实战指南

可逐步执行、各自独立的实战指南。

• 部署 llms.txt

  部署 llms.txt 可分四级：先选定要收录的页面，再根据站点渲染所用的同一份数据自动生成文件，最后让其中列出的每个网址都能提供可用的 markdown 版本。目前没有厂商说明会读取它，也没有校验工具，投入以一天为宜；若无人维护，就应删除。

• 可引用性审计

  逐段检查七项可引用性信号：把某一段单独取出后，AI 引擎能否直接将整段用于回答？先完成人工内容块抽取测试，再按严重级别整理问题清单，并为每项问题写明改写方向。这份诊断手册从内容结构入手，深入检查采信环节。

• 面向 AI 引用的写作

  可引用性包含七项信号，每一项都有对应的改写方法。手册逐项说明改写前后的差别，并提供可复用的章节模板、发布前自检清单，以及最常见的误区。可引用性审计指出哪一项有问题，这里就说明该怎么修改。

• 品牌提及追踪

  本手册介绍如何采集 AI 答案中不带链接的品牌提及：用别名清单、消歧规则、去重单位和情感标签搭建检测器，定期运行同一套提问，再按 GEO 指标公式计算提及频次、声量份额和回答包含率。所得提及数据可与 AI 引用追踪数据配合使用。

• AI 爬虫访问审计

  核实 AI 爬虫能否抓取站点，需要比对四种状态：你决定放行哪些爬虫、站点对外声明了什么、真实请求收到了什么、日志里记录了谁的到访。几乎所有发现都来自相邻状态之间的不一致，其中代价最高的一类问题，在 robots.txt 里根本看不出来。

• AI 引用追踪

  一套可重复执行的测量流程：先通过手工采样建立基准，再通过自动化扩大采样规模，用来确定哪些 AI 引擎引用了你、引用频率有多高、位置有多靠前。先固定提问集，再依次完成采样、核验、归一和报告；各项指标均采用「GEO 指标」定义的口径。

• GEO 成熟度模型

  一套分为五级的能力模型：无人管理、已可观测、成体系、参与竞争、成为参照。评估时从五个维度分别打分，最终等级取其中最低分，不取平均分。每一级都有明确的达标条件、按优先级排列的行动清单、需要关注的指标，以及最常见的失误。

• GEO 审计

  完整的 GEO 审计按依赖顺序检查六个方面：访问、渲染、结构、内容、站外权威与结果。这份手册说明检查顺序、何时停止后续检查、如何划分严重级别，以及怎样把发现整理成可执行的审计报告。

• Schema 审计

  Schema 审计检查接手时网站已有的标记。解析器与实时抓取型模型读取标记的方式不同，遇到不合规标记时的处理也恰好相反：解析器会直接丢弃不合规的块，实时抓取型模型却仍会把整个块当作页面文字读取。审计分为覆盖、有效、一致、属实四级，真正代价高的问题都集中在最后一级。

• Schema 实施

  Schema.org 分三级部署，顺序取决于各级对 AI 引擎的实际价值，而不是规范本身覆盖多少内容：先建立实体主干，再声明页面类型，最后才考虑答案形态类标记。标记必须由服务端输出，两个校验器都要使用，并确保每项内容都与可见页面一致。它能帮助机器准确解析页面，但不会增加引用。