我在翼果 SEO × GEO 技术大会分享了什么：让内容既能排名，也能被引用

2026 年 8 月 12 日，我们在深圳办了 2026 谷歌 SEO × 海外 GEO 技术大会。我在会上讲了 45 分钟的《一份内容，两处收割：既上 Google 排名，又被 AI 引用》。当时有 300 多位独立站卖家和内容团队负责人在场，会后不少人来问同一个问题：现在用 AI 写一篇 2,000 字的博客只要几分钟，内容团队到底该把时间花在哪里，才能让同一套内容既排进 Google 前列，又能进入 ChatGPT、Perplexity 和 Google AI Overviews 的回答？

这篇文章把我在现场讲的那套 30 页课件完整摊开。我不打算给一份“AI 喜欢的文章格式”，而是按我们团队日常交付的顺序，把需求怎么拆、证据怎么补、几十个页面怎么对表、上线前怎么验收、不同岗位怎么拿同一套材料干活，原原本本讲清楚。

Linus Li，常驻深圳。翼果科技技术解决方案部主管，负责筋斗云 SEO 的技术 SEO、GEO 与 Shopify 方向。

GEO 是生成式引擎优化（Generative Engine Optimization），本文用它指围绕 AI 搜索回答开展的内容与可见性工作。如果你是第一次系统梳理这块工作，可以先配合我在筋斗云 SEO 写的 GEO 完整指南（2026 版） 和 SEO 内容策略完整指南 一起看；如果你关心大会当天 Google、Semrush、亚马逊嘉宾和另外四位同事讲了什么，可以直接看公司官网的大会全景回顾。

要点

• 页面排名和事实引用是两套测试：SEO 的竞争单位是 URL，解决页面能不能进入候选集；GEO 的选择单位是具体主张、事实和证据，解决页面里的哪句话能进入最终答案。
• 决策型问题最先被 AI 接管：越靠近比较、选型和适用场景的问题，越容易触发生成式回答。被 AI 引用不会把流量原样还给你，但不被引用会让点击再少掉一半以上。
• 用“删除测试”检查信息增益：把品牌名和套话删掉，如果只剩通用定义和行业常识，这篇内容随时会被模型和同行替代；如果还剩实测数据、失败案例、工程师判断和适用边界，才有独立存在的价值。
• 一个集群里最贵的不是写字，是让几十个页面长期说同一件事：用一张八字段事实表管理全站主张，允许不同渠道语气不同，不允许结论和边界漂移。
• 交付物从“一篇文章”升级为“一套主题包”：围绕核心主题同时交付事实表、页面地图、写作蓝本、可复用证据模块和渠道使用卡，让 SEO、编辑、视频、社媒、销售和客服从同一张表取数。

为什么有排名，却不一定有 AI 引用

备课那两个月，我看了很多出海品牌的 Search Console 和 AI 抽样报告。最常见的一种困惑是：某个核心词明明排在 Google 自然结果前三名，但去问 ChatGPT、Perplexity，或者看 Google 自己的 AI Overviews，里面根本不提这个品牌，或者引用的全是别人家的评测和论坛帖子。

我把原因放在了分享的第一部分：同一篇内容，现在要同时通过“页面竞争”和“事实选择”两套测试。

过去做 SEO，我们的竞争单位是页面（Page / URL）。搜索引擎主要看三件事：这个页面适不适合解决当前查询、和同类页面相比应该排在第几、用户值不值得点进来继续行动。只要页面的主题覆盖完整、权重够、加载和内链没问题，它就能拿到一个好位置。

到了 AI 搜索里，生成答案的选择单位变成了具体的主张、事实和证据（Claim / Fact / Evidence）。系统把一个问题拆开后，会继续追问四件事：

1. 页面里的哪条事实正好回答了当前的子问题？
2. 这个结论有没有足够的证据和成立边界？
3. 全网有哪些独立来源可以共同支撑这个说法？
4. 最终生成的答案，有没有真正采用你的事实和数据？

所以，SEO 主要解决页面能不能进入候选集并赢得位置，GEO 则进一步关注页面里的哪些事实最终进入了答案。它们不是完全割裂的两套内容，但也不是同一场考试。

我在现场放了两组行业研究数据，帮大家看清为什么要盯紧这件事：

第一组来自 Seer Interactive 2026 年更新的《AIO Impact on Google CTR》（覆盖 53 个品牌、547 万条查询）。按查询意图拆开看，生成式答案的出现率极不均匀：信息型查询占 88%，商业调研型占 76%，比较型占 66%，本地型占 38%，而纯交易型查询只有 12%。也就是说，用户在搜“buy X”准备直接下单时，还是会自己点进商品页；但越接近比较、选型和“哪个更适合我”这类购买前最关键的决策问题，几乎都会先被 AI 回答一遍。

第二组是 Ahrefs 和 Seer Interactive 对引用与点击的交叉测量。Ahrefs 在 2025 年 7 月测得 AI Overviews 引用页面同时排在自然前十的比例是 76%，到 2026 年最新测量（读取全部引用 URL）时，这个比例降到了 38%，即约 62%～63% 的被引用 URL 并不在直接查询的自然前十名里。同时，Seer 的数据显示，在没有 AI Overviews 时自然点击率约为 3.82%；出现 AI Overviews 但你的页面没被引用时，点击率掉到 0.94%～1.3%；而如果你出现在 AI Overviews 的引用里，点击率能保持在 2.36%～2.4% 左右，比没被引用高出约 120%。

