AI 引用研究：Stack Overflow 是否被 AI 引用？

Stack Overflow是一个公开档案库，内容采用统一的格式：一个精确的技术问题，若干回答，投票，通常还有一个被采纳的解决方案。每个讨论串都把问题与经其他开发者核实过的修复方法配对在一起，这正是语言模型最擅长学习的材料。

使它成为有用来源的三个特点:

• 逐字引用的报错信息，与用户粘贴到聊天机器人中的内容一致。
• 代码片段，附有解释和注释，指出边界情况。
• 社区信号（投票、被采纳的回答、编辑记录），显示哪种解决方案真正有效。

内容以要求署名的知识共享许可发布。2024年，Stack Overflow宣布与Google和OpenAI达成协议，允许其AI产品使用其内容，并注明原始讨论串的出处。

当问题狭窄且偏技术时，就会出现引用，例如「TypeError: cannot read properties of undefined in React」「how to undo the last git commit」「Python list comprehension with two conditions」「why does my SQL join return duplicates」。当助手进行网页搜索时，Stack Overflow的讨论串常常是最接近的匹配结果之一。

关于公司、产品或服务的问题几乎不会引向那里。“哪款CRM适合小型代理商”或“这家网站托管商是否可靠”在Stack Overflow上没有答案，该站规则会关闭索取工具或产品推荐的请求。

本数据集背后的问题大多涉及企业及其市场，因此Stack Overflow在这里很少被引用。这更多反映的是问题类型，而非该网站的权威性。

Stack Overflow的大部分价值已通过训练进入AI模型。多年来，Stack Exchange网络一直公开发布其公开内容的数据转储，模型已充分吸收常见的修复方法，以至于能凭记忆直接写出。由记忆生成的回答没有可以展示的链接。

检索习惯决定了其余部分。Perplexity会对每个问题进行搜索并显示来源，因此当调试查询与某个讨论串高度匹配时，该讨论串可能出现。基于Google搜索的Gemini，以及开启搜索功能的ChatGPT，主要在罕见或最新的报错时才会展示讨论串。Grok可能会加入X平台上的开发者帖子，而Claude通常自己写出修复方案，只有在使用网页搜索时才会链接到某个讨论串。

对话式助手普及之后，网站本身也发生了变化。新提问数量明显下降，因为许多开发者现在会先问聊天机器人。档案依然存在，但较新的框架和版本得到的新讨论串较少。

较低的引用率并不意味着Stack Overflow无关紧要。对于开发者工具、API或技术产品而言，即便页面上没有显示链接，其中的讨论串仍会影响模型描述和排查该产品问题的方式。

这些数据有两点局限。只统计stackoverflow.com，而Stack Exchange网络的姊妹站（如Super User或Server Fault）有各自的域名。对于没有技术受众的企业，该网站则完全不在回答客户问题的来源范围之内。