Category: Uncategorized

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…

via https://ipullrank.com/ai-search-manual/search-intent 搜索从未停滞不前。其演进的每个阶段，都取决于系统能否准确理解人们意图——而不仅仅是他们输入了什么字词。我们已从“统计词语序列”发展到了“预判用户甚至没有说出来的行为”。 查询的演进：从 N-Gram 到意图编排的动作 搜索进程快照： 早期搜索：字面匹配 搜索最初就是模式匹配。 早期搜索引擎在文档中寻找精确的关键词字符串。如果你搜索“best pizza NYC”，系统会把它拆分成独立的词项（一个 N-Gram 模型），然后在已索引的页面中进行匹配。没有上下文、没有语义，纯粹的字面匹配。 随着互联网的爆发，这种粗放的方法在“歧义”的重压下崩溃了。因为同一个词可能有多种含义，没有上下文，相关性就像猜谜游戏：“Apple”可以指水果、科技公司或唱片公司，而系统无法区分。这时，意图分类就登场了——不再只是匹配词语，而是将词语映射到用户想要实现的目标上。 Andrei Broder 在 2000 年代初提出的分类框架，成了…

via https://ipullrank.com/ai-search-manual/search-behavior 生成式时代下的用户行为：从点击到对话 人们的搜索方式正在发生变化。谷歌仍然占据搜索市场的最大份额，但机器学习进步和自然语言理解能力提升所驱动的自然搜索的快速变革，正在从根本上改变我们执行搜索这一任务的方式。 像谷歌这样的搜索引擎在解读和回答复杂的、对话式的查询方面越来越得心应手——这类查询在过去需要多次搜索和多次点击才能完成。 谷歌搜索副总裁伊丽莎白·里德支持这一转变，她指出：“搜索中的AI让用户更容易向谷歌提出任何问题，并获得有用的回答以及指向网络内容的链接。”她还强调，AI概览是“过去十年中搜索领域最成功的发布之一”。 同样，在2024年底，Alphabet首席执行官桑达尔·皮查伊在《纽约时报》DealBook峰会上暗示了即将到来的更深刻的变化，他表示：“搜索本身在2025年将继续发生深刻变革。我们将能够处理比以往任何时候都更复杂的问题……你会感到惊讶，甚至在2025年初，搜索能做的事情与今天相比就会有新的进展。” 几个月后，谷歌推出了AI模式，皮查伊的预测得以实现。 这些进步正在从根本上重塑搜索行为。而且，与许多SEO从业者可能想让你相信的相反，对话式搜索平台的设计初衷是为了满足搜索意图——至少根据谷歌的说法是这样。 但与此同时，传统的关键词搜索正在逐渐被淘汰。我们需要包含深层上下文信息的丰富、细腻的提示词，才能获得更准确的答案。这正在将搜索的本质从快速的查查找转变为迭代式的对话探索。（不过，那些快速的查查找在合适的上下文中仍然具有价值。） 搜索行为正变得对话式、互动式和探索式，这在一定程度上类似于谷歌2020年提出的“混乱中间”概念——用户通过持续不断的来回交互来 navigating 复杂的决策过程。 但考虑到AI幻觉以及从发布商处窃取内容等问题，我们必须直面关于信任和依赖AI生成输出的关键疑问。 随着人们越来越习惯于接受AI生成的回答而不总是核实来源（部分出于惰性），品牌在编辑准则、隐性信任动态乃至对话偏见方面都面临着战略性的考量。提示词会无意或有意地引导回答，塑造搜索互动以及个人决策。如果每个人针对自己个性化且带有上下文的问题得到不同的答案，品牌又该怎么做？ 然而，这里也有积极的一面：与生成式搜索结果互动后再访问网站的用户，往往具有很高的意向性，提供了更透明、更具可操作性的转化机会。 品牌需要认识到这一点并做出调整：在当下优化自身在AI生成内容环境中的可见度（尤其是谷歌的AI概览），同时在战略上为未来更深层次地融入对话式搜索行为做好准备。 本章将详细探讨这些行为变化，重点说明品牌如何预见对话偏见、利用迭代式发现旅程，并在AI驱动的搜索环境中培养信任，最终在这个生成式时代与人类价值观和用户期望保持一致。 更少的点击，更多的整合 我们不必粉饰现实：AI搜索的采用率正在飙升，而点击量正在消失。…