Category: Uncategorized

via https://searchengineland.com/geo-metrics-to-track-476642 AI 搜索正在为品牌创造新的可见性鸿沟。以下这些指标可帮助您追踪自己在各平台上的存在感、影响力和被纳入情况。 搜索可见性不再以排名为起点和终点。AI 驱动的搜索已经改变了发现行为发生的地方——在 Google、ChatGPT、Perplexity 以及其他平台之上。 生成式引擎优化（GEO）正是品牌适应这种变化的方式，它决定了品牌在这些系统内如何被检索和呈现。 传统的 SEO 指标会错过这种可见性中越来越大的一部分。如今，页面会被总结、摘录和引用，而点击变得可有可无，归因也变得分散。当 AI 生成的摘要出现时，用户点击传统搜索结果的频率大幅下降——有一项分析显示，仅为 8% 的时间。 这就造成了一个测量缺口。评估这一缺口正是 GEO 指标的用武之地。 生成式搜索中可见性意味着什么…

via https://moz.com/blog/what-is-index-bloat-whiteboard-friday Moz的粉丝们，周五快乐。今天我想谈谈索引膨胀。 这是一个相当常见的问题，尤其会影响大型网站，但有时中型网站也会中招。我想说的是，如果你在中型或大型网站工作，这绝对是你应该关注的问题。至少应该检查过一次。它确实影响了很多网站。值得检查一下这是否会影响到你。这是我和很多其他SEO人员长期以来以及最近都看到过非常好效果的一个领域。尽管如此，我认为在行业内，这个问题相对而言并没有得到很好的总结和讨论，这其中有一些原因，我稍后会讲到。 理解索引膨胀 （图示：说明索引膨胀如何发生以及如何识别它） 但在深入讨论之前，我只想解释一下这个概念。我放了这张图是为了提供一点背景，这样我接下来要说的内容就更容易理解了。这个外框，也就是整个图，代表了你网站上的所有URL，所有可能存在、可以存在的URL，包括没人试过的参数等等，也就是能返回200状态码和一个有效页面的最大可能的URL集合。 在这个大集合里面，我画了一些更小的子集。下一个是Google已发现的URL。如果Google看到了这个URL——可能还没爬取，可能还没索引，但已经看到了这个URL，知道它存在——这就是下一个子集。如果你的红色框和蓝色框之间差距很大，那可能意味着存在抓取预算方面的问题。但这并不是我们今天要讨论的内容。 如果一个URL已被发现，它不一定被索引。所以已索引的URL是另一个更小的子集。如果URL已被发现但未被索引，可能也有一些原因。Google可能根据其他信号认为该页面不重要；你可能设置了不让它索引；你可能给了一个noindex标签之类的。所以这又是一个更小的子集。同样，我们今天也不一定讨论这个差距。 然后是已索引的页面与有实际流量的页面。什么算作页面有实际流量可能因网站而异。你可以有自己的定义。但是，如果已索引的URL数量与获得任何有意义的非零流量的URL数量之间存在巨大差距，那就意味着存在索引膨胀问题，这就是我今天想讨论的内容。 不要错过任何影响网站流量的问题使用Moz Pro快速查找并修复技术性SEO问题。 什么不是索引膨胀 索引膨胀不是抓取预算，也不是关键词蚕食。 在我深入之前，为了完全讲清楚，我想快速区分一下我刚才提到的几个概念。我说的不是抓取预算。如前所述，抓取预算是当你有很多URL，Google根本不会去抓取它们。也许你产生URL的速度太快了，你网站上的URL数量非常非常大。这可能影响新闻网站，或者有时影响大型论坛。 我也不是讨论关键词蚕食。这是一个相关的概念。通常，当你有大量已索引页面没有流量时，是因为它们的主题太相似了。但从理论上讲，一个只有三个页面的网站也可能存在关键词蚕食问题，如果它们都大致关于同一件事的话。这并非我今天要讲的重点。我讲的是一个更大规模的问题。 所以我们专门讨论我之前提到的黄色框和绿色框之间的差异。在所有已索引的URL中，有多少是Google根本懒得发送任何有意义的流量或在搜索结果中展示的？ 为什么索引膨胀是个问题？ 我们为什么在乎？为什么这是个问题？那又怎样？我有大量已索引页面没有流量，有什么大不了的？ 首先，我们得推测一下Google是如何处理这些页面的，为什么会这样，以及为什么我们看到了这样的结果。这主要是基于行业内的经验，Google从来没有为我们明确解释过。但我们怀疑，如果你有很多页面没有获得流量，这会传递一个质量信号，这个信号可能会影响你的整个网站，或者至少是网站的某些部分。因此，如果你有大量页面内容非常单薄、没什么实质内容，或者用户点进去后发现它们没有回答问题、有点多余，然后又返回到搜索结果，这可能会影响你的整个网站。这是我们关心这个问题的部分原因。…

