分类： GEO基础

一个服务商给客户做了 30 篇内容翻新，两周后去查引用——还是老版本在 AI 答案里露出。他以为是 AI「忘」了，其实是 AI 根本还没把新版重新算一遍。

「改了但 AI 没重新算」这个问题，有两个独立的时间轴要分开看：重抓延迟（多久被重新爬）和稳定引用延迟（多久稳定切到新版）。把这两件事混在一起，排期必然错。

一、三类内容，三条衰减曲线

MaxAEO 对 412 个样本按内容类型聚类后发现，引用半衰期明显分成三档，用同一套翻新周期去管所有内容，必然一半浪费、一半失守：

陡降型内容的衰减不是「变旧」，是被证伪——数据带着年份，年份一过就自动降权。这类内容里，按新闻源标准写的通稿衰减最快也最规律，适合排进固定日历，跟着季度数据发布节奏走。

缓降型内容的杀手不是时间，是软过期——你的内容还都对，但竞品出了更好的版本，AI 的引用池自然换血。软过期比数据过期更难察觉，因为内容本身没有明显错误，只是不再是最优答案。

二、四平台重抓延迟：豆包最快，千问最保守

MaxAEO 实测，AI 平台「首次识别新版」的中位延迟：

平台差异不是随机的：豆包与 Kimi 依赖高频更新的自有内容池与实时检索，通义千问的候选集换新更保守，同一次更新在它那里排队更久。做单平台验证时，用豆包判断「改动有没有被识别」最快，用通义千问判断「这次翻新是不是真的稳住了」最准。

三、原地更新 vs 换 URL：差 3.9 倍

一个容易被忽略的对照：同一个改版，原地更新（同 URL）中位 8 天生效，换 URL 改版中位 31 天，差 3.9 倍。而且换 URL 的页面里，17% 在 60 天后仍未恢复到改版前的引用水平。

原因是传统 SEO 里 301 能传递大部分权重，但 AI 检索层要等旧快照自然过期、新 URL 重新积累被引记录，两条路都比链接权重传递慢。

• 能原地更新就不要换 URL——把版本号写进正文，把「最后更新时间」放在首段前 60 字，让检索层在标题摘要层就看出改动
• 实在要换 URL，把 31 天当成下限来排期，不要在第 7 天去查引用就下结论「没生效」
• 旧 URL 加 301 指向新 URL，比直接 noindex 好——AI 检索层要重新积累被引记录，有 301 至少让旧引用还能跟到新位置

四、新榜 25001 条引用记录：豆包喜新，DeepSeek 念旧

新榜智汇对 6 个主流 AI 平台、70 个固定问题持续打点 38 天，采集 25001 条引用记录，得出三个规律：

• 75% 的首次引用发生在发布 120 天内——发布时间不是绝对门槛，是随时间变化的机会信号，首发红利（3天内）拿到约五分之一，21 天内拿到近半
• 豆包「喜新」：引用分布均衡，四档都有，信源从发布到引用平均约 4.5 个月；DeepSeek「念旧」：37.4% 引用来自 120 天以上老内容，「老内容更有机会」是它的结构性特征，不是 bug
• 渠道影响速度：热点型渠道（头条）引用更快但周期短，评测/指南/经验沉淀类渠道（什么值得买）长尾引用更多；旧内容更新后会刷新显示时间，AI 可能将最近更新时间识别为发布时间

五、「改了但 AI 没重新算」的三层排查

内容更新后引用率没变，按顺序查三层：

• 第一层：检索层有没有看到改动——如果新结论藏在正文第 8 段，检索层拿到的摘要还是旧的，模型认不出你更新过。把新结论写进首段前 60 字，必要时同步微调 title 和 description
• 第二层：可引用性够不够——模型从「偶尔引用新版」到「稳定引用新版」，实测 4-8 天，这一段完全取决于新版内容的可引用性：有没有可直接摘录的数据块、结论是不是前置、段落能不能独立读懂
• 第三层：平台队列有没有轮到——各平台候选集刷新周期不同（豆包约 30 天，DeepSeek 约 14 天），如果你的更新刚好卡在某平台的刷新周期之前，要等到下一个刷新点才生效，这不是优化失败，是平台节奏

六、常见问题

为什么我改了内容，过了两周 AI 还是引旧版？

要分清两个阶段：「首次识别新版」和「稳定引用新版」是两回事。MaxAEO 实测，豆包首次识别新版中位 6 天，但稳定引用要 11 天；DeepSeek 首次 9 天，稳定要 16 天。如果你只等了一周，可能 AI 已经看到了新版，但还没稳定切过去——这时候引用率可能忽高忽低，属于正常的「切站期」。真正判断「这次翻新有没有稳住」，要看通义千问，它队列最保守，它的候选集换新是最后的确认信号。

原地更新和换 URL 改版，差别有那么大吗？

非常大。MaxAEO 实测：原地更新中位 8 天生效，换 URL 改版中位 31 天，差 3.9 倍。而且换 URL 的页面里，17% 在 60 天后仍未恢复到改版前的引用水平。原因是传统 SEO 里 301 能传递大部分权重，但 AI 检索层要等旧快照自然过期、新 URL 重新积累被引记录，两条路都比链接权重传递慢。所以原则上：能原地更新就不要换 URL；实在要换，把 31 天当成下限来排期。

豆包喜新、DeepSeek 念旧，同一篇内容怎么两头吃？

新榜数据把这个问题说得很清楚：豆包「喜新」，37.4% 的 DeepSeek 引用来自 120 天以上的老内容。实操上分两条线：
· 给豆包的内容：跟节奏发新数据、新案例、新公告，用头条/抖音渠道同步，让它在 3-7 天内进豆包候选池；
· 给 DeepSeek 的内容：做深度分析型长文，数据密度要高，逻辑链完整，发在 CSDN/知乎/技术社区，这类内容的引用半衰期 5-9 个月，值得花功夫。

内容「软过期」是什么意思，怎么判断我的文章软过期了？

「软过期」不是数据变旧，是竞品出了更好的版本，你的内容还都对，但不再是最优答案了。判断方法：
· 把你文章的核心结论和推荐操作搜一遍，如果新冒出来的竞品内容比你多了 2-3 个维度（比如多了价格区间、多了实测数据），你的引用率会在 4-8 周内明显下滑；
· 看 AI 回答里你的内容是不是从「核心引用」降级到「背景提及」；
· 竞品内容没有明显错误，只是更全面——这时候不是纠错，是扩容。

延伸阅读

• 文章没删也没改，AI 为什么突然不提了？
• 三年前的老文章还能被 AI 引用吗？内容翻新的 8 步法
• 网站被 AI 收录要多久？从被抓取到被引用的完整时间表

「改了但 AI 没重新算」不是 AI 的问题，是时间轴的问题——重抓 6-11 天，稳定引用 4-8 天，换 URL 要 31 天。把排期建在这三根刻度上，而不是建在「感觉应该好了」上。

