Как Google использует архитектуру «Generative Companion» для ведения диалогового поиска с сохранением контекста и выбора специализированных LLM (SGE)

Термины и определения

Generative Companion (Генеративный компаньон)

Система, которая дополняет традиционный поиск функцией диалога с сохранением состояния (stateful chat) для обеспечения интерактивного поиска.

Stateful Chat (Чат с сохранением состояния)

Диалоговое взаимодействие, при котором система поддерживает и обновляет контекст пользователя на протяжении нескольких этапов (turns) поисковой сессии.

User State / State Data (Состояние пользователя / Данные состояния)

Агрегированная информация, отражающая контекст сессии. Включает текущий запрос, контекстуальную информацию (местоположение, время, расписание), предыдущие запросы, полученные результаты поиска (SRDs/SRPs) и данные о взаимодействии пользователя. Может храниться в виде семантически богатых эмбеддингов (embeddings).

Synthetic Queries (Синтетические запросы)

Автоматически сгенерированные запросы (переписанные, дополненные или уточняющие), созданные первичной LLM на основе текущего запроса и User State. Используются для поиска релевантных SRDs.

Generative Model (GM) / Large Language Model (LLM)

Генеративные модели (включая LLM, VLM, диффузионные модели и др.), используемые для генерации синтетических запросов и финального ответа.

Downstream LLMs (Нисходящие / Последующие LLM)

Специализированные LLM, которые выбираются динамически на основе классификации запроса. Примеры: Creative LLM (для креатива), SRP Generative LLM (для резюме выдачи), Ambient Generative LLM (для резюме просматриваемого документа), Next Step LLM, Clarification LLM.

Classification (Классификация)

Процесс анализа State Data для определения намерения пользователя или типа требуемого ответа (например, «нужен креативный текст», «нужно резюме выдачи», «требуется уточнение», «не вмешиваться»).

Search Result Document (SRD)

Документ (веб-страница, медиа), полученный в ответ на запрос. Является источником контента для генерации ответа LLM.

Linkifying (Линкификация / Привязка ссылок)

Процесс верификации частей сгенерированного ответа путем сравнения их с контентом исходных SRDs и добавления ссылок на эти источники.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает полный цикл работы системы Generative Companion.

1. Система получает запрос.
2. Извлекается контекстуальная информация (User State).
3. Первичная GM обрабатывает запрос и контекст, генерируя вывод.
4. На основе этого вывода генерируются Synthetic Queries.
5. Отбирается набор документов (SRDs), релевантных как исходному запросу, так и Synthetic Queries.
6. Обрабатываются данные состояния (State Data) – агрегация запроса, контекста, синтетических запросов и SRDs – для идентификации классификации запроса.
7. На основе классификации выбираются одна или несколько Downstream GMs.
8. Выбранные Downstream GMs обрабатывают часть State Data и генерируют финальный ответ.
9. Система вызывает рендеринг контента на устройстве пользователя.

Ядро изобретения — это многоступенчатая генеративная архитектура. Система не использует одну универсальную LLM. Вместо этого она использует первую GM для расширения поиска, затем слой классификации для понимания состояния сессии и, наконец, динамически выбирает специализированные Downstream GMs для генерации ответа.

Claim 8 (Зависимый): Уточняет представление данных состояния.

Данные состояния (State Data) могут быть представлены в виде агрегированного эмбеддинга (aggregate embedding), сгенерированного из запроса, контекста, синтетических запросов и набора SRDs.

Это указывает на использование семантически богатых векторных представлений для кодирования всего контекста сессии.

Claim 10-11 (Зависимые): Уточняют обновление состояния.

Данные состояния включают информацию о действиях пользователя после отправки запроса, в том числе данные из SRDs, к которым пользователь получил доступ.

Система активно отслеживает взаимодействия пользователя и адаптирует ответы на основе потребленного контента.

Claim 12-14 (Зависимые): Уточняют типы Downstream GMs.

