AI 正在改变我们被种草的方式。
上周，听说 DeepSeek 的日活已经突破3000万了。每天向DeepSeek问东问西，已经成了不少人生活的一部分。
搜索和提问的对象变了，一个新的现象随之诞生：被 DeepSeek 种草。
前些天，我就被AI种草了水晶。
本来我就是跟了一下DeepSeek玄学之风，尝试算了下运势，然后捎带问了下怎么做会比较好，它就给我推荐了绿幽灵、海蓝宝、天河石这三款水晶，
思考过程里也告诉了我推荐的原因：水属性可以增强财运和事业运，木属性则有助于提升事业发展和健康。因此，推荐绿幽灵、海蓝宝、天河石等属木和水的宝石。
水晶助运这种事就跟求神拜佛一样，信则有不信则无，我属于小信一些，直接下单了。
买完在小红书一刷，被DeepSeek种草下单买这买那的人还挺多，有护肤品、健身用品、户外用品……
这让我开始意识到一个变化：随着大模型的能力越发成熟，人们越来越信任甚至依赖大模型的答案，在这种趋势下，广告与商业的新机会正在浮现。
1 大模型也开始给人「种草」了
在传统互联网商业生态中，用户搜索行为往往蕴含着重要的商业转化价值。
用户在搜索过程中明确表达需求后，就可能在获取信息后被进一步引导产生购买欲望或推荐意愿，也就是「种草」。
比如拿一个很日常的问题输入谷歌浏览器「肚子疼应该吃什么药」，浏览器就会给出常用的可以缓解腹痛的药物品类，但是这还不够，还得接着问问「哪种品牌的阿司匹林更好」才好下单购买。
图片来源：极客公园
搜索是为了找到答案，解决问题，并用得到的答案解决自己的问题。用户在获取答案的过程中，自然会接触到广告或推荐内容，从而激发潜在的消费需求。
这种从搜索到种草的转化路径，为品牌提供了营销的机会。抖音搜索数据显示，用户在搜索后留资的比例较高，且搜索广告与信息流广告的协同作用能够带来显著的转化增量。
大模型和搜索的结合，给搜索引擎装上了一个「智能助手」。传统的搜索引擎只能找到网页上的信息，而大模型可以理解这些信息，并根据用户的意图提供更精准的答案。
现在，随着联网搜索功能的大范围应用，大模型也开始给人「种草」了。
大模型给人「种草」这件事是怎么做到的？
从技术角度来看，大模型能够推荐商品的核心原理与其背后的深度学习和预训练过程密切相关。
在大模型的训练过程中，模型会学习大量的语料数据，这些数据帮助大模型在处理用户查询时，能够从海量信息中提取出最相关的内容，并为用户推荐对应的商品或服务。
与传统搜索引擎不同，AI搜索不仅关注用户输入的关键词，还能理解用户的意图，并通过深度学习模型提供针对性答案。这种方式通过多层次的语义推理，使得搜索结果不再是简单的文本匹配，而是基于上下文和用户需求的动态调整。
也因此，大模型能够识别出用户查询背后的潜在需求，比如推荐鞋子的查询，AI会推测用户可能需要了解跑步鞋的性能、品牌、价格等信息，从而提供相关的推荐内容。
而联网功能的开通，让大模型能够访问实时信息源，包括最新的产品数据、市场趋势、用户评论等，结合大模型的强大语义理解能力，实现的推荐就更到位了。
比如现在再去AI搜索产品上“跑步鞋推荐”时，AI就会抓取实时市场上的热门鞋款和品牌，并结合用户的偏好和历史搜索记录，推送个性化推荐。
比如我在谷歌搜「什么跑步鞋好」，得到的是一些链接：
图片来源：极客公园
在没有开通联网功能的DeepSeek搜，DeepSeek先是花了19秒思考：
嗯，用户让我推荐一些跑步鞋品牌。首先，我需要确定他们的具体需求。他们可能刚开始跑步，或者想换新鞋，或者有特定的跑步类型，比如长跑、竞速、越野跑之类的。不过用户没有给出太多细节，所以我要全面一点。
