geo-citability

AI 可引用性评分技能

核心洞察

AI 大语言模型会引用符合特定结构标准的段落。Princeton、Georgia Tech 和 IIT Delhi 于 2024 年开展的研究发现，经过 GEO 优化的内容在 AI 生成的回答中可获得高出 30-115% 的曝光度。关键发现：AI 系统会优先提取并引用长度为 134-167 个单词、内容自成一体（脱离上下文也能理解）、事实丰富（包含具体统计数据、日期或专有名词），且能在前 1-2 句话中直接回答问题的段落。

这与传统 SEO 文案写作有本质区别，后者针对关键词密度和用户参与度指标进行优化。GEO 可引用性优化的是可提取性——即 AI 系统从你的内容中提取一段文字并将其作为直接答案呈现的难易程度。

---

可引用性评分标准（0-100）

类别 1：答案段落质量（总分的 30%）

此项衡量内容是否包含清晰、可引用的答案段落，供 AI 系统逐字提取。

评分标准：

分数	标准
90-100	每个主要章节都以 1-2 句话直接回答问题。使用“X is...”或“X refers to...”等句式。每个章节开头的 40-60 个单词都能独立构成完整答案。
70-89	大多数章节都有清晰的答案式开头。部分内容采用定义句式。答案容易识别，但可能需要少量上下文。
50-69	部分章节以类似答案的内容开头，但许多章节把答案埋在段落中间或末尾。明确的定义句式较少。
30-49	答案通常埋在长段落中。没有一致的定义句式。内容以叙述为主，而非以回答问题为主。
0-29	没有可识别的答案段落。内容完全是叙述式、对话式或零散片段。AI 难以提取任何可引用的段落。

观察要点：

• 定义句式：“X is [definition].” / “X refers to [explanation].” / “X means [meaning].”
• **答案优先结构：**第一句话给出答案，后续内容提供支持性细节。
• 量化答案：“X 的平均成本为 $Y”，而不是“X 的成本受多种因素影响”。
• 比较式答案：“X 与 Y 有三点不同：[列表]”，而不是“X 和 Y 经常被混淆”。

高可引用性示例：

Content delivery networks (CDNs) are distributed server systems that cache and serve
web content from locations geographically close to end users. A CDN reduces latency
by 50-70% on average by serving assets from edge servers rather than a single origin
server. The three largest CDN providers as of 2025 are Cloudflare (serving approximately
20% of all websites), Amazon CloudFront, and Akamai Technologies.

字数：58。内容自成一体：是。事实：3 个具体数据点。定义句式：是。

低可引用性示例：

If you've ever wondered why some websites load faster than others, the answer might
surprise you. There's this amazing technology that has been around for a while now.
It's changed the way we think about web performance. Let me explain how it works and
why you should care about it for your business.

字数：52。内容自成一体：否（未指出主题）。事实：0。定义句式：否。

---

类别 2：段落自包含性（总分的 25%）

此项衡量单个段落能否脱离上下文提取并理解。

评分标准：

分数	标准
90-100	80% 以上的内容块完全自包含。每个段落都明确指出主题。不依赖指代前文内容的代词。段落中包含具体事实。
70-89	60-79% 的内容块自包含。大多数段落都明确指出主题。偶尔出现需要上下文才能理解的代词指代。
50-69	40-59% 的内容块自包含。明确指出主题与使用代词的情况混杂。部分段落需要结合前面的章节阅读。
30-49	20-39% 的内容块自包含。大量依赖代词和上下文指代。大多数段落都需要结合周围文本阅读。
0-29	自包含的内容不到 20%。内容像一段连续叙述，提取任何段落都会导致意义不完整。

逐段自包含性检查清单：

1. 段落是否明确指出主题（而不是使用“它”“这”“他们”等代词）？
2. 只阅读此段落，读者能否理解主要内容？
3. 段落是否至少包含一个具体事实、统计数据或专有名词？
4. 段落长度是否为 50-200 个单词（最佳提取长度）？
5. 段落开头是否避免使用暗示前文语境的连词（“但是”“然而”“而且”）？

---

类别 3：结构可读性（总分的 20%）

此项衡量有助于 AI 系统解析和划分内容的结构格式。

评分标准：

分数	标准
90-100	H1 > H2 > H3 层级清晰。信息类内容使用疑问句式标题。段落简短（2-4 句）。使用表格进行比较。使用有序列表呈现流程。使用无序列表列出特性或选项。
70-89	标题层级良好，只有少量跳级。部分标题采用疑问句式。段落大多简短。使用了一些表格和列表。
50-69	标题层级存在但不一致。疑问句式标题较少。长短段落混杂。表格和列表使用有限。
30-49	标题结构极少。没有疑问句式标题。长段落占主导。很少使用表格和列表。
0-29	没有标题结构，或层级严重混乱。段落如同大段文字。没有表格或列表。

