面向 AI 引用的写作

1. 这份手册解决什么问题

这份手册把七项可引用性信号分别化为具体的改写方法：怎么写、删什么、避开什么，帮助草稿通过 可引用性审计 中的内容块抽取测试。每项信号的定义见 可引用性 §4。审计在某项信号上给出 ⚠️ 或 ❌ 时，按照 §4 中编号相同的方法修改即可。

微软在 2026 年 2 月直言结构的重要性：「清晰的标题、表格和 FAQ 段落有助于让关键信息浮现出来，AI 系统也更容易准确引用」（Bing AI Performance in Webmaster Tools）。实证见 Aggarwal 等人 2024：实质性改写内容（引用来源、加入统计数据和引述）能以可测量的幅度提升内容在 AI 答案中的可见度，单纯堆砌关键词则没有效果。实证足以支持这一方向性结论；论文给出的具体倍数应视为上限估计，因为竞争会削弱单一站点的提升幅度（C-SEO Bench）。

动手改写之前，必须先满足两个条件：页面能够被抓取（见 AI 爬虫；完整机制见 生成式引擎优化），而且可信度足以通过筛选（E-E-A-T）。结构如果没有实质内容支撑，会被识别为低质内容并被降权（AI 垃圾内容识别）；域名本身权威度不足时，密集堆砌引用同样无法通过可信度筛选。七种改写方法真正改善的是第三个环节，也就是采信。

2. 动笔前要做的四项决定

以下四项选择会影响 §4 中每种改写方法在当前页面上的具体用法。写第一句之前先确定这四项，也就是遵循 可引用性审计 和 AI 引用追踪 两份手册强调的「先决策再测量」原则。

决策项目	可选范围	建议做法
写作对象	一页、一种模板、一组内容集群或一个语种	集中写好一个对象；同时混入多种对象，§4 的方法无论用于哪一段都很难发挥作用
查询意图	定义类、操作类、对比类、列表类或参考类	内容形态应符合查询意图：操作类用步骤列表，对比类用自标注表格，定义类用倒金字塔起句
写作模式	新写草稿、改写陈旧页面或按照可引用性审计结论修改	三种模式的首要任务不同；§5 的 MDX 框架默认用于新写场景，但按照审计结论修改时也可以只用其中一种方法
读者类型	仅从业者、决策者或混合读者	读者类型会影响段落密度，以及 §4.7 中可引述句的力度；仅面向从业者的页面可以使用更紧凑、术语更密的句子

具体从哪里开始，取决于写作模式。手上已有审计结论时，直接查看对应的 §4.N，完成改写后按 §6 检查一遍即可发布。新写草稿时，按照 §3 → §4 → §5 → §6 的顺序逐节完成。如果是因为内容过期而改写（某条事实已经失准、引擎改变了呈现方式，或竞争页面在这条查询上的排名超过了当前页面），就在「写作对象」一栏注明原因，再按新写流程完整重做有问题的章节。复查节奏见 内容新鲜度。

3. 七项信号的改写方法

下表中的七种方法与七项信号一一对应，§4 会逐项详述。常见问题取自 可引用性审计 中各项信号的异常表现，定义则来自 可引用性 §4。

编号	改写方法	改写后的内容	主要解决的问题	信号定义
1	自包含的内容块	段落单独抽取后仍能表达完整意思；主语和代词都能在本段内找到所指	代词链、「如上所述」，以及所指不明的「前文」等指代	可引用性 §4.1
2	倒金字塔章节	每个 H2、H3 的第一句就是结论，论证放在后面	在写出论点之前先铺两三段背景	可引用性 §4.2
3	问答型标题	H2、H3 与真实用户查询一致；只用于确实采用问答形式的页面	用户不会这样搜索的话题型标题，或凭空编造的 FAQ	可引用性 §4.3
4	步骤列表	用编号和祈使语气写出有序过程，每一步只包含一个动作，整个过程可以一次性完整抽取	把步骤埋在连贯的正文里（「首先你应该考虑……」）	可引用性 §4.4
5	自标注表格	表格前有完整的说明句，每一行都能独立读懂，表头均为完整名词短语	离开正文便无法理解内容的表格	可引用性 §4.5
6	标题层级规范	每页一个 H1，H2 → H3 层级清楚，不跳级	装饰性标题、跳级（H2 → H4）、重复的 H1	可引用性 §4.6
7	可整段引述的句子	每个 H2 至少包含一句简洁、可独立引用的论断	表意含糊、多重从句层叠或没有实质内容的句子	可引用性 §4.7

