第 23 章 AI搜索可见性与SEO自动化

23.1 先区分可见性究竟指什么

本章以Google搜索为主线，介绍AI答案中的内容发现、引用与测量，再说明开发者怎样安全地使用API和自动化。学完后，你应能判断一项所谓GEO服务到底在改善什么，识别不同平台的控制与报告边界，并设计一个保留证据、允许人工复核的自动化流程。本章资料核验截至2026年10月13日，AI搜索界面和控制变化较快，执行前应重新阅读官方文档。

生成式引擎优化（Generative Engine Optimization，GEO）与答案引擎优化（Answer Engine Optimization，AEO）是行业常见称呼。不同公司对它们的定义并不一致。有的强调让网页被引用，有的强调品牌在答案里出现，有的其实只是把传统内容服务改名。讨论之前，先问服务方：目标是哪种产品、哪类问题、哪种可观察结果，是否包括真实点击与业务成果。

至少把五件事分开：系统抓取了页面；页面参与了检索；答案引用了页面链接；答案提到了品牌；用户点击后产生了有价值的行为。日志发现机器人来访，只能证明一次请求；品牌出现在回答里，可能没有链接；页面被引用，也可能只是提供背景，而非推荐你的产品。把这些现象统称为“AI排名第一”，很难形成可靠的工作目标。

传统搜索中排名、展现、点击已经不同，AI答案又增加了回答生成和引用选择。你仍然需要网站能被发现、内容有用、事实准确和业务路径清楚。新增的任务主要是理解答案如何呈现你的信息，以及已有测量在哪些环节不够用，不是把原有网站工程全部推倒重做。

23.2 模型知道的内容与临时检索的内容

大语言模型（large language model，LLM）可以从训练中学到知识，也可以在回答时使用外部检索。检索增强生成（retrieval-augmented generation，RAG）的基本思想，是把检索出的外部材料与生成过程结合；原始研究并不等于任何现行搜索产品的完整架构说明。[F27] 用这个区分理解系统很有帮助，但不能据此猜出某个平台未公开的排序权重。

可以用一个教学场景理解：用户问“这个Go日志库在当前版本怎样关闭某个输出”。系统可能先识别版本和操作目标，再检索相关页面，从候选资料中提取依据，组织答案并选择引用。过程中任何阶段都可能出现偏差：检索拿到旧版本，页面没有写清适用条件，生成时忽略了否定句，引用链接指向同主题却不支持该命令。

因此，让内容更容易被准确理解，首先是编辑工作。写清产品和版本，区分默认行为与可选配置，将限制条件放在结论旁，给出可以验证的例子，保留发布日期与实质更新说明。这样即使没有任何AI引用提升，读者也能少走弯路。这是值得优先投资的改进，因为收益不完全依赖某个不透明系统。

不要反过来推理为“每段必须固定长度”“所有结论必须用问答形式”或“加入某种文本文件就能进入模型”。Google的2026年AI优化指南明确延续SEO基础要求，并说明Google搜索不使用llms.txt来提高可见性，也没有要求把内容切成极小片段。[F15] 如果你为其他明确支持该文件的系统维护它，可以按那套系统的需求做；不要把一种服务的接口习惯推广成所有搜索平台的规则。

还要区别更新网页与修改模型训练知识。你能控制当前网页与允许访问的范围，却不能要求一次编辑立即改写所有模型的内部知识。对于过时或错误的品牌信息，应先修正自己的可靠来源，再核查哪些外部来源仍在传播旧信息；能否和何时被各系统采用，需要分别观察。

23.3 Google在2026年的新报告与新控制

Google的AI Overviews是搜索中的生成式摘要功能，AI Mode则提供更偏对话式的AI搜索体验。旧资料常说两者表现只能混在常规搜索效果报告里。这个说法截至本章核验日已经不完整。Google于2026年6月3日宣布生成式AI效果报告，公告更新注明2026年8月31日已全球推出；AI数据仍包含在整体报告中，同时有独立可见性视图。[F16] 复用旧教程时必须确认它是否描述了当前产品。

当前专门的搜索生成式AI报告主要展示展现，并可按页面、国家、日期和设备观察。Google说明，展现不足时可能看不到该报告，Search Labs实验也不计入其范围。[F23] 因而“后台没这个报告”不等于网站被禁止，“有展现”也不等于已经知道对应的全部点击与转化。不要从没有提供的指标中推导精确的AI点击率。

