Resumen: Los motores de búsqueda generativos representan una transición de la recuperación tradicional basada en clasificaciones a la síntesis basada en modelos de lenguaje grande (LLM), transformando los objetivos de optimización desde la prominencia en la clasificación hacia la inclusión de contenido. La optimización del motor generativo (GEO), específicamente, tiene como objetivo maximizar la visibilidad y la atribución en resultados resumidos de caja negra mediante la manipulación estratégica del contenido fuente. Sin embargo, los métodos existentes se basan en heurísticas estáticas, optimización de un solo mensaje o destilación de reglas de preferencia de motor que son propensas a sobreajustarse. No pueden adaptarse con flexibilidad a contenidos diversos o a los comportamientos cambiantes de los motores generativos. Además, optimizar eficazmente estas estrategias requiere una cantidad poco práctica de retroalimentación de interacción de los motores. Para abordar estos desafíos, proponemos AgenticGEO, un marco agente de evolución automática que formula la optimización como un problema de control condicionado al contenido, que mejora la calidad intrínseca del contenido para adaptarse de manera sólida a los comportamientos impredecibles de los motores de caja negra. A diferencia de los métodos de estrategia fija, AgenticGEO emplea un archivo MAP-Elites para desarrollar diversas estrategias de composición. Para mitigar los costos de interacción, presentamos un crítico coevolutivo, un sustituto liviano que se aproxima a la retroalimentación del motor para la selección y el refinamiento de estrategias específicas de contenido, guiando de manera eficiente tanto la búsqueda evolutiva como la planificación del tiempo de inferencia. A través de extensos experimentos en dominios y entre dominios en dos motores representativos, AgenticGEO logra un rendimiento de vanguardia y demuestra una transferibilidad sólida, superando 14 líneas de base en 3 conjuntos de datos. Nuestro código y modelo están disponibles en: esta URL https.
Publicado originalmente en export.arxiv.org el 23 de marzo de 2026.
Ver fuente original
