Category: Uncategorized

via https://ahrefs.com/blog/information-gain/ 信息增益（Information Gain）是指你的页面在已有排名内容之外，额外贡献的新信息。 谷歌是否真的在算法中使用一个叫“信息增益”的评分，目前仍未得到官方证实。 但无论它是否直接影响排名，其实都无关紧要。 你应该关注信息增益，因为它是你的差异化因素。 你为创建有用、令人难忘的内容所付出的额外努力，可以转化为：积累自己的受众、构建护城河、在AI答案中获得提及，以及成为一个搜索引擎真正能识别出的品牌名称。 下面我们将深入探讨信息增益的实际含义、我们对谷歌是否使用它的已知（和未知）情况，以及最重要的一点——如何通过信息增益来改进你的内容。 SEO中的信息增益是什么？ 信息增益衡量的是一个页面在搜索者已经看到的内容之外，增加了多少新信息。 这个词并非源自SEO领域——它借用于机器学习。 但当SEO从业者提到“信息增益”时，他们几乎总是指谷歌的那份专利：《链接信息增益的上下文估算》（Contextual estimation of link information gain），该专利于2018年提交，2022年获批。 该专利针对一个具体问题：搜索结果中每个页面说的内容基本雷同。 以关键词“如何提高你的信用评分”为例。…

via https://kpplaybook.com/resources/how-i-use-claude-to-build-dashboards-faster/ 构建仪表板最慢的部分从来不是搭建仪表板本身。 而是我花二十分钟盯着空白页面，琢磨这东西到底要回答什么问题；接着又花二十分钟改变主意；然后再花一个小时，把我已经半决定好的东西推倒重来。 这时候就该AI上场了！它应该能让事情变快，对吧？但问题在于，当人们谈论使用AI工具（比如Claude）进行数据分析时，他们关注的是提示词（prompt），而真正决定输出质量的，是你事先提供的上下文。这包括诸如：这个客户关心什么、你们之前已经共同决定了什么、以及你认为仪表板上本来应该放什么等信息。提示词是容易的部分，但上下文给了仪表板方向和观点。 我在屏幕共享中向BrightLocal的Myles演示了整个过程，你可以观看实际运行的技能演示。这也是我在《代理机构分析》课程中提供的一套指令集！ 观看视频 让我们来看看输入了什么、返回了什么，以及哪些部分仍需你自己动手。 不要从空白页面开始 当我构建仪表板时，我脑中的顺序大概是这样的：我要回答什么问题 → 所以我需要什么数据 → 那么什么图表能展示这些 → 它应该放在页面的哪个位置。这个顺序就是最慢的部分。这整个过程完全不涉及操作Data Studio（原Looker Studio），全是决策。 过去我会在笔记本上手绘草图，但每个客户我都要从头再来一遍。现在，我建立了一个Claude项目，它已经知道我是如何思考报告的。我向它输入关于客户的上下文，或者通话记录（经允许后），它就会返回一份文档，详细说明仪表板应该做什么以及如何构建。到了这一步，我们还没有完成仪表板（我没法变魔术），但初始规划阶段已经完成了。 对于一个从零搭建的仪表板，这能为我节省几个小时；而且对我来说，修改已有的东西远比从无到有容易得多。当然，这是我个人在自家仪表板上的体验，你的效果会因你已经记录了多少内容而有所不同。 这个方法反过来也行得通！我可以把同一个项目指向一个已有的仪表板，问它如何改进，这在接手别人的报表、觉得不太行却又说不出所以然时特别有用。…

via https://searchengineland.com/seo-priorities-2027-453418 被找到只是挑战的一部分。了解在2027年，让您的品牌在搜索中被理解、被信任、被引用的关键所在。 您可能排名不错，却仍然与搜索失之交臂。 一个页面可以占据自然搜索的顶部位置，但上方却有一个AI概览回答了查询。您的品牌可能会在ChatGPT中被提及，但GA4中却看不到任何引荐会话。潜在客户可能在YouTube、Reddit、TikTok或亚马逊上发现您，而整个过程从未从Google开始。 据Google I/O 2026官方公告，Google的AI模式在推出第一年内月活跃用户即突破10亿，而AI概览目前每月覆盖25亿用户。根据SparkToro基于Similarweb点击流数据的2026年研究，零点击搜索占美国Google搜索的68%，且仍在上升。 如今，SEO面临着一个更大的可见度问题需要解决。以下是应当塑造您2027年策略的优先事项。 为AI答案引擎和智能体AI进行优化 Google在I/O 2026上确认，AI模式在推出第一年内月活跃用户即超过10亿，且自上线以来每个季度的查询量都翻倍增长。同次公告显示，AI概览现每月覆盖超过25亿用户。 ChatGPT、Perplexity等工具如今承担了研究、比较乃至购买任务，而这些以前需要多次Google查询才能完成。 据Adobe Digital Insights（基于超过1万亿美国零售访问量）的数据，在2025年假日季期间，来自生成式AI工具的美国零售网站流量同比增长693%，且AI引荐访客的转化率高出31%。这虽然是美国零售业假日季的数据，但方向性信号很明确：AI引荐流量具有转化能力。 答案层也在成为付费展示面。在2026年Google Marketing Live上，Google推出了由Gemini驱动的广告格式、对话式发现广告和重点答案，这些形式将赞助内容直接置于AI模式响应中。截至本文撰写时，两者仍在美区测试中。SEO从业者和他们的付费媒体团队应密切关注。 对于SEO从业者而言，这意味着优化并衡量品牌在大型语言模型中的存在，现已成为优先事项。…