排名仍然重要，但它已经不能单独解释“谁会被引用”；在有 AI 回答的场景里，被引用不会把流量原样还给你，但能让你比“没被引用”少损失一半以上。 内容必须在被引用的那一刻就把关键事实和适用条件讲清楚，不能再抱着“先把用户骗点进来再说”的心态写水文。

在推进内容改造之前，Google 官方要求的技术底线依然要守住。我在课件第 5 页把整个过程排成五步：

1. 技术资格：能被抓取、能被索引、Canonical 指向清楚。
2. 需求匹配：搜索意图、页面类型与主题边界一致。
3. 候选与排名：通过核心排名与质量系统进入候选集。
4. 事实选择：定义、数字、比较和步骤能被独立提取。
5. 答案与行动：形成引用、答案吸收、点击与业务转化。

前三步是 SEO 地基，第四步和第五步是 GEO 额外要解决的问题。Google Search Central 在 2026 年 7 月更新的 AI 功能指南写得很明确：页面必须先被索引并有资格在搜索结果中展示摘要，才有机会作为 AI Overviews 或 AI Mode 的支持链接。如果你不确定自己的页面能不能被主流 AI 爬虫顺利读取，可以先用站内的 AI 爬虫 robots.txt 检测工具 和 AI 爬虫视角查看器 扫一遍。

从关键词扩展到用户的问题网络

为什么约 63% 的被引用页面不在直接查询的自然前十？因为 Google 在生成回答时使用了 扇出查询（Query Fan-out）机制：系统会把用户的原始提问拆成一串相关的子问题，分别向不同子主题和数据源发起检索，再把找回来的碎片合成最终答案。

这就要求我们把内容规划的单位，从单个“主关键词”换成“问题簇 + 子问题 + 决策过程”。

我在现场没有拿枯燥的软件词举例，而是用了一个独立站卖家一听就懂的场景：“有宠物、南方高温、每天使用的家庭影院，应该选哪种座椅材料？”

用户表面上只问了一句话，但他要完成的是一整串购买判断。如果编辑只对着关键词写一篇《真皮与科技布优缺点对比》，大概率抓不到重点。拆成问题网络之后，内容团队真正需要回答的是六个具体子问题：

用户实际关心的事	用户脑子里的具体问题	内容与产品团队需要准备的事实
耐刮	猫狗抓挠会不会一下就破？	材料表面的抗刮测试数据、涂层厚度与使用限制
清洁	洒了饮料或粘毛好不好打理？	常见污渍的处理步骤，以及哪些化学清洁剂会腐蚀表面
体感	南方夏天不开空调坐上去闷不闷？	不同材质的透气性与接触温感，室温与湿度怎样影响选择
耐久	每天坐两三个小时，哪里最容易坏？	接缝、海绵回弹与摩擦部位的寿命判断依据及测试条件
风险	哪类家庭其实不该买这种材质？	明确写出不适用人群，而不是宣传“所有家庭都适合”
质保	被宠物抓坏或脱皮算不算质保？	质保覆盖范围、免责条款与售后处理流程

怎么把这张问题网络找全？我在团队里要求必须把“三股需求”汇到一起，才能决定一个页面该干什么：

• 第一股是搜索需求：看关键词搜索量、SERP 页面类型、People Also Ask 和 Search Console 里的真实查询。关键词不是文章标题生成器，它是需求确实存在的证据。
• 第二股是 AI 提问需求：看用户在对话式搜索里怎么带场景提问、子问题怎么展开、下一轮会追问什么。
• 第三股是业务真实需求：去翻销售异议记录、客服工单、差评和退货原因，看用户在掏钱前最后一刻卡在哪个顾虑上。

三股需求汇合后，下一步是定页面职责。拆出六个子问题，绝不意味着要新建六个薄页面。我们在立项时会连问四句：这个需求该由产品页、集合页、博客、对比页还是工具页承担？这个页面有没有一个清晰的主任务？站内是不是已经有另一个页面在抢同一个需求？用户看完之后应该点进哪个商业页面？能在同一页讲透的，就集中精力把现有页面做厚；只有具备独立需求、新增事实和清晰下一步行动的问题，才值得单独建 URL。

内容矩阵、主题集群与证据网：把站内站外拉进同一张表

很多团队做内容扩张，停留在“多写几篇”的阶段。我在课件第 8 页把内容组织方式分成了三次进阶：内容矩阵 → 支柱页与集群（Hub & Spoke） → 证据网（Evidence Network）。 这三步是叠加关系，不是替代关系。

组织阶段	具体做法	解决什么问题	容易卡在哪里
01 内容矩阵（Content Matrix）	按“关键词 × 页面类型”列表格，模板化批量生产，一词对应一页	解决基础覆盖率，短期内快速铺开长尾词卡位	结构平铺，极易演变成换几个词就发一篇的近似薄页
02 支柱页与集群（Hub & Spoke）	用一个核心总览页（Hub）汇总全局，通过内链连接多个深入解释子问题的子页（Spoke）	解决信息结构，帮搜索引擎和用户理解主题层次（详见话题权威构建指南）	只画了树状目录，但子页面里全是行业套话，缺少可核查的事实
03 证据网（Evidence Network）	把核心主张、事实证据与权威来源通过交叉链接连成可验证的网络	解决可信度与一致性，让 AI 检索模型能直接采信、归因并引用	站内各页面数字打架，或者站外第三方说的和官网对不上

