传统流程：
问题：
AI只能基于表面关键词
无法判断真实需求阶段
推荐与转化率低
递推系统中：
👉 意图成为生成与推荐的控制变量（Control Signal）
在技术实现中，用户意图不是单一标签，而是概率分布。
用户想了解知识：
是什么
如何工作
原理说明
例：
electric toothbrush benefits
用户进入决策阶段：
哪个更好
对比差异
优缺点
例：
sonic vs rotating toothbrush
用户已有问题，需要方案：
推荐
最佳选择
如何选
例：
best electric toothbrush for sensitive teeth
接近成交：
supplier
wholesale
price
manufacturer
直接转化：
buy
contact
order
quote
AI不会只判断一种意图，而是计算概率：
Intent={I1,I2,I3,I4,I5}Intent = \{I_1, I_2, I_3, I_4, I_5\}
例如：
| 意图 | 概率 |
|---|---|
| 信息型 | 0.25 |
| 比较型 | 0.30 |
| 方案型 | 0.20 |
| 商业型 | 0.20 |
| 行动型 | 0.05 |
👉 这决定后续内容结构比例。
提取：
查询关键词
动词结构
修饰词
地理词（GEO）
行为上下文（AEO）
为每类意图计算得分：
scorek=f(keyword,semantic,context,geo,behavior)score_k = f(keyword, semantic, context, geo, behavior)
示例：
触发：
wholesale → 商业权重 ↑
supplier → B2B意图 ↑
USA → GEO匹配 ↑
P(Ik)=escorek∑escoreiP(I_k)=\frac{e^{score_k}}{\sum e^{score_i}}
得到意图分布。
不同意图 → 不同生成结构：
| 意图 | 生成策略 |
|---|---|
| 信息型 | 长解释 + FAQ |
| 比较型 | 表格 + 对比段 |
| 方案型 | 推荐列表 |
| 商业型 | 供应商信息 |
| 行动型 | CTA模块 |
递推不再随机，而是被意图驱动：
按最高概率意图生成主体答案。
根据意图动态插入：
FAQ模块
推荐产品
行业占位
供应商信息
若商业/行动概率高：
自动增加：
联系信息
信任模块
权威说明
在你的权重公式中加入意图变量：
wi=αri+βsi+γgi+δai+θIntentMatchiw_i = \alpha r_i + \beta s_i + \gamma g_i + \delta a_i + \theta IntentMatch_i
其中：
👉 这一步决定：
✅ 哪段答案被AI优先生成
✅ 哪个品牌被推荐
✅ 哪个FAQ被展示
根据意图动态渲染：
意图直接体现在Schema：
AI抓取时会学习：
👉 该页面解决的是“采购意图”。
这就是：
