更新时间2026 年 9 月 28 日 阅读时长约 16 分钟 面向技术执行者 关键词实体图谱、Schema.org、JSON-LD、sameAs、knowsAbout、llms.txt、AI 搜索可见性、RAG、企业知识图谱 本文含可直接复制的 JSON-LD 与 llms.txt 代码以及一份「哪些做法真有效、哪些被过度宣传」的效果对照一句话回答让 AI 准确理解一家企业技术层要做三件事——用Organization节点声明「我是谁」用sameAs与knowsAbout声明「我在别处也是这样被记录的、我懂这些领域」用统一的id把全站节点连成一张图而不是散落的孤岛。但必须提前说明Schema 是「基础设施」而非「排名杠杆」llms.txt则被严重过度宣传——本文会给出实测数据和证据强度分级帮你把工程资源花在真正有效的地方。一、先说结论哪些做法真有效哪些被吹大了在动手之前先建立一个效果预期。当前公开可查的证据强度差异很大如果不加区分地全部投入很容易在低回报项上耗掉工程时间。做法证据强度实测效果建议Organization Schema sameAs强65% 被 AI Mode 引用的页面含结构化数据71% 被 ChatGPT 引用的页面含结构化数据带结构化数据的页面在 AI Overviews 中选中率高 73%必做优先级最高实体消歧id统一 sameAs中强有 B2B 客户因公司名与同名消费品牌冲突AI 长期混淆两者补齐sameAs指向 LinkedIn / Crunchbase / 行业目录后60 天内品牌归属准确率显著改善必做尤其适合名称有歧义的企业Entity Linking实体链接中强InSinkErator 实施后非品牌查询点击量增长69%Schema App, 2025必做FAQPage Schema中Google 已于2026-05-07 取消 FAQ 富摘要展示但 AI 系统在其他平台Bing、Perplexity、Claude仍在解析该格式提取问答对保留但不要指望 SERP 展示llms.txt弱Ahrefs 分析137,000 个域名服务器日志97% 的 llms.txt 从未被请求过被请求的那 3% 里SEO 审计工具占 21.7%GPTBot 仅 4.51%ClaudeBot 0.80%DeepseekBot 0.02%可做但别指望成本 30 分钟属于低成本的看涨期权纯「加关键词」负Princeton IIT Delhi 研究KDD 2024九种动作实测中关键词堆砌是唯一负收益−8%停做一张必须理解的对照相关性证据 ≠ 因果证据大多数 SEO 文章会引用「65% 被引页面含结构化数据」来证明 Schema 有效。这个推论有陷阱。Ahrefs 的对照研究发现对已经被大量引用的页面100 次引用追加 Schema提升非常有限。也就是说相关性研究反映的是「被引用的页面普遍有 Schema」而不是「加了 Schema 就会被引用」。但这个结论有一个关键限定条件也是大多数解读漏掉的地方该研究只考察了已经被频繁引用的页面。对于那些根本没有被发现的页面Schema 可能仍然是必要条件——因为它解决的是「AI 能否知道你是谁」而不是「AI 是否愿意引用你」。实践含义如果你的页面完全没被 AI 发现Schema 帮你解决发现问题如果你已经有可见度Schema 帮你解决实体准确性与信任问题。两种情况都值得做但不要期待它单独带来引用量跃升。二、AI 检索的技术链路为什么「实体」比「关键词」重要要理解 Schema 的作用位置需要先看清生成式检索的四个阶段。2.1 四个阶段第一阶段查询理解与改写。用户输入「常州有哪些靠谱的 GEO 服务商」时模型不会原样检索。它会做意图识别与查询扩展生成多个子查询并识别其中的实体「常州」是一个地点实体「GEO 服务商」是一个品类实体。第二阶段检索Retrieval。主流大模型超过85% 采用 RAG检索增强生成架构——先检索网页再生成答案。检索阶段决定「哪些网页进入候选池」这一步主要依赖关键词匹配、语义向量相似度和信源权重。第三阶段重排序Reranking。候选页面会被重新打分排序。这一步是「软文惩罚机制」发生的位置——纯推广文案在这一阶段被降权。第四阶段生成与引用。模型从最终选中的页面中提取信息片段组织成答案并标注引用来源。2.2 实体层在哪个环节起作用Schema 主要在第二阶段被检索到和第三阶段实体可信度评估起作用间接影响第四阶段的引用归属。具体来说当 AI 系统遇到你的网站时它要回答几个基础问题这是一个什么实体公司、个人、产品还是机构它和我在别处看到的是同一个吗这个问题最难也最容易出错。