一个服务商给某客户铺了 80 篇软文，按 8 月之前的经验，两周内豆包至少能抓到一半。结果 10 月更新之后——零引用。

他问为什么。答案是：你的 80 篇内容，在 AI 眼里说的是同一件事。

DeepSeek 10-17 的 changelog 写得很清楚：精读信源从 10-15 个压缩到 4-5 个，同时新增「信息增益」评分。如果你的内容和已有信源高度重合，AI 会判定「没有新信息」，直接跳过——不是降权，是不读。

一、「信息增益」到底在评什么

「信息增益」不是看你写了多少字，而是看你提供了什么别人没有的东西。三个具体维度：

重合度 60% 这个阈值需要厘清：不是字面意义上的「60% 文字相同」，是语义层面的重合——核心论点相同、换了措辞，照样触发。判断方法：把你文章的核心结论提出来，在 AI 里搜一遍，如果前 5 条结果都在说同样的事，你的内容大概率会被判「没有新信息」。

二、精读信源从 15 压到 5，竞争烈度翻三倍

以前 15 个候选信源做片段抽取，你的内容只要排进前 15 就有机会被看到。现在 4-5 个精读位，排不进前 5 就完全没有露出机会。

这意味着三件事：

• 广撒网成本急剧上升：在 15 个池子里，一篇同质化内容可能刚好排不进前 5；在 5 个池子里，排不进就完全没有机会。对策是「少而精」——核心事实控制在 3-5 条，每条都要有差异化信息增量。
• 「被爬过但从未被引用」的情况会变多：内容进了候选池但信息增益评分不够，直接被跳过，不报错、不提醒，只有引用率持续为零才能发现。
• 权威信源的优势被放大：5 个精读位里，有 3-4 个会被高权重信源占据，普通内容需要靠信息增量（新数据、新案例、新分析角度）才能挤进去。

三、选对平台比写内容更关键

新榜 10 月行业信源数据（10-22 发布）给出了很具体的参考：

数据说明一件事：同一篇内容，发在 A 平台是核心信源，发在 B 平台可能是第 8 个候选。内容没变，变的是信源权重。选平台比写内容更关键——先查你的行业在各平台的信源权重分布，再决定首发在哪里。

四、怎么判断你的内容会不会被判「没有新信息」

三个自检步骤，发布前 30 分钟做完：

• 核心论点搜索：把你文章的 3 个核心结论分别搜一遍，如果前 5 条结果都在说同样的事（只是措辞不同），信息增益评分会很低。
• 差异化检查：你的内容至少在一个维度上提供已有内容没有的东西——新的实测数据、新的行业案例、新的分析角度。哪怕只是一段实测数据也算。
• 信源等级自查：你的内容发在什么平台上？该平台的权重在你的行业里排第几？如果排不进前 5，信息增益再高也进不了精读位，换平台比改内容更有效。

五、从「铺量」到「信息增量」的排期调整

10 月这轮更新之后，排期逻辑要改三处：

• 发布频率：从「一周 5 篇」改回「一周 1-2 篇」，每篇都针对一个具体用户问句，带实测数据或独特案例。
• 发布渠道：不再通发，按行业信源权重分布选 2-3 个平台首发，其余平台做摘要同步（注意：摘要同步不能改核心结论，否则触发同质化标记）。
• 效果验证：发布 7 天后查引用，如果引用率为零，先查信息增益（是否被判定同质化），再查信源等级（平台权重是否够）。

六、常见问题

重合度 60% 是什么意思，怎么判断我的内容会不会触发

不是字面意义上的「60% 文字相同」，是语义层面的重合——你写的核心论点和已有内容说的是同一件事，只是换了措辞。判断方法：把你文章的核心结论提出来，在 AI 里搜一遍，如果前 5 条结果都在说同样的事，你的内容大概率会被判「没有新信息」。真正能过审的内容，至少要在某个维度上提供已有内容没有的东西——新的数据、新的案例、新的分析角度，哪怕只是一段实测数据也算。

发在抖音和发在百度百科，内容一样为什么效果差那么多

新榜 10 月数据显示，豆包 10 个行业引用第一全部是抖音（权重 42%），而 DeepSeek 母婴/房产/教育/医疗/旅游 5 个行业 Top1 是百度百科。同一篇内容，发在 A 平台是核心信源，发在 B 平台可能是第 8 个候选。内容没变，变的是信源权重。选平台比写内容更关键——先查你的行业在各平台的信源权重分布，再决定首发在哪里。

精读信源从 15 个压到 5 个，对我意味着什么

以前你有 15 次机会被 AI 看到，现在只有 5 次。竞争烈度直接翻了三倍。这意味着「广撒网」打法的成本急剧上升——在 15 个候选池里，一篇同质化内容可能刚好排不进前 5；在 5 个精读池里，排不进前 5 就完全没有露出机会。对策是「少而精」：核心事实控制在 3-5 条，每条都要有差异化信息增量。

80 篇软文零引用，是内容质量问题还是算法变化

两者都有。8 月算法更新前，铺量打法还能吃到一部分收录红利；更新后，批量同质化内容被批量过滤，成本结构直接变。极亿欧的实测案例显示，依赖批量发稿的 GEO 项目，平均流量获取成本飙升 300% 以上。正确的做法是停止铺量，把预算集中到 3-5 篇高信息增量的内容上，每篇都针对一个具体用户问句，带实测数据或独特案例。

延伸阅读

• 收录从分钟级变 3 到 7 天，抢首发为什么失效了
• 你写的是「除甲醛」，客户说的是「味道大」
• 为什么内容写了没人引？「信息增量」到底怎么算

铺量时代的逻辑是「发得多，被看到的概率大」。信息增量时代的逻辑是「发得少，但每篇都有别人没有的东西」。AI 不是不读你的内容，是读完了觉得你已经说过了。

做 GEO 排期的人最近大概都注意到一件事：内容发布后第二天去豆包里查，不出现了；第三天，还是没有；一周之后才慢慢冒出来。以前分钟级就进池子的节奏，没了。

这不是错觉。10 月前后，豆包完成了第三轮调整，直接改变了「抢首发」这条老打法的底层假设。加上前两轮，三轮调整连起来看，逻辑很清楚——

竞争单元正在从「谁发得快」转向「谁的说法经得起多方验证」。

一、三轮调整，三轮失效的打法

需要注意：候选池扩容和收录周期拉长的数字来自行业实测（凤凰网 10-16、海鹦云 09-21、超级媒介 09-08 等多方监测），不同机构口径略有差异，豆包官方未公布具体数字。方向一致，排期时建议按保守值做估计。

二、「抢首发」为什么失效了

旧逻辑是：「别人还没发，我先发占坑位，AI 引用了我的版本，后来者都引用我。」这套逻辑在分钟级收录周期下成立——发布半小时后内容就进池子，速度就是壁垒。

现在三件事同时变了：

• 候选池变大了：二三十个扩到五十到八个，「先发」的内容在池子里被稀释，不再自动占据显眼位置
• 收录变慢了：分钟级拉到三到七天，「先发」的时间优势大幅压缩，等收录走完，竞品也发出来了
• 交叉验证变重了：池子里的可选项越多，AI 越倾向于「有别的信源也这么说」的内容，孤证的劣势被放大