第 1、2、7 项影响最大：它们决定页面中是否存在可以单独采用的内容，因此每一页都应该具备。是否使用第 3 项和第 4 项，要看页面形态；没有问答内容或过程描述时，不要硬加问答和步骤。第 5 项取决于表格密度。第 6 项成本低、收益稳定。

七种方法适用于各类呈现端，区别只在于不同呈现端会更看重其中一两项，详见 §8。微软用一句话说明了应如何判断内容粒度：「价值的最小单位正在从文档转向可采信的信息：离散、可佐证、有清晰出处的事实」（Bing：索引角色的演变，2026 年 5 月）。写作时应以段落为最小单位，而不是整页。

4. 七种改写方法

每个 H3 都按同样的五部分展开：预期结果、作用原理、改写步骤（编号）、改写前后对照、常见误区，便于比较七种方法。

4.1 自包含的内容块

预期结果。段落脱离上下文后仍能独立成立：主语已经再次写明，代词都能在本段内找到所指，也没有依赖相邻段落才能理解的指代。

作用原理。采信的最小单位是可以独立采用的段落；引擎会检索和选择内容块，而不是整页内容。如果一段文字必须依赖上一段才能讲通，单独抽取后就不符合 可引用性 §4.1 的要求。

改写步骤。

1. 每一段都用主语明确的句子开头；再次写明本节讨论的对象，不要用代词回指上一段。
2. 每一个代词都要能在同一段内找到先行词；如果指向的是三句之前的内容，就改用它所指的名词短语。
3. 把「如上所述」、「如前文所言」、「前面提到」之类的指代语，替换为它们所指的具体内容。
4. 跨章节引用时，在括号里补充具体规则：「依据上面那条优先级规则（长路径胜出）」，而不是只写「依据 §2 的优先级规则」。

改写前。「如上所述，是适用的；但正如我们在 §2 提到的，优先级规则可能会覆盖。」

改写后。「robots.txt 的 Disallow 指令对该 user-agent 块下列出的每一个 URL 都生效。两条规则冲突时，路径较长的那条胜出；完整的优先级检查方法见 §2。」

常见误区。过度拆分段落：为了满足第 1 项，把每一段都切成只有一句话的碎片。Google 在 2026 年 5 月的立场很明确：「并没有要把内容切成小碎片以让 AI 更好理解的要求」（AI 优化指南）。第 1 项考察的是在意思完整的前提下，段落能否独立成立，而不是把内容切碎；一句一段与代词指向不明一样，都不符合第 1 项。大规模制作内容时，过度拆分为何会让内容显得低质，见 AI 垃圾内容识别。

4.2 倒金字塔章节

预期结果。每个 H2 和 H3 都以本节结论开头；铺垫、论证和附加条件全部放在结论之后。

作用原理。实时抓取型引擎（典型如 ChatGPT search）更看重页面或章节开头的直接答案。采信环节更容易选中开门见山的段落，因为检索时只能看到章节开头的部分内容，模型必须据此决定引用哪一段。

改写步骤。

1. 把答案写在每个 H2 和 H3 的第一句。
2. 把铺垫和论证全部放到结论之后。如果不先写两段铺垫就写不出那句结论，说明结论本身还没有打磨到位。
3. 如果一节以「让我们来想想……」「有几个因素需要考虑……」「首先，重要的是要理解……」开头，就需要改写。
4. 第一句本身就要能被原样引述；在 §4.7 中，这句话也就是本节「可整段引述的句子」。

改写前。「理解 robots.txt 时需要考虑几个因素。许多从业者讨论究竟该按路径长度还是具体程度决定优先级。权衡两者之后，最终还是路径较长的规则胜出。」

改写后。「robots.txt 中两条 Disallow 指令冲突时，路径较长的那条胜出。本节其余部分会说明优先级规则，并分析这条规则不成立的两种边界情况。」

常见误区。在同一节重复内容：先用一句「TL;DR」换一种说法复述 H2 标题，却没有提出新论点，随后又把相同内容写一遍。开头句应该直接提供新的实质信息，而不是预告本页将讨论什么。整页的 TL;DR 已经写在 frontmatter 中并由模板自动呈现，正文不要再用引用块复述。

