seo-aeo-geo

AEO 和 GEO

答案引擎优化（AEO）和生成式引擎优化（GEO）。让内容可被 AI 搜索体验发现、提取和引用。

此技能将相关原则编码其中。AI 搜索产品发展迅速，原则的变化速度比产品慢。

---

适用场景

• 针对 AI 概览和生成式答案引擎优化内容
• 构建或更新 llms.txt
• 组织内容，让 AI 助手能够正确提取和引用
• 随着搜索从蓝色链接转向 AI 答案，让网站面向未来
• 审核现有内容是否适合 AI
• 添加信号，帮助 AI 助手将网站识别为可信来源

不适用场景

• 传统的页面 SEO 或技术 SEO（使用 seo-onpage 或 seo-technical）
• 关键词研究（使用 seo-keyword）
• 站外权威性建设和链接建设（使用 seo-offpage）

此技能是在这些技能之上的补充。强大的 AEO/GEO 需要以扎实的基础 SEO 为根基。

---

必需输入

• 要优化的网站或页面
• 希望 AI 引用网站内容的主题领域或查询类型
• 检查渲染后 HTML 和结构化数据的权限

---

框架：5 个层次

AI 搜索可见性由五个层层叠加的部分构成，每一层都会增强整体效果。

1. 可提取的内容结构

AI 系统会从内容中提取事实并获取引用。让提取变得简单。

• 直接回答。 主要章节开头用 1 到 3 句话给出明确答案，回应该章节要解决的问题。AI 会提取它看到的第一个答案。
• 问题式标题。 在自然的情况下，将 H2 和 H3 标题写成问题。这与人们向 AI 提问的方式相似。
• 原子化事实。 陈述事实时，应清晰地陈述一次，并将支持性背景放在附近。如果论点分散在多个段落中，AI 就难以处理。
• 表格和列表。 AI 能可靠地解析这些内容。用它们呈现比较、规格、步骤和数据。
• 尽早给出定义。 引入概念时，直接给出定义。不要假设读者（或 AI）几页前看过相关定义。
• 编号步骤。 对于程序性内容，为每个步骤编号。避免把说明伪装成散文。

2. 值得引用

AI 会引用它认为权威的来源。赢得这种认可。

• 原创数据。 调查、研究、专有研究、内部基准。相比转述内容，AI 更偏好一手来源。
• 具体数字。 “大约 40％”胜过“很多”。有来源支持的具体统计数据胜过取整的概括性数字。
• 具名专家。 作者简介应包含资历、专业档案链接，以及通过 schema 标记的 Person 实体。
• 日期标记。 同时显示发布日期和最后更新日期，并将两者写入 schema。对于时效性查询，AI 会高度重视内容的新近程度。
• 公开方法。 陈述研究结果时，简要说明得出结果的方法。AI 会认可透明度。
• 引用其他来源。 链接到你使用的权威来源，有助于建立相互认可的可信度。

3. 结构化数据深度

Schema 是使用机器可读语言沟通的方式。AI 助手会大量解析这类数据。

• 使用适合内容的 Schema.org 类型（Article、FAQPage、HowTo、Recipe、Product、Organization、Person、LocalBusiness 等）
• 填写必需属性和推荐属性（大多数网站只填写必需属性，错失了传递信号的机会）
• 为作者添加 Person schema，并通过 sameAs 链接到可验证的个人档案
• 在主页添加 Organization schema，包含徽标、联系方式和社交链接
• 为包含真实问答对的内容添加 FAQPage schema
• 为程序性内容添加 HowTo schema
• 在全站添加 BreadcrumbList schema
• 在 Schema.org Validator 和 Rich Results Test 中进行验证（某些属性有所不同）