via https://moz.com/blog/vibe-coding-seo-tools-whiteboard-friday 准备好学习如何使用 ChatGPT 和 Google Colab 随心编程打造定制化 SEO 工具了吗？Gus Pelogia 分享了 5 个自动化创意，包括实体追踪和 hreflang 匹配，帮你节省时间。 （白板数字化版本，概述了随心编程打造自有 SEO 工具的想法和步骤）点击上方白板图片可打开高清大图！ 大家好。我是…

原文地址：https://moz.com/blog/how-to-integrate-pr-and-seo-for-maximum-brand-visibility 如果你的公关、SEO和内容团队感觉像是各自独立运作的星球（很少沟通、很少协作），那么你并不孤单。许多组织都受困于孤岛式的工作流程，导致重复劳动、错失曝光机会，以及内容在一个渠道表现良好，在其他渠道却停滞不前的问题。 当公关和SEO各自为战时，品牌会错失完整的可发现性光谱：那些尚未搜索你的用户、正在积极搜索你的用户，以及介于两者之间的所有人群。 整合公关与SEO能够弥合这些鸿沟。公关可以通过媒体报道、网红合作和叙事营销将品牌介绍给新受众，而SEO则能确保内容在新闻周期结束后仍能长期保持可发现性。两者结合，可以在搜索引擎、社交平台和编辑生态系统中扩大覆盖面。在本文中，你将学习如何打破孤岛式流程、获得领导层的支持，并构建一套统一的方法，同时提升品牌的可见度和权威性。 你的品牌实力如何？使用 Moz Pro 精确计算你的品牌权威度。 孤岛式策略的问题 当公关和SEO各自为战时，品牌体验会变得支离破碎。团队面临着工作重复、忽视关键KPI、无法在各渠道满足受众期望的风险。这种脱节会损害可发现性和可信度……最终侵蚀公众信任。 一个典型的孤岛式信息传递失败的例子是百事可乐2017年的肯达尔·詹娜广告。虽然主要失误在于该活动缺乏真实性，但更深层的问题是品牌的广告、公关回应和数字内容之间缺乏对齐。一旦公众批评升级，百事没有统一的信息或配套的网站内容来强化其立场。如果在事件早期，公关、SEO、内容和营销团队能够协同一致，百事本可以构建一个连贯的叙事，并有清晰、可获取且可信的资源作为支撑，从而在危机期间更好地维护品牌声誉。 当品牌未能整合公关和SEO时，它们会面临信息混乱、可见度下降以及公众信心削弱的风险。而当它们以战略方式将两者结合时，就能建立起权威性、可信度和长期的可发现性。 整合公关与SEO的好处 图示：概述整合公关与SEO的好处。 当公关和SEO协同工作时，它们能够释放品牌一致性、更广泛的覆盖面和可衡量的成果。公关的叙事能力建立情感连接并塑造公众认知，而SEO则用数据、技术结构和搜索可见性为这些工作打下基础。共享信息变得更容易，内容变得更可信，而赢得媒体通过搜索引擎结果页（SERP）、AI概览（AIO）等渠道获得更长的生命周期。 你正在流失流量给AI概览吗？利用Keyword Explorer中的AIO功能调整你的关键词策略。 公关常常被误解为仅仅是新闻稿和链接建设，就像SEO常常被简化为关键词研究一样。实际上，这两个领域都需要深度的策略。公关通过自有、赢得和共享渠道建立信任并塑造声誉，而SEO则优化站内和站外内容以确保可发现性。尽管执行方式不同，但两个学科都围绕着一个核心：理解受众——他们需要什么、关心什么，以及什么能赢得他们的信任。 这两个领域也都面临着关于“操纵”的误解。“公关包装”（即把叙事美化得比实际情况更好听，比如将大规模裁员重新包装为“战略性 workforce…