4.3 问答型标题

预期结果。把 H2 和 H3 写成问句；只在页面本身采用问答形式时这样处理（FAQ、故障排查、「我什么时候应该……」、「为什么 X……」），而且必须是用户真实会问的问题。

作用原理。问答型标题与原查询扩展出的子查询相对应（见 Answer Loop §3.1）。Google AI Overviews 和 Gemini 的网页采信流程尤其看重标题与查询是否一致，因为对于依赖索引的引擎，标题是检索阶段最强的信号之一。

改写步骤。

1. 只在页面采用问答形式时把 H3 写成问句。定义型参考页不会因为每节都改成问句就成为问答页，反而会更难浏览。
2. 按照真实查询拟定问题：素材可以来自 Search Console、客服工单、销售通话记录，或者引擎自己的「相关问题」面板。凭空编造的问题属于 §7 所列的错误做法。
3. 答案的第一句（第 2 项）即使把标题去掉也要能独立成立；引擎有时会在没有标题的情况下引述这一句。
4. 一个标题对应一个问题；除非答案确实能用一句结论同时覆盖两者，不要把「X 和 Y，选哪个？」塞进一个 H3。

改写前。「### 关于爬虫优先级规则的若干考虑」

改写后。「### 两条 robots.txt 规则冲突时，哪一条胜出？」

常见误区。滥造 FAQ：为了满足第 3 项，在每一页底部都列出十几个凭空捏造的问句标题。这种内容会被识别为模板套话，并因质量低而降权；大规模使用还会被 AI 垃圾内容识别 检出。页面该有多少问答型标题，取决于这一页确实能回答多少条真实的用户查询：可能是五个，也可能一个都没有。

4.4 步骤列表

预期结果。用编号和祈使语气描述过程：一步只写一个动作，每一步都能独立理解，不必依赖前后正文。

作用原理。引擎可以把完整的有序过程作为一个独立单元抽取；当用户查询的是某个过程（「我怎么……」、「……的步骤是什么」）时，引擎更容易引用带编号、使用祈使语气的列表。同样的内容如果把步骤埋在正文里，各家引擎都会更难抽取和引用。

改写步骤。

1. 任何过程都用编号列表，绝不要把步骤埋在正文里。
2. 每一步只写一个动作，并使用祈使语气：「执行 X」，而不是*「你应该执行 X」或「X 需要被执行」*。
3. 每一步都要能独立理解；不要只写「这一步取决于上一步」，却不说明上一步得出了什么结果。
4. 过程出现分支时，拆成两个子过程。不要在一份列表中嵌入条件分支；「若 X 则跳到第 5 步」正是第 4 项要识别的问题。

改写前。「首先要考虑文件是否已经存在，然后可以下载当前版本，接着编辑相关指令，最后重新部署并核验。」

改写后。

1. 下载当前的 robots.txt：  curl https://example.com/robots.txt
2. 找到 User-agent: * 块。
3. 在该块内单独一行加上  Disallow: /private/  。
4. 重新部署到站点根目录。
5. 重新请求该 URL，确认新指令已生效。

常见误区。给本来没有先后顺序的内容编号（「1. 重要背景 2. 另一个考虑点 3. 一条小贴士」），只是为了满足第 4 项，并让引擎一次性抽取整段。编号意味着执行顺序，把它当作视觉强调反而会使结构传达错误信息。没有先后顺序的内容应使用无序列表，或者写成连贯的正文。

4.5 自标注表格

预期结果。表格上方有一句话完整说明比较对象；表头使用完整的名词短语，单元格中的内容写成完整子句，每一行都能单独引用。

作用原理。表头本身已经说明含义时，每一行都能单独引用；引擎只需抽取一行，不必依赖周围段落补全意思。微软说得很直接：「清晰的标题、表格和 FAQ 段落有助于让关键信息浮现出来，AI 系统也更容易准确引用」（Bing AI Performance）。

