原文地址：https://www.womenintechseo.com/knowledge/ai-search-optimisation-facts-vs-theories/

如今，领英上每天都能看到大量关于如何针对Google AI概览和ChatGPT等大语言模型进行优化的讨论，这类实践常被称为”生成引擎优化”或”AI优化”。

相关讨论常呈现两极分化：一方面，许多人持怀疑态度，指出许多大胆主张缺乏证据支持，市场上流传的多是未经检验的理论。这无可厚非。但另一方面，我个人认为分享假设与实验颇具价值——即便某些观点最终被证明有误，也能激发新思路，促使我们思考未曾触及的领域。这才是真正的价值所在。

本文旨在厘清已知事实与尚未验证的推测。我将重点分析四项证据充分、值得实施的策略，以及两项虽证据不足但易于测试的方案，并附上我收集的其他策略优先级矩阵。

术语说明：当前命名习惯尚未统一，有人用GEO，有人用AIO，也有人坚持沿用SEO。鉴于我与客户沟通时使用AIO这一术语，本文将沿用此简称。

为何AIO讨论热度攀升？
简言之：用户行为正在转变，数据为证。

Sparktoro与Datos（2024年）研究显示，超半数谷歌搜索以零点击告终，AI更加速了这一趋势。ChatGPT、Claude、Perplexity、必应Copilot及谷歌AI模式均在结果页直接呈现答案，意味着用户往往无需访问任何网站。

近期研究进一步印证：皮尤研究中心（2025年）报告显示，当出现AI摘要时，用户仅在8%的搜索中点击自然结果链接（无摘要时为15%）。据Semrush截至2025年3月数据，超13%的查询触发AI概览功能，月增幅达72%。

这一转变催生了SEO界所称的”大解耦”现象：内容可在AI摘要中获得海量曝光，却几乎无法带来流量。换言之，你的内容成为AI回答的原料，但你的网站可能从未被访问。这意味着传统SEO指标（点击、展现、排名）仅能反映半幅图景——用户从未抵达你的页面时，内容仍可能被查看、引用或标注。

作为SEO从业者，这或许是个略带风险的坦白：但作为用户，我确实更青睐直接给出食谱的AI概览，而非费力翻阅万字博客长文，只为寻找五天前在Instagram看到的”高蛋白三食材香蕉面包”的实际配方。

尽管如此，通过AI渠道抵达的流量往往更具价值。Seer Interactive（2025年）报告显示，某客户七个月内ChatGPT引流的转化率接近16%，而谷歌自然搜索仅为1.8%。这表明AI正在收窄流量入口的同时，大幅提升其精准度。

点击量减少但价值提升的矛盾现象，根源在于人们使用大语言模型的方式。RESONEO对87,725次ChatGPT对话的研究表明，多数查询聚焦事实与观点，而非产品本身。

Semrush数据进一步佐证了这一观点：用户通常先通过ChatGPT进行探索和获取背景信息，但仍依赖谷歌进行验证、比较和行动导向的搜索。简而言之，大语言模型占据了用户旅程的前端，而谷歌在决策和转化阶段仍保持主导地位，如下图所示：

（图注：Semrush 2025年研究——用户采用ChatGPT后的谷歌使用行为）

AIO与SEO有何区别？
搜索引擎优化（SEO）始终专注于提升在搜索引擎结果页中的可见性：旨在提高排名、增加点击和展现量。

而AI优化（AIO）则致力于让你的内容被ChatGPT、谷歌Gemini和Perplexity等AI系统理解、复用和引用。其目标不再是追求排名，而是成为这些AI系统在生成答案时能够放心引用的可靠信源。

好消息是：我们为SEO所做的多数工作仍然适用。核心原则——创作用户真正需要的内容、清晰组织内容结构、建立明确权威信号——依然至关重要。变化的是应用场景。

例如：

• 我们仍在为目标受众创作内容，但不再局限于单一关键词，而是力求全面覆盖话题，以便大语言模型更易解读
• 我们早已为SEO使用标题，如今这些标题同样帮助AI理解问题并构建回答框架
• 数字公关本是获取外链的关键，如今品牌提及本身也具有分量，其影响正从链接权重转向品牌资产