via https://www.brainlabsdigital.com/how-much-of-your-budget-should-go-into-ai-search/ AI搜索从新兴行为迅速转变为关键渠道，营销人员深知必须优先对待。 但决定投入多少却因一个更根本的问题而变得复杂：AI搜索并不完全契合营销预算的传统结构。要在各大语言模型（LLM）中赢得可见度，需要技术SEO、内容、数字公关、自有社交媒体、网红营销和效果衡量协同作战。然而，这些能力大多已有各自的预算、负责人和目标。因此，当首席营销官决定增加对AI搜索的投入时，这笔钱究竟该从何处挪出？ 我们对大型品牌的初步建议是，根据品类成熟度和机会大小，将数字营销预算的7%–10% 分配给生成引擎优化（GEO）。如果品牌暂时无法做到这一点，另一个起点是在现有SEO投资基础上追加约20%，用于支撑AI搜索所需的额外能力。我们的测试表明，低于这个比例的投资，无法持续改善品牌在AI搜索中的可见度。 这两个数字都不是放之四海而皆准的规则。可以将其视为一种“足够”的投资额，用来找出阻碍品牌被呈现和推荐的原因，采取有意义的行动，并积累证据，以便后续调整具体比例。 在向AI搜索砸钱之前，先检查你网站的基础是否牢固 AI搜索或许正在改变人们发现品牌的方式，但可见度背后的许多基本原则并未改变。AI系统仍然需要能够找到、抓取和理解你的内容，因此扎实的技术SEO以及有用、权威的内容，是开展GEO的关键前提。如果这些基础薄弱，单独为AI搜索设立预算，却对它所依赖的基础设施投入不足，效果将十分有限。 这并不意味着简单地把SEO预算的一部分改名为“GEO”。传统SEO仍是基础的一部分，而AI搜索引入了更广泛的信源网络，这些信源会影响品牌是否出现在答案中（以及答案如何描述品牌）。根据品类和提示词的不同，这些信源包括出版商、评论网站、Reddit、YouTube、创作者和其他第三方内容，以及你自己的网站。因此，7%–10%应被视为对整个有机媒体组合的投资，而非一笔整洁的新渠道预算。真正的分配决策在于：这个组合中的哪一部分目前正在阻碍你的可见度。 先在自己的网站上打好技术SEO基础，然后构建有机媒体组合，以确定你还必须在哪些方面发力。 让品牌具体的可见度缺口来决定钱该花在哪里 最有用的起点，并不是预先在内容、技术SEO、公关和社交之间划好分配比例。先从明确需要完成的任务开始——即识别出你希望赢得的具有商业价值的提示词，以及目前在这些场景中失利的原因。 我们的做法是：针对重点话题和各大LLM进行可见度映射，然后审视塑造这些答案的信源，以及品牌对这些信源实际能施加多大影响。这种方法能让投资跟随真正的制约因素，聚焦于真正的机会。将预算分配给技术SEO项目可改善抓取和检索；投入内容可补足重要问题、对比和使用场景方面的缺口；数字公关、创作者、自有社交和社区活动可强化影响推荐的第三方信号；效果衡量则提供反馈闭环，告诉你哪些部分有效，从而进一步集中投资。 两家品牌即使都投入7%–10%，最终（而且很可能应该）制定出完全不同的方案。预算向GEO倾斜创造了行动空间；构建有机媒体组合则能诊断出先做什么、后做什么、以及什么根本不必做。 不要让“提及率”单独决定你的下一步投入 一旦投资启动，人们倾向于用最容易获得的数字来证明其价值。在AI搜索中，这通常指提及次数、引用次数和整体声音份额。这些都是有用的指标，但单独使用它们可能会重蹈数字营销多年的覆辙：优化最容易变动的指标，而非真正重要的结果。 并非所有提及都同等价值。在一个宽泛的信息型提示词中被提及，远不如在用户积极比较选项时被推荐来得有影响力。因此，AI可见度需要结合商业贴近度和情感倾向来理解，而不仅仅是总体提及和引用。我们的衡量框架将这些信号分开，让品牌能够看到可见度是否在那些最可能影响客户决策的对话中增长，而不仅仅是总量增加。 随着时间推移，这种视角应连接回下游的业务影响。目标是了解AI可见度的改善是否改变了最终重要的用户行为，然后利用这些发现来决定下一笔钱投向哪里。这可能意味着增加投资，因为你认定AI搜索在你的特定垂直领域正变得更具影响力；也可能意味着在现有预算内重新分配，因为第三方权威度带来的业务影响比再制作一批站内内容更大；或者意味着撤出那些能带来可见度但缺乏商业实质影响的战术投入。 7%–10%是起点，不是最终答案 随着AI搜索的发展，没有任何一个百分比能始终适合所有品牌。新模型推出、品牌既有权威度、网站技术成熟度、竞争激烈程度，以及AI在客户旅程中扮演的角色，都会改变合理投资额度。 因此，第一笔预算需要买到的不只是可见度，还应该买到证据。从有意义的投资水平开始，确定重要的提示词和结果，诊断你在哪些方面表现不佳（或完全没有出现），并为最有可能改变现状的干预措施提供资金。然后，让所学到的经验来决定7%–10%是增加、减少，还是仅仅改变花钱的方式。…