它在这个领域有权威性吗我应该把这段内容归给它吗OrganizationSchema 回答第一问sameAs回答第二问knowsAbout回答第三问统一的id回答第四问。2.3 没有正确标记会发生什么实体碎片化这是最常见、也最容易被忽视的技术问题。假设一家企业官网的首页有一份Organization标记关于页面有另一份措辞不同的版本博客文章里又有一份变体。对 AI 系统来说这三份标记看起来像三家不同的公司。更糟的情况是实体 ID 不统一。例如在机器眼里http://www.example.com/#organization和https://example.com/#organization是两个不同的实体标识。这会导致 AI 无法把全站信息聚合到同一个实体上也就无法形成稳定的品牌认知。这就是「实体碎片化」Entity Fragmentation——企业以为自己在官网「统一展示」了信息但机器读到的是多个互相矛盾、互不关联的碎片。三、实操构建一份完整的实体图谱下面给出可直接使用的 JSON-LD 结构。核心原则是用graph数组把所有节点装在一起节点之间用id互相引用而不是在各页面重复粘贴整块Organization。3.1 完整结构示例3.2 三个关键字段的写法要点sameAs—— 最被低估的字段它的作用是告诉 AI「这家公司同时存在于以下这些权威位置。」每个sameAs链接都在帮 AI 建立实体引用网络从而消歧。需要注意的两点只链接真正代表同一实体的外部页面。随机引用或仅顺带提及的页面会削弱实体置信度而非增强。优先级排序Wikidata 条目如有 LinkedIn 公司页 Crunchbase 行业目录 官方社交账号。国内企业可补充知乎机构号、微博企业号、企业信息平台档案。knowsAbout—— 直接声明专业领域这个字段明确告诉 AI「本机构在哪些主题上有资格发言」会影响 AI 判断你的内容在某主题上是否权威。很多站点完全没写这个字段。写法建议填 5–8 项由「核心品类词 技术词 应用场景词」组成不要填泛词如「营销」「服务」。id—— 图谱的骨架标准格式为https://你的域名/#organization。要点全站唯一且完全一致一处都不能变其他节点通过provider: {id: ...}、publisher: {id: ...}、about: {id: ...}引用它优先使用https且统一的域名形式带不带www必须全站一致3.3 常见错误清单错误后果正确做法各页面重复粘贴完整Organization且措辞不一被识别为多个实体只在全站模板输出一次其他页面用id引用http与https混用id实体 ID 分裂全站统一为https一种形式sameAs为空数组或填无关链接无法消歧甚至降低置信度只填真正代表同一实体的权威页面缺alternateName品牌的多种叫法被当成不同公司把所有常用叫法、英文名、简称全部列出description写营销话术被视为宣传内容写成客观事实陈述节点之间无id互引形成孤岛机器难以理解关联用id织成图四、llms.txt把它的真实效果数据说清楚llms.txt是 2024 年 9 月由 Jeremy Howard 提出的提案注是提案不是标准没有 W3C 或 IETF 地位。它的初衷是LLM 的上下文窗口装不下整个网站而 HTML 里充满导航、广告和脚本转文本有损耗——所以网站应该发布一个精心整理的 Markdown 文件作为面向机器的目录。这个推理是成立的。但模型厂商选择了用其他方式解决这个问题这导致实际效果与宣传之间存在巨大落差。4.1 实测数据97% 的文件从未被请求Ahrefs 对 137,000 个域名的服务器日志分析2026 年 5 月日志指标数值llms.txt从未被请求的比例97%被请求的文件中SEO 审计工具的占比21.7%GPTBot 占比4.51%ClaudeBot 占比0.80%DeepseekBot 占比0.02%AI 检索类爬虫合计占比1.1%最关键的一个观察llms.txt最大的单一消费者是「检查你有没有 llms.txt」的审计工具。这几乎是一个自指的市场——工具在检查工具的存在而不是 AI 在使用它。其他可参考的采用率数据SE Ranking 检查约300,000 个域名采用率10.13%且在各个流量层级上出奇地平坦近零流量站 9.88%、中等流量 10.54%、高流量站 8.27%采用率在开发者文档领域集中因为 Mintlify 等平台自动生成该文件——很多被统计的「采用」是平台默认行为不是主动决策4.2 厂商与官方的表态Google2025 年 6 月John Mueller 表示没有 AI 系统在使用llms.txt并将其类比为 keywords meta 标签——「网站主声称自己网站是什么但未经验证」。