因此，不妨将AIO视为调整了焦距的SEO。具体策略往往相似，但驱动结果的底层逻辑已悄然不同。

以下是两者的对比示意图：

I优化核心策略：已验证的有效方法（证据充分，值得实施）
在AI优化/生成引擎优化领域，虽然存在大量杂音，但有几项策略已获足够证据支撑，可以确信值得关注并投入资源。这些并非理论推测，而是我们在平台文档、研究及实际应用中反复验证的模式。

以下是证据最确凿、建议优先投入的领域：

爬虫访问与权限管控
当前最明确的信号之一来自爬虫可访问性。

• OpenAI：通过GPTBot、ChatGPT-User和OAI-SearchBot进行网络抓取，分别用于模型训练、实时检索和基础设施优化。
• 谷歌：Googlebot持续为搜索建立索引，而Google-Extended则控制您的内容是否用于训练Gemini及其他模型。
• Anthropic (Claude)：ClaudeBot与Claude-User专注于检索与索引构建。
• Perplexity：PerplexityBot为其答案引擎索引信息来源（有时可能忽略robots.txt协议）。
• Common Crawl (CCBot)：为开源及商业AI模型提供基础数据。

您无需猜测这些爬虫是否访问过您的网站——直接查验服务器日志即可。虽然无法控制AI在获取内容后的具体使用方式，但通过robots.txt文件控制这些爬虫的访问权限（及访问范围）是完全可行的。这无疑是值得重点关注的调控杠杆。

（附：AI爬虫参照表）

结构化数据助力AI理解
谷歌与微软均已证实，结构化数据（如Schema标记）在传统SEO之外发挥着关键作用。它构成了大语言模型理解和复用内容的基础，因为这些模型依赖知识图谱和语义线索来解析信息。

效果差异可量化。Data.World的评估发现，当查询基于知识图谱而非原始SQL表时，大语言模型在企业问答任务上的准确率从16%跃升至54%。

那么哪些Schema类型最重要？

• 文章、人物、组织Schema：确立可信度与时效性。谷歌多年来一直推荐使用这些类型，虽然尚无官方确认它们能提升AI引用率，但有力证据表明它们能增强归属感和权威性。
• 产品、评论和评分Schema：共同构建清晰的产品视图：其特性、工作原理及客户评价。它们为AI系统提供明确的商业和质量信号。
• 常见问题解答（FAQ）Schema：自2023年谷歌缩减富媒体搜索结果中的FAQ展示后，其对SEO的效用降低，但对AIO仍具价值。其问答格式直接映射大语言模型生成答案的方式，使您的内容更易于被其理解和“锚定”。

话虽如此，Schema不应被视为一份待勾选的属性清单。它最好被理解为一个成熟度进阶之旅，对搜索和AI的影响逐层加深。

Schema App创始人Martha van Berkel的阐述非常精辟：

• 基础Schema：添加必要属性（如文章、产品、事件），使您的内容有资格显示为富媒体搜索结果。这是SEO的基本功，是起点。大多数人止步于此。
• 实体关联：在您自己的内容中定义并连接人物、产品、组织、地点等实体，并与可信外部来源（如Wikidata或谷歌知识图谱）建立关联。此步骤加强了AI系统对您内容的解读，有助于在非品牌查询中展现，并提升上下文“锚定”质量。
• 完整内容知识图谱：将您组织的内容构建为结构化的、可直接查询的图谱。它向生成式AI发送最丰富的信号，实现对您内容的更精准回答和更深层次推理。

我也推荐查阅Martha在Search Engine Journal上发表的文章；它们确实让我以全新视角看待Schema（而且，没错，甚至让我对实施它感到兴奋……这本身就说明问题）。

支持内容提取的内容架构
另一项已从“假设”范畴进入“已验证”范畴的策略是内容架构。

研究显示：

• 一项关于生成引擎优化的同行评审研究（Aggarwal等人，2024年）表明，列表和结构化格式能将引用召回率提升高达40%。
• Snowflake的RAG实验发现，当内容按自然段落划分（如标题和子章节）而非随机切块时，准确率提高了5-10个百分点。
• Han等人（2025年）发现，当要求大语言模型做出选择时，项目符号列表格式始终优于纯段落格式。