改写步骤。

1. 每个表格上方都要用完整的句子说明比较对象（「robots.txt 中两条 Disallow 规则冲突时，路径较长的那条胜出。」），不能只写一个标签。
2. 表头使用完整的名词短语（「胜出的那条规则」，而不是*「胜?」*），让读者不用反复对照表头，也能理解每个单元格。
3. 每个单元格写成完整子句，不要用一个字作答。单写一个*「是」无法被引用；「依 RFC 9309 §2.2.2，路径较长的那条胜出」*才可以。
4. 随机抽取一行做抽取测试：把这一行单独贴进一个新的引擎会话，问*「这一行在讲什么？」*。如果引擎回答得含糊，说明这一行依赖了相邻行，需要重写。

改写前。

| 规则 | 胜? | 备注 |
|---|---|---|
| 长 | 是 | 见上 |

改写后。

两条 robots.txt 的 Disallow 规则冲突时，匹配路径更长的那一条胜出。

冲突情形	胜出的规则	胜出原因
同一 user-agent 下 /private/ 与 /private/docs/	/private/docs/	依 RFC 9309 §2.2.2，匹配路径最长的胜出
路径长度相同、声明顺序不同	先声明的那条	在同一 user-agent 块内，按声明顺序决出胜负

常见误区。把表格当成装饰：本来一句话能说清的事，硬要写进两列表格。第 5 项考察的是可供引用的结构化对比，不是视觉版式。一张两行两列、内容只有「A：是、B：否」的表，本质上只表达了一句话；改成表格反而不利于内容自包含，也无法满足第 5 项。

4.6 标题层级规范

预期结果。H2 → H3 层级清楚，不跳级，没有装饰性标题，每页只有一个 H1（来自 frontmatter 的标题）。

作用原理。清楚的标题层级有助于准确定位段落：引擎按节检索和引用内容，标题则会最清楚地说明每一段的内容。标题跳级或使用装饰性标题，会使章节边界难以检索，不符合第 6 项的要求。

改写步骤。

1. 一页只有一个 H1（来自 frontmatter 的 title 字段，由模板渲染为 H1）。正文里不要再重复它。
2. 只使用 H2 → H3，不跳级（不要为了拿到更小的字号而直接跳到 H4）。
3. 每个标题都要准确概括下方的一组内容。如果一节内容无法用一句话总结，这个标题就只起装饰作用，应该删除或与上一层合并。
4. 标题界定本节要说明的内容，下面的第一句话必须直接说明标题所指的内容（第 2 项与第 7 项通常由同一句话满足）。

改写前。H2 → H4 → H3（跳级）；装饰性 H3 例如*「### 切入正题！」、「### 一起来看」、「### 顺便一提」*。

改写后。全文按照 H2 → H3 → H3 形成清楚的层级；标题直接说明主题（「### 两条规则冲突时」、「### 优先级模型的隐含前提」）。

常见误区。只为视觉节奏而使用 H3：即使一节只有一句话也单独加上 H3，理由是「让页面看上去更舒服」。如果 H3 下只有一句话，应把这句话并入上一节。这类标题只起装饰作用。

4.7 可整段引述的句子

预期结果。每个 H2 至少有一句简洁、可独立引用且出处明确的论断；通常就是 §4.2 倒金字塔方法放在最前面的那一句。

作用原理。可引用性的最小单元是脱离上下文后仍然成立的一句论断。模型更容易引用简洁、能独立成立的句子；采信环节会滤掉表意含糊、从句层叠或没有实质要点的句子。

改写步骤。

1. 每个 H2 都写一句可以原样引用的句子，把动词或主语放在前面，不要让论点埋在从句中。
2. 删除一切含糊语气。*「在某些情况下，X 未必会 Y」无法满足第 7 项；「X 确实会 Y」*则符合要求。
3. 句子本身要说明出处：把来源直接写进句中（「依 RFC 9309 §2.2.2」、「Aggarwal 等人提出」），不要放在脚注里，因为检索时可能无法保留脚注。
4. 即便把 H2 标题去掉，这一句也要能独立成立；引擎有时会在没有标题的情况下引用这一句。

