ChatGPT 搜索大规模启用 site: 运算符，GEO 监测揭示产品变化
评分
74揭示了 ChatGPT 搜索中 site: 运算符使用率从约 0.4% 跃升到 16% 的关键数据，信息增量明显。
基于可验证的追踪数据与具体时间点，分析逻辑清晰，但缺乏官方系统提示词佐证。
对 SEO/GEO 从业者理解 AI 搜索流量分配变化和调整优化方向很有用。
原文发布于 2026-08-20，信息新鲜，正值 GPT-5.6 更新后的关键观察期。
作者为知名独立技术博客作者，数据来自第三方工具，可信度较高但非官方披露。
基础分 82 × T2 信源权重 ×0.9 = 74
精选线 70已入选精选
精选理由
数据跳升幅度极大且与版本发布时间吻合，但样本仅覆盖 Promptwatch 自动追踪的提示词子集。
AI 点评
「OpenAI 很少公开搜索排序细节，能通过外部追踪看到 site: 运算符的跃升，说明产品行为正在被量化观测。做搜索流量或内容策略的人，应该把这类监测当作默认工具，而不只依赖官方公告。」
速览
ChatGPT 搜索已开始大规模使用 site: 站点限定符。Promptwatch 监测显示，该运算符在 ChatGPT 搜索查询中的占比从长期徘徊的 0.3%-0.5%，在 8 月 8 日跃升至 16%-17%，与 GPT-5.6 更新及 OpenAI 关于“更可靠事实、更聚焦答案”的公告吻合。这一变化意味着生成式引擎优化（GEO）进入新阶段，同时 ChatGPT 对 Reddit 等站点的依赖也显著降低。对站长、SEO/GEO 从业者与 AI 搜索研究者而言，这是观察搜索流量分配规则变化的信号。
- Promptwatch 数据显示，ChatGPT 搜索中带 site: 的查询从 0.3%-0.5% 跃升至约 16%-17%
- 变化时间与 GPT-5.6 更新及 OpenAI 8 月 6 日公告一致
- 后续监测显示 ChatGPT 搜索对 Reddit 的依赖明显下降
- 因 OpenAI 不公开系统提示词，外部只能通过行为追踪推断机制
正文
ChatGPT 搜索现在大规模使用 site:operator
Promptwatch is part of the emerging "GEO" space, for Generative Engine Optimization - the chatbot version of SEO, where companies offer tools and consulting to help your site increase its presence in replies to prompts inside tools like ChatGPT.Promptwatch 产品利用自动化技术，跨 ChatGPT、Claude 和 Gemini 等终端用户聊天产品追踪提示词响应。他们将这些数据发布为汇总报告，作为自身内容营销策略的一部分；这些报告确实为那些原本不可见的产品设计变更提供了可信的线索。
他们自己的追踪显示，一个显著变化与本月初 GPT-5.6 的上线同时出现：
每日在 ChatGPT Search 的所有扇出查询中，包含 site:operator 的查询所占百分比。该比例数周内一直徘徊在 0.3% 到 0.5% 之间，8 月 3 日至 5 日短暂降至 0.15%（这与分阶段上线或发布前实验相符），随后在 8 月 8 日跃升至 16-17%。
需要说明的是，这些数字仅反映他们启用了自动化追踪的那些提示词。
这与 OpenAI 那条略显含糊的 8 月 6 日公告 相对应：
对于 Plus 和 Pro 用户，我们正在更新 Chat 中的 GPT‑5.6 Sol，使其在事实上更可靠，并提供更有针对性的答案。
OpenAI 选择主动隐藏其系统提示词，这再次让我受到掣肘；但通过对 ChatGPT 的试探，我认为他们最新的搜索工具形式更像是 search(query, recency, domains)，而不是直接鼓励使用 site: 运算符。
在 8 月 18 日的 一篇后续报道 中，Promptwatch 报告称，ChatGPT 似乎已大幅降低在这些搜索中使用 Reddit 的可能性。我本人试图确认系统提示词是否已更新以抑制 Reddit 来源，但未能成功——据我所知，最全面的泄露系统提示词合集尚未显示任何相关更改。
标签：reddit, seo, openai, chatgpt, ai-assisted-search, system-prompts
相关条目
精选DeepSeek V4 在 OpenRouter 上的代币份额翻倍，智能体工作负载成主要驱动力
DeepSeek V4 的快速采用表明市场对高性能、低成本推理模型的强烈偏好，尤其是智能体场景将重塑 AI 部署格局。
91
精选启用两项设置使ARC-AGI-3基准测试分数提升三倍
这项发现太关键了！它表明模型的性能不仅取决于训练，还取决于推理时的配置。对于AI工程师和研究者来说，这是一个必须注意的优化方向。特别是那些在资源受限设备上部署模型的团队，可能会因此找到低成本提升能力的方法。
91
精选GPT-5.6：前沿智能与前沿效率的融合
这条消息值得关注，因为它标志着大模型竞争从单纯拼参数转向拼效率。对于AI开发者和企业决策者来说，GPT-5.6意味着可以用更少预算获得更高性能，尤其适合那些被推理成本挡在门外的长上下文或Agent场景。OpenAI这一步，可能重新定义‘前沿’的标准。
91
精选LFM2.5-Encoder：面向CPU快速长上下文推理的新模型
这篇博文让我眼前一亮，因为它直接解决了大模型在CPU上跑长上下文的痛点。对于没有高端GPU的团队或个人开发者，LFM2.5-Encoder系列提供了可立即使用的开源方案。尤其推荐给做RAG、文档搜索或代码分析的朋友——现在用普通服务器就能处理百万级token的文档了。
91
精选GPT-Red：OpenAI通过自我对弈实现AI红队自动化，提升模型鲁棒性
GPT-Red 是红队测试从人工到自动化的里程碑，特别适合安全工程师和对齐研究者关注。它直接降低了测试成本，但也引发了对“自动攻击”本身的伦理讨论——值得所有关注AI治理的人深入思考。
91
精选OpenAI推出GPT-5.5生物漏洞赏金计划
这个计划值得关注，因为它首次将AI漏洞赏金制度拓展到生物安全领域，不仅为安全社区提供了新的研究方向，也为AI风险治理提供了实际演练场。对模型安全研究者、生物安全专家以及关心AI双重用途的从业者尤其重要。
91
精选vLLM推出原生速度Transformers建模后端，大幅提升推理性能
这项更新对于AI工程团队非常关键：无需格式转换意味着能更快地迭代模型，而2-5倍的速度提升直接降低GPU成本。如果你正在做LLM在线服务或者批量推理，这几乎是必读的技术更新。
90
精选Google DeepMind 发布手语转文本模型 SL2T，助力聋人用户
这则消息的意义不仅在于技术突破，更在于AI开始真正关注边缘群体的需求。对开发者而言，SL2T的架构思路和技术路径值得深入研究；对无障碍倡导者来说，这是推动行业标准的重要案例。