Google还提供Search generative AI控制，覆盖AI Overviews、AI Mode及Discover中的相关生成式AI功能，2026年8月31日已全球推出。默认是纳入；有父资源的子资源默认继承适用的父级配置，所有者可以单独改写子资源设置。[F22] 这不是每个网站都必须手动申请的白名单。检查时进入Search Console的“设置 → Search generative AI”，先看当前资源、有效选项和继承关系；改变前记录这些信息及受影响目录，并由有权决定内容使用策略的人批准。

根据Google公告，退出意味着不再从相关生成式AI功能获得展现与流量，该选择不作为这些功能以外搜索结果的排名信号。[F28] 这不构成对你网站未来流量的保证：需求、竞争与其他排序因素仍会变化。若业务需要评估退出，应先说明目标是版权、商业模式或其他考虑，再设计观察，而非把开关当作快速增流技巧。

这个开关不等于训练许可，也不等于从全部Google搜索删除网站。Google-Extended负责相应训练用途的控制；Search生成式AI设置变更通常还需数日传播，不能只刷新一次页面就判定完成。[F22] 网站管理员应按用途记录选择、操作时间和后续验证，避免为限制一种使用而误挡正常搜索发现。

23.4 把内容做成可以核对的答案来源

一个更稳妥的内容目标是：读者或系统在引用你的结论时，能够一起找到结论的条件与证据。对教程，提供输入、输出、版本和失败处理；对比较页，说明比较对象、测试条件和不适用情形；对研究，说明样本、时间、定义和局限；对产品，区分当前已有能力与计划中的能力。

假设你的工具可以分析本地日志，但不能自动访问生产服务器。页面若只写“自动分析所有服务日志”，很容易被概括成不存在的能力。更准确的写法是：“用户上传日志文件后，工具识别指定格式；不会主动连接生产服务器；支持范围见格式列表。”这段话可能不够夸张，却能减少错误预期与无效咨询。内容准确性比让品牌在更多问题中被提及更值得保护。

为长文安排清楚的小标题和自然段，让每个部分围绕一个实际问题展开。必要时用短表比较同类属性，避免把无关说明塞进表格。重要条件不要只放在图片或脚注里。如果段落被单独引用，你希望读者仍能知道它讨论的是什么，而不是只看到“它更快”“这个方案最好”这类缺少对象的话。

原创资料不一定是大型调查。一个可复现的基准测试、真实产品限制、详细迁移记录、公开方法的数据整理、维护良好的错误案例，都可能比重复定义更有帮助。但“原创”不允许伪造经验。没有实际测过，就写测试计划；没有足够样本，就说明只是小规模探索。未来是否被引用仍不确定，内容本身应先经得起核对。

品牌信息一致性也有实际价值。官网、产品文档、公司介绍和公开资料应准确对应同一个实体，避免旧名称、旧价格与现有产品混在一起。可以纠正你有权管理的资料，联系外部网站修正明确事实错误，但不能制造虚假第三方评价或冒充客户。一次真实报道的传播价值和一次付费投放的曝光价值应按各自性质记录。

23.5 AI可见性审计怎样做

先建立问题样本，而不是只搜自己的品牌。把目标用户的重要任务分组，例如理解问题、比较方案、判断适配、操作排错和购买前核实。每个问题记录语言、地区、产品界面、日期、是否登录、是否允许联网，以及回答上下文。问题写法不同可能产生不同结果，所以保留原始问法，不要每次临时改成更容易出现自家品牌的版本。

审计时区分品牌提及、直接引用、自有页面引用、第三方页面引用与事实错误。对每个引用，打开落地页，确认它确实支持紧邻的结论。记录被引用的具体内容、适用版本及是否过期。若只能看见一条回答，就把它称为单次样本，不能称为整个市场的占有率。

一个内部指标可以是样本中的直接引用率，即包含自有网站引用的有效回答数除以预先定义的问题回答数。这个指标只描述该样本，不代表所有用户、地区或问题。需要比较趋势时，保持样本方法相对稳定，并记录模型或界面变化。样本扩充应另标版本，避免问题集合变了却把增长归于内容改进。