为什么不能只停在站内集群，必须往前走到“证据网”？因为在很多行业里，品牌事实的主要载体并不只在官网，第三方来源正在直接参与定义你。

图：我在现场展示第 9 页课件《信息面为什么重要：AI 常常不是只引用官网》。

我在现场展示了一份多行业 AI 引用研究（见上图背景屏幕）：

• 在被研究的 8 个品牌里，有 7 个品牌的高频引用域名里出现了 Reddit（关于 Reddit 在 AI 搜索里的机制与反垃圾规则，可以看我另一篇《Reddit 每天拦截 2300 万次垃圾曝光》）。
• 在 B2B 技术服务品牌里，LinkedIn 是被引用最多的单一域名（736 次）；其中一家 B2B 服务公司在所属品类的 AI 引用中，自家官网甚至没有进入前 30 个域名。
• UGC 类域名（Reddit、YouTube、LinkedIn）的平均引用效率达到 1.16 次/每次搜索。
• 不同行业的官网依赖度差异极大：高等教育接近 74.7%，特色食品 CPG 占 18.9%，医疗非营利占 8.3%，消费汽车占 7.4%，本地医美服务占 3.0%，而样本里的 B2B 技术服务官网占比低至 0.0%。

这组数据逼着我们重新理解站外渠道的作用：

• 外链：过去主要是传递权重；现在它多了一层作用，是一条可校验的引用路径，机器会顺着它确认你的说法有没有第三方支撑。
• PR 与媒体：过去图的是曝光；现在是把品牌的数据和测试方法放进一个独立的第三方来源里。一个能被行业媒体转述的实测数字，比官网写十篇自夸文章更容易进入 AI 答案。
• 社媒与社区：过去用来搞流量；现在是真实问题来源和使用体验的证据库。Reddit、YouTube 和 LinkedIn 频繁出现在引用列表里，是因为它们提供了官网给不了的真实使用反馈。

所以我在现场反复强调：GEO 新增加的工作，不是多开几个社媒账号或多发几篇外链软文，而是把官网、PR、社媒、评测和外链拉进同一张事实表。 官网负责做最稳定的事实源；如果第三方在替你讲，你至少要保证他们引用的是你最新确认过的同一组事实，而且顺着链接能找回官网的原始出处。

为了把整个集群拉起来，我们还会在每个重要主题集群里专门设计一两篇“引力中心”内容。它的判断标准只有一句：这一篇有没有让别人愿意主动引用我们，而不是我们去引用别人？一篇合格的引力中心内容，至少要具备以下五样中的一样：

1. 一个别人没有的实测或统计数据；
2. 一个写清条件、可复现的测试方法；
3. 一个可直接引用的清晰定义或行业基准；
4. 一张能被同行或媒体直接截图转发的对比图表；
5. 一个 PR 团队能直接拿去发稿的核心结论。

有了这篇引力中心，外部外链自然落在它身上，社媒的场景切口从它出，PR 的数据故事从它出，站内其他子页面链回它，销售和客服也能直接拿它发给客户。

信息增益：用一个简单的“删除测试”筛掉套话

既然证据这么重要，日常审稿时怎么快速判断一篇文章有没有提供新东西？我在课件第 12 页给了团队一个最简单的操作办法：删除测试。

拿到一篇初稿，先把你们品牌的名称、产品型号和自我表扬的形容词全部删掉，看看文章里还剩下什么：

• 如果删完只剩下：通用定义、通用操作步骤、谁都能背出来的行业常识。那这篇内容只能承担基础的搜索覆盖任务，AI 30 秒就能生成一篇一模一样的，竞争对手也能随便抄走，绝不能把它包装成核心差异化内容。
• 如果删完还剩下：具体条件下的真实测试结果、客户实际使用过程、踩过的失败案例、产品工程师的取舍判断、销售在跟单中反复遇到的误区，以及不同条件下结果为什么会变化的边界说明。从这里开始，内容才真正具备了信息增益（Information Gain）和不可替代性。

这和 Google 搜索联络人 Danny Sullivan 在 2026 年 4 月提出、并在 7 月写进官方指南的“非商品化内容（Non-commodity content）”完全一致：内容必须提供独特（Unique）、具体（Specific）和真实经验（Real experience）。

图：我在现场讲解学术基准实验数据：改词面和堆砌关键词没用，加统计数据、引述和来源才有用。

我在现场还专门放了一页 IIT Delhi 与 Princeton 大学发表在 KDD 2024 上的《GEO: Generative Engine Optimization》论文实验数据（见上图）。在 10,000 条查询的 GEO-bench 基准测试以及 Perplexity 真实环境复测中：

• 加入具体引述（Quotation Addition）让可见度提升了 **+41%**；
• 加入统计数据（Statistics Addition）提升了 **+33%**；
• 提升语言流畅度（Fluency Optimization）提升了 **+28%**；
• 标注引用来源（Cite Sources）提升了 **+27%**；
• 加入准确的技术术语（Technical Terms）提升了 **+18%**；
• 唯一让可见度下降的做法，是传统 SEO 爱干的“关键词堆砌（Keyword Stuffing）”，直接下降了 -8%。

