Category: Uncategorized

原文地址：https://about.ads.microsoft.com/en/blog/post/january-2026/from-discovery-to-influence-a-guide-to-aeo-and-geo 赋能零售商的实用数据策略：应对AI搜索、AI助手与AI浏览器的时代 当购物者向AI助手询问“一款轻便、能装笔记本电脑、且不显得过于商务的登机箱”时，你的品牌如何才能进入考虑范围？传统SEO能帮你获得流量，但无法让你赢得AI时代的推荐。AI助手、浏览器和智能体正在以全新的方式评估和解读你的数据，要想出现在它们的推荐中，你需要一套不同的准备方案。 全新的发现场景目标不再是流量，而是影响力。 AI助手、浏览器和智能体不仅仅是索引你的网站。它们会对你站内外的数据进行推理，并判断你的品牌是否值得推荐。这一判断取决于你产品信息的完整性、即时性和情境相关性。每一个细节、优点和价格信号都至关重要。 SEO是你在传统搜索中制胜的法宝。而要在AI驱动的发现中赢得推荐，则需要依靠AEO和GEO。AEO驱动清晰度——提供精准、实时、AI可解读的数据。GEO驱动可信度——打造能确立品牌权威性的内容。这就是新的游戏规则。 为何抢占先机至关重要智能体商业仍处于早期阶段，这意味着大多数品牌尚未参透其中关窍。现在就行动的品牌，不仅能在关键时刻被“发现”，更将成为其他品牌竞相追赶的标杆。 目前，大多数品牌仍将产品数据视为需要维护的“信息流”，而非战略资产。而先行者正在为AI可读性审计产品目录，填补情境信息缺口，并构建系统以确保数据在所有三个渠道中保持鲜活。 行动指南我们为那些准备好在AI驱动发现场景中崭露头角的品牌准备了一份行动指南，无论是通过AI助手回答问题、浏览器推荐商品，还是智能体完成购买。内容包括：AEO与GEO在不同场景下的差异化应用、决定你是否被“看见”的三个数据渠道，以及关键洞察，例如：

via https://getstat.com/blog/ai-search-seo-tactics 随着 AI 搜索的持续发展，本文将探讨其相关策略与传统 SEO 的差异所在，以及二者的契合点。 如今，AI 搜索已成为 SEO 领域的重要组成部分。但在未来数年，甚至可能到 2026 年底前，AI 概览、AI 模式以及 ChatGPT 的形态大概率都会发生变化。 但我们可以确定的是，无论未来的搜索形态如何，都将深度融合大量生成式 AI 增强功能。同时也能肯定，ChatGPT…

via https://salt.agency/blog/seo-backlog/ SEO 策略的失败，往往并非源于洞察不足，而是因为优化方案始终未能落地。 每一项未落地的 SEO 优化措施，都在让你的营销预算产生叠加式的损耗。 定期的 SEO 审计能找出核心问题，为你列出具体的优化行动清单，助力提升搜索表现、解决网站各类问题，但最终的效果提升，终究要靠把这些待办事项逐一完成。 问题的关键，从不是知道该落地哪些优化，而是该由谁来执行。默认情况下，不少 SEO 相关的技术工作都会推给开发团队，可实际上，很多优化措施根本无需开发人员介入。 SEO 待办清单里的诸多任务，营销团队和内容团队完全可以独立完成，既节省时间，又能更快看到效果。践行这种非开发式 SEO的思路，是清理工作积压、提升搜索表现的最优解。 什么是非开发式 SEO？ 非开发式 SEO…

原文地址：https://moz.com/blog/how-to-build-ai-citations-whiteboard-friday 欢迎来到本期白板星期五。我是查理，曝光忍者公司的首席执行官，今天我将为大家讲解 AI 引文搭建的相关内容：究竟什么是 AI 引文，以及我们具体该如何搭建。 大家是否曾希望，无论是为自己的企业还是服务客户，能让自家网站在 ChatGPT 中获得更高的曝光排名？而搭建 AI 引文，就能帮我们实现这一目标。 你的网站流量是否正被 AI 概览板块分流？ 不妨借助关键词探索工具的 AI 概览专属功能，调整你的关键词策略。 什么是 AI 引文？…