去年，我们基于10种扇出类型发布了一个理解查询扇出的框架，这些类型代表了我们在Google搜索结果中观察到的模式（主要来自Web Guide Beta）： 代表Google搜索结果观察的10种扇出类型框架 为了将这项工作提升到新的水平，我们需要可靠、可重复的提示词和指标，而不仅仅是零散的经验证据。在过去的几个月里，我着手建立了一个提示词生成实验室，并构建了一个包含1,000个子主题和50,000个扇出提示词的数据集。 今天，我想与大家分享这个数据集以及我们从中获得的洞察。虽然这个数据集的设计初衷是改进我们的扇出模型，但它已经让我们在很多方面有了深刻认识——品牌如何与意图重叠、如何衡量相关性，以及搜索长尾的演变。 1. 品牌很强大，但意图更重要 在我们早期尝试生成查询扇出提示词时，只要提示词中提到品牌或竞争对手，就会强烈影响LLM将品牌词放入扇出结果中。如果提示词中包含某个品牌，那么LLM响应中提及该品牌的概率几乎为100%，这引入了大量的偏差。 在50k数据集中，我们为每个子主题生成了一个主品牌和两个竞争对手，并将它们作为提示词中的“上下文提示”（contextual hints）。可以把它看作一种“轻推”而非“指令”——这个区别在LLM中可能产生巨大差异。 在最新的分析中，12.8%的生成提示词包含了主品牌或两个竞争对手之一的提及。更有趣的是下面这一点。看看生成品牌提及最多的前五种扇出类型： 按扇出类型划分的品牌提及条形图 仅两种扇出类型就占了品牌提及的97%。[实体]扇出中的品牌提及并不令人意外——毕竟品牌本身就是实体——但[比较]扇出也有很强的品牌成分。第二名之后的类型几乎可以忽略不计。 虽然我们当前的提示词生成逻辑通常旨在抑制提示词本身的品牌提及，但扇出意图与品牌可见度之间的重叠是不可否认的。品牌提及并非随机发生——它们很大程度上受到我们选择跟踪的提示词类型的影响。 2. 扇出紧扣主题，但并非“过分”相关 扇出提示词应该与主题高度契合，对吧？嗯，是的，但我们不希望每个扇出都只是主题的细微变体，只是调换几个词（Google也不希望这样）。我们想要的是有用、多样化且仍然相关的扇出。 为了衡量相关性，我们尝试了几种方法，最终选定了我称之为“对齐度”（Alignment）的指标——即扇出提示词与其子主题的余弦相似度（注意：我们将每个子主题转换成了问题形式，如“什么是[子主题]？”）。 该数据集的“对齐度”分数范围在0.22到1.00之间，平均分为0.67。总体而言，分数在50k个提示词中分布良好：…