Они включают Creative GM, Ambient GM (для суммаризации просматриваемого документа) и Search Results GM (для суммаризации страницы выдачи).

Где и как применяется

Изобретение описывает архитектуру диалогового поиска (например, SGE) и затрагивает несколько ключевых этапов.

QUNDERSTANDING – Понимание Запросов
Первичная LLM (в составе Context Engine) обрабатывает запрос вместе с User State для глубокого понимания намерения. Результатом являются Synthetic Queries, которые лучше отражают текущее состояние сессии.

RANKING – Ранжирование (Retrieval)
Поиск выполняется как по исходному запросу, так и по Synthetic Queries для получения расширенного набора релевантных кандидатов (SRDs).

METASEARCH / RERANKING – Метапоиск и Переранжирование (Генерация ответа)
Это основная область применения.

1. Классификация: LLM Selection Engine анализирует полное состояние (State Data) с помощью классификаторов для определения типа необходимого ответа.
2. Выбор модели: На основе классификации выбираются соответствующие Downstream LLMs.
3. Генерация и Верификация: LLM Response Generation Engine генерирует ответ. Response Linkifying Engine может использоваться для верификации утверждений и добавления ссылок (Linkifying).
4. Формирование выдачи: Chat Engine формирует финальный диалоговый ответ.

Входные данные:

• Текущий запрос пользователя (текст, голос, мультимодальный).
• User State (история запросов, взаимодействия, контекстуальные сигналы).
• SRDs и SRPs, полученные в ответ на исходный и синтетические запросы.

Выходные данные:

• Диалоговый ответ (NL response), который может включать резюме, креативный контент или предложения следующих шагов.
• Опционально: ссылки на источники (Linkified portions).
• Обновленное состояние пользователя (Updated User State).

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на сложные, многоэтапные информационные и транзакционные поисковые путешествия (например, планирование, исследование сложного продукта, обучение).
• Форматы контента: Повышается важность контента, который легко извлекается, резюмируется и верифицируется для использования в генеративных ответах (NL based summary).
• Конкретные ниши: Влияет на все ниши, но особенно заметно в областях, требующих синтеза информации (e-commerce, путешествия, сложные YMYL-темы).

Когда применяется

Алгоритм применяется в рамках интерактивной поисковой сессии, управляемой Generative Companion.

• Триггеры активации: Активация конкретных Downstream LLMs происходит на основе классификации запроса и состояния. Классификации включают: «нужна генерация креативного текста/медиа», «можно извлечь пользу из резюме выдачи (SRP summarization)», «требуется уточнение».
• Исключения: Система может определить классификацию «не вмешиваться» (do not interfere). В этом случае генеративные функции могут быть отключены, и может быть возвращена стандартная SRP.

Пошаговый алгоритм

Процесс работы системы Generative Companion (на основе FIG. 9):

1. Получение запроса: Система получает текущий запрос от пользователя [952].
2. Извлечение контекста: Извлекается контекстуальная информация и история сессии (User State) [954].
3. Генерация первичного вывода LLM: Первичная LLM обрабатывает запрос и контекст [956].
4. Генерация синтетических запросов: На основе вывода первичной LLM формируются Synthetic Queries [958].
5. Поиск и отбор документов: Выполняется поиск. Отбирается набор SRDs, релевантных исходному и синтетическим запросам [960].
6. Обработка данных состояния и Классификация: Система агрегирует все данные в State Data и обрабатывает их для определения классификации запроса [962].
7. Выбор специализированных LLM: На основе классификации динамически выбираются одна или несколько Downstream LLMs [964].
8. Генерация финального ответа: Выбранные Downstream LLMs обрабатывают State Data (включая контент из SRDs) для генерации ответа [966].
9. Пост-обработка (Опционально): Включает Linkifying (верификацию и добавление ссылок) и оценку уверенности.
10. Рендеринг ответа: Финальный диалоговый ответ отображается пользователю [968].
11. Обновление состояния: User State обновляется для следующего этапа диалога.