原文地址：https://ipullrank.com/google-patents-and-leaks 当一家市值千亿的企业坐镇整个SEO行业的中心，你很难全盘相信他们所说的一切。 层出不穷的新闻发布会，发言人们模棱两可的引述，瞬间就能让行业陷入混乱——但这并非无法应对。 真相隐藏在纷繁信息之中，关键在于你是否懂得如何发掘。 从专利文件、内部泄露到官方公关声明，需要过滤的信息浩如烟海。不过，解析谷歌所发布信息的方式其实有很多。这篇博客将教你如何解读其背后的真实含义，从模糊的企业话术中分辨虚实。 理解谷歌专利 多年来，知名SEO研究员比尔·斯劳斯基一直走在分析谷歌专利的前沿。自他2022年离世后，薪火相传的方式与其说是传递，不如说是分散到了多位试图接续其工作的SEO从业者手中。 专利观察员与泄露信息分析师迈克·金仍推崇比尔的工作，并建议任何专利新手都应阅读他在”SEO by the Sea”网站上的研究，并熟悉其内容。这样，你将开始理解并识别谷歌使用的术语。 “难点在于专利文件的写作总是非常艰深，”迈克如此评价这些专利，”它们本就不是为了易读而撰写的。” 专利之所以这样写是故意的，通过模糊的措辞和宽泛的描述，在法律上为谷歌覆盖所有基础。 迈克多年前开始深入研究专利，是因为听到许多工程师和谷歌员工使用一些他起初不理解的术语。于是他通过专利搜索这些相同的词汇，以了解大家究竟在谈论什么。最近，迈克深入研究了”AI模式”的专利及其运作机制。 在SEO领域，专家们有所发现并在会议上分享。迈克指出，谷歌也通过在其面向工程师的会议上分享论文和信息来发布其研究成果。”所有这些人在互相交流想法，并在此基础上不断构建。”迈克说道。 现在我们对专利有了基本认识，接下来看看去哪里查找以及如何阅读它们。 专利搜索渠道你可以轻松找到专利申请及其状态的主要渠道有以下几个： 务必使用特定关键短语来筛选搜索结果。 例如，如果你使用的不是谷歌的官方专利目录网站，可以添加搜索运算符assignee:”Google LLC”来缩小范围。 你还可以使用CPC（联合专利分类）代码，例如G06F 16/00（信息检索），来查找按技术分类而不仅仅是按关键词分组的专利。…

原文地址：https://www.mariehaynes.com/what-if-user-satisfaction-is-the-most-important-factor-in-seo/ 让我看看能否说服你！ 我在视频中分享了许多内容，并在下方文章中总结了我的观点。此外，这是我上周内就此话题撰写的第二篇博客文章。关于用户数据及谷歌如何运用这些数据，更多详细信息可查阅我之前的博客文章。 排名机制包含三大组成部分从谷歌反垄断案庭审中我们了解到，谷歌的排名流程主要涉及三大组成部分： 1.传统系统用于初始排名2.人工智能系统（如RankBrain、DeepRank和RankEmbed BERT）对前20-30个文档进行重新排序3.这些系统依据质量评估员的评分进行优化调整，而在我看来更重要的是基于实时用户测试结果进行调整谷歌反垄断案庭审详细讨论了谷歌如何凭借海量用户数据获得巨大优势。在上诉中，谷歌表示不愿遵从法官要求其向竞争对手移交用户数据的裁决。他们列举了两种利用用户数据的途径：一是通过名为”粘合剂”的系统，该系统整合了Navboost来分析用户的点击与互动行为；二是在RankEmbed模型中运用用户数据。 RankEmbed模型非常精妙。它将用户的搜索查询映射至向量空间，与该查询可能相关的内容会被定位在邻近区域。该模型的优化依据两个方面： 2) 真实环境下的实时实验：小部分真实搜索用户会看到来自旧算法与新训练算法的对比结果。他们的点击与互动行为有助于优化系统。 这些系统的终极目标，是持续提升搜索结果排名以满足搜索者的需求。 关于实时测试的进一步思考——用户告诉谷歌的是“有帮助的页面类型”，而非具体页面我意识到，谷歌的实时用户测试不仅是为了收集特定页面的数据，更重要的是训练系统识别规律模式。谷歌未必通过追踪每一次用户互动来为某个具体网址排名，而是在利用这些数据教会他们的人工智能识别什么才是“有帮助的”内容。系统通过学习识别那些能满足用户意图的内容类型，进而预测你的网站是否符合这种成功模式。 他们将持续改进预测哪些内容可能更有帮助的流程。这显然远远超越了简单的向量搜索。谷歌正在不断探索理解用户意图及如何满足意图的新方法。 这对SEO意味着什么如果你的网站能在搜索结果前几页中占据一席之地，说明你已经成功说服传统排名系统让你进入排名竞争。 进入前列后，众多人工智能系统便开始运作，预测哪些顶部结果真正最适合搜索者。随着谷歌开始在Gemini和AI模式中运用“个人化智能”，这一点变得尤为重要——我的搜索结果将根据谷歌系统认为对我有帮助的内容进行量身定制。 一旦开始理解人工智能系统如何进行搜索（主要依赖向量搜索），很容易让人想要尝试逆向工程这些系统。如果你通过深入理解向量搜索的偏好（包括使用余弦相似度等方法）进行优化，本质上是在努力让人工智能系统青睐你。但我想提醒：切忌在这方面钻得太深。 考虑到这些系统正持续优化，以不断提供最令搜索者满意的结果，单纯让人工智能青睐远不及真正成为最有帮助的结果来得重要。 我认为，除非你的内容确实属于用户最终觉得比其他选择更有帮助的类型，否则针对向量搜索进行优化可能弊大于利。因为若不如此，你很可能会在无意中“训练”人工智能系统不再偏爱你 我的建议 我的建议是：宽松地进行向量搜索优化。我指的是不要过度纠结于关键词和余弦相似度，而应致力于理解你的受众想要什么，并确保你的页面能满足他们的具体需求。 那么，利用对谷歌“查询扩展”的了解是否有帮助呢？在某种程度上是的，因为了解用户围绕某个查询通常会有什么问题是有益的。但是，我认为我之前的担忧在这里同样适用。如果你在试图满足查询扩展的人工智能系统看来表现优异，但用户往往不认同，或者与竞争对手相比，你缺乏其他与“有帮助性”相关的特质，你反而可能“训练”谷歌的系统减少对你的偏爱。 善用标题——不是给人工智能系统看，而是帮助你的读者理解他们寻找的内容就在你的页面上。…