首先想到的是国际大品牌，像耐克、阿迪达斯这些，这些品牌知名度高，产品线全，适合大多数跑者。然后要考虑专业跑步品牌，比如Asics、Brooks、Saucony、New Balance这些，它们在跑步圈里口碑很好，特别是针对不同脚型和跑步方式有不同科技。
接下来，用户可能有不同的使用场景。比如，如果是日常训练，Brooks的Ghost系列不错；如果是马拉松竞速，耐克的Vaporfly或者阿迪的Adizero系列更适合。还有可能需要考虑支撑型或缓震型，比如Asics的Kayano适合支撑，而Nimbus则是缓震。
另外，价格也是一个因素。用户可能想要不同价位的推荐，比如Hoka One One和Altra属于高端品牌，而美津浓、斯凯奇可能性价比更高一些。国产品牌如李宁、安踏、特步、361国际线也是不错的选择，特别是预算有限的情况下。
还要注意用户可能的特殊需求，比如宽脚型、扁平足，或者需要环保材料。Altra的宽鞋头设计，Allbirds的环保材料可能适合这些情况。越野跑的话，Salomon和La Sportiva是很好的选择。
最后，我应该提醒用户根据自身情况选择，比如体重、跑步习惯、脚型，最好去实体店试穿。这样推荐会更全面，覆盖不同需求，同时给出选择的建议，确保他们能找到合适的跑鞋。
然后给出了我从国际主流品牌、专业跑步品牌、性价比品牌到国产优质品牌、小众/创新品牌等一众维度的推荐，并且还贴心地给出了不同脚型、体重、场景的挑选建议：
图片来源：极客公园
然后我又在开通了联网功能的DeepSeek搜，可以看到它显示搜索到48个网页，然后又深度思考了46秒，给出了一份跟上一份详细程度有过之无不及的推荐指南，而不同之处则在于搜集的信息更新，比如「接下来看网页3，这是一个2025年的跑鞋十大品牌排行榜，虽然没有排名，但列出的品牌包括安踏、阿迪达斯、特步、美津浓、New Balance、彪马、耐克、李宁。这些可能都是值得推荐的品牌。」
同时在思考的结尾，DeepSeek再次重申「确保推荐的信息是最新的」，在输出的答案里也体现了这一点：
图片来源：极客公园
可以看到，开了联网搜索的DeepSeek给出的推荐更有时效性，这也应该更能给用户种草，毕竟「新」本身也是种草的一种追求。
2 AI 时代 SEO 新攻略
用户的搜索和种草链路正在发生变化，部分品牌已经意识到其中的机会，正在尝试把自己的产品融入到AI之中。
现在有一些品牌在小红书上结合DeepSeek推荐自己，但看起来还处于很初级的阶段，就只是简单地拿DeepSeek放在首图来引流：
图片来源：极客公园
我也拿图上这两个问题问了下DeepSeek，给出的回答——跟图上完全不一样。
首先是「给我推荐一款敏感性皮肤护理产品」，DeepSeek给出的回答如下：
以下是针对敏感性皮肤的护理产品推荐，结合了多篇专业榜单及医师建议，涵盖不同护肤步骤和价位选择，供你参考：
---
### 1. 舒缓保湿精华/乳液推荐
- 悦蕾 海洋冰川水凝露 主打舒缓敏感、长效保湿，含多种植物精粹，质地清爽易吸收，适合日常维稳。搭配同品牌 **悦蕾冰泉焕颜蚕丝面膜**（补水修护）效果更佳。
- 理肤泉 B5修复面霜 含维生素B5和积雪草精华，能缓解泛红、干痒，修复屏障，尤其适合急救使用。
- 珂润 润浸保湿柔和乳液 无香料、酒精，含神经酰胺，专为敏感肌设计，性价比高，适合日常保湿。
---
### 2. 温和洁面产品
- 芙丽芳丝 净润洗面霜 氨基酸配方，温和清洁不紧绷，适合晨间或敏感期使用。