三件事合在一起，结论很直接：先发优势正在被「说法一致性」替代。

有一个常被混淆的地方需要厘清：外部实测显示，AI 爬虫的访问速度其实很快——新页面 24 小时内被 AI 爬虫访问的比例约七成以上，中位首次访问时间约 14 小时。「被爬虫访问」和「进候选池被引用」是两层事：前者是抓取，后者还要过信源分级、交叉验证、语义匹配几关。很多内容被爬虫抓走了，却永远停在候选池之外。

三、收录周期变了，排期逻辑该怎么调

旧的排期假设是「发布 → 当天见效」，现在的假设要改成「发布 → 三到七天后进候选池 → 持续观察」。具体三个调整：

• 把「当天查」改成「第三天查」：发布后第二天查没有结果，不代表失败，是周期还没走完。按三到七天做保守窗口，别在一周内反复下「被降权」的结论。
• 把「追热点」改成「选持续问句」：热点本身会过 4 周以上被持续问的，才值得做。即时性热点（评论区、临时新闻）等收录周期走完就过去了，别追。
• 把「抢坑位」改成「多源对齐」：同一核心事实，在自有阵地 + 两家异质第三方信源上口径一致地沉淀，比单点抢首发更能通过交叉验证。

四、敏感行业的更长时间窗口

医疗、金融等敏感行业的收录周期超过七天，部分场景拉到更久。这不是歧视，是合规要求——这些行业的内容错误代价高，平台把验证做得更慢更严。

做这些行业 GEO 的，排期要按「发布 + 两周」来做预期，别拿普通行业的三到七天来估。同时，这些行业的内容更要保证「一段一个事实」的颗粒度，方便验证环节逐项核对。

五、和「信源结构」的关系

三轮调整连起来看，底层逻辑是统一的：信源结构第一次比信源数量重要。

第一轮让你不能用低价值信源堆量；第二轮让你不能靠单一高权重信源锁住口径；第三轮让你不能靠时间差占坑位。三轮做完，剩下的打法只有一种：核心事实多源对齐、结构化沉淀、持续更新。

这也是为什么「同一份服务商名单，对不同企业给出相反结论」正在发生——评价口径从来没被统一过，信源结构不同的企业，同一个「发一百篇」的动作效果完全相反。

六、常见问题

收录周期拉长后，热点内容还值得追吗

要分两问。如果热点本身会持续影响用户提问（比如政策发布后的合规问题），值得做，但预期要改：不再是「发布当天被引用」，而是「发布后 3-7 天内进候选池，之后取决于交叉验证」。如果热点是即时性的（比如某条新闻评论区），等收录周期走完热点已经过了，这类就别追了。判断标准：用户会持续 4 周以上问这个问题吗？会才做。

3 到 7 天是官方口径还是行业实测

行业实测。豆包官方没有公布收录周期数字，这个数字来自多家服务商和自媒体的实测监测（凤凰网 10-16、海鹦云 09-21 等），不同机构给出的口径略有差异（3-5天、3-7天），方向一致。建议当作「行业观察到的信号」而非「平台公布的规则」来用，排期时按 7 天做保守估计更稳。

候选池变大，是不是意味着机会更多了

恰恰相反。候选池从二三十个扩到五十到八十个，露出名额却只有八到十五条，等于考试名额没加，考生变多了。进候选池只是拿到考试资格，能不能露出，看的是你的内容能不能被其他信源佐证。池子变大，对「说法经得起多方验证」的内容更有利，对「孤证」不利。

被 AI 爬虫访问了，是不是就算被收录了

两件事。外部实测（AI Discovery Index，10 月数据）显示，新发布页面 24 小时内被 AI 爬虫访问的比例约七成以上，中位首次访问时间约 14 小时。但「被爬虫访问」只是进门的凭证，真正进候选池还要过信源分级、交叉验证、语义匹配几关。很多内容被爬虫抓走了，却永远停在候选池之外，因为说法对不上其他信源。

延伸阅读

• AI 开始主动过滤你的内容了，信号在哪里
• AI 可见度怎么测才准？查一次为什么不算数
• 文章没删也没改，AI 为什么突然不提了？

抢首发的逻辑是「比谁快」，抢说法一致性的逻辑是「比谁稳」。收录周期拉长之后，快的优势被压缩，稳的优势被放大。排期表上的每一天，都应该为「稳」服务。

做 GEO 的人最近有一种说不清的不适感：内容没少发，收录也没问题，但 AI 答案里就是没有你了。不是排得靠后，是压根不在名单里。

2026 年 10 月，三件事同时发生，把这种「说不清」说清楚了——AI 搜索正在从「引不到」变成「主动剔除」，而且有三个明确的信号可以对照。

一、三个信号分别是什么

二、信号一：DeepSeek 把「操纵」写进了 changelog

10 月 17 日，DeepSeek 同步开放自研搜索 API 和 V4.1-Flash-1017 模型，官方变更日志里有一句话很关键：过滤 SEO 作弊、GEO 操纵、低质量 AIGC 内容。

这不是行业解读，是平台自己写的。三个过滤对象拆开看：

• SEO 作弊：关键词堆砌、门页、隐藏链接——老一套，AI 搜索也识别了
• GEO 操纵：批量 AI 水文、虚构用户评价、伪造第三方背书——专门针对 AI 内容生态
• 低质 AIGC：模板化改写、低信息密度内容——收录率持续下滑

还有一个具体动作：测评类、榜单类内容被拦截处理，直接不进候选池。这意味着「花钱上的排行榜」这条老路，在 DeepSeek 这条线上彻底走不通了。

对正常做 GEO 的人，这是利好——噪声被清掉，真实事实内容的相对权重在上升。

三、信号二：总台入局，可信度有了官方参照系

10 月 10 日，中央广播电视总台启动「2027 品牌强国战略」共建行动，同步上线国家品牌可信语料平台。部署范围是「三端三网」——央视频、央视新闻、央视财经，加上央视网、央广网、国际在线。平台设了四个板块：品牌事实库、内容资产库、公共证据库、品牌问答库。

需要厘清：总台启动的是可信语料平台，不是发布「GEO 战略」。但这件事的实质影响很明确——品牌信息从此多了一个官方交叉验证层。

你的核心数据（成立时间、业务定位、资质、服务范围）跟官方库里的一致，AI 引用你时的可信度加分；对不上，就是减分。过去「全网自己说」的玩法，现在要面对「官方记录说什么」这道题。

叠加上半年新华网的 GEO 智能体平台、人民网的「主流价值语料生态联盟」（16 家单位参与），官媒侧的可信语料基础设施正在加速成型。GEO 的评价体系，「拼谁发得多」正在变成「拼谁更可信、更结构化」。

四、信号三：豆包分层2.0，单渠道布局正式失效

豆包在 8 月底到 9 月上线可信度分层 2.0，核心规则三条：

• 同一条答案里，单一信源引用占比不超过 8%——你在一个平台上做得再好，也占不了答案的大头
• 同一个事实需要三个以上互不隶属的来源互相佐证，孤证直接降权
• 公众号软文、行业榜单、第三方测评被归为商业营销内容，直接弃用；识别 SEO 矩阵站并降权