Какие данные и как использует

Данные на входе

Система использует широкий спектр данных для поддержания состояния и генерации ответов:

• Поведенческие факторы (User Engagement): Взаимодействие пользователя с предыдущими результатами (клики, время пребывания на SRD). История запросов в текущей и предыдущих сессиях. Используется для обновления User State и адаптации ответов (исключение уже изученной информации).
• Контентные факторы (из SRDs): Текст, изображения (включая подписи и распознанные объекты), видео (включая транскрипции). Эти данные используются как входные для Downstream LLMs для генерации и верификации ответов.
• Географические и Временные факторы: Местоположение пользователя (GPS), время суток.
• Пользовательские факторы (Контекст): Расписание пользователя (из календаря, электронной почты), предпочтения пользователя, текущая активность (вождение, тренировка).

Какие метрики используются и как они считаются

• Метрики ранжирования SRD: Для отбора SRDs, которые будут использоваться LLM, применяются:
  • Query-dependent measures (зависящие от запроса): позиционный рейтинг, частота выбора, локальность.
  • Query-independent measures (не зависящие от запроса): авторитетность/надежность (trustworthiness), свежесть.
  • User-dependent measures (зависящие от пользователя): релевантность профилю пользователя.
• Эмбеддинги (Embeddings): Используются для представления User State, запросов и контента SRDs в семантически богатом векторном формате. State Data может быть представлено как aggregate embedding.
• Классификаторы (Classifiers): Модели машинного обучения (потенциально обученные с подкреплением - Reinforcement Learning), используемые для определения классификации запроса/состояния и выбора Downstream LLM.
• Меры расстояния (Distance Measures): Используются в процессе Linkifying для верификации. Система сравнивает эмбеддинг части сгенерированного резюме с эмбеддингом части исходного SRD. Если расстояние в пространстве эмбеддингов меньше порога, утверждение считается верифицированным.
• Меры уверенности (Confidence Measures): Генерируются LLM для оценки достоверности вывода. Могут зависеть от авторитетности и количества подтверждающих SRDs.

1. Архитектура Генеративного Поиска (SGE): Патент детально описывает архитектуру, лежащую в основе современных генеративных поисковых интерфейсов. Это не один алгоритм, а целая система управления поисковой сессией с помощью ИИ.
2. Контекст сессии (User State) — ключевой фактор. Система активно поддерживает и использует историю диалога, взаимодействия пользователя и внешний контекст для интерпретации запросов и формирования ответов. Поиск переходит от изолированных запросов к непрерывному диалогу.
3. Многоуровневая оркестровка LLM. Google использует каскад моделей: первичную LLM для понимания контекста и расширения запроса, классификаторы для определения намерения и специализированные Downstream LLMs для генерации финального ответа.
4. Автоматическая генерация запросов (Synthetic Queries). LLM активно определяет, что именно нужно искать, генерируя Synthetic Queries на основе контекста. Ранжирование зависит не только от исходного запроса пользователя.
5. Адаптация к знаниям пользователя. Ответы адаптируются к тому, что пользователь уже изучил в рамках сессии. Если пользователь взаимодействовал с документом, система обновит ответ, чтобы не повторять эту информацию или углубить ее.
6. Критическая роль SRDs и Верификации (Linkifying). Генеративные ответы напрямую зависят от качества отобранных SRDs. Патент подчеркивает важность привязки генеративного контента к источникам с помощью механизмов верификации, основанных на сравнении эмбеддингов.

