E-E-A-T

1. E-E-A-T 是什么

E-E-A-T 看的是一段已经被检索到的内容，其背后的来源够不够可信、能不能被拿来支撑答案。它不关心一段内容能不能被找到，也不关心它呈现成什么形态，而是关心内容背后究竟是谁。

定义（GEO Wiki 工作定义）：E-E-A-T 是一组关于内容质量和来源可信度的判断，用来决定一个被检索到的来源是否值得被引擎采信，与其中任何一段内容在结构上能否被取用是两回事。

有一点必须先说清楚：E-E-A-T 是 Google 搜索质量评估指南里使用的概念，不是算法分数。 第四个字母经验（Experience）在 2022 年 12 月加入（见 E-A-T 增加一个 E）。它描述的是人工评估员看什么，不是排名信号，任何引擎也不会算出一个 E-E-A-T 数值。§5 会完整讲清楚这套机制。

按分类体系来看，这是一类内容质量信号，落在采信（grounding）这一步的可信与权威这一面。与它并列的另一面是 可引用性，也就是结构那一面。两者都作用于同一步，但各管一边，互不替代；§3 会把这条边界完整讲清楚。一句话概括：可信度决定一个来源能不能被采用，结构决定一段内容能不能被取用。

2. 能取用 ≠ 会被采信：E-E-A-T 是独立的一关

一个页面可以被抓取、被检索进候选集、结构上完全能取用，却始终拿不到一次引用，原因仅在于来源不够可信。可引用性 §2 谈的是「被检索到不等于会被采信」，这里要谈的则是「能取用不等于值得采信」。

  候选内容块集合
        │
        ▼
  ┌─────────────────────────────┐
  │  可信 / E-E-A-T 关卡          │
  │  来源能不能采信？              │  ── 否 ──►  被丢弃
  │  作者是否真实、能否旁证？      │            （内容能取用，
  │  断言能不能被核实？            │             却始终没人选）
  └─────────────────────────────┘
        │ 是
        ▼
  通过采信的子集 ──► 生成 ──►（视情况）署名

可引用性谈的也是同一道关卡，只是换一个角度去看。一段内容可以顺利通过可引用性检查（自包含、答案成形），却在这里因为来源缺乏可信度而被丢掉。

E-E-A-T 和 可引用性 同处采信与筛选这一步，也就是 Answer Loop §3.3 所说的瓶颈，两者各自把守其中一道关卡。

3. E-E-A-T 与可引用性：两条独立的采信线

把这两件事区分开来，是理解 GEO 最关键的一步，可引用性 §3 也从另一面在做同一件事。两者都作用于采信，但各管一边。大量「我该做的都做了，还是拿不到引用」的困惑，根子都在把这两件事混为一谈。

	E-E-A-T	可引用性（详见）
回答什么问题	这个来源能不能采信？	这段内容能不能取用？
分类归属	内容质量 / 可信（§3.1）	内容结构（§3.2）
作用对象	来源、作者、域名	段落、内容块
导致的失败方式	被判定可信度不足，整段被丢弃	进了候选，却始终未被选中
主要杠杆	经验、专业、权威、可信四类信号	自包含、答案成形、可整段引述

最关键的一点是：一个分块再完美、却毫无权威度的页面，会败在可信这一关；一个可信的来源若整页都是文字墙，依然拿不到采信。两条都要过，谁也代替不了谁。

作者凭证、第一手经验、以及作为质量指征的引用密度，这些都是来源可信一面的信号，和可引用性那一面的结构信号互不重叠。

4. 四个信号：AI 引擎如何读取每一项

Google 把层级说得很直白：经验、专业、权威、可信这四者「有助于判断哪些内容体现了 E-E-A-T。其中，可信最为重要，其余三者都为它服务」（见 创建有用、可靠、以人为本的内容）。下面这张表把每个信号、AI 引擎拿什么去代理它、以及缺失时的典型表现整理在一起，与 可引用性 §4 的七个结构信号相对应。