我在幻灯片底部特别加了一行小字提醒：这是学术基准上的受控实验结果，不等于 Google 的真实排名因子。但它和前面讲的“人工改写同义词不算信息增益”指向同一个方向：只改词面没有用，往页面里加可验证的事实、数字和来源才有用。 你也可以用我们站内的 AI 可引用性检查工具，快速检查页面里缺不缺这类可直接提取的定义、数字和对比块。

同时，我也给团队泼了一盆冷水：非商品化内容不是一个自动排名的开关。 一篇内容不会因为“足够原创”就自动排上去，也不会因为塞了一段第一方经验就自动被 AI 引用。我们用一张“需求 × 证据”四象限表来做选题门禁：

需求与证据组合	属于什么状态	处理方式
有真实需求 + 有独创证据	核心内容：页面类型正确、检索相关，且答案里有别人没有的事实	重点投入，唯一有机会同时拿到排名、AI 引用和用户信任的象限
有真实需求 + 没有独创证据	平均答案：写得正确、全面，但 AI 能写，竞争对手也能写	先补产品实测、工程判断或客户案例，没补齐前不按重点稿排产
没有真实需求 + 有独创证据	企业自嗨：测试很独特，但没人搜索，也没人这样问	重新调整切入角度，把它挂载到用户真正在做的购买决定下面
没有真实需求 + 没有独创证据	无效内容：既没有搜索和提问需求，也没有新增信息价值	直接砍掉，如果线上已有这类旧薄页，按内容审计流程合并或下线

用一张事实表，管住几十个页面和站外渠道的一致性

当一个主题集群做大以后，同一个产品参数或测试结论会同时出现在产品页、集合页、博客指南、对比页、YouTube 视频脚本、媒体通稿和销售话术里。

图：我在现场讲第 14 页课件：一个集群里最贵的不是写作，是让几十个页面长期说同一件事。

就像我在这页幻灯片底部写的那句话：一个集群里最贵的不是写作，是让几十个页面长期说同一件事。

很多独立站怎么在 AI 搜索里翻车的？产品升级换代了，或者促销改价了，运营只改了商品详情页，忘了改半年前发的那五篇对比博客和集合页底部的手写 FAQ（我在 261011 期周报的思考里也专门写过价格与库存写死在静态正文里导致 Merchant Center 拒登的坑）。结果 AI 爬虫和 Google 抓取时，发现你的产品页说续航 12 小时，博客说 10 小时，外部媒体稿写着 15 小时。当信源之间互相打架时，模型要么不敢引用你，要么直接拿过期的错误数字去回答用户。

为了解决这个问题，我们在内部推行了一张八字段事实维护表，配合四条硬性操作规则：

字段名称	具体记录什么
1. 主张编号（Claim ID）	全站唯一的编号（如 CLM-014），方便跨页面追踪同一条结论
2. 结论原文	一句带着成立条件、可以被单独摘走而不产生歧义的完整判断
3. 主责页面	这个事实由哪一个具体的 URL 负总责（Canonical Source of Truth）
4. 引用页面	记录站内还有哪些博客、对比页、集合页或站外渠道引用了这条事实
5. 依据与条件	支撑该结论的测试报告、样本量、测量工具和适用范围
6. 生效日期	这条事实从什么时候开始有效，以及设定的复测周期
7. 责任人（Owner）	哪位产品经理、工程师或法务确认过这条事实，后续由谁负责更新
8. 状态	标明当前是“有效”“待复核”“已过期”还是“有冲突”

建好表之后，日常维护严格按四条规则跑：

1. 一个事实只有一个主责页面，其他所有页面都算引用它。
2. 数字或结论变了，先改主责页，再按“引用页面”清单逐一同步修改。
3. 同一个编号在不同页面出现不同数值时，必须能触发报警，立刻排查是漏改了，还是原本属于不同测试条件下的结果却漏写了条件。
4. 允许语气不同，不允许结论不同。博客可以写得平实，社媒短视频可以抓场景痛点，销售话术可以更直接，但产品参数、价格与库存、适用人群、质保条件、核心卖点的边界，以及第三方引用数据的官网原始出处，这六件事绝对不能漂移。如果你想检查自己品牌在各平台的基础信息有没有打架，也可以先跑一遍站内的实体一致性检查工具。

过期的错误数据比没有数据更伤品牌，因为被引用出去的那句话是错的。所以每条证据除了写生效日期和责任人，还要明确五个必须触发复核的信号：产品型号或参数变更、价格库存或售后政策变更、测试到期需要重测、官方规则或行业标准变化、竞品发布新品或换了对比标准。每次复测时，不仅要看站内内容改没改，还要顺手记录两件事：AI 在这个问题上的回答变了没有？它引用的来源换了没有？

沿着 AI 的引用做信任源追溯，查清还缺哪块证据

前面讲了怎么管住自己手里的事实，那怎么知道在 AI 眼里，我们目前还缺哪块证据？我在课件第 17～19 页给出的办法是“信任源追溯（Citation Traceability）”。