Best practices (это мы делаем)

• Оптимизация под Retrieval (Попадание в набор SRDs). Фокусируйтесь на том, чтобы ваш контент был отобран в ответ на Synthetic Queries. Это требует широкого семантического охвата темы (Topical Authority) и соответствия не только прямым запросам, но и запросам, которые система может сгенерировать в ходе диалога (следующие шаги, уточнения).
• Создание контента для верификации (Linkifying). Создавайте четкий, фактологический и авторитетный контент. Система должна иметь возможность легко извлечь информацию и верифицировать утверждения LLM по вашему тексту. Используйте структурированные данные и ясные формулировки. Это повышает вероятность цитирования вашего сайта в генеративном ответе.
• Оптимизация под суммаризацию (Extractability). Убедитесь, что ключевые выводы и ответы на вопросы легко извлекаются. Downstream LLMs (например, SRP Generative LLM) будут использовать ваш контент для создания сводок. Хорошо структурированные страницы с четкими ответами, списками и таблицами имеют преимущество.
• Учет пути пользователя (User Journey). Создавайте контент, который отвечает на разные этапы поисковой сессии. Поскольку система адаптирует ответы к User State, важно предоставлять уникальную ценность или более глубокую информацию для пользователей, продолжающих исследование темы.

Worst practices (это делать не надо)

• Фокус только на узких запросах. Оптимизация под отдельные ключевые слова без учета контекста сессии и эволюции запроса (Synthetic Queries) теряет эффективность. Система ищет комплексные ответы в рамках диалога.
• Использование «воды» и нечетких формулировок. Контент, который сложно суммировать или из которого трудно извлечь конкретные факты для верификации, будет игнорироваться системой при генерации NL ответов.
• Создание контента, сложного для верификации. Неструктурированный контент, противоречивая информация или мнения без фактологической поддержки снижают шансы на использование вашего сайта в качестве источника.
• Игнорирование мультимедийного контента. Патент указывает, что LLM обрабатывают текст, изображения и видео из SRDs. Игнорирование качественного мультимедиа снижает общую ценность SRD как источника.

Стратегическое значение

Этот патент подтверждает фундаментальный сдвиг в сторону генеративного и контекстуального поиска (SGE/AI Overviews). Стратегия SEO должна эволюционировать от традиционного ранжирования к оптимизации для генеративного извлечения, суммаризации и верификации моделями ИИ. Главной целью становится не просто попадание в ТОП-10 синих ссылок, а становление цитируемым источником (Linkified source) в ответе Generative Companion. Это требует глубокого понимания того, как LLM интерпретируют и верифицируют информацию.

Практические примеры

Сценарий: Оптимизация статьи о выборе робота-пылесоса для многоэтапной поисковой сессии.

1. Начальный запрос: Пользователь ищет «лучшие роботы-пылесосы». User State пуст.
2. Действие системы: Система генерирует Synthetic Queries (например, «сравнение роботов-пылесосов 2025»), отбирает SRDs и генерирует обзорный ответ (AI Overview), используя SRP Generative LLM.
3. SEO действие (Этап 1): Ваша статья должна содержать четкое сравнение моделей, плюсы и минусы в виде таблицы или списка, чтобы попасть в сводку и получить цитирование.
4. Следующий запрос: Пользователь спрашивает: «А какой лучше для шерсти животных?». User State обновлен контекстом {роботы-пылесосы}.
5. Действие системы: Система генерирует новые Synthetic Queries с учетом нового интента («робот-пылесос для шерсти»). LLM генерирует уточненный ответ.
6. SEO действие (Этап 2): Ваша статья должна детально раскрывать аспект уборки шерсти (типы щеток, мощность), чтобы оставаться релевантной и быть процитированной на этом этапе.
7. Взаимодействие пользователя: Пользователь кликает на вашу статью и читает раздел о Модели X. User State обновляется информацией о том, что пользователь изучил Модель X.
8. Следующий запрос: Пользователь спрашивает: «Сравни ее с Моделью Y».
9. Действие системы: Система генерирует ответ, который адаптирован к знаниям пользователя о Модели X (согласно патенту), и фокусируется на различиях с Моделью Y.
10. SEO действие (Этап 3): Наличие в вашем контенте прямых сравнений с конкурентами увеличивает вероятность того, что система использует вашу информацию для генерации этого сравнительного ответа.