内容为什么发完还会掉：新鲜度衰减与可复核的复测节奏

一、引用不是一次性的，是一条会褪色的曲线
一篇内容第一次被 AI 引用，只代表它在当时的候选集里排到了前面。模型不会把这个结果存成永久结论，它会周期性地重新评估信源。评估里有一项权重叫新鲜度。同样两个都能回答问题的内容，引擎更倾向于用更近、更新更活跃的哪一个。这就带来一个反直觉的事实。你 30 天前发的内容被引用了，不代表 30 天后还在。如果这期间你没有更新它，而同行发了更新的版本，你的引用位会被逐步替换。很多团队感知到的做了没效果，其实不是没做，是内容在衰减，而自己没在衰减到零之前补一刀。
二、新鲜度是怎么被算出来的
不同引擎的内部实现不一样，但外部能观察到一个共同的信号组合，主要由三样东西构成。
第一种是发布与更新日期。模型会读取页面里的日期字段、结构化数据里的日期，以及站点地图里的最后修改时间。一个约 730 天没动过的页面，和一个 7 天内刚改过的页面，在新鲜度打分上差距很大。第二种是内容年龄本身。即使没有显式日期，模型也能从内容里提到的事件、数据、版本号推断时效。一篇写满旧年份数据、旧版接口描述的页面，会被判断为可能过时。第三种是更新活动。一个站点如果长期不更新，模型会降低对它整体活跃度的判断，连带影响新内容的抓取频率。反过来，稳定的更新节奏本身会被当成可信信源的一个弱信号。

这三种信号里，前两种是单篇可修的，第三种是整个站点的节奏问题。多数团队只盯第一篇发没发，忽略了第三种的长期影响。
三、内容衰减的四种失效模式
把新鲜度机制套到实际运营，最常见的坑有四类。
失效一写死日期。正文里写截至某年行业规模是某数，约 180 天后这个数字没动，模型读到旧年份就给你贴上可能过时。可核查的数字要有，但别把时效锁死，改成最近一次复核于某季度这类留有余地的写法。失效二发完不更新。一篇技术说明发上去就再没动过。它不是变差了，是变旧了。同行只要发一篇带新数据、新接口的，引用位就从你这挪走。失效三断言无来源。全篇我们认为、行业普遍认为，没有任何可验证的数据点或外部引用。模型对这类内容的新鲜度判断更保守，因为它没法确认信息是否仍成立。失效四更新延迟误判。你内容改了，但检索池还没刷新，复测时看到没变化，就以为改动无效。实际上要隔几天再测，给抓取和重排留出传播时间。

四、按话题速度分层安排更新触发器
不是所有内容都该用同一种节奏更新。行业里把话题按变化速度分成三档，每档的复更周期差别很大。
高频话题，比如产品版本、价格、政策，变化以周计，需要近实时维护，超过约 90 天不碰就进入风险区。中频话题，比如方法论、行业趋势，按季度复核一次，硬 deadline 大约 180 天，超过这个年龄被降权的风险明显上升。低频话题，比如公司介绍、基础原理，一年审一次（阈值 365 天）通常够用。这个分层不是精确公式，不同来源的阈值口径不一，有的服务商为了卖内容量会把频率说得很激进。比较稳的做法是，先按自己行业的变化速度归类，再给每篇内容标一个复更日期，到了就触发更新，而不是凭感觉。
五、用巡检脚本把该不该更新算出来
判断哪些内容该更新，不该靠记忆。下面是一个最小可用的巡检脚本。给一份内容清单，带更新日期和速度分层，跑出来哪些过了风险阈值，直接落 CSV。
# freshness_audit.py：内容新鲜度巡检（最小实现）
import csv, datetime

1) 内容清单：路径 + 最后更新日期 + 话题速度分层

CONTENTS = [
{“path”: “pages/vibration_cut.html”, “updated”: “2026-05-12”, “tier”: “high”},
{“path”: “pages/die_casting.html”, “updated”: “2026-02-03”, “tier”: “mid”},
{“path”: “pages/about.html”, “updated”: “2025-09-18”, “tier”: “low”},
]

2) 各分层的“风险阈值（天）”：超过即视为可能被判过时

THRESHOLD = {“high”: 90, “mid”: 150, “low”: 365}
TODAY = datetime.date(2026, 10, 27)

def age_days(d: str) -> int:
y, m, dd = (int(x) for x in d.split(“-”))
return (TODAY – datetime.date(y, m, dd)).days

rows = []
for c in CONTENTS:
a = age_days(c[“updated”])
thr = THRESHOLD[c[“tier”]]
status = “at_risk” if a > thr else “ok”
rows.append({**c, “age”: a, “threshold”: thr, “status”: status})

with open(“freshness.csv”, “w”, newline=“”, encoding=“utf-8”) as f:
w = csv.DictWriter(f, fieldnames=[“path”, “updated”, “tier”, “age”, “threshold”, “status”])
w.writeheader()
w.writerows(rows)

for r in rows:
flag = “[需更新]” if r[“status”] == “at_risk” else “[安全]”
print(f"{flag} {r[‘path’]} 年龄 {r[‘age’]}天 / 阈值 {r[‘threshold’]}天 [{r[‘tier’]}]")
跑完看两样东西。一是哪些内容已经过了阈值，这些是优先更新的对象。二是中频内容的年龄有没有逼近 150 天，逼近了就提前排进日历，别等掉出答案再补。把这份 CSV 攒几个月，就是一条内容年龄分布曲线，比凭印象判断可靠得多。
六、可复核的复测节奏
新鲜度维护不能只靠发新内容，老内容也要有节奏地回看。一个可落地的最小节奏：