很多团队看 GEO 报告只看一个“品牌提及率”，看到名字出现就觉得万事大吉。但被提及不等于被采信，采信的前提是有人能顺着链接查到过硬的证据。

做信任源追溯时，我们会把核心购买问题放进主流 AI 引擎，拿到回答后不做表面统计，而是把回答里的关键判断拆出来，连问七个问题追到底：

1. AI 对这个问题给出了哪些明确判断？
2. 每个判断后面具体引用了哪个网址？
3. 这个来源属于品牌官网、行业媒体、独立评测、专家机构、社区论坛，还是零售平台？
4. 点开那个网页，它里面的正文真的证明了这个判断吗？（例如 AI 引用某篇评测说某款沙发“更适合养宠家庭”，点进去却发现评测只聊了外观，根本没测耐刮和清洁。）
5. 这个来源是否独立、是否已经过期（比如拿三年前的老款型号去论证今年的新款）、是否与其他来源矛盾？
6. 哪些关键判断目前只有品牌自述，完全缺少第三方验证？
7. 下一步我们需要补充什么材料，才能让这一判断获得更可靠的支持？

不同类型的主张，所需要的佐证材料完全不同。官网能解决“基础事实”，但一旦进入“好不好、值不值得买、和竞品比谁更合适”，单靠品牌自述通常是不够的：

关键主张类型	较合适的基础来源	需要补充的具体佐证
产品型号、尺寸、材质、功能	官网产品页、说明书、帮助中心	清晰的 HTML 参数表、Product 结构化数据、全网统一的型号命名
噪声、续航、耐用度等性能指标	官方技术资料、独立实验室或评测站	测试环境条件、实测原始数据、一镜到底的测试视频、第三方复测报告
舒适度、长期使用体验	用户真实评论、Reddit 等社区讨论、测评频道	具体使用场景描述、明确的优缺点、用过半年以上的长期反馈
是否适合某类特定人群	垂直行业媒体、领域专家、专业机构	清楚的适用边界（谁适合、谁别买）、专家解释与真实客户案例
与竞品相比是否值得购买	独立评测媒体、垂直榜单、用户横向讨论	同一条件下的对比表格、价格与配置差异、明确的选择依据
价格、库存、促销与退换货	官网商品页、零售商平台、Merchant Center 数据源	及时同步的价格、库存状态与明确的促销有效期
品牌身份、公司背景、行业奖项	官网关于页、行业数据库、奖项主办方页面	可交叉核验的公司实体信息、主办方原始获奖名单链接

我们把这套排查整理成了一张 11 个字段的《信任源追溯表》（包含关键词、核心提示词、关键主张、AI 当前回答、引用 URL、来源类型、证据状态、需要构建的佐证、内容载体、负责人及状态、复测结果）。

这张表真正的作用，是把 SEO、GEO、公关、社媒和广告团队连接到同一份事实上。广告投手提供高转化卖点和搜索词，社媒同学提供评论区反复吵的问题，客服与销售提供卡住成交的实际顾虑；SEO 团队把这些整理成核心提示词和关键主张，再顺着 AI 当前引用的网址反推还缺哪块证据。最终我们要回答的不是“下一篇博客写什么标题”，而是“全网还缺哪一块可以被核验、被引用的证据，这块证据该由内容、公关还是产品团队去补”。

一篇内容上线前，要过五道检查

把前面所有的要求收拢到日常发稿环节，就是课件第 20 页的那张“五道发布检查”图。

图：公开版课件第 20 页：一篇内容上线前要过的五道检查。

不管初稿是人写的还是 AI 辅助生成的，上线前编辑和审核人都要逐条过这五关：

1. 技术资格：页面能不能被正常抓取、索引，并且有资格展示摘要？
2. 需求与职责：这个问题是不是用户真的在问？由当前这个页面类型来回答合不合适？有没有和站内已有页面抢同一个词？
3. 新增价值：做完“删除测试”、删掉品牌名之后，页面里还有什么信息是只有我们能写出来的？
4. 证据可取用：核心结论和表格如果被 AI 或其他网站单独摘走，在脱离上下文的情况下是否仍然完整、准确、带着成立条件？（详见内容分块 Chunking 与可提取性）
5. 事实一致：这一页里的数字、规格、边界，和站内其他页面、商品 Feed 以及站外渠道说的是不是同一组事实？

为什么我现在把发布门槛卡得这么严？因为 AI 把写字成本打下来之后，“再多生成几个 URL”已经毫无门槛，真正稀缺的是值得独立存在的页面。

我在分享现场讲了一个真实的失衡案例：某出海 DTC 品牌站上有上千篇博客，每篇格式都很工整，字数都在 1,500 字以上，看起来全都“合格”。但我们去翻他们客服和评论区用户天天在问的三个关键问题（这台设备能不能带上飞机、能不能带动我的医疗呼吸机、零下十度的冬天续航会掉多少），全站上千篇文章里，没有一篇正经拿实测数据和官方规则讲透。团队花了一整年优化文章产量，却把用户掏钱前真正要做的决定漏得干干净净。这种靠模板和 AI 批量铺近似页面的做法，也是 Google 2026 年 9 月垃圾更新 重点清洗的对象。