信号	含义	AI 引擎拿什么当代理	缺失时的典型表现
经验（Experience）	与主题有第一手接触	具体的亲历细节、原始数据或截图、「我们实测过」一类表述	全是通用复述，看不出任何亲历痕迹
专业（Expertise）	对该领域有真正的掌握	具名作者、可核实的 bio 和 sameAs、内容的深度与精度	匿名或通用文案，作者身份无法解析
权威（Authoritativeness）	被同行所认可	高可信来源的引用、品牌提及、知识图谱存在度	自称权威，却拿不出任何外部旁证
可信（Trustworthiness）	准确、透明、时效	断言可核实、事实有来源、时效新、站内自洽	无引文、内容过期、与站内其他页面互相矛盾、权属不透明

经验是 AI 时代最具差异性的一项信号。2022 年 12 月加入的第四个 E，评估的是内容是否体现出某种程度的亲身经验，比如实际使用过某产品、确实去过某地，或者传达本人亲身体验过的感受（见 Google）。它也是最难规模化伪造的一项信号，因此也最自然地构成了抵挡批量生成内容的一道屏障，这一点在 §7 以及 AI 内容识别 里会接着展开。

4.1 经验

那些没有亲身接触过就根本写不出来的细节。

• ✓「我们跑了 1000 个 URL 的抓取测试，其中 38% 屏蔽了 GPTBot，下面是分布。」
• ✗「研究表明，许多站点会屏蔽 AI 爬虫。」

4.2 专业

真实、能被解析的作者身份，以及对该领域的真正掌握，而不只是页面底部挂一个署名。

• ✓ 具名作者、能点开的 bio、跨平台一致的身份信息（sameAs）。
• ✗「作者：管理员」或者干脆没有作者，措辞放到任何页面上都通用。

4.3 权威

权威来自外部对你的认可，不是来自你自己的页面。

• ✓ 被模型已经信任的那些来源引用过，能在知识图谱里查到。
• ✗ 自称「业内领先权威」，外部却找不到任何旁证。

4.4 可信

Google 明确点出的顶层信号，其他三项都为它服务。

• ✓ 断言有来源、信息新、权属透明、站内一致。
• ✗ 数字没有出处、还在引用「截至 2021 年」的过期口径、与站内其他地方互相矛盾。

5. AI 引擎实际如何使用 E-E-A-T：机制的实情

把这套机制摊开来说清楚。最关键的一点是：并不存在「E-E-A-T 分数」这种东西。AI 引擎不会去计算 E-E-A-T，它在检索、采信、模型先验三处使用的是一组可信与权威方面的代理信号，而 E-E-A-T 只是这组代理信号所归属的总称。

代理信号	在哪一步起作用	详见
实体解析 / 身份	检索 + 模型先验	实体识别
知识图谱存在度	检索阶段的放大作用	知识图谱存在度
品牌 / 作者在网络上的提及	模型先验 + 采信	品牌提及
引用密度与来源质量	采信阶段的可信筛选	§4 可信（与 可引用性 那一面的结构信号相对）
时效 / 更新频率	采信	内容时效性

需要说明的是，上面这些信号此处只从质量与可信的角度去看，说明每一项为什么能作为可信度的代理。至于它们在实体图里如何运作，比如同一个身份怎样跨平台被解析出来，详见 实体识别、知识图谱存在度 与 品牌提及。

6. 证据说了什么，又没说什么

这里仅复述原始论文的结论。Aggarwal 等人的研究显示，对内容做实质性改写，也就是补来源、加统计数据、加引文，确实在可测量的程度上提升了答案可见度，而单纯堆关键词没有这种效果。可信那一面也正是这种提升存在上限的原因：编造出来的实质过不了它所模仿的那道可信筛选。

站得住的结论	应当限定的读法
真实的经验和权威同时影响排名与采信筛选	E-E-A-T 不是一个开关，而是一组经验准则，没有单一的旋钮可以调
实质（来源、统计）在论文的度量里提升了可见度	「加统计数据」只在统计本身能被核实时才奏效，见 §7
效果真实，但有上限	「最高 40%」在真实引擎上缩到大约 22%，在多方竞争与可信筛选下还会进一步缩水

结论直接说：E-E-A-T 是做出来的，不是标出来的。 真实的第一手经验、能被旁证的权威能推动它向上；编造的信号只会触发它本想模仿的那道过滤。需要注意，单个团队拿到的提升只是上限，并不是多方都对同一个引擎做优化之后还能保持的水平（C-SEO Bench，Puerto 等人，NeurIPS ‘25 D&B）。完整的批评见 论文条目。