原文地址：https://sparktoro.com/blog/new-research-ais-are-highly-inconsistent-when-recommending-brands-or-products-marketers-should-take-care-when-tracking-ai-visibility/ 问题所在： 过去几年里，企业为追踪其品牌和产品在人工智能中的可见度投入了巨额资金。据估计，每年在这类新型搜索分析上的花费已超过1亿美元。然而，我发现完全没有研究能证明，当要求AI工具列出品牌/产品推荐时，其推荐结果是否具备足够的一致性，从而能产出有效的可见度指标。关于AI准确性的研究有很多（事实上，我们这项工作就以卡内基梅隆大学的《评估LLM一致性：用户基线vs代理指标》为模型），但在回答ChatGPT、Claude或Google AI等工具生成的推荐列表是否足够一致、从而值得有效追踪这个问题上…… 一片空白。 如果你向ChatGPT请求品牌推荐列表100次，会得到多少种不同的答案？什么鬼？！ 任何认真的高管，怎么可能在没有得到这个基本问题（以及由此衍生的几十个重要后续问题）答案的情况下，就心甘情愿地花费数千甚至数百万美元购买AI追踪服务？ 解决方案： 每当我看到又有品牌将本就不断缩减的营销预算砸在“追踪AI排名”上时，与其每次都怒火中烧，我决定亲自（在他人帮助下）开展这项研究。帕特里克·奥唐奈是我的一位老朋友（我们经常一起玩《龙与地下城》），去年他加入了西雅图的AI追踪领域初创公司Gumshoe.ai。利益冲突？嗯，也许吧。但鉴于我本身就是一个坚定的怀疑论者，早已认定AI追踪是场骗局，而帕特里克冷静沉稳，能获取数百万个AI响应数据点，并且愿意运用他的数学专业背景和编程技能，这使他成为了绝佳的研究伙伴。而且我保证（你也会看到），在研究过程中我毫不留情地质询了所有环节。 我们实验的假设是： AI工具生成的推荐列表随机性太高，而用户的提示词又千差万别，以至于试图追踪某个品牌/产品在特定主题领域或用户意图下的排名或可见度是毫无意义的（钱太多的品牌还不如直接付钱给ChatGPT等公司，买它们即将推出的广告产品中的曝光数据）。 第一步： 找一群人反复运行相同的AI提示词，并记录结果。 我们的选择是： 我们选取了美国最受欢迎的三款AI工具：ChatGPT、Claude，以及谷歌搜索的“AI概览”（如果未显示AI概览，则使用“AI模式”）。600名志愿者通过这三款工具，总共执行了2,961次测试，针对12组不同的提示词。他们将AI工具的回复复制并粘贴到调查表中，随后由帕特里克（以及我的新任幕僚长克里斯蒂·莫里森）将这些回复整理、规范化为有序的产品/品牌结果列表。 那么，这些品牌列表的差异性究竟有多大呢？ 上图所示提示语——“预算在300美元以内，适合业余家庭厨师使用的顶级厨师刀品牌和型号有哪些？”——是我们为面向消费者的产品类别选定的十二个提示语之一。我们试图涵盖多个行业领域以及各种推荐品牌/产品数量预期不同的场景。 下方，我将十二组提示语（每组重复测试60-100次）所产生的、极其丰富的品牌/产品列表组合进行了可视化呈现： 图中绿色（ChatGPT）、橙色（Claude）和蓝色（Google AI）柱状图分别展示了AI针对提示语所推荐的独特品牌、产品及实体的数量。虽然数据分布看似散乱，但实际上这与AI语料库中围绕该主题的文档常提及的实体数量密切相关（例如，洛杉矶的沃尔沃经销商不足十家，而近期出版的科幻小说却有成千上万）。同时，粉色散点状标记（绘制在次坐标轴上）显示了AI工具给出的平均回答数量（这是另一个使排名/可见度问题复杂化的因素）。 如果你向某个AI工具进行一百次品牌/产品推荐请求，几乎每次回答都会在以下三个方面呈现独特性： 那么，这些AI工具在呈现列表时的不一致性究竟有多高？下图揭示了一个极具说服力的事实 从数学角度量化来看： 如果你向ChatGPT或Google AI提出100次相同请求，任意两次得到完全相同品牌列表的概率低于1%。Claude在百次请求中给出两次相同列表的概率略高一些，但以相同顺序呈现的概率甚至更低。 实际上，在推荐排序顺序方面，AI工具的回答随机性极高——你大概需要尝试一千次，才可能看到两次顺序完全相同的列表。而且我们甚至没有收集AI如何描述每个品牌，或推荐背后情感倾向（正面/负面）的数据。 核心结论是： AI无法提供一致的品牌或产品推荐列表。如果你对某次回答不满意，或者你的品牌没有出现在期望的位置，多问几次就好了。…