改写前。「在某些情况下，检索到的内容未必会得到实际采用。」

改写后。「检索使内容进入候选范围；采信决定内容最终能否得到采用。」

常见误区。编造统计：为了让某句话显得「可整段引述」，写出*「47% 的从业者表示……」却不提供出处。没有出处的数字无法通过可信度筛选（E-E-A-T），还会触发 AI 垃圾内容识别。包含虚构数字的引述句比含糊句更糟*，因为页面发布了一条形式看似可靠、实际无法验证的信息。每一项统计都要在同一句中附上来源 URL；这样既便于引用，也有据可查。

5. 一份可复用的章节模板

下面是一份带注释的 MDX 框架，展示写好一节内容后应有的结构。用于新章节时，只需在对应位置填入内容，就能同时满足第 1、2、5、6、7 项。

## H2：主题型标题（第 6 项；如果写成问句，也会满足第 3 项）

一句可以直接引用的论断，回答 H2 的问题，或明确说明本节最重要的事实。
（第 2 项与第 7 项通常由同一句话满足。）

用两到三句有实质内容的文字支持这条论断；每句话都要有明确的主语，代词
应能在本段内找到所指。（第 1 项。）

在表格上方用完整的句子说明比较对象，不能只写标签。

| A 列（完整名词短语） | B 列（完整名词短语） | C 列（完整名词短语） |
|---|---|---|
| 自包含的单元格子句       | 自包含的单元格子句       | 自包含的单元格子句       |
| 自包含的单元格子句       | 自包含的单元格子句       | 自包含的单元格子句       |

（第 5 项。）

用一句话自然衔接下文，而不是总结本节；可以过渡到下一个 H2，或在
读者需要深入了解时加入交叉引用。（第 1 项与阅读衔接。）

使用这份模板时要注意三点。第一句必须能独立引用：遮住标题，单独读这一句，判断它本身是否提出了明确论断。每一段都要通过抽取测试：单独贴入一个新的 ChatGPT search 或 Perplexity 会话，询问*「这一段在讲什么？」。表格上方必须使用完整句，而不是标签；「robots.txt 优先级规则对比」不合格，「robots.txt 中两条规则冲突时，路径较长的那条胜出」*才合格。

这份模板并非僵硬的填空表。章节没有对比对象时，不要为了满足第 5 项而强行加入表格；应该根据页面的实际形态选择适用的方法。中文页面与英文页面对段落长度和章节起句有不同习惯，语言差异见 多语种 GEO。

6. 发布前自检清单

发布草稿之前，先逐项检查这份清单。它把 可引用性审计 中的内容块抽取测试纳入写作过程，应该边写边检查，而不是发布后再补做。清单按信号分组，任何一项不达标，都可以回到 §4 查找对应的改写方法。

第 1 项｜自包含的内容块
[ ] 每一段开头都有明确主语（代词在本段内有先行词）。
[ ] 没有「如上所述」、「如前文所言」、「见 §X」之类未明确写出所指对象的表述。
[ ] 随机抽取三段，单独阅读时都能通过内容块抽取测试。

第 2 项｜倒金字塔章节
[ ] 每个 H2 的第一句就是本节的论断。
[ ] 没有任何一节用「让我们来想想……」「有几个因素……」开头。

第 3 项｜问答型标题（仅当页面采用问答形式时检查）
[ ] 每个问句标题都对应一条真实用户查询（Search Console、工单、销售通话）。
[ ] 没有为了凑第 3 项而编造的「常见问题」。

第 4 项｜步骤列表（仅在页面包含过程描述时检查）
[ ] 每个过程都采用编号列表和祈使语气，每一步只写一个动作。
[ ] 没有把编号用在不分先后的内容上。

第 5 项｜自标注表格
[ ] 每个表格上方都有一句完整的说明句。
[ ] 每个表头是完整名词短语；每个单元格是完整子句。

第 6 项｜标题层级规范
[ ] H2 → H3 层级清楚；不跳级；没有装饰性标题。
[ ] 每页只有一个 H1（frontmatter 标题）；正文里不再出现 H1。

第 7 项｜可整段引述的句子
[ ] 每个 H2 都有一句简洁、不含糊、出处完整的论断。
[ ] 每个统计数字都和它的出处 URL 在同一句话里。

可信度（与 E-E-A-T 重合，不属于可引用性；但可信度不足时，即使页面可引用也不会获得采信）
[ ] 作者身份与资历在页面上可见。
[ ] 没有编造的统计；每一个数字要么有出处，要么删掉。