via https://moz.com/blog/should-we-stop-writing-with-ai 我们是否应该停止用AI写作？ 关于AI在规模化内容营销中扮演的角色，讨论越来越多。每次我打开领英（LinkedIn），都会被各路“专家”的帖子淹没——他们声称自己构建了复杂的智能体，可以在极少人工监督的情况下写出优质内容。 我看到的一些说法包括： 那么，我们是否应该停止用AI写作？简短回答：不。 我自己一直在用AI写作，可以明确告诉你，问题不在AI。 我觉得我们搞错了重点，把太多精力花在纠结AI检测上。更大的问题在于内容质量，以及当发现渠道越来越碎片化时，我们如何建立“拥有权”。 让我们深入聊聊。 首先，直面核心问题 AI内容不是问题 Google似乎不会仅仅因为你使用了AI就惩罚你的内容。他们的指导原则关注的是页面是否有用、可靠，并且旨在为用户增加价值。 来源：Ahrefs Ahrefs的Ryan Law团队通过一项覆盖33.1万个页面的研究证实了这一点。他们发现，排名在前3位的页面中，有5.3%是完全由AI生成的，且没有证据表明Google索引会过滤掉AI内容。 Claude也已开始为AI生成的文本添加水印，但现在判断它对检测有多大帮助还为时过早。 无论怎样，我认为我们关注的方向错了。当人们争论“AI内容”时，实际上在争论四个不同的问题： 在我上次MozCon NYC的演讲中，我举了几个品牌在前两个问题上翻车的例子： 每个案例都涉及AI，但AI并非失败的原因。这三家发布的内容本应经过编辑审核。…

via https://moz.com/blog/does-schema-markup-impact-serp-rank 结构化标记（Schema markup）长期以来在 SEO 行业中一直备受争议，有人认为它是任何 SEO 策略中不可或缺的组成部分。一方面，有些人完全相信 Google 官方的说法，即结构化标记仅通过富摘要（rich snippets）和上下文理解来影响搜索外观。而另一方面，也有人坚信，如果 Google 推荐通过 schema 添加结构化标记，那么它必然对排名有某种直接的积极影响。 这些年来，我们见过 LinkedIn 上的意见领袖、零星的“证据”以及相关性研究，似乎各自为双方观点提供了支持。但零星的个人经验无法被验证，且通常缺乏足够的样本量；相关性研究只能说明相关，不能证明因果，而且无法排除研究对象之间的其他独立变量。 大多数个人和机构并没有条件去开展如此大规模的对照实验来隔离变量。像行业、业务地点、权威度、网站规模、技术栈和网站结构等因素，往往都是无法轻易隔离的额外变量。 这正是我们机构非常适合开展这类研究并辨别事实与迷思的原因。…

via https://moz.com/blog/in-and-out-of-model-responses-whiteboard-friday Moz 的粉丝们，周五快乐！今天我想聊一个概念，我认为它对 SEO 从业者来说——嗯，实际上是在未来——会变得很重要。这个概念就是模型内响应（in-model）和模型外响应（out-of-model）之间的区别。 这讲的是大语言模型（LLM）的响应。但它同样非常适用于我们现在在 Google 搜索中看到的那些混合型体验，比如 AI 模式、AI 概览、网页指南（web guides）。如果你还不知道网页指南是什么，我会在下方附上相关资源链接。不过我觉得这个概念本身也会很重要。 查看 AI 概览会在哪些关键词下出现这样你就能主导可见度，而不仅仅是排名。 好了，回到正题——模型内响应和模型外响应。 基本上，当你向 LLM 发出提示时（这里大大简化了），可能发生两种情况。模型首先要做的其中一件事就是决定是否需要进行接地搜索（grounding…

via https://moz.com/blog/10-fan-outs-for-prompt-research-whiteboard-friday Google 使用查询扇出（query fan-out）将单个提示拆分为多次搜索。那么 Google 是如何扩展用户查询的呢？Tom Capper 列出了 10 个扇出类别，以帮助您改进提示跟踪和关键词研究。 Moz 的粉丝们，周五快乐！在本视频中，我将公然借鉴我尊敬的同事 Dr. Pete 的研究成果。在过去的六个多月里，他一直在研究 Google 的 AI 模式、AI…

via https://moz.com/blog/best-brand-monitoring-tools 追踪品牌提及曾经很简单。你只需监测社交媒体、留意媒体报道，再为公司名称设置几个提醒就够了。 但如今，这已经远远不够了。 品牌可见性现在分散在众多平台上，而大多数团队缺乏可靠的方式来追踪和衡量它。 我测试了15款最佳品牌监测工具，想找出哪些平台能为营销人员提供最清晰的品牌可见性视图。下面，我列出了我在AI可见性、社交聆听和媒体监测方面的前八名优选。 品牌监测工具速览 以下是快速清单： 品牌监测工具选购要点 如今，品牌监测已涵盖AI回答、社交平台、在线社区、新闻和赢媒体。在比较具体工具之前，请先聚焦于对你目标最重要的因素，包括： 品牌监测工具对比 8款最佳品牌监测工具评测（节选）我以统一标准评测了每款工具，具体包括： Moz AI Visibility 该工具可追踪品牌在 ChatGPT、Gemini 和 Google AI…