# 從線性搜尋到個人化門戶：AI 時代的搜尋功能解體與門戶重構

## From Linear Search to Personalized Portals: Search Functional Decomposition and Portal Reconstitution in the Age of AI

**作者：** Neo.K（許筌崴）  
**機構：** 一言諾科技有限公司（EVEMISSLAB）  
**版本：** v0.1 學術草案  
**日期：** 2026-07-19  
**狀態：** 概念建模與理論建構稿；尚未經同儕審查  

> 術語說明：本文將早期工作代號「真 Yahoo」正式化為「使用者主權自適應資訊環境」（User-Sovereign Adaptive Information Environment, USAIE）。工作代號僅用於概念史回溯，不指涉 Yahoo 公司之商標、產品所有權或合作關係。


## 摘要

本文研究一項表面矛盾的網路現象：傳統搜尋業務與查詢活動仍可持續成長，但大量資訊型網站與內容生產者卻感受到外部點擊、自然發現與冷啟動能力的下降。本文主張，矛盾源自「搜尋」一詞長期混合了至少四種不同功能：資訊定位、首次發現、答案完成與外部網站導流。生成式人工智慧、演算法資訊流及平台內答案使這些功能開始解耦。搜尋引擎並未消失，而是由連結分配器轉化為答案生成與任務中介系統；同時，社群平台、影音推薦、AI 對話及個人化首頁分別吸收首次發現與持續資訊追蹤功能。

本文提出「搜尋功能解體命題」與「門戶重構假說」（Portal Reconstitution Hypothesis, PRH）。前者指出，當資訊定位、答案生成、內容發現與網站導流分散到不同系統後，不再存在統一的單一第一入口；後者指出，當反覆查詢、來源切換與情境重建的邊際成本，高於建立並維持個人化資訊入口的成本時，使用者將由事件式線性搜尋轉向持續式資訊環境。Yahoo Scout 與 MyScout 在 2026 年的推出，可被視為 AI 答案引擎與個人化門戶重新結合的早期市場證據，但尚不足以證明使用者主權型門戶已經完成。

**關鍵詞：** 線性搜尋、零點擊搜尋、AI 答案引擎、個人化門戶、門戶重構、資訊發現、網站導流

---

## 1. 問題提出

搜尋引擎過去同時承擔四個角色：

$$
\mathcal{S}_{legacy}=I+D+A+R
$$

其中：

- $I$ ：Information Location，資訊定位；
- $D$ ：Discovery，未知內容發現；
- $A$ ：Answer Completion，答案完成；
- $R$ ：Referral，向外部網站導流。

在傳統十條藍色連結模式中，四者高度耦合：

$$
\text{提出查詢}
\rightarrow
\text{取得結果列表}
\rightarrow
\text{進入網站}
\rightarrow
\text{完成理解}
$$

但在 AI 搜尋與平台推薦環境中，這條鏈已被拆開：

$$
I\rightarrow\text{搜尋與索引}
$$

$$
D\rightarrow\text{社群、影音與推薦流}
$$

$$
A\rightarrow\text{AI 摘要、答案引擎與聊天介面}
$$

$$
R\rightarrow\text{被壓縮、重新分配或延後}
$$

因此，「搜尋仍然成長」與「網站較難獲得點擊」可以同時成立。

Alphabet 於 2026 年第一季公布 Google Search & other 營收年增 $19\%$ ，並稱查詢量創新高。這證明搜尋商業系統依然強勁，卻不能直接推出外部網站流量按相同比例成長。Google 另稱整體自然點擊量大致穩定、高品質點擊略增；Pew Research Center 以美國使用者瀏覽資料分析則發現，具有 AI 摘要的搜尋頁面中，傳統結果點擊率約為 $8\%$ ，未出現摘要時約為 $15\%$ ，而對摘要引用來源的直接點擊約為 $1\%$ 。兩者測量層次不同，因此未必互相否定。

## 2. 搜尋活動與網站導流的分離

令搜尋平台營收為：

$$
R_G=Q\cdot p_a\cdot p_c\cdot v_c
$$

其中 $Q$ 為查詢與互動量， $p_a$ 為廣告展示機率， $p_c$ 為廣告點擊或轉換機率， $v_c$ 為單次商業行為價值。

外部網站取得的自然流量則近似為：

$$
T_W=D_q\cdot p_i\cdot p_r\cdot p_v\cdot p_o
$$

其中 $D_q$ 為相關查詢需求， $p_i$ 為被索引機率， $p_r$ 為進入可見排名機率， $p_v$ 為介面可見性， $p_o$ 為外部點擊機率。

因此可能出現：

$$
R_G\uparrow
\qquad\land\qquad
T_W\downarrow
$$

更精確的觀察量應是：

$$
\eta_R=
\frac{\text{外部網站點擊}}{\text{搜尋或答案互動次數}}
$$

本文稱 $\eta_R$ 為「外部導流效率」。搜尋使用量上升並不表示 $\eta_R$ 上升。

## 3. 搜尋功能解體命題

### 命題一：功能解體

$$
\text{Search Share}
\neq
\text{Discovery Share}
\neq
\text{Answer Share}
\neq
\text{Referral Share}
$$