所以，决定要不要新建一个页面前，先回答三个问题：它解决了什么具体问题？相比站内已有页面新增了什么事实？用户为什么需要单独看这一页？答不上来，就去把现有的核心页补厚，不要再制造新的僵尸 URL。

从“交一篇文章”到“交一套主题包”：跨团队怎么共用一套证据

如果每次做内容都只停留在编辑部交一篇 Word 文档，前面讲的证据网和全网一致性根本执行不下去。因此，分享的后半部分我花了很多时间讲组织协作：把内容团队的交付物，从“一篇文章”升级为包含五件交付物的“主题包（Topic Pack）”。

围绕一个核心业务主题，一套完整的主题包至少包含这五样东西：

1. 事实与主张表：品牌的事实底座。写清核心结论、产品参数、测试数据、来源文件、适用范围、不能外推的边界、负责人与审核人、有效期，以及明确禁止使用的夸大表达。
2. 需求与页面地图：规定这份知识应该在哪里出现。列出对应关键词、Search Console 查询、用户决策阶段、页面类型、目标 URL、需要合并的旧页面、内链进出关系，以及最终承接转化的商业页面。
3. 母版答案（写作蓝本）：不是一句“请写一篇 2,000 字文章”，而是写明用户在解决什么问题、品牌的核心判断是什么、必写事实有哪些、必须承认的反例和限制是什么、必须出现的横向比较项，以及用户读完后能完成什么具体判断。
4. 可复用证据模块：已经完成事实审核的“积木”。包括标准对比表、实测数字、工程师解释、前后对比图、客户场景案例、风险提示、计算公式或标准操作步骤。
5. 渠道使用卡：把上面四件交付物，拆成每个团队真正需要拿到的具体产物，让各个岗位开箱即用。

拿前面那个“家庭影院座椅材料耐用性”做例子，当产品与工程团队先把材料规格、摩擦测试、清洁方法和质保边界确认好、填进事实表之后，十个岗位拿到的是同一套事实的不同切面：

团队 / 岗位	从主题包里拿到什么	具体产出的动作或材料
产品 / 工程	事实表、待确认问题清单、更新触发器	确认参数真伪、提供实验室测试条件与样品实拍
SEO 团队	需求与页面地图、页面职责、URL 与内链方案	规划材料选择总览页、产品页规格表和两个材质对比页
内容编辑	母版答案（写作蓝本）、可复用证据模块、边界要求	写出包含成立条件与不适用场景的完整选购指南
视频团队	核心测试数字、视觉证据要求、清洁步骤	拍一段真实的污渍清洁过程与表面摩擦测试视频
社媒团队	场景切口与痛点结论	以“养宠家庭选沙发不要只看真皮标签”切入做帖子和短视频
销售团队	异议回答卡、竞品比较话术、适用人群表	直接用已核实的事实回答“有宠物 / 南方高温 / 高频使用”三类客户顾虑
客服 / 售后	使用条件、日常排查与维护步骤	把清洁禁忌和质保边界做成标准售后说明，减少因预期错误引发的退货
PR / 媒体	数据故事、测试方法说明、官网原始出处链接	把不同材料的耐磨与透气测试整理成行业基准稿件对外发布
品牌 / 法务	允许表达清单、成立条件、禁止表达红线	审核绝对化用词与质保承诺，避免合规与客诉风险
开发 / 数据	商品 Feed 字段、结构化数据、Asset ID 与 Claim ID	保证页面正文、Schema 与 Merchant Center 数据一致，回收各渠道表现并回流到事实表

这套流程最关键的一步是反向回流。销售在跟单时遇到了新竞品、客服发现某个参数老被买家误解、社媒评论区冒出了新的使用场景、或者产品团队更换了皮料供应商，这些一线信号全部要回流到问题地图和事实表里。这样下一轮做内容更新时，团队永远是在已有的材料上继续积累，而不是换个人又从零开始搜同行抄一遍。

页面不仅要给人看，还要让 AI 代理“敢动手”

在课件第 25 页，我专门留了一节讲 Agentic 时代的页面准备：过去我们只关心机器能不能读懂页面；现在 AI 代理（Agent）开始代表用户操作页面。

无论是 Google 正在推进的 AI Mode 商业体验与通用商业协议（UCP）、浏览器原生的 WebMCP 草案，还是 OpenAI 的 Computer-Using Agent 和 Shopify 的 Agentic Storefronts，机器正在替用户干五件事：比较产品、填写表单、添加购物车、提交订单、预约服务。

这时候，页面除了文字要清楚，还多出了一层“机器敢不敢继续执行”的问题。我们在做网站可用性和技术检查时，会重点核对以下细节：

• 按钮与操作名称是否明确：按钮写的是含糊的“提交（Submit）”，还是明确的“获取定制报价”“预约 15 分钟演示”？不要用没有任何语义和无障碍属性的 <div> 加复杂悬浮态去假装按钮，这会让读取 DOM 和无障碍树（Accessibility Tree）的 Agent 卡死。
• 表单标签与后续预期是否清楚：表单字段能不能被机器准确读懂？提交之后由谁联系用户、通过邮件还是电话联系、多久回复、用户能不能修改或撤回？
• 状态反馈是否即时准确：某个尺码或配置选项当前是否已经选中？库存状态是现货还是预售？点击操作成功后页面状态有没有明确变化，失败后有没有清晰的错误提示？
• 跨通道数据是否严格一致：页面文案、Product Schema、产品 Feed 与 Merchant Center 里的库存、当前售价、划线价、订单状态以及退货与质保政策，是不是完全一致？