提升 AI 引用率的结构最佳实践：

• 标题层级： H1（页面标题）> H2（主要章节）> H3（子章节）。切勿跳过层级。
• 疑问句式标题：“什么是［主题］？”和“［主题］如何运作？”可直接匹配 AI 查询。
• **段落长度：**每段 2-4 句。AI 系统解析短段落的可靠性更高。
• **表格：**比较 3 项或更多内容时使用表格。AI 系统能高准确度提取表格数据。
• **列表：**顺序流程使用有序列表，非顺序项目使用无序列表。
• **加粗关键术语：**首次出现重要术语时将其加粗。这有助于 AI 识别实体。

---

类别 4：统计数据密度（总分的 15%）

此项衡量内容中是否包含具体且可验证的数据点，这类数据点是 AI 系统选择引用来源时优先考虑的。

评分标准：

分数	标准
90-100	每 500 个词包含 5 个以上具体统计数据。所有论点均有具名来源或日期支持。使用准确数字（而非“许多”或“若干”）。包含百分比、金额、时间范围和具名研究。
70-89	每 500 个词包含 3-4 个统计数据。大多数论点都有来源。数字大多具体，偶尔使用模糊量词。
50-69	每 500 个词包含 1-2 个统计数据。部分论点有来源。具体数字和模糊数字兼有。
30-49	每 500 个词的统计数据少于 1 个。很少有论点标明来源。主要使用模糊量词。
0-29	没有统计数据。没有标明来源的论点。所有量词都很模糊（“许多”“大多数”“很多”）。

什么算作统计数据：

• 具体百分比：“73% 的营销人员表示……”
• 金额：“平均成本为每月 4,500 美元”
• 时间范围：“实施平均需要 6-8 周”
• 具名研究：“根据《2025 年 HubSpot 营销现状报告》……”
• 具体数量：“该平台集成了 340 多种工具”
• 比较数据：“比行业平均水平快 40%”

什么不算：

• “许多公司都在使用……”（模糊）
• “相当大比例……”（模糊）
• “研究表明……”（没有具名来源）
• “专家一致认为……”（没有具名专家）

---

类别 5：独特性与原创数据（总分的 10%）

此项衡量内容是否提供 AI 系统无法在其他地方找到的信息，从而成为不可或缺的引用来源。

评分标准：

分数	标准
90-100	包含第一方研究、专有数据、原创调查或独特数据集。提供其他页面上找不到的分析或见解。清楚说明方法。
70-89	包含一些原创见解，或对现有数据进行独特分析。以原创示例提供独特视角。
50-69	主要综合现有信息，但补充了一些独特评论或示例。
30-49	内容大多是衍生内容，只是重述常见知识，原创贡献极少。
0-29	完全是衍生内容。所有信息都能在权威性更高的来源中找到（通常是逐字照搬）。

独特内容的特征：

• “我们对 [X] 数据的分析发现……”
• “我们调查了 [N] 位 [专业人士]，发现……”
• “根据我们为 [N] 位客户提供服务的经验……”
• 自定义图表、图形或数据可视化
• 提及具体结果的案例研究
• 原创框架、方法或分类体系

---

分析流程

步骤 1：抓取并解析页面内容

1. 使用 WebFetch 获取目标 URL。
2. 提取主要内容区域（排除导航栏、页脚、侧边栏和广告）。
3. 保留标题结构（H1-H6 标签）。
4. 保留段落边界、列表和表格。
5. 计算主要内容的总词数。

步骤 2：将内容划分为区块

1. 在每个标题（H2 或 H3）处拆分内容，创建内容区块。
2. 对每个区块记录：
   • 标题文本
   • 该标题下的完整文本内容
   • 区块词数
   • 段落数量
   • 列表和表格数量
   • 统计数据/数据点数量
   • 区块是否包含定义模式
   • 前 60 个词是否构成可独立理解的答案

步骤 3：对每个区块评分

对每个内容区块计算：

• 答案区块质量子分（0-100）
• 自包含性子分（0-100）
• 结构可读性子分（0-100）
• 统计数据密度子分（0-100）
• 独特性子分（0-100）