使用者可能先在社群平台得知事件，再到搜尋引擎驗證，最後在 AI 介面整合資料。只以最後一次查詢衡量入口，會忽略首次發現；只以網站推薦流量衡量搜尋使用，則會忽略零點擊答案。

### 命題二：來源使用與來源可見分離

$$
\text{Source Used}
\not\Rightarrow
\text{Source Visited}
$$

$$
\text{Source Influenced Answer}
\not\Rightarrow
\text{Source Recognized}
$$

生成式系統可讀取、擷取或綜合來源，而使用者未必造訪或辨識該來源。2026 年針對 Google AI Overviews 的研究已開始測量來源選擇、主張支持程度與出版者衝擊，顯示 AI 摘要不只是搜尋結果的附加層，而是新的編輯與注意力分配層。

### 命題三：單一第一入口消失

| 資訊意圖 | 可能的第一入口 |
|---|---|
| 已知網站、品牌、人物 | 搜尋引擎或網址列 |
| 商品比較與交易 | 電商、搜尋、AI 購物助手 |
| 技術解題 | AI、文件、GitHub、搜尋 |
| 影音教學 | YouTube、短影音、搜尋 |
| 新聞偶然發現 | 社群、影音、推播、聚合器 |
| 長期領域追蹤 | 個人化首頁、RSS、社群、AI 摘要 |
| 複雜研究 | AI、搜尋、資料庫與原始文件組合 |

網路入口因此由單一搜尋框轉向「分散式意圖路由」。

## 4. 無限線性搜尋問題

傳統搜尋任務可表示為：

$$
q_1\rightarrow R_1\rightarrow x_1\rightarrow q_2\rightarrow R_2\rightarrow x_2\rightarrow\cdots\rightarrow q_n
$$

每一輪都需要重新完成查詢構造、結果掃描、頁面切換、來源比較、重複排除與任務狀態回憶。總成本可寫為：

$$
C_{LS}(n)=
\sum_{i=1}^{n}
\left(
c_q^{(i)}+
c_r^{(i)}+
c_v^{(i)}+
c_s^{(i)}
\right)
$$

其中 $c_s$ 代表情境重建與狀態切換成本。對單次明確問題，線性搜尋仍極有效；對每日更新、跨來源、長週期與多專案追蹤，成本可能持續累積。

## 5. 門戶重構假說

> **門戶重構假說（PRH）：當事件式搜尋的反覆查詢、來源切換與狀態重建邊際成本，高於持續式資訊中介的建立與維護成本時，使用者將逐步由線性搜尋轉向個人化門戶或持續資訊環境。**

$$
MC_{search}>MC_{persistent}
\Rightarrow
P(\text{persistent portal adoption})\uparrow
$$

持續式入口的成本可近似為：

$$
C_P(n)=C_0+\sum_{i=1}^{n}c_m^{(i)}
$$

若：

$$
c_m<c_q+c_r+c_v+c_s
$$

則存在臨界使用次數：

$$
n^*=
\frac{C_0}
{(c_q+c_r+c_v+c_s)-c_m}
$$

當 $n>n^*$ ，持續入口的平均成本低於反覆搜尋。

## 6. 門戶的歷史螺旋

$$
\text{Directory Portal}
\rightarrow
\text{Search Engine}
\rightarrow
\text{Algorithmic Feed}
\rightarrow
\text{AI Answer Engine}
\rightarrow
\text{Personal AI Portal}
$$

舊門戶由編輯部決定所有人看什麼；演算法資訊流依平台推測偏好排序；AI 個人化門戶則開始把自然語言查詢、答案生成、使用者興趣與多種垂直資料整合在同一個持續入口。

Yahoo 於 2026 年 1 月推出 Yahoo Scout，將其描述為結合開放網路、Yahoo 資料及多個垂直產品的 AI 答案引擎；同年 3 月推出 MyScout，提供可自訂資訊卡的個人化首頁。這代表大型既有門戶業者已判斷「答案引擎＋個人化首頁」具有戰略價值。