多次重复观察可以了解波动，但不要用大量无许可自动查询去抓取搜索结果。Google把未经明确许可的自动查询和排名抓取列入机器生成流量相关政策。[F29] 优先使用官方报告、获许可的数据服务或合规的人工抽样。使用第三方工具时，应询问数据如何获得、覆盖哪些地区和产品、更新频率、是否包含真实用户需求，以及能否导出证据。

审计结论应落到具体动作。例如“在版本升级问题中经常引用旧文档，现有新版文档缺少迁移差异说明”，可以导向一次文档改进；“品牌提及率低”本身还不足以决定写多少文章。先判断没有出现是否真是问题：某些教育查询与产品无关，即使你能挤进回答，也未必帮助用户或业务。

23.6 Bing与OpenAI提供的补充视角

Bing于2026年2月推出AI Performance预览，报告覆盖Microsoft Copilot、Bing生成式摘要和部分合作体验的引用活动。引用次数与平均被引用页面数不是排名，也不是用户点击；grounding queries描述检索依据相关短语，官方明确其为样本。[F17] 这些数据可以补充Google视角，却不能拿来代表所有AI产品。

2026年6月，Bing进一步推出意图、主题、引用份额与时间比较等预览功能。引用份额指特定grounding query下网站占全部引用的比例，官方特别指出它不代表流量份额，不公开竞争域名，也不是质量评分。[F18] 因而可以用它寻找需要研究的主题，不能把份额直接乘上假设市场规模计算收入。

OpenAI的爬虫文档则区分OAI-SearchBot、GPTBot和ChatGPT-User。OAI-SearchBot负责搜索相关自动抓取，GPTBot涉及训练用途，两者控制独立；ChatGPT-User用于部分用户发起的访问，官方明确其并非自动网页爬取，robots.txt规则可能不适用，也不用于决定搜索纳入。[F19] 这说明“允许AI”不是一个统一开关。网站应按产品和用途核对当前文档，结合日志验证实际访问；不要仅凭用户代理字符串就把请求当作可信来源，也不要以为允许抓取就能保证被引用。

跨平台分析最终仍要回到你的目标用户。如果业务客户主要通过Google解决问题，先把Google发现、页面体验和商业路径做好，再用补充平台观察遗漏。工具数量增加并不自动提高认知质量，每增加一个平台都需要维护口径、权限、数据清洗和解释成本。

23.7 自动化先从可靠的数据获取开始

应用程序接口（application programming interface，API）让程序按约定读写服务数据。对于SEO，最适合先自动化的任务通常是定期获取已授权报告、检查自有网页是否符合规则、整理URL映射和发现数据异常。它们输入清楚、结果可复核，也容易在失败时停止。

Search Console Search Analytics API支持按日期与维度查询，但官方说明它受内部限制，不保证返回所有数据行。[F03] 所以翻页完成不等于拿到了整个搜索世界。应在数据表中记录请求参数、资源、搜索类型、聚合方式、提取时间和覆盖限制。后续分析必须能回答“这批数据来自哪一次查询”。

把网站所有页面和查询一次性放进巨大多维请求，往往不利于稳定运行。API还存在负载和速率配额，应按照当前官方限制设计重试、缓存与任务拆分。[F20] 读数据的任务可以按日期分批、逐步补齐，并避免反复获取已固定的历史窗口。近期可能修订的数据则保留有限回补策略。

规模较大且需要长期保存时，可以考虑Search Console到BigQuery的批量导出。官方文档说明这是持续导出路径，配置涉及云项目、权限与可能的存储查询费用；初次设置以前的历史数据需另外取得。[F09][F26] 它解决数据保存与分析便利性，不会自动解决所有匿名化、口径和因果问题。小站若一张月度导出表就够用，不必为了显得专业先搭复杂仓库。

写入型自动化要比读取更谨慎。IndexNow提供通知参与引擎URL变更的机制。[F21] 它与搜索报告API不是一类操作，也不应被描述为保证索引或提升排名的按钮。通知、提交、修改页面、调整索引设置与删除内容都需要独立权限和验收，不能因为前一步获准读取数据，就让脚本自行改动网站。