第三条最容易被忽略：「第三方测评」被弃用不等于「第三方内容」被弃用。真实用户的评价、有数据支撑的独立报道，仍然是有效信源；「XX 行业 TOP10」这类榜单物料，在 AI 眼里跟广告没有区别。

五、怎么判断自己是否已被过滤

过滤和降权的区别：降权是「还在池子里但排得靠后」，过滤是「根本没进池子」。两套自检方法：

• 缺席连续性：同一组核心问题（业务关键词 + 「哪家好」「多少钱」类问句），连续 4-5 周查，如果一次都没有你的名字，不是波动，是缺席。
• 引用来源列表：AI 回答后展开「引用来源」，如果列表里一个你发过的链接都没有，说明召回阶段就把你滤掉了，不是精排阶段输的。

两个都中了，优先检查内容里的商业营销痕迹（纯宣传话术、榜单背书、批量 AI 生成），这是三个平台同时识别的特征，也是被过滤最常见的原因。

六、修完过滤，再谈增量

面对这三条信号，优先级是清晰的：

前两项做完，再考虑增量。过滤没修就加量，等于往漏的桶里倒水。

七、常见问题

被过滤了会有什么外在表现

最直接的信号：同一组问题，之前 AI 答案里有你的名字，最近两轮都没有了，而且不是某一次波动，是持续缺席。再查引用来源列表——如果列表里一个你发过的链接都没有，说明你的内容根本没进候选池，不是排序靠后。两个都中了，就是被过滤，不是降权。

DeepSeek 的反操纵过滤会误伤正常 GEO 吗

不会。changelog 写得很清楚：过滤对象是「人为污染信息生态」的行为——批量 AI 水文、堆砌关键词、虚构评价、伪造背书。正常的品牌官网、结构化事实、第三方独立报道，恰恰是它要优先呈现的内容。做 GEO 的方向没有变，变的是「用脏手段」的成本变高了。

总台的可信语料平台跟普通企业有什么关系

它是信源权威度的新增参照系。平台部署了品牌事实库、内容资产库、公共证据库、品牌问答库四大板块，未来 AI 引用品牌信息时，有官方事实库做交叉验证——你的信息跟总台库里的一致，可信度加分；对不上，直接掉分。短期影响不大，中长期是新的硬标准。

现在该优先修哪个信号

先查你的内容里有没有「商业营销痕迹」：纯宣传话术、榜单背书、批量 AI 生成。这是被三个平台同时识别的特征。然后检查多源一致性：同一核心事实，在官网、公众号、行业媒体三处是否口径统一。这两项修完，再谈增量。

延伸阅读

• GEO 行业这一年：门槛是怎么被抬高的
• 你说你靠谱，AI 凭什么信你？
• AI 一次回答只引几家，你在不在名单里？

AI 搜索的红利没有消失，只是换了一种领法——不再奖励最会喊的人，奖励最经得起追问的人。这三条信号，就是「经得起追问」的最低标准。

一个做本地门店的老板，公众号攒了三百多篇文章，在腾讯元宝里问「附近哪家眼镜店靠谱」，推荐出来的全是别家。

他以为是内容不够多。其实不是——腾讯系 GEO 的问题从来不是数量，是哪一段链路没跑通。

元宝回答里约三分之二的内容来自腾讯自家生态，剩下三分之一才来自全网。这套生态分四段：内容资产、搜一搜词卡、品牌实体、小程序转化。每段各管一件事，顺序错了，前面积蓄再多也到不了「被引用」那一步。

一、为什么腾讯系 GEO 不能照搬豆包那套

豆包靠字节生态（头条、抖音），文心靠百度系，DeepSeek 全网通吃——每家都有自己的主场。腾讯元宝的主场只有一个：微信生态。

引用占比的分布说明了这点：公众号约 35%、视频号约 15%、企鹅号约 8%、腾讯新闻约 7%、QQ 浏览器约 5%、搜一搜约 10%、小程序约 5%，合计微信生态加腾讯系平台占八成左右，全网第三方只有约 15%。

这意味着：没有腾讯生态内的信源布局，就没有元宝的品牌占位。反过来也成立——你在腾讯生态里做得扎实，其他引擎的长尾引用会跟着受益。

二、四段链路各自负责什么

整条链路可以拆成四段，每段回答 AI 的一个不同问题：

注意顺序不能倒：先修①再修②。AI 引用你的前提是手里有可引用的素材；搜一搜品牌词卡是用户「看到推荐后回头验证」的第一跳板，但前提是 AI 真的推荐了你——①没做好，②修得再漂亮也没人跳过来。

三、环节一：把内容资产铺成 AI 能引用的样子

公众号是最核心的信源（约 35%），三条硬标准：

• 标题直接命中用户问句：写「中小企业怎么做 AI 获客」比写「AI 获客新趋势」好——前者是用户真会问的话。
• 开头 200 字直接给答案：别让 AI 翻到文章后半段才找到重点，它通常只读前几段判断值不值得引用。
• 围绕真实问句组织内容：收集 30 条客户真实提问，每篇解决一个，形成问答库而非品牌宣传册。

视频号是视觉印证（约 15%）：同一条内容，图文说过 + 视频实拍，多模态交叉验证的可信度明显高于纯文字。视频号企业认证（蓝 V）对 AI 检索中的可信度加分。

还有一条低成本高杠杆的：企鹅号 + 腾讯新闻（合计约 15%）。公众号首发深度长文，摘要同步发企鹅号或投稿腾讯新闻——同一条内容吃三遍引用机会，且腾讯新闻自带权威背书。

四、环节二：搜一搜品牌词卡是信任验证的第一跳板

用户从 AI 里看到你的推荐后，会回到微信搜一搜搜你的品牌名——这时候展示的就是品牌词卡：企业介绍、公众号、小程序、商品。

多数企业忽略了这个词卡的维护。介绍可能是三年前的版本，缺关键业务更新，资质没挂，评价没整理。

词卡该做什么：

• 企业介绍保持最新版本，核心业务、服务范围、联系方式一次拉齐
• 挂上公众号和小程序入口，让验证到转化的链路不断
• 整理真实用户评价，第三方口碑比自说自话权重高得多
• 名称、地址、电话等基础字段与官网、公众号、小程序 100% 一致

搜一搜和元宝是双向影响：搜一搜里表现好的公众号文章和视频号内容，在元宝答案里更容易出现；元宝的回答也会成为搜一搜结果页的一部分。优化搜一搜关键词布局，客观上也是在为 GEO 打基础。

五、环节三和四：实体核验 + 转化承接

企业微信和社群里的真实口碑，是 AI 判断「这家企业是否可信」的间接证据——多触点信息一致，比任何单点内容都有说服力。

小程序（约 5%）承担的是转化承接：AI 推荐了你，用户点进来要能找到你。三个条件：

• 名称和服务描述精准匹配用户查询意图（搜「法律咨询」匹配不到「XX 工作室」）
• 业务介绍和功能说明清晰，让 AI 能判断「这个小程序是做什么的」
• 主体信息、资质、评价真实可核验

