迷思与现实的对比
有人添加了所有 Schema 标签，等待后却毫无变化。这是典型的故事，也符合 Google 的实际说法。以下是每种流行观点与事实的对比。
| 迷思 | 我们所能确认的现实 |
|---|---|
| 添加完整的 Schema 会让模型引用你 | 标记有助于解析器读取页面。没有任何测试显示它会改变引用情况 |
| llms.txt 是新的 robots.txt | 2024 年 9 月提出的提案；主要厂商尚未确认会读取该文件 |
| AI 搜索已终结外链 | 链接数据仍能描述网站的网络足迹；其在引用中的作用尚未经过测试 |
| Reddit、Wikipedia 和 YouTube 是唯一的来源 | 它们常被引用，但并非唯一，且分享情况会随时间变化 |
| 你需要一家专门的机构 | 检查成本低，且与普通 SEO 工作大部分重叠 |
| 屏蔽 GPTBot 会让你在所有 AI 助手中消失 | 它只影响一个爬虫。其他产品使用其他爬虫或其他索引 |
| 无链接提及毫无价值 | 可能有用，因为模型会阅读文本。但在大规模下尚未经过测试 |
Schema.org 标记以机器可读的方式描述页面。很简单。Google 曾表示，结构化数据并非其 AI 功能的必要条件，尽管它仍有助于富摘要结果，这本身就是添加它的充分理由。
它是否直接为模型提供数据尚不清楚。厂商之外无人知晓。我们会以枯燥的方式测试：将一组相似页面的一半加上标记，另一半保持原样，并记录八周的引用情况。
从业者报告的经验参差不齐，包括大量完全标记后仍无响应的情况。沉默也是数据。不要将这种沉默掩盖在另一轮标签之下。
作者简介和“专家”资质待遇相同。它们帮助读者判断是否信任你，这本身就是足够的理由，且我们未见任何研究表明模型会因存在简介而更偏好某个页面。
时效性每次都会被提及。带有最近更新日期的页面确实经常出现在关于新闻类话题的 AI 回答中，Google 长期以来也针对需要时效性的查询使用时效性因素。尽管如此，在不更改内容的情况下仅更新日期是我们不会依赖的习惯，且 Google 表示不喜欢这种做法。
如果模型会阅读文本，其他网站上对你品牌的清晰描述即使没有链接也可能很重要。找到这些页面是普通的推广工作。
从你自己的品牌名称开始。搜索它，排除已经链接的网站，列出其余网站。然后请求链接或更清晰的描述。Ahrefs 和 Semrush 等工具都有提及警报，我们的 链接档案提取 展示了谁链接到了你羡慕的竞争对手。
关于机构的一点最终警告。销售 LLM 可见性审计是一个新业务线，一些报告内容单薄。询问样本是什么、何时采集的，以及什么情况下会改变他们的结论。
这并不意味着标记毫无意义。它表明所声称的效果尚未被测量。花一个小时，而不是一个季度，并将主要精力放在人们真正想阅读的页面上。
选择十个到二十个共享模板并涵盖相关问题的页面。相似页面能让差异显现，而不会受到其他 dozen 其他因素的干扰。
用你想测试的 Schema 标记其中一半，另一半保持原样。在查看任何引用之前，记录下分组情况。
按频率比较两组。如果差距小于正常的周间波动，那么诚实的结果是测试未发现差异。
即使 AI 问题仍未解决，标记也有实际用途。保持对这些用途的关注，以免将引用的空结果误认为是所有方面的空结果。
结构化数据可以使页面符合经典 Google 搜索中富摘要功能的资格，在这些搜索中，标记会被读取和检查。这种好处是具体的，不依赖于任何关于 AI 回答的主张。
如果你出于此原因添加标记，请在发布前使用富摘要测试工具进行验证。将对 AI 回答的任何影响视为未测量的额外好处。
标记以固定格式陈述事实，例如产品名称、作者或日期。读取页面的解析器可以直接获取这些字段，无需猜测。这种清晰度有助于任何基于页面结构工作的工具。
然而，清晰度并不等于引用。一个页面可能易于解析但从未被引用，另一个页面可能没有任何标记却被引用。
Schema 不是模型计票的投票列表。我们未见任何受控研究将标记单独与引用变化联系起来，因此任何承诺会有提升的人都应展示其背后的样本。
添加标记后没有变化是测试的正常结果。下一节解释了为什么在标记并非无用的情况下仍可能发生这种情况。
LLM 可见性取决于多种因素，单一变化很少会脱颖而出。在判断结果之前请记住这一点。
页面被引用的几率取决于其可抓取性、内容、链接和查询本身。标记只触及其中一点。当其他一切保持不变时，仅更改标记可能太小而无法察觉。
在归咎于标记之前，先检查基础。确认页面已收录，且其文本出现在 HTML 中，而不仅仅是在脚本运行后出现。
一些从业者描述了查询发散，即一个问题变成多个子搜索。如果模型通过这种方式收集来源，你标记的页面可能会因你从未跟踪的子查询而被引用。这是一个单提示检查会误导人的原因。
在提示集中包含几个子问题，并记录每个问题出现的页面。
结果需要样本和基线。八周记录的提示，分为两组，是一个可能仍有误的适度测试。将限制条件写在结果旁边。
也发布空结果。一个未发现任何内容的测试对下一个问同样问题的人仍然有用。
我们会首先做什么
检查 Google 和 Bing 是否可以抓取和索引该页面。然后打开包含直接答案的部分，命名实体，并从第三方获得描述。其他一切都是实验，所以像实验一样运行它们。
记录被链接的确切页面，而不仅仅是其域名。标记测试是关于页面的，因此页面是重要的单位。
记录每次模型在文本中提到你品牌但没有链接的情况。此类提及难以计数，因此在开始之前确定计数的规则。
每一行都带有其运行的日期。这样可以将对标记的后续更改与随后的行对齐。
注明每次运行的引擎和地区。一个引擎中的效果可能在另一个引擎中不显示，一个地方的沉默结果并非所有地方都沉默。
文本是模型工作的材料，因此测试模型能读取什么而不是假设是值得的。
一些内容仅在脚本运行后出现。特定助手能否看到该内容是可以测试的。比较助手引用的文本与纯 HTML 获取返回的内容。
如果引用的文本在纯 HTML 中缺失，则页面依赖于渲染。在添加任何标记之前，知道这一点是值得的。
一些从业者认为模型将 JSON-LD 分解为令牌并丢失其结构，因此标记增加的内容很少。这一论点是有道理的，据我们所知，它尚未经过测试。双方都未能用公平的样本证明这一点。
将其视为你自己测试的假设，而不是在客户报告中引用的规则。
一旦人们开始在自己的页面上测试标记，就会出现的一些问题。
基于此证据，不应删除。标记仍服务于经典搜索功能，并使页面更易于解析器读取。仅当标记错误、过时或具有误导性时才删除它。
可能值得，作为一种廉价的实验。该提案始于 2024 年 9 月，我们尚未看到任何主要厂商确认会读取该文件，因此不要期望看到可见的结果。
我们所知的研究中未显示这一点。简介可以帮助读者判断页面，这是一个保留它们的合理理由，但任何引用效果都未经过测试。
足以使两组可以进行比较，而不会出现一个页面主导结果的情况。十个到二十个相似页面是首次测试的合理起点，尽管正确的数量取决于提示的变化程度。