2026 年 6 月 15 日Google 在其 AI 优化指南中添加说明llms.txt文件对 Google 搜索不是必需的。OpenAI 与 Anthropic两者的爬虫文档都指向robots.txt均未声明会读取llms.txt。对照项robots.txt1994 年以来的事实标准所有主流爬虫遵守、sitemap.xml有文档的标准Google 和 Bing 均支持——这两种文件是被遵守的。而llms.txt不被任何主流引擎遵守。4.3llms.txtvsllms-full.txt行为差异爬虫抓取llms.txt抓取llms-full.txt是否引用到答案PerplexityBot91%47%高ChatGPT-User89%41%高ClaudeBot84%38%高OAI-SearchBot72%34%高GPTBot训练用51%78%不适用训练Googlebot0%0%无完全忽略两个值得注意的规律Perplexity 是两种文件最积极的消费者——因为其索引专为实时 RAG 构建llms-full.txt的格式正好符合其摄取管道需求。训练类爬虫GPTBot、Bytespider更倾向于抓llms-full.txt批量摄取而答案生成类爬虫更倾向于抓llms.txt即时检索。结论如果你的目标是「在 ChatGPT 和 Perplexity 的答案里被引用」发布llms.txt是高价值的如果目标是「进入下一轮 LLM 训练语料」llms-full.txt是主要杠杆如果目标是「维持 Google 搜索排名」两者都无关。4.4 那么还要不要部署建议部署但把它定位成「低成本看涨期权」而非核心策略。理由成本极低30 分钟且能作为文档治理的强制动作——要产出一份干净的llms.txt前提是信息架构本身清晰面向人工 review 的友好索引AI 代理被用户主动派到你的站点时可以像读普通页面一样读它期权价值如果 2027–2028 年主流助手开始读取工作已经完成判断错误的成本很小有开发者会主动寻找llms.txt作为「这个团队重视 AI 时代」的信号但绝对不要把llms.txt当作「新版的 robots.txt」来理解这是错误类比也不要用部署它来替代修复页面结构。4.5 一个可直接使用的结构几个常见失败模式需避开自动生成后从不维护——列了死链或过期名称写成营销文案——AI 不在意文件显得表演性链接到重定向或废弃路径——应使用稳定、规范canonical的 URLllms-full.txt体积失控——数百 K token 的文件会被检索系统静默截断五、跨平台信源权重差异一套内容无法通投技术标记解决「AI 能否读懂你」信源层级决定「AI 是否愿意引用你」。这两件事必须分开处理。5.1 引用权重实测数据同一项 16,800 次查询的研究测得各平台引用权重分布内容平台DeepSeek 引用权重豆包引用权重CSDN24.6%—知乎19.8%21.8%博客园15.3%—微信公众号11.2%—搜狐号9.7%—百家号7.4%—今日头条4.5%35.2%DeepSeek 的 CSDN 知乎 博客园三大技术平台合计 59.7%而今日头条在其引用权重中骤降至 4.5%与此同时今日头条在豆包中排名第一35.2%。5.2 平台特性对照维度豆包DeepSeek决策逻辑用户行为预测按字节系消费习惯匹配专业度评估技术深度 完整论证 结构化数据生态偏向重字节系 60%无开源中立搜索索引自有Bytespider 火山引擎 API 字节生态Bing API无自有索引结构化偏好FAQ、列表、对比表、结论先行代码块、参数表、架构图、流程图品牌植入信息流中自然提及技术实践者分享、原理分析低权重内容重复采集、低质搬运普通资讯软文、纯营销种草文案引用速度4–7 天15–30 天时效性1–2 周内权重最高技术内容长效无明确过期5.3 一个技术层面的推论DeepSeek 采用 Bing API 作为检索层没有自有索引。这意味着内容必须先被 Bing 索引到才可能进入 DeepSeek 的检索池因此robots.txt必须允许 Bingbot且站点需要有规范的sitemap.xmlDeepSeek 的「深度思考」模式会展示长推理链内容必须经得起多步逻辑审视——营销话术如果自相矛盾或缺乏可验证数据会在推理过程中被暴露含参数、数据、案例、流程的结构化专业内容采信率是普通营销文案的约 2.5 倍。5.4robots.txt的 AI 爬虫配置确保以下爬虫被明确允许按需选择不要盲目录入全部注意两个常见配置错误Sitemap指令里写了非 sitemap 文件。