23.8 给Go开发者的最小数据流水线

可以从四个组件开始：采集器、原始存储、转换任务和报告。采集器只负责拿到已授权的数据并保存请求信息；原始存储保留未经业务改写的响应；转换任务把URL与页面类型关联并计算指标；报告负责展示和告警。四者分离后，口径修正不必重新请求所有历史数据，采集故障也不会悄悄变成业务结论。

数据表至少保存日期、平台、资源、维度键、点击、展现、提取时间、数据状态与请求版本。计算CTR时，应先汇总点击和展现再相除，而不是平均各行CTR。平均位置也不能无条件对各行取简单平均；如果重建聚合必须确认权重与平台口径。最安全的方式是保留官方相应层级的指标，同时把自己的计算标为派生值。

任务需要幂等性，即同一批输入重跑不会重复计数。可将日期、平台、资源、维度组合和版本作为逻辑唯一键，在临时区完成后再替换相应分区。网络失败时记录失败与重试次数，遵守服务端提示，使用有上限的退避，而不是无限重试。缺失某一天时报告数据缺口，不自动补成零。

为转换代码写几个小而有代表性的测试：同一URL不同追踪参数是否正确合并，语言参数是否保留，零展现时是否避免除零，跨时区日期是否按约定处理，接口新增字段是否不导致整批失败。再加一个端到端样例，把一份固定响应转换成已知报表结果。程序能够运行，只说明语法与依赖没阻止它，测试才帮助确认业务含义。

权限遵循最小必要原则，读取报告的任务使用只读访问，不把管理权限顺手交给整个流水线。密钥与令牌存放在适当的秘密管理设施中，不进代码仓库、日志或公开报表。为离职、供应商更换和凭据失效设计撤销与轮换流程。数据自动化越稳定，越容易长期无人注意，访问边界应从一开始就确定。

23.9 把可靠数据交给 AI 工作流

前两节解决的是数据怎样稳定取得、保存和计算。语言模型应接在这条流水线之后：读取已经核对的表和证据，为人整理解释草稿。若采集失败、口径不一致或数字尚未复算，先修复这些问题，不让模型用一段流畅文字掩盖缺口。

具体操作集中在第26章。先用26.2节准备可追查的资料包，再按26.3—26.10节选择需求归纳、关键词分组、内容审校、技术调查或报告任务；每种任务都有输入、提示词和人工验收方法。准备让模型调用工具时，先落实26.12节的权限与审批边界，并按26.13节测量错误和完整成本。这样可以沿用本章的数据基础，而不把获取报表的权限扩大成发布或修改网站的权限。

23.10 识别研究与营销中的过度推论

GEO原始论文提出可见性评估框架与基准，并在其研究环境中测试内容干预。[F30] 研究有助于提出假设，但不能直接变成对今天所有搜索产品的排名承诺。看一项研究时，先找问题集合、模型与时间、基线、指标定义、是否有对照，以及结果能否重复。结论若只针对某种可见性指标，就不要改写成收入增长。

厂商报告也需要同样审查。工具可能更容易覆盖热门英语问题，难以覆盖地区性中文长尾；付费客户的样本不代表整个互联网；报告中的品牌提及可能来自模型已有知识，并非当天抓取某页。研究者和供应商可以提供有价值信息，但方法和边界应紧邻结论。

对“某种格式保证被引用”的说法，要求对方说明哪些页面没有成功，以及失败率如何计算。只展示成功截图无法判断效果。还要问新增引用是否准确、是否与目标用户有关、是否带来可观察收益。若回答都是“算法秘密不能解释”，就不应把它作为高成本决策依据。

23.11 练习与执行清单

练习一：某工具声称网站本月AI可见性增长百分之五十，却把样本问题从二十个换成一百个。参考解答：需要在相同问题集合、平台、地区和观察条件下重新比较，并区分新增覆盖与原有表现变化。不能直接把整体比例变化归给SEO工作。

练习二：Google生成式AI报告没有出现，是否应立即发布llms.txt？参考解答：先核对报告展现门槛、当前纳入设置和重要页面的发现与索引状态。Google官方没有把llms.txt列为搜索可见性要求，新增文件不能替代对实际原因的检查。[F15][F23]