- 珂润 润浸保湿洁颜泡沫 按压式泡沫洁面，含神经酰胺，清洁同时保护角质层。
---
### 3. 急救修护面膜
- 悦蕾 冰泉焕颜蚕丝面膜 天然蚕丝膜布，精华液丰富，快速缓解干燥泛红，适合敏感期密集护理。
- 薇诺娜 舒敏保湿面膜 医美级配方，含马齿苋提取物，镇静泛红肌肤，适合重度敏感时使用。
---
### 4. 防晒产品
- 珂润 润浸保湿温和防晒乳液 物理防晒剂（氧化锌），无酒精、香料，温和防护紫外线刺激。
- Fancl 倍护物理防晒霜 纯物理防晒，防水防汗，成分简单，适合敏感肌长期使用。
---
### 使用建议
1. **简化护肤步骤**：以清洁+保湿+防晒为主，避免叠加过多功效型产品。
2. **成分选择**：优先含 **神经酰胺**（修护屏障）、**透明质酸**（保湿）、**积雪草**（抗炎）等成分的产品。
3. **测试与过渡**：新产品需在耳后或手腕测试，无不适后再全脸使用。
4. **严重敏感期**：若出现红肿、刺痛等严重症状，建议就医并遵医嘱使用抗炎类药膏（如他克莫司软膏）。
---
### 高性价比品牌参考
- **玉泽**：皮肤屏障修护系列，适合干燥敏感肌。
- **雅漾**：舒护调理喷雾+修护霜组合，经典敏感肌搭配。
如果需要更详细的成分分析或具体肤质适配建议，可参考上述来源中的专业评测（如网页4、8、9）。
在DeepSeek给我的回答里，虽然没有出现图上的可复美，但涵盖了不同护肤步骤和价位选择，其中一些产品也经常被护肤博主推荐，有一些也是颇受用户好评，比如薇诺娜、雅漾这些，确实是敏感性皮肤不错的选择。
图片来源：极客公园
从图中可以看出，DeepSeek花了26秒，读取了44个网页，才为我生成了上述的产品推荐。分析它的思考过程可以看出，它先是排除了网页1、2、3、6、7，因为这些页面无法获取内容，然后重点关注网页4、5、8、9、10，这些页面提供了与敏感性皮肤护理相关的内容。
然后是对各网页的关键信息进行分析，综合考虑了不同来源对各类产品的推荐及成分说明之后，挑选了不同护肤步骤中较被认可且成分安全的产品并添加了使用建议。
可以看出，AI时代品牌的SEO策略还是需要有所改变。
搜索引擎优化和有机营销机构dune.7x做了一番研究，先从SEO和 LLMO（大模型优化） 的相似性出发给出一些建议：
在用户意图上，正如 SEO 围绕破译用户正在搜索的内容一样，LLMO 专注于了解用户向语言模型提出的查询和提示。品牌必须考虑他们的内容如何与消费者可能提出的问题类型保持一致。
其次是关键词相关性，传统SEO依赖精心挑选并合理布局关键词，确保品牌的内容在用户搜索时能够被发现。LLMO 涉及整合可能LLM识别和响应的相关短语和概念，从而提高品牌的内容在 AI 驱动的搜索中突出显示的可能性。
同时，内容质量依旧关键。在SEO中，原创且高质量的内容有助于提高页面的排名，而在生成式AI中，AI模型同样更倾向于选择结构清晰、信息充分的内容。品牌需要确保其内容在深度与准确性上满足AI的要求，才能在AI的内容推荐中占据优势。
此外，正如 SEO 利用结构化数据来帮助搜索引擎理解内容一样，LLMO 也受益于清晰的实体标记。事实上，鉴于 AI 倾向于 “幻觉 ”响应，架构标记可以帮助LLMs理解网页上的内容和上下文。
SEO 和 LLMO 都受用户参与度的影响。在 SEO 中，点击率和停留时间等指标很重要;在 LLMO 中，用户反馈和互动会影响 AI 平台对内容的感知和排名。
虽然SEO与生成式AI之间有不少相似之处，但它们在运作机制上还是有明显区别：