via https://ipullrank.com/ai-search-manual/geo 无论是 Google 搜索中的 AI 概览、ChatGPT 中的对话式回复，还是 Perplexity 中的综合答案，内容创作者和企业现在面临的问题是如何在所有这些地方出现。 让我们来看一些可能实现这一目标的方法。 具体性和可提取的数据点 生成式引擎在其摘要中会验证、比较，并且经常引用内容。在这个过程中，具体的事实、数字、日期和可量化的数据点成为关键信号。你的内容越具体，就越有可能被选择、综合和呈现。 重点关注： 可衡量的数据有助于 AI 系统评估内容是否可信，从而使它们能够更自信地总结、跨多个来源对齐事实，并将你的内容识别为答案中可靠的贡献部分。 结构化数据与元信号 生成式 AI…

via https://ipullrank.com/ai-search-manual/query-fan-out 生成式搜索时代下对查询的重新思考 当搜索由确定性排序系统驱动时，查询是整个体验的重力中心。用户输入一个短语，搜索引擎尽最大努力将这些精确的词与倒排索引中的词项进行匹配。匹配到更多词项、且在更重要位置匹配到的文档，得分更高。从输入到输出，查询是静态的，它的角色也很直接：它是审视索引的唯一透镜。 这种架构是关键词优先、文档其次，你在 SEO 中所做的一切都反映了这种关系。你挑选一组值得排名的查询，然后优化你的页面以与这些查询对齐，整个游戏就是让那些文档成为与该字符串最相关、最权威的匹配。 生成式搜索已经使这种方法过时了。在这个新的检索与综合流程中，用户键入的查询并非系统用来收集信息的查询。相反，初始输入被视为一个高层级的提示，一个触发更广泛探索相关问题和潜在用户需求的线索。系统会分解查询，以多种形式重写它，生成推测性的后续问题，并将每个变体路由到不同的来源。返回的结果不是一个单一的排名列表，而是一组候选内容块，系统会对其进行重排序、过滤和编译，以形成综合答案。 这一变化的影响怎么强调都不为过。它意味着，匹配用户查询的字面词句已不再足以保证被检索到，更不用说被包含在最终答案中。真正的竞争现在发生在子查询层面。你的内容不仅需要与原始措辞相关，还需要与系统在其扩展阶段可能生成的一系列相关和相邻的意图相关。 让我们回到用户搜索“最佳半程马拉松训练计划”的例子。在旧范式中，搜索引擎会使用那个确切的字符串或接近的词法变体来对文档评分。在生成式范式中，这个单一的查询成为一棵扩展树的种子： 系统不再寻找单一的完美匹配。它正在构建一个证据组合来构建答案，而原始查询只是该组合的一小部分。 更重要的是，随着 ChatGPT 更新到 5.2 模型，它现在会生成更长尾的查询并执行最小限度的扇出。这意味着营销人员需要确切知道客户想要什么，并提供相应的内容。由于生成的扇出变少，你需要涵盖所有那些内容，否则就不会被引用。 阶段 1 —— 查询扩展与潜在意图挖掘…