另外要补一句：引擎会不会署名它所采信的来源，属于另一类问题，即可验证性与归因（参见 Liu 等人）；「值得被采信」和「会被署名引用」并不是同一件事。

7. 反模式：伪造 E-E-A-T 为什么会反噬

E-E-A-T 是最容易被伪造的一类信号。下面这些做法每一个都看上去像它要模仿的那个信号，却会触发可信筛选或 AI 垃圾内容过滤，结果反而失败。

反模式	表面上为什么像 E-E-A-T	实际上为什么会失败
编造作者 / 伪造资质	看上去具备专业度	sameAs 和知识图谱无法提供旁证，身份解析失败
凭空给出统计数字	表面上像在套用 Aggarwal 论文里「加统计数据」的有效手法	没有来源或编造的数字过不了可信筛选
用 AI 大批量灌水	表面上「专业、完整」	会被识别为低投入的批量内容，因此被惩罚
堆砌引文却没有实质	引用密度看着很高	引文与论点对不上时会被识别出来，并被降权

最关键的一点是：E-E-A-T 是必要条件，但不是充分条件。一个可信的来源，如果其中的段落无法被取用，依然拿不到采信，那个缺口要在 可引用性 那一面去补。而伪造出来的权威本身就是一个会被惩罚的信号；那些夸大、内容稀薄的套路，AI 内容识别 里有更完整的说明。Google 官方的立场也很明确：除了用心做出有用、原创、以人为本的内容，没有别的捷径（见 创建有用、可靠、以人为本的内容）。

8. E-E-A-T 在 SEO 与 GEO 之间：基线不变，使用方式改变

真实的 E-E-A-T 是 SEO 与 GEO 之间一条共用的基线，并不是 GEO 独有的杠杆。SEO vs GEO 在三处都明确了这一点：两者对它的要求完全一致；它在「绝不可丢」的清单上；一旦丢掉它，蓝色链接和 AI 答案会同时受损。

不变的是四个信号本身。变化的是引擎使用它们的方式：从评估员判断质量时参考的一组经验准则，变成检索和采信阶段所施加的可信筛选，再加上模型先验。信号没变，变的是由谁来用、怎么用。

平台	E-E-A-T 的差异
Google AI Overviews	E-E-A-T 概念诞生于此，基于索引运行，其中知识图谱和作者类信号的权重最高

另外两个相关的问题：可信信号并不是跨语言完全一致的，旁证池和权威指征会随语言不同而变化（见 多语言 GEO）；非文本资产的可信度怎么读，比如图片出处、视频作者信号，详见 多模态信号。

9. 为什么这件事对 GEO 重要，以及怎么动手

Answer Loop §3.3 把采信这一步列为整个循环里杠杆最大的瓶颈，E-E-A-T 就是这一步上可信那一面的主要杠杆，与之相对的是 可引用性 这条结构那一面的杠杆。

你的目的	从这里开始
审计内容的可信信号	完整 GEO 审计、可引用性 playbook
建立作者与权威信号	面向 AI 引用的写作
查一段内容到底能不能被取用	可引用性
看清它在整个循环中的位置	Answer Loop
把所有这些串起来	生成式引擎优化

关于这一术语本身和相关概念，见 GEO 术语表。

参考资料

官方（Google）：

• Google — General Guidelines (Search Quality Rater Guidelines)（2025-09-11 修订）：定义 E-E-A-T 的文档
• Google Search Central — Creating Helpful, Reliable, People-First Content · E-A-T gets an extra E for Experience（2022-12-15）
• Google Search Central — AI features and your website · Succeeding in AI search

学术：

• Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K. & Deshpande, A. (2024). GEO: Generative Engine Optimization. KDD ‘24. arXiv:2311.09735 · ACM DL · 论文摘要
• Puerto, H., Gubri, M., Green, C., Oh, S. J. & Yun, S. (2025). C-SEO Bench: Does Conversational SEO Work? NeurIPS ‘25 Datasets & Benchmarks. arXiv:2506.11097
• Liu, N. F., Zhang, T. & Liang, P. (2023). Evaluating Verifiability in Generative Search Engines. Findings of EMNLP 2023. arXiv:2304.09848