练习三：每周数据任务重试后把同一天写入两次，另一天请求失败却被记为零，该怎样处理？参考解答：先阻止错误数据进入报告，按逻辑唯一键去重并保留有效版本，把请求失败标为缺失；按配额与退避规则补取后复算。幂等写入测试应证明重跑不会改变正确总数，缺失测试应证明故障不会被解释成流量归零。需要AI整理周报时，再使用26.10节的模板。

执行前检查：目标平台与指标已定义；官方控制与报告版本已核对；内容中的结论能找到证据；样本方法可重复；API任务有配额、幂等与失败处理；敏感凭据不进入报告；模型无法把外部文字变成操作授权。完成这些基础，再考虑增加自动化范围，会比追逐某个未经验证的“AI排名秘诀”更稳妥。

本章参考来源

[F03] Search Analytics query | https://developers.google.com/webmaster-tools/v1/searchanalytics/query | 访问 2026-10-13 | API维度、请求参数和数据行覆盖边界。 [F09] About bulk data export of Search Console data to BigQuery | https://support.google.com/webmasters/answer/12918484?hl=en | 访问 2026-10-13 | Search Console存在持续BigQuery导出路径。 [F15] Optimizing your website for generative AI features on Google Search | https://developers.google.com/search/docs/fundamentals/ai-optimization-guide | 访问 2026-10-13 | 2026指南延续SEO基础；Google搜索不使用llms.txt提高可见性，不要求极小分块。 [F16] Introducing Search Generative AI performance reports in Search Console | https://developers.google.com/search/blog/2026/06/gen-ai-performance-reports | 访问 2026-10-13 | 2026年6月3日公布独立生成式AI展现报告，8月31日更新注明全球推出。 [F17] Introducing AI Performance in Bing Webmaster Tools Public Preview | https://blogs.bing.com/webmaster/2026/2/Introducing-AI-Performance-in-Bing-Webmaster-Tools-Public-Preview/ | 访问 2026-10-13 | 2026年2月10日发布Bing AI Performance，引用与grounding查询的样本性质。 [F18] New AI Visibility Insights in Bing Webmaster Tools Intents Topics Citation Share Compare | https://blogs.bing.com/search/2026/6/New-AI-Visibility-Insights-in-Bing-Webmaster-Tools-Intents-Topics-Citation-Share-Compare/ | 访问 2026-10-13 | 2026年6月16日预览功能及引用份额定义。 [F19] Overview of OpenAI Crawlers | https://developers.openai.com/api/docs/bots | 访问 2026-10-13 | OAI-SearchBot、GPTBot、ChatGPT-User用途与独立控制。 [F20] Search Console API Usage Limits | https://developers.google.com/webmaster-tools/limits | 访问 2026-10-13 | 读取API存在负载与速率配额。 [F21] IndexNow Documentation | https://www.indexnow.org/documentation | 访问 2026-10-13 | 通知参与引擎URL变化的接口机制。 [F22] Search generative AI control | https://support.google.com/webmasters/answer/16908024 | 访问 2026-10-13 | 纳入、排除与父资源继承；2026年8月31日全球推出；展示控制不同于训练控制。 [F23] Generative AI performance report Search | https://support.google.com/webmasters/answer/16984139 | 访问 2026-10-13 | 独立报告当前以展现为主，维度及足够展现条件，Search Labs排除。 [F26] Start a new bulk data export | https://support.google.com/webmasters/answer/12917675?hl=en | 访问 2026-10-13 | BigQuery配置、权限费用、首次设置前历史数据需另取。 [F27] Retrieval Augmented Generation for Knowledge Intensive NLP Tasks | https://arxiv.org/abs/2005.11401 | 访问 2026-10-13 | RAG将外部检索记忆与生成结合的研究基础。 [F28] New opportunities control and insights for website owners | https://blog.google/products-and-platforms/products/search/new-controls-website-owners/ | 访问 2026-10-13 | AI搜索退出的展现流量影响及非AI搜索排名信号边界。 [F29] Spam policies for Google web search | https://developers.google.com/search/docs/essentials/spam-policies | 访问 2026-10-13 | 未获明确许可的自动查询和排名抓取相关政策。 [F30] GEO Generative Engine Optimization | https://arxiv.org/abs/2311.09735 | 访问 2026-10-13 | 可见性研究框架、基准与内容干预研究。