我在现场也明确画了界限：“Agent 友好”目前不是 Google 的搜索排名因子。 你不会因为把按钮改清楚了就自动排到第一名。但它直接决定当 AI 代理带着高意向买家来到你的独立站时，这单生意能不能顺利走完，还是因为数据冲突、按钮不可读而被机器直接放弃。

把需求、搜索、AI 回答和业务结果拆成四层观察

文章发出去、主题包跑起来之后，怎么评估效果？我在课件第 26～28 页给出的原则是：别把所有结果压成一个玄学“AI 可见度分数”，必须把需求、搜索可见性、AI 答案可见性和业务结果拆成四层看。

为什么不能只看某一个工具给的单一分数？因为 AI 搜索引擎的格局和回答本身都在剧烈波动。Similarweb 2025 年 6 月至 2026 年 5 月的网页访问数据显示，整个 AI 平台品类的月度网页访问量同比增长了 70%，达到 95 亿次，但内部份额一年就洗牌了一次（ChatGPT 从约 76% 变动到 53%，Gemini 从 8.6% 升至 27.5%，Claude、Perplexity 等也在变化）；同时 ChatGPT 美国提问带引用的比例从 1.6% 升到了 6.8%。同一句问题，换一个引擎、换一个地区、换一个月份，甚至同一天连续问三次，给出的答案和引用列表都可能完全不同。

再看我们手头现有的官方工具：

• 已经有的：Google Search Console 在 2026 年 6 月上线了生成式 AI 性能报告，可以看 AI Overviews 与 AI Mode 的曝光，并按页面、国家、设备和日期分析；GA4 有了默认的 AI Assistants 渠道，能识别来自 ChatGPT、Gemini、DeepSeek、Copilot、Perplexity、Grok 等带有 referrer 的访问（你也可以配合站内的 GA4 AI 流量追踪配置工具 和 AI 爬虫日志分析器 来核对爬虫抓取与实际引荐流量）。
• 还给不了的：没有任何第一方平台（无论是 Google 还是 OpenAI）会给你完整的用户 Prompt 清单；Google 自己的 AI Overviews 和 AI Mode 点击仍然混在常规的 Organic Search 里；而且大量用户在 AI 里看完推荐后，是直接去搜品牌名或直接输入网址进站的，这部分无点击归因单靠默认 GA4 抓不到。

因此，我们在项目复盘时会按四层指标分开记录，并且建立自己的 AI 抽样规则：

观察层级	核心要回答的问题	具体核对的指标与动作
1. 需求层	用户是不是真的在问这个问题？	关键词趋势、Search Console 新增查询、销售异议记录与客服工单数量
2. 搜索可见性	页面有没有进入候选并拿到位置？	页面是否编入索引、自然曝光与点击、排名分布、哪个 URL 在承接、是否存在站内同词互抢
3. AI 答案可见性	品牌和事实有没有真正进入答案？	区分三件事：品牌提及（有没有出现名字）、来源引用（列的是官网还是第三方）、事实吸收（答案有没有真正采用我们的数据且描述准确）
4. 业务结果	这套内容有没有帮到生意？	用户有没有进入产品页或服务页、品牌词搜索量有没有涨、有没有形成辅助转化、销售和客服有没有在用这套材料、有没有减少买错退货和重复咨询

在做第 3 层“AI 答案可见性”的人工或脚本抽样时，任何一份内部报告都必须同时写清八个抽样条件：引擎与模型版本、测试地区（查看不同地区的 Google 结果可配合 UULE 生成器）、语言、测试日期、是否清空历史会话、是否启用联网搜索、固定的问题清单、每道题的重复测试次数。

被提及不等于被引用，被引用不等于事实进入答案，事实进入答案也不等于自动带来生意。 单次提问截一张好看的图，只能用来记录某个瞬间的现象，既不能证明长期稳定的可见度，更不能直接证明是哪一项文案修改带来了变化。把条件固定下来，按月追踪同一个问题簇的分布变化，才能找到真正卡住的环节去修。

对你意味着什么

如果你负责一个独立站或出海品牌的内容与 SEO 团队，下周一回到公司不需要立刻推翻现有的所有排期，也不需要去追求“每月批量生成 200 篇 AI 文章”。你可以先挑一个客单价最高、用户买前顾虑最多的核心产品线，按下面五步先把一个主题跑通：