via https://ipullrank.com/ai-search-manual/search-architecture 生成式 AI 搜索系统并非铁板一块。虽然它们共享一些共同的架构元素——基于嵌入的检索、重排序层和 LLM 综合——但每个平台实现方式不同，在速度、透明度和结果质量上各有取舍。对于 GEO 从业者来说，理解这些架构差异至关重要：在 Google AI 模式中有效的特定优化手段，在 Perplexity AI 中可能毫无作用，反之亦然。 本章将深入解析主流 AI 搜索系统的内部运作机制。我们将探讨它们的检索流程、索引策略、综合层和界面选择，然后总结每一点对于优化内容可见性和包含度的意义。 RAG ——…

via https://ipullrank.com/ai-search-manual/ir-evolution “前神经时代基础：早期信息检索系统与词法搜索 最早的搜索引擎并非为理解含义而构建，而是为匹配字符串而生。在20世纪60和70年代，康奈尔大学的 SMART 等系统建立了倒排索引这一核心架构，此后的四十年中，该架构主导了信息检索领域。 如果你从未见过它的实际运作，可以想象一下参考书末尾的索引：每个词条后面都列出了它出现的页码。在信息检索中，那些“页”就是文档，而“页码”则是“倒排列表”——即包含该词条的所有文档的有序引用。 其工作流程很简单：将文本分词，提取词干为基本形式，并存储它们的位置。当查询到来时，系统将其分解为词元，查找每个词元的倒排列表，然后合并这些列表以找到包含全部或大部分词元的文档。随后，系统会根据 TF-IDF（词频-逆文档频率）等统计指标，以及后来的 BM25（最佳匹配25）对结果进行排序。 这是一个纯粹的词法过程。如果你搜索“automobile（汽车）”，你永远不会看到只写了“car（车）”的页面——除非有人将该同义词硬编码到系统中。如果你输入“running shoes（跑鞋）”，可能会错过“sneakers（运动鞋）”，除非它们被归在相同的词条下。 在 SEO 的头二十年里，这种机械的字面匹配决定了所有策略。页面被精心设计以精确匹配关键词，因为搜索系统本身无法可靠地将相关词汇联系起来。该领域的核心策略（关键词研究、精确匹配定位、关键词密度优化）都是对这些局限性的直接回应。你是在用索引自身原始的语言与之对话。 超越这种局限的尝试始于20世纪90年代的潜在语义索引（LSI）。LSI 试图通过奇异值分解将词-文档矩阵分解为潜在因子，从而推断词项之间的关系。理论上，它可以在不依赖显式同义词库的情况下将“automobile”和“car”联系起来。但在实践中，它的计算成本高昂，容易受噪声干扰，并且难以随着新内容的到来而轻松更新。它是对词法检索的巧妙修补，而非根本性的转变。 到 AltaVista、Lycos 和…