原文：https://seranking.com/blog/review-platforms-in-ai-overviews/ 要在AI回答中作为推荐被提及，你显然需要一个内容丰富、信息清晰且结构良好的网站。但仅有你自己的网站是不够的。大型语言模型在构建回答时，还会参考外部信息来源。而在这些来源中，评论平台常常扮演重要角色。 如今，G2从Gartner手中收购了Capterra、Software Advice和GetApp，这使局面变得更加有趣。此举让G2在决定哪些产品出现在AI答案中具有更大的影响力。 为了确切了解评论平台在AI摘要中的可见度，我们分析了30,000个商业关键词（即用于评估产品/服务的关键词），并追踪了23个主要评论平台在AI答案中的出现情况。 以下是我们的详细发现。 核心要点 评论平台在AI摘要中的整体表现你可能会认为，每当谷歌的AI回答关于产品的问题时，会严重依赖像Gartner Peer Insights、G2和Capterra这样知名的评论网站。毕竟，这些是我们多年来在购买前查看用户体验、评分和专家见解所依赖的网站。 但现实情况有些不同。 我们分析了22,729个AI摘要查询，原本预期评论平台会在大多数情况下出现。然而，实际上只有34.5%的AI摘要引用了至少一个评论平台。 换句话说：大约每三个AI摘要中就有一个会从评论网站提取信息。这个比例虽然可观，但也意味着有三分之二的AI摘要完全依赖于其他类型的来源。 这表明谷歌的AI相当有选择性。它并非简单地堆叠那些”显而易见”的来源，而是会寻找可信度、权威性和结构化信息——有时，大型评论平台并非其首选。 现在，让我们超越”是否出现”这一层面，深入考察评论平台在出现时的实际贡献。 平均每个AI摘要包含9.29个总链接，而评论平台平均每个回答仅贡献0.73个链接。这只是很小一部分，对吧？但关键点在于：当评论平台确实出现时，它常常会多次被引用。 在那些包含评论网站的AI摘要中，平均每个回答会出现2.28个评论平台链接。这个数字统计了所有链接，即使多个链接指向同一个评论网站。 （内容标注：关于AI摘要中出现多少个评论平台链接的说明/图示） 因此，AI摘要可能会链接到G2来总结用户评分，然后链接到Capterra进行功能比较，最后链接到TrustRadius了解优缺点。或者，它也可能从同一个平台获取所有这些信息。具体采用哪种方式，取决于可用来源的质量、完整性和结构等因素。 接下来有趣的部分来了。如果我们不再统计总链接数，转而观察不同的（唯一的）评论平台，模式就会发生变化。…