区块可引用性评分 =（答案 * 0.30）+（自包含性 * 0.25）+（结构 * 0.20）+（统计数据 * 0.15）+（独特性 * 0.10）

第 4 步：计算页面级评分

1. 计算所有区块评分的平均值，作为页面级可引用性评分。
2. 找出评分最高的 3 个区块（标记为优势）。
3. 找出评分最低的 3 个区块（标记为需要改写）。
4. 计算评分高于 70 的区块所占百分比（即“可引用性覆盖率”指标）。

第 5 步：生成改写建议

针对每个评分低于 60 的区块，生成具体的改写建议：

1. 找出主要弱点（答案埋得太深、缺乏事实、结构不佳等）。
2. 使用定义或答案优先的模式，提出一个改写后的开场句。
3. 建议可以补充的具体统计数据或事实。
4. 提出结构改进建议（添加列表、添加表格、拆分段落）。

---

输出格式

生成名为 GEO-CITABILITY-SCORE.md 的文件：

# AI Citability Analysis: [Page Title]

**URL:** [URL]
**Analysis Date:** [Date]
**Overall Citability Score: [X]/100**
**Citability Coverage:** [X]% of content blocks score above 70

---

## Score Summary

| Category | Score | Weight | Weighted |
|---|---|---|---|
| Answer Block Quality | [X]/100 | 30% | [X] |
| Passage Self-Containment | [X]/100 | 25% | [X] |
| Structural Readability | [X]/100 | 20% | [X] |
| Statistical Density | [X]/100 | 15% | [X] |
| Uniqueness & Original Data | [X]/100 | 10% | [X] |
| **Overall** | | | **[X]/100** |

---

## Strongest Content Blocks

### 1. "[Heading]" -- Score: [X]/100
> [First 2 sentences of the block]

**Why it works:** [Explanation]

### 2. "[Heading]" -- Score: [X]/100
> [First 2 sentences of the block]

**Why it works:** [Explanation]

---

## Weakest Content Blocks (Rewrite Priority)

### 1. "[Heading]" -- Score: [X]/100

**Current opening:**
> [First 2 sentences as they exist]

**Problem:** [Specific issue -- buried answer, no facts, etc.]

**Suggested rewrite:**
> [Rewritten opening 2-3 sentences with answer-first pattern and facts]

**Additional improvements:**
- [Add table comparing X, Y, Z]
- [Include statistic about ...]
- [Split long paragraph into 2-3 shorter ones]

---

## Quick Win Reformatting Recommendations

1. **[Specific recommendation]** -- Expected citability lift: +[X] points
2. **[Specific recommendation]** -- Expected citability lift: +[X] points
3. **[Specific recommendation]** -- Expected citability lift: +[X] points
4. **[Specific recommendation]** -- Expected citability lift: +[X] points
5. **[Specific recommendation]** -- Expected citability lift: +[X] points

---

## Per-Section Scores

| Section Heading | Words | Answer Quality | Self-Contained | Structure | Stats | Unique | Overall |
|---|---|---|---|---|---|---|---|
| [H2 heading] | [N] | [X] | [X] | [X] | [X] | [X] | [X] |

---

参考数据

最佳段落特征（摘自 GEO 研究）

• **适合 AI 引用的最佳长度：**134-167 个单词（Bortolato 2025 年对 AI Overview 段落的分析）
• **定义式表述可使引用率提高：**2.1 倍（Georgia Tech 2024）
• **在段落中添加统计数据可使引用率提高：**40%（Princeton GEO 2024 年研究）
• **添加权威人士引述可使引用率提高：**在某些类别中提高 115%（IIT Delhi 2024）
• **优化流畅度可提升可见度：**在所有查询类型中平均提高 30%
• **带有来源引用的内容更容易被引用：**Perplexity 和 ChatGPT 搜索的引用频率高出 20-25%

AI 系统的引用偏好

AI 系统	引用偏好
ChatGPT (Search)	偏好包含明确的定义、具名来源和近期日期的段落。每次回复通常引用 2-4 个来源。
Perplexity	非常偏好事实密集且包含统计数据的段落。每次回复引用 4-8 个来源。非常看重时效性。
Claude	偏好结构清晰、内容全面的段落。相比简洁，更看重细致周全和准确性。
Gemini (AI Overviews)	偏好简洁的答案区块（40-60 个单词）。看重已进入自然搜索结果前 10 名的内容。
Copilot (Bing)	与 Gemini 类似。偏好来自高权威域名且包含明确事实陈述的段落。