清单全部通过是必要条件，但不是充分条件。E-E-A-T 仍然决定内容能否通过可信度筛选；缺少实质内容支撑的结构会被识别为低质内容（AI 垃圾内容识别）。清单自上而下排列，顺序也代表优先级：对多数页面来说，第 1 项不达标的代价高于第 5 项；可信度这一组中只要有任何一项不达标，其处理优先级就高于所有结构信号。

7. 改写时要避免的几种做法

这一节对应 可引用性 §6 与 可引用性审计 §7，但从写作者动笔修改的角度说明问题，而不是从评审角度判断稿件。

不当做法	表面上试图改善的项目	失败原因	正确做法
把每一段都切成一句话	第 1 项（自包含）	碎片无法表达完整意思，没有任何一段能成为连贯、可独立采用的答案；Google 也明确表示不必这样做	每段写一个完整且自包含的想法，通常以三到五句为宜
编造没有人会问的 FAQ	第 3 项（问答）	内容会被识别为模板套话，并因质量低而降权；大规模使用还会被 AI 垃圾内容识别检出	只在 Search Console、工单或「相关问题」中出现真实查询时，才使用问句标题
用编造的统计（「47% 的从业者……」）让句子显得可以引用	第 7 项（可引述论断）	没有出处的数字无法通过可信度筛选；形式看似可靠却无法验证，比含糊的句子更糟	使用真实来源，并在同一句中附上 URL；做不到就直接删除这句话
在同类页面之间复制同一段模板文字	大规模内容中的第 1 项	近重复检测可以发现这种做法：共用同一段文字的同类页面会一并降权	每一页都单独撰写；同类页面可以共用结构（§5 的模板），但不能共用具体句子
把 LLM 的初稿原样发布	让措辞看似经过「优化」	内容会被识别为低成本批量制作的产物；即使形式合规，仍然没有实质内容	让 LLM 扩写，再由人精修。正确流程是「人写核心内容 → LLM 扩写 → 人精修」，不能反过来
加一段「完美」的 TL;DR，但内容只是换种说法复述 H2 标题	第 2 项（直接答案块）	没有提供新的实质信息；引擎遇到冗余内容会直接跳过这一节	TL;DR 应该提出一个论断，而不是复述标题；前后对照见 §4.2

关于 AI 辅助写作，还要说明一个规律。Aggarwal 等人测量的是实质内容，而不是套用模板本身；形式合规、内容空洞的稿件，恰好会被低质内容筛选机制检出。可行的方法是人写核心内容 → LLM 扩写 → 人精修，不能采用LLM 先写 → 简单修改 → 直接发布的流程。LLM 先写会造成哪些问题，AI 垃圾内容识别 已有详述；Aggarwal 论文支持研究方向，但具体倍数应视为上限估计，原文与解读见 论文条目。

Google 在 2026 年 5 月明确总结道：「想出现在 AI Overviews 或 AI Mode 里，没有额外的要求，也不需要做什么特别的优化」（AI Features and Your Website）。§4 的七种方法并非特殊技巧，而是内容写得清楚、有据可查之后自然形成的结构；相关一手资料最终给出的也是同一条建议。

8. 不同呈现端应优先采用的方法

七项信号同样适用于各类呈现端，但每家引擎最看重的往往只有其中一两项。因此，写作时要回答的问题是：如果必须重点加强某一项，面对这家引擎应该选择哪一项？

呈现端	最值得重点加强的信号	重点加强的原因	优先采用的改写方法
Perplexity	1、5、7	Perplexity 本身的引用密度很高；最看重紧凑、可独立采用的内容块和简洁的可引述句	§4.1、§4.5、§4.7
ChatGPT search	2	ChatGPT search 会实时抓取 URL；最看重本节开头的直接答案	§4.2
Google AI Overviews	3、6	Google AI Overviews 依赖索引；最看重标题层级，以及问句标题是否与展开后的子查询一致	§4.3、§4.6