原文地址：https://thegray.company/blog/writing-seo-tickets 在SEO产品管理中，没有什么比撰写出色的SEO工单更能赢得产品与工程团队的信任了。 这是因为工单的质量，对于工作规划和完成的效率——更不用说最终成果的成功——有着天壤之别。它们不仅仅是记录任务，更是连接SEO策略与技术执行的桥梁。 综上所述，SEO产品经理与开发人员有效协作的能力，很大程度上取决于撰写、提交和管理工单的能力。 那么，让我们深入探讨如何做好这件事，包括你可以根据所在组织的标准系统和格式进行调整的SEO工单示例。 为什么撰写优秀的工单如此重要？就像拼图盒子一样，工程工单标准化了请求的打包方式，使开发人员能够更轻松地评估难度、理解需求、明确目标并比较项目。 提交一份写得糟糕的SEO工单，就像问别人是否想玩拼图，然后只给他们一些碎片，却没有盒子上的参考图。他们会有很多疑问，完成时间会大大延长，而且很可能，他们会选择去玩另一副拼图。 一份结构良好、清晰全面的SEO工单，就像是给开发人员一个完整的拼图盒子。它能提升效率、传达更大的目标、分享所有碎片——全都包装在一个大家都能理解的形式里。这让开发人员能够运用他们的工具和才能，正确地将碎片拼合起来，形成预期中的大局。 （一张微笑海豹表情包特写，配文：“当开发人员打开一份写得很好的SEO工单时。”） 优秀的工单通过消除来回沟通以获取完整背景的需求，简化了开发周期。前期清晰明了可以为每个人在后期节省大量的时间和精力。 常见的SEO工单类型不同类型的工作有不同的最终目标，无论是创建新内容、修复问题，还是进行研究。 以下三大类别分别代表了不同类型的工单。根据组织不同，每个类别中可能包含多种工单类型。 作为SEO产品经理，你的部分职责是理解你提交的工单类型。从SEO角度看某件事可能感觉是“坏了”，但从开发人员的角度来看，它可能是一项新功能。 例如，如果某些内容仅通过JavaScript提供，并且这影响了自然搜索表现，这在SEO看来可能像一个bug。但对开发人员来说，以更SEO友好的方式提供该内容是一项新功能。现有功能并没有“坏掉”。 通常，每个组织都会为新增工作、修复现有工作和研究使用不同的工单类型。然而，名称可能有所不同：在某个企业称为“故事”的，在另一个企业可能叫“功能请求”——或者“缺陷”可能被称为“bug”工单。 优秀SEO工单的组成部分有哪些？SEO工单通常为每种工单类型使用标准化的框架。这确保了请求的传达清晰、完整且一致。 每个工单都包含相同的关键组成部分，因为它们对于设定背景和促进高效工作至关重要。 在我们逐一分析这些组成部分时，我们将跟随一个示例故事工单，以便你能看到它们是如何结合在一起的。 撰写SEO工单的最佳实践在构思工单及其各个组成部分时，作为SEO产品经理，你需要考虑以下几点： 在开发生命周期中管理工单开发生命周期在不同的企业中可能看起来略有不同。…

via https://not-a-robot.com/blog/3-furbies-in-a-trenchcoat/ 好吧，我猜在座的各位至少都被客户或利益相关者问过一个关于ChatGPT的问题。 有吗？希望没有涉及预算的那种（真是谢谢他们了）。 无论你的经历是惊悚还是搞笑，现在或许是时候揭开那个热门流行语的真面目了。 ChatGPT是一个大型语言模型。LLM是一种学习算法，能够利用非常庞大的文本数据集来识别、总结、翻译、预测和生成语言。 还记得菲比精灵吗？这些与魔鬼交易的小玩意儿，用一个玩具设计师的灵魂换来了一个固定词汇库、听取关键词的能力，甚至还能学习几个新词。它们会用这些关键词和一种可翻译的混合语言“菲比语”来回应。 [趣闻：我的那只菲比精灵听了太多关于它被附身的玩笑，后来竟然开始说“谋杀”了。真是完美的童年玩具。] ChatGPT基本上是1998年黑色星期五抢购战利品的一个超大、超大号版本。 菲比精灵懂60个参数（”爱”、”朋友”、”快乐”、”杀”等），而ChatGPT懂1750亿个。 但是，如果ChatGPT注定要从谷歌那里争夺市场份额，那基本上就等于让SEO们去优化……给巨型菲比精灵看的东西。 “生成式AI” 利用这个新扩展的词汇库来复制模式。它并不具备创造力，但擅长重新排列组合文字。 JinaAI对这个运作机制做了很棒的简洁描述： 当你输入一个查询时： 正因如此，我才建议你们去看他们那份关于大型语言模型优化的指南。 LLMO是新生事物。本文创造了这个术语，并对其机制和共有概念进行了粗略的勾勒。