小程序虽然引用占比不高，但它承担实体核验的角色——AI 确认你「真实存在、正常经营」的硬证据。补齐做规范，比多写十篇文章管用。

六、四件同时做：一张对照表

七、常见问题

已有公众号了，还需要专门做腾讯系 GEO 吗

需要。有公众号不等于它是有效信源。断更号、纯海报促销号、口径混乱的号，在元宝眼里和没有差不多。要做的是把它升级成 AI 友好的结构化阵地：围绕用户真实问句组织内容、事实密度拉满、持续更新，发布后数小时到数天内就会被搜一搜快速收录。

没有预算做视频号，只做公众号行不行

行，但天花板低。公众号是信源主体（引用占比约 35%），视频号是视觉印证（约 15%）。元宝偏好多模态交叉验证：图文说过的话，有视频实拍印证，可信度加分。资源有限就把公众号做扎实——结构化、信息准、覆盖高频问句，先吃到大头再补视频号。

小程序信息不全，影响大吗

影响。小程序在元宝信源里占比不算高（约 5%），但它承担实体核验的角色——主体信息、服务类目、经营地址，是 AI 判断你「是不是真实在经营」的硬证据。把名称、简介、类目、资质、评价这几项补齐做规范，比多写十篇公众号文章管用。

腾讯新闻和企鹅号要不要一起布局

要，且成本很低。企鹅号约 8%、腾讯新闻约 7%，合计近 15%。打法是公众号首发深度长文，把摘要同步发企鹅号或投稿腾讯新闻——同一条内容吃三遍引用机会，而且腾讯新闻自带权威背书。这不是多开渠道，是同一份内容多挂一个高权重入口。

延伸阅读

• 你说你靠谱，AI 凭什么信你？
• 用户在微信里问 AI，为什么找不到你？微信搜一搜 GEO 实操
• 腾讯元宝信任哪些网站：2026年微信生态可信源分类完整指南

腾讯系 GEO 的问题从来不是内容不够多，是哪一段链路没跑通。先修内容资产，再修词卡，然后对齐实体，最后接住转化。

一个客户拿着截图来问：让 AI 查你们公司成立时间，怎么写的是 2016 年？运营打开自己的官网，「关于我们」明明白白写着 2019。

他不服气，又连问了几个问题。价格对不上，服务城市少了一个，主推产品还是两年前就停掉的那款。

不是 AI 记性差。是这家公司的信息在全网同时存在四个版本，每个版本都曾经是对的，每个版本都还在被检索。

内容不是写得不够好，是版本太多。

一、AI 不制造版本问题，只把它摆上台面

有个判断很准确：AI 不创造事实源问题，只是暴露它。过去同一个错误，员工靠经验就能绕过去——他们知道哪份报表过期了、哪个系统「那个字段别信」。AI 没有这层直觉，它把每个版本一视同仁地读进来。

更关键的一条：检索不等于对账。模型可以把三个版本全找出来，但它没有被告诉过哪个权威。找不到唯一答案时，它只能自己做决定——而这个决定本该在发布之前就由人做完。

二、四个版本是怎么长出来的

没有人故意写错。版本是组织运转时自然长出来的：

注意第二行那个坑：旧内容出问题，往往不是因为它错，而是它的句式比新内容更像用户的问法。有人问「贵公司的 CEO 是谁」，检索撞上的是四任前任的传记——因为现任头衔换了个说法，新页面里根本没出现「CEO」这三个字。旧的那版不是更可信，是更会「接客」。

三、冲突的代价：不是答错一个数，是整体降权

有实测记录过这个过程：在检索工具里查某个代理记账类目，同一个成立时间，知乎写 2018、搜狐号写 2019、聚合平台显示 2017。模型面对这种冲突信号，常见处理只有两种——挑一个它认为更可信的来源，或者干脆降低对这个实体的整体引用置信度，跳过不引。

第二种更伤。因为触发降权的可能只是一个基础字段：成立年份、资质编号、门店营业时间对不上，连带的是你其他所有内容的可信度——哪怕那些内容本身没问题。

还有一类更直观的：某全国连锁零售品牌前期批量投放软文，结果在豆包、元宝里问门店地址，多个区县的地址是错的、营业时间是过期的。根因不是内容不够多，是从来没有过统一事实源。发得越多，版本越多。

四、单一事实源：先定「谁说了算」

解法听起来老派，做对的人却不多：同一件事，全网只认一个版本，而且这个版本有名字、有 owner、有生效时间。

• 一个事实单元五个字段：实体名、属性、值、生效时间、来源。缺了生效时间，你无法回答「这句现在还对吗」；缺了来源，无法回答「当时凭什么这么写」。
• 先修被动层：企查查、天眼查、百度企业信用这类档案是AI 核验身份的第一落点，错了走「认领企业 / 信息纠错」提交，保留工单记录。这一步没做，后面发多少内容都是在错误地基上加层。
• 再对齐主动层：所有平台账号的头像、简介、认证主体、联系方式、业务描述一次拉齐，以后新内容一律从事实源取数，不靠记忆写。
• 内容层同源多形：事实一致，体裁随便改。改措辞叫适配，改数字叫制造冲突。

还有一条容易漏：事实源要有复核节奏。政策会变、产品会停、门店会关，没有 owner 和复核周期的知识源会静默腐烂——它不报错，只是让 AI 自信地把过期版本讲给客户听。

五、三个最常见的误解

六、两周做完这件事

• 第 1 周：列出十个必须唯一的事实（名称、成立时间、价格口径、主推产品、服务城市、资质编号……），在 AI 里逐个问一遍，把每个事实出现的版本数记下来。超过一个版本的，就是本周的账。
• 第 2 周：先修被动层（工商与聚合档案纠错），再改主动层（各平台账号资料），同步把冲突的历史物料更新或下架；最后定 owner 和复核周期——谁签字，多久看一次。

两周之后再发内容。这时候发一篇，全网认一篇；反过来做，发十篇只是把账做厚了十层。

七、常见问题

公司信息散在十几个地方，先改哪一个

先改被动层：企查查、天眼查、百度企业信用这类工商与聚合档案，这是 AI 核验你身份时的第一落点，走平台的「认领企业」「信息纠错」入口提交修正。再对齐各平台账号的头像、简介、认证主体、联系方式。最后才是内容层——顺序反了，等于在错的数据上继续加权重。

发出去的旧文章、旧 PDF，删掉是不是就行了

不是全删。先确认唯一事实源里的当前口径，再处理两类东西：还在被检索、且与当前口径直接冲突的历史物料（旧通稿、旧产品手册、离职员工简介、没撤的聚合页）——更新或下架。之所以要认真对待它们，是因为旧内容的句式往往比新页面更贴近用户的问法，AI 检索时反而先撞上旧的那版。

单一事实源是不是就搞一个知识库系统

不是工具问题，是权属问题。一个事实单元至少要有：实体名、属性、值、生效时间、来源，外加一个明确的 owner 和复核周期。没有 owner 的事实源，半年就和现实脱节——而且 AI 不会报错，它只会自信地把过期版本讲给客户听。