via https://ipullrank.com/ai-search-manual/google-advantage 在人工智能军备竞赛中，几乎所有大型科技公司都在全力定义搜索的未来。但有一个玩家依然占据优势：谷歌。当其他公司专注于模型、用户体验或特定工具时，谷歌在整个技术栈上全面发力：数据、硬件、研究、基础设施、分发渠道和用户行为。 谷歌从其产品中收集实时的行为数据，而正是这些数据奠定了当今大多数人工智能所依赖的基础。目前，超过一半的谷歌搜索中已经出现了“AI概览”，使其成为全球使用最广泛的生成式产品。这一转变正在改变信息被发现的方式，以及内容如何获得可见度。 大规模专有数据 谷歌最大的优势之一是其能够获取大规模的专有数据。许多公司依赖公开可用的内容来训练模型，而谷歌则利用其庞大、持续更新的数据流。 谷歌抓取整个网络，并从广泛的用户交互和自有平台中收集信号，包括： 但现在的关键变化在于，谷歌利用这些数据来个性化体验本身。在“AI模式”下，生成式结果会受到个人背景的影响，包括过往搜索记录、谷歌各产品的应用使用情况、位置和设备行为，以及从观看、阅读、点击历史中提取的偏好。 这意味着 Gemini 不仅返回最相关的内容，还会生成符合每个用户个人模式、优先级和意图的摘要。 所有这些构成了一个实时数据集，其他公司根本无法企及。事实上，谷歌拥有的搜索查询数据比任何人都多。在美国司法部针对谷歌的反垄断诉讼中，司法部称，要让必应获得谷歌13个月的数据量，需要花费17年时间。 这种专有数据形成了一个反馈循环，帮助谷歌： 简而言之，谷歌的模型从人们每天的实际行为和搜索中学习。 这个整合的数据集还让谷歌在 AI 适应和改进速度上拥有长期优势。当前，数据规模等于模型能力，而谷歌的规模无人能及。 对于品牌和内容创作者来说，这有着重大影响。谷歌的 AI 会交叉比对您的网站与用户在其各产品中的交互行为。那些与真实用户行为及意图信号相符的内容，更有可能被视为有用。…

via https://ipullrank.com/ai-search-manual/geo-landscape 《2025年伊隆大学一项针对500名美国成年人的研究发现，52%的人现在使用大语言模型，34%的人每天至少使用一次，而且这一数字肯定还会增长。无论我们是用它们来工作、娱乐，还是处理个人事务和项目，人工智能系统在过去几年中已经相对快速地融入了我们的日常生活。 人工智能领域的主要参与者提供的系统各有优劣，而能够在这些系统中获得可见性，正是催生“生成引擎优化”（GEO）的原因。理解这些系统将成为营销专业人士持续面临的挑战。 谷歌（AI概览、AI模式、Gemini）尽管谷歌仍然是搜索领域的主导力量，占据美国所有桌面端活动约10%的份额，但其整体搜索量在2025年下降了20%，而人工智能提供的答案正是原因所在。但凭借AI概览、AI模式以及Gemini模型家族，谷歌正在重塑搜索体验。 AI概览于2024年5月推出，它从整个网络中抓取内容，并将其整合为直接答案，显示在搜索结果页面的顶部。以前排名第一的位置，现在变成了一段由AI生成的摘要，用户无需点击离开或向下滚动。这些摘要现在出现在超过50%的谷歌搜索中。 AI模式于2025年5月开始向所有用户推出，它让用户可以将整个搜索体验切换为AI优先的交互方式。使用该模式的用户会通过对话式的方式获得查询答案，生成式界面成为默认界面，而不再是下方的链接。 Gemini在幕后为这一切提供了很大一部分动力，它优化了谷歌对语言、上下文和用户意图的理解。谷歌的首席执行官也已宣布它将引领搜索的未来，并有望最终成为默认的搜索功能。随着最近更新到Gemini 3 Flash，该版本承诺在推理、工具使用和多模态能力方面有所改进，谷歌或许有望主导人工智能竞赛。 对于品牌而言，这一演变意味着： 这在SEO行业被称为大解耦，这个说法最初由X用户达尔文·桑托斯提出。 大解耦在谷歌移除了num=100参数后，这种解耦曾短暂地重新耦合，但此后再次分离。现在很明显，即使展示次数在增加，点击量也不会回来了。 根据SimilarWeb的数据，从2025年5月到7月，只有不到20%的谷歌搜索用户点击了外部网站的链接，而在AI模式下，这一比例不到4%。AI模式下外发点击量的巨大差距表明，需要彻底重新定义衡量自然搜索效果的KPI。 这使得GEO变得至关重要。你的优化目标是成为答案的一部分，在AI生成的摘要中被引用（如果有的话），并让你的内容被生成模型认可为值得信赖且具有权威性。** OpenAI（ChatGPT） ChatGPT 于 2022 年…