以谷歌搜索为例，其工作流程主要包括三个关键步骤：抓取、索引和提供搜索结果。
在抓取阶段，谷歌的网络爬虫（googlebot）会访问并下载网页内容。随后，在索引阶段，搜索引擎会分析页面上的文本、图片和视频文件，并将这些信息存储到一个大型数据库中。最后，在提供搜索结果阶段，谷歌的算法会根据200多个排名因素，如反向链接和内容相关性，来确定用户搜索结果的排序。
而大型语言模型的运作方式则有所不同。在训练阶段，LLM会在海量数据的基础上进行训练，这些数据通常通过类似于传统搜索引擎的方式抓取网页。
在深度学习阶段，LLM利用高级机器学习技术来理解单词和句子的组合方式。这包括对非结构化数据进行概率分析，从而帮助模型识别内容之间的相似性和差异，而无需人工干预。
在提示调整阶段，LLM会根据其将要专注的特定任务进行微调。在生成式人工智能模型中，这一步骤涉及解释问题并生成相应的回复。
基于这样的工作原理区别，dune.7x的研究得出，在AI时代，品牌推荐需要做的是：
- 构建更为灵活的内容结构，以应对多层次的提问，而不仅仅依赖简单的关键词布局。
- 编写简洁、直接的内容，同时整合常见问题和摘要，方便AI能够快速抓取并理解核心信息。
- 着力构建内容的上下文关联性，通过丰富的信息回答问题，确保其内容在AI模型中获得较高的优先级。
- 优化页面内容的呈现方式，简化语言，避免冗长复杂的段落，以帮助AI更高效地提炼和理解内容。
- 平衡深度和简洁性，确保既能全面覆盖主题，又能让AI高效提炼出核心要点。
3 AI 搜索的商业化机会在哪里
目前大模型领域，像DeepSeek这样的公司，重心还在AGI（通用人工智能）的追求上，商业化并非首要目标。但未来大模型平台的商业化模式必然会逐步清晰，而且种草和广告一定会成为其重要的一环。
与传统搜索引擎不同，AI驱动的搜索引擎不仅仅依赖于关键词和页面排名，而是通过深度学习和语义分析提供更精准的答案，也更能起到「种草」的作用。
虽然现在这些平台并没有通过竞价排名进行广告分发，但随着商业化需求的逐渐增强，它们或许也会引入类似广告的机制，品牌商可以直接向平台支付费用，让他们的产品或服务在AI提供的回答中优先显示。这种方式跟传统的广告模型有所相似，但应该会更加无缝且精准。
大模型公司还没太多动作，有创业公司已经在行动了。AI原生广告创业公司Nexad正在开发一个中间件，可以将广告系统无缝植入到大模型的代理搜索引擎中，从而影响结果，其类似于 SEO，但是一个更智能、更深入的过程。
Nexad ceo&cofounder Jason Hu对极客公园谈到，从广告投放逻辑来看，简单来说，广告行业分为需求端（广告主）和供给端（发布者，即各类 AI 媒体）。
需求端方面，广告匹配将更加精准，因为用户与 AI 的交互更丰富，AI 能更深入地理解用户意图，用户可能会用一段话描述整个场景来询问问题，而不是像传统搜索引擎那样只输入关键词，这样广告主也可以获得更多有用信息来进行广告匹配；供给端方面，用户的注意力正从人类生产内容转向 AI 生产内容，这是一个巨大的流量机会。
并且，在他看来， AI 时代接下来，大量的广告素材可能将由 AI 生成，广告系统和素材生成将合二为一。广告系统积累的大量用户反馈数据可以用来训练广告素材生成模型，形成数据飞轮，提升广告效果，这可能会使一些没有数据和相关能力的小型营销机构被淘汰。
未来，随着大模型厂商对商业化追求的深入，「种草」或许也将成为AI搜索引擎中的重要功能。广告商可以通过与AI平台合作，将广告内容更加精准地嵌入到搜索结果中，而不再仅是依赖传统的竞价排名。