各平台内容不是要不一样吗，统一了还有流量吗

要一致的是事实，不是全文。名称、日期、价格、资质这类基础字段必须全网一个版本；措辞、体裁、例子按平台改写，这叫同源多形。反过来才有风险：为了让每篇「有点区别」把关键数字改出几个说法，等于亲手给自己造冲突信号。

延伸阅读

• 你说你靠谱，AI 凭什么信你？
• 企业官网在 AI 眼里只是「C 级信源」：四步把它快速拉上去
• 豆包引用信源布局拆解实战篇：从孤证不立到全域信源矩阵

检索能找出三个版本，判断不了哪个是真的。”是哪个”这件事，得人在发布之前就定下来。

一家做本地装修的公司，老板在电脑上打开豆包，搜「本地装修公司推荐」，自己的公司排在第三位。他挺高兴，把截图发到群里。

同一天下午，一个客户用手机在同一个豆包里搜了同一句话，截了个图发过来问：你们家怎么不在上面？

老板把两张截图并排放，前五个名字只有两个重合。他第一反应是：AI 是不是不稳定，随机给的？

不是随机。这是两套完全不同的信源池。

一、同一个模型，两个入口，引用差一倍多

有第三方监测统计过豆包的两端差异：App 端答案里抖音相关域名的占比约 28.62%，切到网页端降到 11.85%。同一个模型、同一批问题，换一个入口，权重差了一倍多。

更关键的是另一个数字：两端信源池的重叠率低于三成。也就是说，用同一套内容通发两端，每一端最多只能覆盖到不到三分之一的有效信源。

这个分裂程度有多大？可以拿一个跨平台数据来对照：有研究统计过十个 AI 平台的引用域名，任意两个平台的头部二十个域名，重合度平均只有两成左右。同一个引擎的两个入口，分裂得比两个不同引擎之间还厉害。

二、两个端口，认的是两套身份

差别的根源不在模型，在它伸手去拿资料的地方。两端对「你是不是可信」的核验方式，本身就是两套：

看懂这张表，很多现象就说得通了。为什么有的品牌在短视频里被反复提到，网页端搜不到它？为什么官网做得很漂亮，手机上一问却是同行？因为它在一个入口里有身份，在另一个入口里没有。

三、为什么这件事最容易被忽略

三个原因，几乎每家都占一条：

• 检测在电脑上做。打开浏览器、输问题、截图存档，是最顺手的流程，于是报告里的名次天然是电脑端的名次。
• 客户在手机上问。涉及本地服务、到店、消费决策的提问，绝大多数发生在手机上，而且是在路上、在店里、在临出门前。
• 两端都不看场景。同一个问题，在电脑上偏知识型，在手机上偏决策型——连问题的问法都不一样。

结果就是：你优化的是 A 世界，客户生活在 B 世界。

四、两端各要什么

不用推翻现有做法，在原有基础上补两端各自缺的那一块：

• 手机端：蓝V 认证、POI 与门店信息、短视频（口播要有结论和对比），本地生活平台入驻，问答用口语。
• 电脑端：官网结构清晰、备案信息完整、权威媒体上有可核对的稿件、深度长文与参数表。
• 两端共同：名称、地址、电话、价格口径必须完全一致，不一致会被判成信息冲突，直接降权。

有一条容易踩的坑：两端的事实必须一样，表达可以不同。很多人为了「适配」把价格写成两个版本，那不是适配，是自相矛盾。

五、别再用一套内容通发

下面这几组想法，是两端分歧最常见的原因：

六、三十天能做完的对齐

• 第 1 周：把核心问题整理成十句客户原话，在手机和电脑上各问一遍，把两边的答案并排存档。
• 第 2 周：找出只在其中一端出现的名字，看那一端缺的是哪种身份凭证。
• 第 3 周：补凭证——手机端补蓝V 与 POI，电脑端补备案与媒体稿。
• 第 4 周：再各测一轮，只看两周之间的趋势，不看单次结果，也不要把两端的数据合并成一张图。

七、常见问题

我们客户主要在电脑上查，还要管手机端吗

先看你的客户是谁。B2B 采购、技术选型这类偏知识型的场景，电脑端确实更重要。但只要涉及本地服务、消费决策、到店消费，绝大多数提问发生在手机上——这时候手机端才是主战场，电脑端测到的好名次带不过去。

蓝V 和 POI 具体怎么弄，必须做吗

不是必须，但它是移动端信源池的入场凭证之一。蓝V 解决的是「你是谁、是不是官方」，POI 解决的是「你在哪、服务半径多大」。两样都没有，移动端在核验你的身份时就没有落点，只能退回去用公开网页信息——而那套信息本来就排在更后面。

两端内容要不要写成完全不同的两套

不用写成两套，但要写两个入口。事实、口径、价格必须一致，否则会被判成不一致而降权；差别在载体和切入方式：电脑端用结构化长文和完整参数，手机端用短视频、口语化问答、带位置的场景描述。同一套事实，两种说法。

这个数据是豆包的，其他平台也一样吗

具体比例各家不同，但「同一个引擎、不同入口、信源不同」这件事是普遍的。有的平台把公众号和视频号锁在自家生态里，有的把购物数据接到自有电商，机制不一样，结果一样：你在一个入口测到的结果，不能直接当成另一个入口的答案。唯一可靠的做法是分入口、分场景去测。

延伸阅读

• 同一个品牌，不同 AI 为什么引用不同页面？
• 同一个问题问两遍，AI 为什么给出不同答案？
• 七成引用来自少数网站，新站还有机会吗

AI 不是一台机器，是几台机器共用一张脸。你在电脑上看到的名次，只是其中一个世界。

一家做工业设备的公司，去年把官网做了一轮完整改造：每页加 FAQ 块、上结构化数据、开头加摘要框、配作者简介，还把页面速度从五十多分提到了九十以上。

改完半年，AI 里的引用量几乎没动。

更让他们想不通的是另一件事：同一批内容里，有三篇 2023 年写的旧文，什么优化都没做，格式还很乱，却一直稳定出现在 AI 答案里。

他们问我：是不是我们改错了方向？

十月初，一份研究给出了答案。它做了一件之前很少有人做的事——不再跨网站比较，而是只在同一个网站内部比页面。

一、为什么「只在站内比」这么关键

过去两年绝大多数 GEO 结论，都是拿不同网站来比的。问题是：大站本来就更容易被引用，原因可能是品牌、可能是域名、可能是历史积累。你拿一个加了 FAQ 块的大站，去比一个没加的小站，测出来的其实是「大站更容易被引」，不是「FAQ 块有用」。