1. 列一张真实的问题网络：拉上销售和客服坐半小时，把客户掏钱前最常问的 10 个具体问题（含使用场景、对比和售后顾虑）列出来，对照 Search Console 看看现有页面分别回答了哪几个，合并掉内容重复的薄页。
2. 给核心稿件做一次删除测试：挑出目前流量最高或最重要的 3 篇指南/对比页，遮住品牌名，把里面谁都能写的行业套话砍掉，找产品经理或工程师补上真实测试条件、实测数字、不适用人群和质保边界。
3. 建第一张全站事实表：哪怕先用飞书或 Google Sheets 建表，把这条产品线最重要的 20 条核心参数和结论编号立项，写清主责 URL、引用页面、生效日期和确认人，把散落在博客和 FAQ 里的过期价格和冲突参数改掉。
4. 顺着 AI 引用做一次信源追溯：拿那 10 个核心问题去问一遍 Google AI Mode、ChatGPT 和 Perplexity，点开它们当前引用的每一个网址，看看哪些判断只有你们自说自话、哪些第三方旧评测还在用你们三年前的停产型号，列成下个月公关、评测和内容团队的补证据清单。
5. 用五道检查和抽样规则管住进出：新内容上线前先过“技术资格、需求与职责、新增价值、证据可取用、事实一致”五道关；发布后用固定条件按月抽样记录提及、引用与事实吸收情况，把一线团队收到的问题反向回流到事实表里。

AI 确实把文字排成通顺句子的成本打到了接近零，但它没有降低搞清楚用户真问题、做出真实测试、为产品结论负责的成本。当我们不再把内容当成按篇结算的消耗品，而是当成一套可核查、可复用、跨团队共享的证据与主题包时，无论是 Google 排名还是 AI 引用，都会变成水到渠成的结果。

图：2026 年 8 月 12 日大会现场。

给老手：30 页公开版课件结构与引用研究明细

本文基于我在 2026 年 8 月 12 日翼果 SEO × GEO 技术大会现场分享的《一份内容，两处收割：既上 Google 排名，又被 AI 引用》30 页公开版课件展开撰写。各章节与课件页码对应关系如下：

本文章节	对应课件页码	课件核心内容与引用来源
为什么有排名，却不一定有 AI 引用	第 1—5 页	页面竞争（Page/URL）与事实选择（Claim/Fact/Evidence）对比；Seer Interactive《AIO Impact on Google CTR》2026 更新（53 个品牌、547 万条查询）；Ahrefs 2025 年 7 月与 2026 年最新 AIO 引用页面自然排名分布对比；Google Search Central《AI features and your website》（2026-07-10 更新）五步原理
从关键词扩展到用户的问题网络	第 6—7 页	Query fan-out 决策问题拆解（家庭影院座椅材料六项子问题网络）；搜索需求、AI 提问需求与业务真实需求三源汇流及页面职责四问
内容矩阵、主题集群与证据网	第 8—11 页	内容矩阵、Hub & Spoke 与 Evidence Network 三层进阶；多行业 AI 引用域名分布研究（Reddit、LinkedIn、YouTube 引用占比及高等教育 74.7% 至 B2B 技术服务 0.0% 的官网引用差异）；集群“引力中心”的五项条件
信息增益：用“删除测试”筛掉套话	第 12—13 页	信息增益删除测试；Danny Sullivan 2026 年 4 月及 7 月官方指南关于 Non-commodity content（独特、具体、真实经验）的表述；Aggarwal 等《GEO: Generative Engine Optimization》（IIT Delhi / Princeton, KDD 2024，GEO-bench 10,000 条查询及 Perplexity 复测数据）；需求 × 证据四象限表
用一张事实表，管住几十个页面的一致性	第 14—16 页	长期维护的八个字段（Claim ID、结论原文、主责页面、引用页面、依据与条件、生效日期、责任人、状态）与四条操作规则；五个触发复核的信号；跨渠道六项一致性要求
沿着 AI 的引用做信任源追溯	第 17—19 页	信任源追溯七步提问；七类关键主张对应的基础来源与补充佐证表；《信任源追溯表》11 个字段与跨团队协作机制
一篇内容上线前，要过五道检查	第 20—21 页	上线前五道检查（技术资格、需求与职责、新增价值、证据可取用、事实一致）；独立页面存在的三个问题与某 DTC 品牌上千篇博客漏掉三个核心购买问题的反例
从“交一篇文章”到“交一套主题包”	第 22—24 页	主题包五件交付物（事实与主张表、需求与页面地图、母版答案、可复用证据模块、渠道使用卡）；十个团队/岗位的具体分工与反向回流机制
页面不仅要给人看，还要让 AI 代理“敢动手”	第 25 页	AI Agent 交互检查项；参照 Google 2026 官方指南 agentic experiences、web.dev、OpenAI Computer-Using Agent、WCAG 状态规范与 Shopify Agentic Storefronts
把需求、搜索、AI 回答和业务结果拆成四层观察	第 26—29 页	四层观察指标体系；Similarweb 2025.06–2026.05 AI 平台网页访问数据（不含 App）；Search Console 生成式 AI 性能报告（2026 年 6 月上线）与 GA4 AI Assistants 渠道边界；AI 抽样八项必填条件

注：课件中引用的第三方行业统计与学术基准实验均受其各自样本范围、时间窗口（2025—2026 年）及统计方法限制，本文引用时已保留其原始前提，不将其作为 Google 内部排名算法的通用承诺。

关注微信公众号，继续交流 SEO 与 GEO

如果你关心技术 SEO、GEO、Shopify 和独立站内容建设，可以扫描下方二维码，关注我的微信公众号 “Linus SEO 海外流量玩家”，阅读后续的一线复盘与方法拆解。

你也可以从关于页、作品索引和免费 SEO / GEO 工具箱了解我和团队日常在做的事。如果你正在筹备内容团队内训或 SEO × GEO 主题交流，欢迎通过公众号直接联系我。