作者通过控制变量实验发现 AI Agent 的推荐主要取决于模型训练数据而非实时搜索结果

本文基于作者在 Google Cloud 进行的受控实验，分析了 AI Agent（特别是 Claude Sonnet 5）在技术决策中的推荐机制。核心结论是：Agent 的推荐结果主要由其预训练权重决定，而非实时的搜索引擎结果。即使人为将搜索结果完全偏向特定厂商（Google Cloud），在强制搜索场景下，该厂商被选为最终推荐的比例仅从约 9% 提升至 17%，而提及率则大幅提升至 89%。

实验数据显示，Agent 是否调用搜索工具比搜索结果的内容更为关键。在默认设置下，Sonnet 5 仅有 0.3% 的概率触发网络搜索；即便通过 MCP 服务器提供搜索工具且未加引导，触发率也仅为 14.2%。只有当提示词明确鼓励搜索时，触发率才达到 99.5%。此外，不同 Agent 的行为差异巨大，如 Codex 在 Armature 的研究中搜索率为 94%，远高于本实验中 Sonnet 5 的基准水平，这意味着对于高搜索率的 Agent，SEO 的影响权重会相对更高。

事实层面，作者证实了“生成引擎优化”（GEO/SEO）在短期内难以直接改变 Agent 的最终选择，因为 Agent 倾向于依赖训练数据中的既有知识。推断层面，厂商应将 SEO 视为长期策略以优化未来的训练语料，而非短期的流量获取手段。猜测层面，随着未来 Agent 架构向更复杂的工具调用和实时检索演进，实时搜索结果的权重可能会发生变化，但目前来看，训练数据的积累仍是决定性因素。