这项研究换了做法：只在同一个网站内部，比它自己的一批页面。这样一来，品牌、域名、整体权重全都被固定住了，剩下的差异只能来自页面本身。

样本不小：十五万八千多个 AI 答案、四十六万八千多条引用，连续九十天，覆盖消费者和细分 B2B 两个市场，三个引擎。

结论出来的时候，很多人的第一反应是不相信：

所有页面属性加在一起，只解释了 2.8% 的引用差异。而引擎自己的检索，解释了 32%。

二、哪些「标配」在站内消失了

研究逐项测了那些被说烂了的做法。跨站看，它们都有效；站内看，几乎全部不显著：

同一招，两种比法得出两个结论，差在哪里？差在你测的是「谁」。做这些优化的，本来就是那些运营更认真、更容易成功的站。跨站比较把这些都算进了「优化」的功劳里。

还有一个数字更让人清醒：站点与站点之间的差异，只占全部引用差异的不到一成半。也就是说，同一站里「哪一页被引、哪一页没被引」，本身就是一件很大的事。

三、唯一活下来的那一个

研究设了五道稳健性检验，逐项过关才算「真的」。所有内容类变量里，只有一组稳定通过：

• 最佳段落与问题的匹配度：高一个标准差，引用多约 15.5%
• 标题与问题的匹配度：多约 14.1%
• 词重合度：多约 9.1%

三项都是同一件事：你写的东西，和用户问的那句话，像不像。

这解释了一个常见现象。很多企业把首页写得非常完整——公司简介、发展历程、资质荣誉、服务范围一应俱全，然后指望 AI 在回答「你们能不能做某某工艺」时引用它。问题在于，那一页里没有一句话长得像这个问题。

四、那 32% 是什么

研究里有个容易被忽略的细节：被引用的页面，百分之百都先被检索到过。

这句话听起来像废话，但它把优化的顺序彻底改了。引用不是一个「评价」动作，是一个「先被选中、再被摘取」的两段流程。第一段发生在页面上你看不见的地方：引擎把你的问题改写成好几条子查询，然后去检索、排序、挑出候选页。

你能碰的只有一件事：在那次检索里被选中。而检索选的是「语义上最接近这个问题的段落」，不是「结构最漂亮的那一页」。

还有一个数字可以佐证：另一份针对十七万多个被引用页面的分析发现，页面字数与被引概率的相关性接近于零，超过一半的被引页面不到一千字。写长不是没用，但它不是被引的原因。

五、顺序要反过来

过去我们建议的顺序是先上结构，再想内容。按这项研究，得先做内容对齐，再上结构：

不是结构没用了，是结构只能放大已经对上的答案，救不了没对上的那一页。给一个答非所问的页面加 FAQ 块，只是让它更整齐地答非所问。

六、四周就能做完的自查

• 第一周：把主推页面标题抄下来，和客户在 AI 里的原话并排放，看像不像同一句话。
• 第二周：每页挑出一段，单独读一遍，问它能不能独立回答那个问题。不能，就重写这一段。
• 第三周：把行业俗称和口语问法，补进标题或首段一次。
• 第四周：再测一轮，只看趋势，不看单次结果。

七、常见问题

那结构化数据到底还要不要做

要做，但别指望它决定「哪一页被引用」。研究说得很清楚：跨站比较时它有用（整站更容易被引），站内比较时它几乎不解释差异。所以它是「进场资格」，不是「排名依据」。正确的期待是：让机器更少猜错，不是让这一页排到前面。

我们的词是行业术语，客户不会这么说，怎么匹配

这正是要改的地方。术语用于专业解释，标题和首段用客户的原话。研究测的是「标题与问题的相似度」，不是「标题够不够专业」。一个行业的土话、俗称、口语问法，都该在主推页面的标题或首段出现一次。

这个研究是不是说 GEO 没用

恰恰相反，它把力气指到了对的地方。它说的是：在同一站里，页面属性几乎不解释差异，检索解释了约三成——也就是「能不能被选中」比「页面做得多漂亮」更要紧。而「被选中」取决于你写的是不是那个问题的答案。

页面属性只解释 2.8%，那剩下的部分还优化什么

分两层看。站内那 2.8% 之外，大头在引擎检索（约 32%）和引擎自身的波动里，你改不动。但「检索时选不选你」这一层，恰好是你能碰的：标题、首段、段落与问题的对得上程度。剩下还有更大一块是跨站层面的品牌与信源，那是另一个战场。

延伸阅读

• 你盯的那个词，AI 也许根本没回答过
• AI 可见度怎么测才准？查一次为什么不算数
• AI 引用你的时候，摘的是哪一段？

同一批页面里，决定谁被引用的不是加了多少结构，而是哪一段正好是那个问题的答案。结构决定它好不好抽，内容决定它配不配被抽。

一家做工业传感器的公司，十月遇到一件说不清的事。

他们在豆包、元宝里的引用量没怎么变，但在几个他们从来没提交过的AI 工具里，被引用得格外频繁。那些工具规模不大，有的只有几万用户，背后却都在回答同一类问题：这个型号的传感器，量程多少、防护等级多少、

他们的市场负责人问：这些工具是从哪知道我们的？我没在它们那里注册过。

答案在 10 月 17 日。

一、搜索变成了一件可以买的东西

10 月 17 日，DeepSeek 开放了自研的 Search 和 Fetch 两个接口：一个负责网页搜索，一个负责把网页内容取回来。按每千次成功请求计费，同时开放了 MIT 许可的模型权重。一周之内，MiniMax 也发了新一代 Flash 模型，把多步 Agent 任务的成本压到前代的三成。

这两件事放在一起，意思很清楚：「搜索 + 取页」不再是 AI 公司的内部功能，而是一套谁都能买、能自己部署的基础能力。

对做内容的人来说，这意味着读你的那一方变了。以前读你的，是几家大模型的爬虫；现在读你的，可能是某个垂直行业工具、某个公司自己做的内部助手、某个只有三个人的团队写的 Agent。

它们没有自己的索引，也不打算建。它们每次都在用户提问的那一刻，才去把页面取回来。

二、变了三件事

把「批量索引」和「按需取用」并排放在一起，差别不只是快慢：

注意第三行。批量索引时，抓取的代价由平台自己承担，所以它愿意多抓一点。按次取用时，代价落在调用方头上，它会算：这一页值不值得再取第二次。

三、按次取用，惩罚哪种页面

以前页面写得散，最多是被判「不够好」，还能混在索引里等着。现在更直接：取一次拿不到，就没有第二次。

这不是新规矩，是把旧规矩结算得更快了。以前「答案埋在第三屏」要等下一轮索引才吃亏，现在当场就吃亏。

四、更要紧的推论：私有搜索层会变多

接口能买、权重能自己部署，接下来会长出一批只服务几百人甚至几十人的搜索层：某个行业的选型助手、某个公司的内部知识检索、某个园区自己的服务平台。

你追不完这些索引——它们本来就没有索引。

所以策略只能反过来：不追「谁收录了我」，而是保证「谁取我，都能一次取全」。这件事的好处是，它只需要你改自己的页面，不用等任何平台的规则。

这也是我们反复讲过的那个方向：内容要能被独立理解——一段话摘出来仍然成立，一张图旁边写着它是什么，一个页面只回答一个问题。以前这些是加分项，现在是取用方的成本项。

五、今天就能做的四件事

• 用命令行取一次自己的页面：不看浏览器，直接取回 HTML，看你要被引用的那段话在不在里面。不在，就等于对按需取用不可见。
• 每个页面只留一个主问题：标题是用户会问的那句话，首段直接给答案，细节往后放。
• 给主推页面加一句结论块：五十到八十字，包含主体、条件、数字。这句就是被抽走的那一段。
• 把价格、参数、服务范围写进静态文本：别只放在报价器或筛选器里，工具能算，机器取不到。