语言差异也需要单独考虑。在中文里，内容块和直接答案块的可引用性与英文略有不同：合适的段落长度、标点节奏和章节起句习惯都不一样。中文页面的具体写法，以及中文引擎与英文引擎之间的可引用性差异，见 多语种 GEO。

在竞争环境中，单一站点的提升幅度会缩小。无论哪种呈现端，这套方法都能让页面比未优化的版本更容易被引擎采用，但单站基准中的提升倍数并不是保证；一旦竞争对手也采用同样的方法，整体平均提升就会缩小（C-SEO Bench，NeurIPS ‘25 D&B）。评估一种方法时，应该问*「采用这种方法后，这一页是否比原来更容易被引擎选用」，而不是「能不能保证绝对提高 +40%」*。

9. 发布之后：完成后续评测

发布之后有三件事要做。

第一，在线上页面再做一次内容块抽取测试。随机抽取三段（TL;DR、某个 H2 下的第一段、表格中的某一行），原样复制后分别贴入一个新的 ChatGPT search 或 Perplexity 会话，询问*「这一段在讲什么？」*。只要引擎对其中任何一段的回答含糊不清、要求补充上下文，或者自行补充了错误内容，就说明这一段存在可引用性问题；先用 可引用性审计 完整诊断，再按照这份手册中对应信号的方法改写。

第二，把这一页纳入追踪集。把目标查询加入 AI 引用追踪 §3 定义的固定提示词集，等待两个采集周期后再看趋势：单周变化只是噪声。重点观察引用率与平均位置（定义见 GEO 指标），不要只看流量指标。改写后的第一个周期，数据常会短暂回落，因为引擎需要重新抓取和嵌入内容；真正有意义的是趋势。

第三，在报告中分别统计引用与提及。同一页内容可能以链接形式获得引用，也可能在没有链接的情况下被复述（提及）；两者都重要，但需要在不同环节处理，见 引用 vs 提及。内容被提及却没有被引用，通常说明可信度大致达标，但内容与来源的对应关系不清楚。这属于 E-E-A-T 或来源归属问题，超出了可引用性的范围。Liu 等人的实证给出了来源归属的上限：「合成句中能够被引用完全支撑的比例为 51.5%」（Liu et al., EMNLP ‘23）。

何时需要重写，取决于 §2 开头列出的几种情形：某条事实已经失准、引擎改变了呈现方式，或竞争页面在这条查询上的排名超过了当前页面。复查节奏见 内容新鲜度；实际操作时，只需针对有问题的章节重新执行 §2 → §4 → §6。

10. 延伸阅读

• 概念条目：可引用性（七项信号的定义）、E-E-A-T（说明结构为何需要可信度支撑）、Answer Loop（这些方法主要改善其中的第 3 步）
• 相关手册：可引用性审计（找出需要按本手册修改的问题）、完整 GEO 审计（范围更广的审计方法）、AI 引用追踪（发布后的评测流程）
• 平台条目：Perplexity、ChatGPT search
• 学术依据：Aggarwal et al. 2024 — GEO: Generative Engine Optimization（实质内容胜于形式技巧的原理）；论文中的提升倍数应视为上限估计，见 C-SEO Bench；来源归属的上限见 Liu et al. 2023
• 可信度与识别：AI 垃圾内容识别（为何过度优化反而会被判定为低质内容）、多语种 GEO（语言差异对可引用性的影响）

参考资料

学术：

1. Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K. & Deshpande, A. (2024). GEO: Generative Engine Optimization. KDD ‘24. arXiv:2311.09735 · ACM DL · 站内 论文条目
2. 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
3. Liu, N. F., Zhang, T. & Liang, P. (2023). Evaluating Verifiability in Generative Search Engines. Findings of EMNLP 2023. arXiv:2304.09848

官方平台文档（截至 2026-05）：

• Google Search Central — Google’s Guide to Optimizing for Generative AI Features on Google Search · A new resource for optimizing for generative AI in Google Search · AI Features and Your Website · Top ways to ensure your content performs well in Google’s AI experiences on Search
• Microsoft Bing — Evolving role of the index: From ranking pages to supporting answers · Introducing AI Performance in Bing Webmaster Tools (Public Preview)
• OpenAI — ChatGPT search Help Center
• Perplexity — What is an answer engine, and how does Perplexity work as one?