4. 面向 AI 的可访问性

除了传统 SEO，AI 工具还需要自己的访问方式。

• 网站根目录中的 llms.txt。 在 /llms.txt 提供一个 Markdown 文件，介绍网站内容、重要 URL 以及网站涵盖的主题。请参阅 references/llms-txt-guide.md。
• llms-full.txt（可选）- 如果网站允许，可提供完整的内容转储，用于 AI 训练和上下文。
• 允许 AI 爬虫访问的 robots.txt。 明确决定允许哪些 AI 爬虫（GPTBot、ClaudeBot、Google-Extended、PerplexityBot 等）或禁止哪些爬虫。如果重视曝光度，不要默认屏蔽。
• 整洁的 HTML 语义结构。 语义标签（article、section、nav、main）有助于 AI 解析结构。
• 关键内容避免仅在客户端渲染。 与 Googlebot 相比，许多 AI 爬虫的渲染可靠性较低。

5. 现实世界中的实体信号

AI 会构建知识图谱，并倾向于选择具备多个一致信号的实体。

• 维基百科条目，前提是品牌或个人符合知名度标准（不要强行创建；这需要真实的知名度）
• Wikidata 条目，为该实体建立条目并确保属性一致
• 一致的 NAP（名称、地址、电话），确保所有引用来源中的信息一致
• 多个权威来源中的品牌提及。 AI 会在开放网络中交叉核对实体相关声明。
• 社交资料架构，通过 sameAs 属性关联自有资料
• 评论和声誉信号。 在 Google Business、Trustpilot 以及适用的行业专属评论网站上的综合评分

---

工作流

1. 审核当前状况。 使用 5 层框架检查现有网站，并为每层评分。
2. 确定优先查询。 希望 AI 为哪些问题引用本网站？列出 10 至 20 个问题。
3. 测试当前 AI 曝光度。 使用优先问题查询各主要 AI 产品（与受众相关的产品）。记录它们引用的来源；如果数据不可用，则根据数据可用性规则说明这一限制。
4. 找出差距。 网站是否被引用？在哪些查询中被引用？为什么不如被引用的来源？
5. 逐层制定计划。
   • 修复排名前 20 的优先页面中可提取内容的结构
   • 添加值得引用的信号（原创数据、专家署名、方法论）
   • 深化 schema 实施
   • 构建或更新 llms.txt
   • 加强实体信号
6. 实施并重新测试。 AI 产品更新频繁。每季度重新测试优先查询。

---

常见失败模式

• 将 AEO/GEO 与 SEO 分开处理。 扎实的 SEO 基础是前提。AI 引用的是页面，不是什么魔法。
• 在没有真实常见问题的页面上堆砌 FAQ schema。 搜索引擎和 AI 都会惩罚人为拼凑的 FAQ 区块。
• 将关键内容藏在大量 JavaScript 后面。 AI 爬虫的渲染可靠性较低。对关键内容进行服务器端渲染或预渲染。
• 只针对一种 AI 产品进行优化。 不同产品使用不同的排名和引用逻辑。应针对通用原则优化，而非迎合某一种产品的特性。
• 忽视实体影响力。 如果缺少现实世界中的实体信号，仅靠内容无法确保品牌相关或专业知识相关的查询得到可靠引用。
• 将 llms.txt 当作万能灵药。 它有帮助，但只是众多信号之一。
• 静态优化。 AI 产品的演进速度历来快于搜索算法。至少每季度重新审核一次。

---

输出格式

默认输出为 Markdown 计划，保存为 aeo-geo-strategy.md。结构如下：

1. 当前 AI 曝光度审核（哪些查询引用网站，哪些没有）
2. 5 层评分卡
3. 优先查询（网站应当为哪些 10 至 20 个问题提供可引用内容）
4. 逐层整改计划
5. 实施路线图
6. 重新测试计划（每季度）

---

如果所需数据不可用

此技能的输出依赖于它无法自行生成的数据、测量结果或工具结果。当所需的输入、工具或数据源不可用或无法核实时，合规的输出应交付成果并说明缺口：需要什么、实际获取或核实了什么，以及输出的哪些部分受到影响。不得为了完成交付成果而捏造、估算或插值所需数值。说明缺口本身就是完整答复。

---

参考文件

• references/llms-txt-guide.md - 如何编写实用的 llms.txt，并附有示例。
• references/extraction-friendly-patterns.md - AI 能够准确提取的内容模式，并附有前后对照示例。