换言之，您的内容越清晰、结构越分明，AI系统就越容易提取并复用正确的部分。

实践中这意味着什么？

• 使用清晰的标题和副标题，使内容模块化。
• 尽可能以列表或表格呈现关键信息（就像我现在这样）。
• 善用直接映射大语言模型生成答案方式的问答格式。

需要注意的是，这并不改变您写作的主题（我们仍需创作人们搜索的内容），但确实改变了呈现方式。您不仅在为读者写作，也在为机器铺设路标。您让机器越容易追踪线索，它们就越有可能选取并复用您的内容。

权威信号与偏见影响入选
与传统SEO类似（谷歌奖励受信任的域名），生成式引擎也严重依赖它们已“信任”的品牌和来源。

证据表明：

• 提及比链接更重要：Ahrefs对75,000个品牌的分析发现，网络提及与AI能见度之间的相关性为0.664，而反向链接仅为0.218。链接并非无关紧要，但看起来大语言模型更关心一个品牌被谈论的频率，而非指向它的链接数量。
• E-E-A-T至关重要：谷歌和微软均已确认，文章、组织、人物和评论等结构化数据有助于大语言模型评估权威性。加上作者简介、资历和平台一致性，您能让AI更容易判断您的内容是否可信。
• 跨平台可信度：这不仅关乎您的网站。出现在播客、媒体报道、Reddit话题、Quora回答或Stack Overflow帖子中，都会成为机器可读的权威信号，因为大语言模型接受了这些来源的训练。

然而，AI并非对所有品牌一视同仁。研究表明，大语言模型严重倾向于已被广泛链接和引用的来源，这使得规模较小或较新的声音更难突破（Lichtenberg等人，2024年）。实验甚至发现，GPT-4和Llama-3始终将积极特质与Nike、Apple等全球品牌关联，同时低估本地竞争对手的价值。

如果这种趋势持续，AI搜索将不会“民主化”能见度；反而会放大已有优势参与者的领先地位。权威信号、持续提及和有意识的品牌建设不再是锦上添花。如果您希望在AI答案中出现，这些已变得至关重要。

尚属推测的领域（工作假设）
并非AIO中的所有策略都已被证实；有些（好吧，是大多数！）仍处于“可能有用，也可能是炒作”的范畴。这些值得关注，某些情况下也可以测试，但（目前）尚不能保证成功。我挑选了两个讨论最多的，但它们绝非唯一或最重要的。

llm.txt
可将其视为面向大语言模型的robots.txt。它不再告知搜索引擎爬虫可以或不可以做什么，而是为AI模型提供机器可读的指引。话虽如此，llm.txt仍处于实验阶段。截至2025年中，主流AI爬虫（OpenAI的GPTBot和ChatGPT-User、Anthropic的ClaudeBot、PerplexityBot以及Google-Extended）仍主要依赖robots.txt、结构化数据和Schema。

llm.txt未来可能带来回报吗？有可能。但就目前而言，我建议将其视为探索性策略，而非可靠的能见度提升工具。

个人认为，如果实施起来工作量不大（例如通过插件），不妨一试。它给您一个测试的机会，即使没有效果，也不会造成损害。

Markdown格式化
这个想法很有趣。没有大语言模型提供商确认将Markdown用作信号，但社区中有些人正在测试Markdown语法、标题（##）、加粗、代码块等是否能让内容获得优势。

这个想法之所以有吸引力，原因在于：大量开发者和技术内容（通常用Markdown编写）在AI答案中出现的比例异常之高。这可能是因为内容在被抓取、转换或存储到训练管道（如Common Crawl）中时，经常被扁平化为类似Markdown的形式。

因此，假设是：如果您的内容已经具备Markdown风格的标题、列表和表格，它可能在扁平化过程中保持更清晰的结构，从而更易于大语言模型提取和复用。

话虽如此，目前尚无确凿证据表明Markdown优于干净、语义化的HTML。最稳妥的做法仍然是确保您的HTML整洁且结构良好，以便在相同过程中同样能完好保留。

尽管如此……由于我最近一直在用AI构建一些应用和网站，我亲眼目睹了Markdown文件在保持上下文连贯性方面的实用性。这也是我真心好奇想将其作为AIO策略进行测试的原因。

AIO优先级框架
您应如何确定AIO工作的优先级？我们牛津逗号公司内部目前正在使用“AIO策略优先级矩阵”。它提供方向性指导，而非固定配方，并将随着该领域的发展而演变。