然而，這只能驗證：

$$
\text{AI Portal Direction}
$$

尚不能驗證：

$$
\text{User-Sovereign Portal Completed}
$$

因為平台仍可能掌握隱藏使用者模型、排序目標、資料攜帶與商業最佳化。

## 7. 研究命題與可證偽條件

### H1：查詢增長—外部點擊脫鉤命題

搜尋與答案互動量增加時，外部導流效率 $\eta_R$ 可能下降。

### H2：重複任務門戶優勢命題

對每日或每週反覆執行的多來源追蹤任務，持續式入口的平均任務時間低於事件式搜尋。

### H3：新概念冷啟動限制命題

$$
D_q\approx0
\Rightarrow
T_W\approx0
$$

搜尋引擎擅長捕捉既有需求，不一定擅長創造尚未形成公共詞彙的新需求。

### H4：平台化發現命題

首次接觸資訊的比例將更多分散至社群、影音、AI 與推播介面，而非集中於通用搜尋框。

### 可證偽條件

若長期資料顯示 AI 答案普及後外部導流效率持續上升、使用者在重複資訊任務中仍普遍偏好每次重新搜尋，且個人化首頁長期留存無任何領域優勢，則門戶重構假說應被削弱或限定。

## 8. 限制

本文不主張搜尋引擎將消失，也不主張所有使用者都會採用門戶。導航、交易、在地服務、單一事實與臨時問題仍適合搜尋。本文討論的是長期追蹤、資訊過載與多來源整合情境下的相對優勢。

Yahoo 對自身使用者規模與資料資產的描述屬公司自陳；Google 對整體點擊穩定與高品質點擊的描述亦來自平台方。本文因此將平台陳述、第三方行為資料與學術測量分開處理，不把任何單一來源視為最終結論。

## 9. 結論

搜尋引擎沒有死亡。正在消失的是一個較舊的隱含契約：使用者每提出一次資訊需求，搜尋引擎就會把他送往一個外部網站。

新的結構是：

$$
\text{Search}
\rightarrow
\text{Answer}
\rightarrow
\text{Optional Source Visit}
$$

對長期資訊需求，更可能進一步變成：

$$
\text{Persistent User State}
+
\Delta\text{World}
\rightarrow
\text{Adaptive Portal}
$$

真正的歷史轉變不是 Yahoo 取代 Google，而是事件式線性搜尋逐步讓出部分功能給持續式個人資訊環境。這為 USAIE 理論提供了時代背景與必要性。

## 參考文獻

1. Alphabet Inc. (2026). *Alphabet Announces First Quarter 2026 Results*. https://abc.xyz/investor/
2. Google. (2025-08-06). *AI in Search is driving more queries and higher quality clicks*. https://blog.google/products-and-platforms/products/search/ai-search-driving-more-queries-higher-quality-clicks/
3. Chapekis, A., & Lieb, A. (2025-07-22). *Google users are less likely to click on links when an AI summary appears in the results*. Pew Research Center. https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/
4. Reuters Institute for the Study of Journalism. (2026). *Digital News Report 2026*. https://reutersinstitute.politics.ox.ac.uk/digital-news-report/2026
5. Yahoo Inc. (2026-01-27). *Introducing Yahoo Scout, a New AI Answer Engine*. https://www.yahooinc.com/press/introducing-yahoo-scout-a-new-ai-answer-engine
6. Yahoo Inc. (2026-03-11). *Yahoo Introduces MyScout, the First Personalized Homepage for AI Answers*. https://www.yahooinc.com/press/yahoo-introduces-myscout-the-first-personalized-homepage-for-ai-answers
7. Khosravi, M., & Yoganarasimhan, H. (2026). *Impact of AI Search Summaries on Website Traffic: Evidence from Google AI Overviews and Wikipedia*. arXiv:2602.18455. https://arxiv.org/abs/2602.18455
8. Xu, H., Iqbal, U., & Montgomery, J. M. (2026). *Measuring Google AI Overviews: Activation, Source Quality, Claim Fidelity, and Publisher Impact*. arXiv:2605.14021. https://arxiv.org/abs/2605.14021
9. Liu, J., et al. (2026). *From Hidden Profiles to Governable Personalization: Recommender Systems in the Age of LLM Agents*. arXiv:2604.20065. https://arxiv.org/abs/2604.20065
10. Lin, J., et al. (2026). *LLM Agents Enable User-Governed Personalization Beyond Platform Boundaries*. arXiv:2605.09794. https://arxiv.org/abs/2605.09794
11. Wang, W., et al. (2022). *User-controllable Recommendation Against Filter Bubbles*. Proceedings of SIGIR 2022. https://doi.org/10.1145/3477495.3532075
12. Neo.K（許筌崴）. (2026-02). 《真 Yahoo 白皮書：AI 驅動的個人化門戶革命》v1.0，內部概念稿。
13. Neo.K（許筌崴）. (2026-06). 《Mini True Yahoo 技術白皮書：AI 預讀、即時渲染控制與個人化資訊入口》v0.3，內部技術稿。