给AI更多资料为什么反而稀释关键证据？GEO的上下文宽度陷阱

“把所有资料都塞给AI，它总能看到关键事实”并不成立。看到与使用是两件事；上下文变宽后，单篇文档对生成结果的贡献可能被大量相近或低质量证据稀释。

2026年8月24日发布的一项生成式搜索研究，通过固定回答并逐篇删除文档的因果探针，校准出证据利用随上下文宽度增加而衰减的弹性约为−0.68（标准误0.02）。作者还报告，不同冗余条件下斜率约在−0.43至−0.67之间。这不是“每增加一篇文档就下降68%”，也不是可直接套用到所有模型的常数，而是该受控实验中宽度与单证据利用之间的次线性衰减关系。

论文使用的诊断提示最高约5,485个token，低于模型硬件窗口上限，因此作者认为结果不只是截断造成。但实验基于开源模型、固定检索池和特定问答任务；商业AI搜索的检索、排序和上下文不可见，不能把−0.68当作平台规则。

宽上下文何时可能有用

当一次回答必须同时看到分散在不同文档中的多跳证据时，增加宽度仍可能帮助。论文在单轮HotpotQA设置中发现，2篇扩至24篇文档带来明显收益。问题在于，宽度同时把更深排名、相关度更低的材料带入上下文；多轮预算充足后，窄窗口轮换可以抵消甚至反转这个优势。

因此，正确问题不是“长还是短”，而是：关键证据是否集中、是否必须同轮共现、深层结果的相关密度如何、团队愿意付出多少生成轮次和延迟。

对品牌内容的谨慎启示

论文研究的是模型上下文，不是网页字数。不能据此宣布长文一定不利，也不能把一篇长文机械拆成几十页。更稳妥的做法，是让重要事实成为可独立理解的证据单元：在对应小节写清对象、数值、适用范围、日期和来源；减少多个版本混杂；让标题和段落准确对应用户问题；同时保留需要共同理解的条件和例外。

发布后，以事实为单位检查不同问题下是否被准确表达，而不是只看页面是否出现。若同一页承载价格、功能、法规、案例和大量过期版本，先处理证据冲突与版本边界，再讨论篇幅。

见川GEO / GEO Radar可在 https://www.georadar.top 用固定问题观察答案、引用和平台差异，帮助定位哪些关键事实经常缺失或被范围化错误。它不能查看封闭平台内部上下文，也不能证明拆分页面会提高排名；结果应作为内容诊断线索。

这篇文章的资料来源

• arXiv，2026年8月24日，*The Laws of Context Allocation: Causal Measurement and Closed-Loop Orchestration in Generative Search*：https://arxiv.org/abs/2608.23252
• arXiv HTML全文（因果校准、宽度弹性、相关密度与长上下文测试）：https://arxiv.org/html/2608.23252v1
• 作者公开复现仓库：https://github.com/PeiYangLiu/ascp