六、常见问题

这是不是意味着以后不用管各平台的收录了

不是。平台索引还是主战场，豆包、元宝、文心的候选池仍然从各自的索引里来。接口化是长在旁边的一层——它按需取用，不建索引。两件事都要做，只是判断标准不同：进索引看的是平台喜不喜欢你，按需取用看的是这一页能不能立刻把话说全。

按次收费，会不会让 Agent 少抓我们的页面

会。调用方在算成本，所以越「一次就能取到答案」的页面越省钱。这不是让你降价，是让你的页面更省调用次数——要翻三页才找到结论的站，对调用方来说就是三倍的钱。

我们页面是前端渲染的，怎么办

至少让关键结论出现在服务端返回的 HTML 里。这不是给爬虫做特供，是让任何一个取用方第一次取就能拿到。前端照样可以做交互，但「结论、价格、参数、服务范围」这几样要在静态文本里。

我们不写代码，这件事跟我有什么关系

关系在「谁在读你」这件事变了。以前读你的只有几家大模型，现在还有一堆小工具、自建助手、垂直 Agent。它们的判断标准是同一套：一次能不能取到完整答案。你不需要写代码，但你写下的页面要经得起这种读法。

延伸阅读

• AI 开始截图看你的网页了，它只看得到一屏
• AI 爬虫分三种，你 robots.txt 里挡的是哪一种？
• 页面里放着计算器，AI 为什么读不出一个数字？

以前是它来抓，你可以等；现在是它来取，取不到就走。这一秒你的页面能不能把话说完，成了新的门槛。

一个做手冲咖啡器具的品牌，产品图拍得相当好：白底、多角度、打光讲究，每张都修过。他们做了两年内容，AI 里问「手冲壶推荐」，一次都没提过他们。

我打开他们产品页看源码，图片那段是这样的：

<img src="/wp-content/uploads/2024/03/IMG_3847.jpg">

没有 alt，没有图注，文件名是一串相机自动编号。

对客户来说，这张图很清楚：一把壶，一个滤杯，木质把手。对机器来说，这个位置上除了一张它没法解码的图片，什么都没有。

一、AI 看不见图，它读的是字

这件事说出来会让人不舒服：主流大模型并没有真的在“看”你的图片。

它做的第一件事是去找这张图周围的文字——文件名、alt、图注、页面正文、结构化数据。文本线索够强，它才愿意再花算力去做一层深层视觉分析；线索不够，这张图对它来说就是一个空占位。

有研究把这件事量化了：在文本查询下，纯图片内容的跨模态匹配得分大约是零点六，而带文本的内容能到零点八附近。这个差距是结构性的，不靠把图拍得更好看能补回来。

所以那句听起来很怪的话其实是对的：AI 看不见图，它只读旁边的字。

二、四个字段，决定这张图归谁

把图片周围的文本拆开看，有四个位置是机器一定会读的，而且每一个都很便宜，只是大多数人空着：

视频还有第五个位置：transcript。要注意一个细节——把口播文字以 HTML 形式放在播放器下方，而不是只塞进字幕文件里。机器读的是页面上的字，不是封装在文件里的轨道。

另外提醒一句：这些字段不是给搜索引擎的仪式，是给模型的输入。写得像广告（「高端品质，匠心之作」）等于没写，因为那不是对画面的描述。

三、更狠的一层：同一张图，可能根本不是你的

这一层很多人不知道，但它决定了电商和制造业的图搜命运。

假设你卖一款小家电，图片是厂家提供的。全国有两百家经销商在传同一张图。你以为你在和同行比图，其实不是——近重复的图片会被聚成一簇，只留一个位置。

接下来会发生什么？因为像素几乎一样，模型没法靠画面分出高下，平局只能靠画面之外的东西打破：品牌强度、域名权威、结构化数据、页面上下文。

也就是说：图越是一样，你的品牌信号越重要；图越是独一无二，品牌信号越不重要。

反过来看，这就是一个很便宜的护城河——自己拍、带真实使用场景、别人没有的角度，那张图落在只有你有的位置上，平局根本不会发生。

四、一张图会拆成一串搜索

还有一件事会改变你对「一张图」的认知。

当用户把一张书架的照片交给 AI，它不会只做一次搜索。它会同时发起好几路：识别每一本书、找相似的书、找评价高的、找哪里能买。

这就是我们之前讲过的查询扇出，只不过这次扇出的起点是一张图。

对做内容的人来说，意思很直接：你竞争的不是一个查询，是一簇。一张图旁边如果只有一行「产品图」，那一簇里没有一路跟你有关；如果那张图旁边写清了材质、尺寸、适用场景、价格区间，它就可能同时接住好几路。

五、别为流量做，为证据做

最后要说清楚一件事，免得方向走偏。

视觉搜索的量确实大——按月都是几十亿次的规模，其中约五分之一带商业意图。但这里有个最常被夸大的地方：「占搜索量的比例」和「给你带来的流量」是两件事。实测下来，图片搜索带来的引荐流量通常只占站点总流量的一小块。

所以如果你的目标是流量，这件事的性价比并不高。但如果你的目标是让 AI 在回答里能拿出证据，那图是你手里最容易被当成证据的东西。

六、今天就能做的四件事

• 把主推产品的图重命名：用英文描述画面内容，不要留相机编号。这一步成本最低，收益最直接。
• 给每张主图写 alt 和图注：alt 说清实体和关系，图注写一句陈述句——「这把壶的把手是实木的，握持处做了防滑纹」，而不是「产品细节图」。
• 补结构化数据：图片用 ImageObject，视频用 VideoObject，视频把口播文字以 HTML 放在播放器下方，再加章节标记。
• 挑三个 SKU 自己拍：带真实使用场景、别人没有的角度。不用全店重拍，先做最赚钱的那三个。

七、常见问题

我们的图都是厂家给的，必须重拍吗

不必全重拍。优先级这样排：主推的三五个 SKU 自己拍，其余把字段补全。厂商图补上完整字段，仍然能被匹配到商品，只是拿不到那个「只有你有的位置」——差别在平局的时候谁赢。

alt 写多少字合适

中文大约二十到三十字，说清「什么东西 + 在什么关系里」就够了。不是越长越好，堆一串关键词反而像在作弊，机器也不认。

视频要不要做字幕

要，而且要把口播文字以 HTML 形式放在播放器下方，别只塞进字幕文件里。机器读的是页面上的字，不是封装在文件里的轨道。再配上章节标记，它就知道答案在第几分钟。

图搜流量听说很大，值得专门投入吗

把两件事分开看：视觉搜索占搜索量的比例确实高，但它带来的引荐流量通常只占站点总流量的一小块。所以别为流量做，为「证据」做——图是你内容里最容易被当成证据的那一部分。

延伸阅读

• 页面里放着计算器，AI 为什么读不出一个数字？
• AI 读到你，和「接到你」，是两回事
• 客户只问一句，AI 为什么拆成十几个问题去搜？

AI 看不见你的图。它看见的是你为这张图写下的那几行字——写了的，它记得；没写的，这张图就不存在。