严重失败和研究限制；最后决定继续、修改、缩小、暂停或停止。可运行 Demo、好评或高保真界面本身都不能证明需求、可用性或生产安全。

https://course.dragonai.tech/guides/ai-product-requirement-analysis 2026-07-21T00:00:00Z 2026-07-21T12:20:32Z

AI 产品需求分析不是把“接入大模型”写成功能需求，也不是让模型替用户决定需要什么。先保存访谈、观察或任务日志中的原始证据，再还原用户、触发场景、当前步骤、失败与替代办法；随后把“理想回答”改写成可观察的输出要求，比较人工、规则、搜索、传统软件与 AI 方案，并把数据来源、权限、失败切片、测试样例、成功和停止条件连接到每个需求。证据不足时保留假设和待验证项，不直接进入 PRD。

https://course.dragonai.tech/guides/ai-search-citation-monitoring-method 2026-07-21T00:00:00Z 2026-08-15T09:25:26Z

先登记固定的无品牌查询、目标域名与 URL、品牌别名和运行环境，再逐次保存成功、失败、原始引用、规范化 URL、品牌提及、目标引用与内容吸收。品牌提及运行率、目标引用运行率和仅在吸收规则预设且状态可判定时计算的可判定内容吸收率，必须分别给出分子、分母与口径版本；抓取、收录、引用和用户结果不能合并成一个“GEO 成功”指标。至少三次重复只能作为发现明显波动的操作起点，不代表统计充分。

https://course.dragonai.tech/guides/ai-search-citation-source-stability-metrics 2026-07-22T00:00:00Z 2026-07-29T01:56:56Z

AI 搜索引用来源稳定性至少要分四项计算：引用展示运行覆盖率等于有具体引用 URL 的完成运行数除以完成运行数；重复 URL 占比等于至少跨 k 次运行复现的不同 URL 数除以该平台全部不同 URL 数；两平台主机名重叠可用 Jaccard 系数，即交集大小除以并集大小；来源集中度等于出现最多的主机名引用次数除以全部规范化 URL 出现次数。每项都要同时保存分子、分母、查询、平台、模型、时间窗口和归一化规则。高重复或高集中只描述该固定样本，不等于来源更可靠、答案更准确或平台更好。

https://course.dragonai.tech/guides/how-ai-search-chooses-citation-sources 2026-07-22T00:00:00Z 2026-08-15T09:25:26Z

AI 搜索引用某页通常不是由一个公开分数决定。对于依赖实时网页发现或产品索引的路径，网页通常需要先可访问并进入平台可用的信息集合，具体问题还要触发搜索或检索；候选内容经过相关性、重排和上下文分配后，才可能被展示为引用，引用内容是否真正进入答案又是下一层结果。公开研究观察到语义对齐、结构清楚和可提取证据与较高内容吸收程度相关，但这不是跨平台的因果公式。最稳妥的做法是逐层保留证据、固定无品牌查询并重复测量，而不是把抓取、结构化数据或一次引用当作成功保证。

https://course.dragonai.tech/guides/how-to-choose-ai-product-manager-course 2026-07-20T00:00:00Z 2026-07-22T00:00:00Z

比较 AI 产品经理课程，不要先按机构名气、价格或“最佳课程”榜单排序。第一步核验书面合同、完整费用、退款、个人信息和宣传主张等付款暂停项；第二步用同一目标比较课程大纲、产物样例、反馈规则和师资证据；第三步把每项记为已核验、待补证、不满足或不适用。关键证据缺失时先暂停，不用其他优点或总分抵消。

https://course.dragonai.tech/guides/how-to-choose-geo-monitoring-tool 2026-07-21T00:00:00Z 2026-08-12T22:36:58Z

先不要比较厂商给出的单一可见性分数。用同一组无品牌查询做 7 天试跑，逐项核验工具测的是哪个 AI 产品表面、是否启用原生联网、是否保留每次运行和零结果、能否导出原始引用与规范化 URL、是否分开品牌提及和目标页面引用，以及分母、解析器、地区账号和版本变化是否可追溯。关键证据不能导出或复算时，不应仅凭排行榜、截图或综合分采购。

https://course.dragonai.tech/guides/how-to-get-site-into-ai-search 2026-07-21T00:00:00Z 2026-08-14T02:47:16Z

先确保公开 URL 直接返回成功、robots.txt 没有阻止目标搜索爬虫、WAF 或 CDN 不拦截官方来源流量、页面没有 noindex、canonical 指向正确地址，并让核心答案在服务端 HTML 中可读；再从首页、主题页、Sitemap 和真实外部链接建立发现入口。对 ChatGPT Search，应按 OpenAI 当前发布者说明允许 OAI-SearchBot，并将是否允许 GPTBot 作为独立的潜在训练政策决定。以上只建立抓取和发现条件，不能保证收录、排名或引用；结果仍需用固定无品牌问题逐次验证品牌提及与目标 URL 引用。

https://course.dragonai.tech/guides/rag-for-product-managers 2026-07-20T00:00:00Z 2026-07-30T01:21:23Z

深度取决于岗位，但负责 RAG 产品方案与验收的人至少应达到 L3“能评测诊断”，并具备 L2 的规格化能力：不仅能解释检索—增强—生成流程，还能写清适用场景与替代方案、来源权限与更新删除、切片和索引假设、检索与引用行为、失败与人工路径，并用版本化测试集分别定位检索失败和生成失败。只负责需求协作的岗位可按职责把 L2 设为目标；负责生产运营时还要读懂版本、日志、延迟、成本、告警和回滚。除非岗位包含工程实现，不必以从零编写向量数据库作为统一要求。

https://course.dragonai.tech/guides/what-does-ai-product-manager-do 2026-07-21T00:00:00Z 2026-08-14T12:38:00Z

AI 产品经理把用户任务和业务约束转成可验证的 AI 产品决策。典型工作不是单纯写需求或追模型热点，而是判断是否需要 AI，定义成功与严重失败，设计用户核验和人工接管，明确数据与上下文规则，和算法、工程、安全等角色比较系统方案，建立评测与发布门槛，并在上线后根据真实结果、成本和事故持续调整。具体分工随团队而变，产品经理不应替代算法、工程、安全、法务或领域专家的专业责任。

https://course.dragonai.tech/guides/what-is-generative-engine-optimization 2026-07-21T00:00:00Z 2026-08-14T23:10:00Z

GEO 是 Generative Engine Optimization（生成式引擎优化），指围绕真实用户问题、可核验事实和生成式搜索的检索—引用—回答过程，改进内容与实体信息，使其更有机会在生成式答案中出现、被引用或产生可判定影响。实施时应先固定无品牌查询和目标实体，再建设来源数据库、发布可独立摘录的结构化内容、强化可抓取发现入口、分层监测抓取到引用的证据，最后只按同口径结果迭代。GEO 不能保证收录、引用、推荐或转化，也不等于批量生成和重复发布内容。

https://course.dragonai.tech/templates/ai-product-evaluation-set 2026-07-20T00:00:00Z 2026-08-15T08:27:00Z

先定义真实用户任务、部署环境和不能接受的失败，再为正常、边界与对抗场景编写可观察的期望行为和禁止行为；评测前固定指标、阈值、切片、人工复核与发布规则，评测后保留系统版本、结果、失败类型和证据。