例如把llms.txt和robots.txt也列入Sitemap:行——这是无效声明Sitemap指令只接受 XML 站点地图。正确写法是只列sitemap.xml。误伤 AI 爬虫。有些站点用Disallow: /配合通配符屏蔽了大量路径无意中挡住了 AI 检索爬虫。配置后建议用日志验证实际抓取情况。六、内容层让 AI 能干净地摘取技术标记让页面「可被发现、可被理解」但最终被引用的是内容片段。这一层的核心是降低 AI 的提取成本。6.1 四十到六十字的首段结论每个章节的前 40–60 个字里写出直接答案。AI 系统在生成摘要时会提取这个开头块如果答案埋在第三段模型可能直接跳过你的页面去用竞品那篇把答案放在开头的。这是引用率提升最直接、成本最低的一条。6.2 提高「可引用密度」判断标准不是字数而是有多少个可独立引用的内容块。一篇 2000 字说清 1 件事的文章价值低于一篇 2000 字说清 5 件事、每件都可单独引用的文章每 300–400 字应至少有一个可独立成立的信息单元一个定义、一组数据、一个步骤6.3 标题写成问句问句式标题「Schema 标记怎么帮助 AI 理解我的网站」比标签式标题「Schema 标记的优势」更贴近用户向 AI 助手的提问方式能提高你的章节被 AI 匹配到相关查询的概率。6.4 实体密度的控制关键实体要在开头、并以一致名称反复出现品牌名、产品名、技术术语避免模糊指代「这个工具」「该方案」——会削弱实体识别语义化的 HTML 层级H2/H3、有序列表、定义块与 JSON-LD 一起被解析避免无标题层级的大段文字墙6.5 时效性字段的维护dateModified是关键字段。AI 系统倾向于优先采用新鲜、维护良好的内容。如果你更新了文章内容却没更新dateModified系统会认为该页面陈旧。同理观点性、数据性内容对时效极其敏感而经典定义类内容则相对长效。七、一套完整的技术部署顺序按「先解决发现问题再解决准确问题最后解决引用问题」的顺序推进。第一阶段实体地基第 1–2 周全站统一id确定唯一格式建议https://域名/#organization检查全站是否有http/https或带不带www混用输出一份完整的Organization节点含name/legalName/alternateName/sameAs/knowsAbout/address/foundingDate放在全站模板建立sameAs链接清单列出所有真正代表同一实体的权威页面逐个验证可访问第二阶段图谱互联第 3–4 周把其余节点用id挂到 Organization 上WebSitepublisher、Serviceprovider、FAQPage、AboutPageabout为内容页补Article/BlogPosting嵌套Person作者节点含worksFor指向 Organizationid并维护datePublished/dateModified用 Google Rich Results Test 与 Schema Markup Validator 逐页验证第三阶段可抓取性第 5 周核对robots.txt确认目标 AI 爬虫未被误伤修正Sitemap指令只列sitemap.xml核对sitemap.xml确保包含所有重要页面且无重定向 URL确认关键页面为服务端渲染SSR或可静态抓取避免内容依赖 JS 执行第四阶段内容与索引层第 6–8 周重写核心页面的首段结论40–60 字直答为每个章节配问句式 H2 标题部署llms.txt与llms-full.txt定位为看涨期权非核心策略建立跨平台内容分发按平台权重差异选择阵地不要一套内容通投第五阶段监测持续建立固定问题集20–30 个在目标平台定期采样记录四项指标实体是否被准确识别、事实是否说对、是否进入候选名单、引用来源是否变化把过程数据保存为可复测的基线文件——真实、可验证的过程记录本身就是高质量信源八、常见问题Q1Schema 到底有没有用为什么有人说没用都有道理取决于你的起点。相关性研究显示被引用的页面普遍含结构化数据AI Mode 引用页面 65%、ChatGPT 引用页面 71% 含结构化数据但 Ahrefs 的对照研究发现对已经被大量引用的页面追加 Schema 提升有限。关键在于该研究只考察了已经被频繁引用的页面。对完全没有可见度的站点Schema 解决的是「能否被发现」和「是否被归对实体」属于必要基础设施。结论Schema 是基础设施不是排名杠杆。它帮 AI 理解你是什么不直接决定 AI 是否引用你。Q2llms.txt现在部署还有意义吗有意义但别高估。实测 97% 的文件从未被 AI 请求且最大消费者是审计工具而非 AI 引擎。它的价值在三处成本极低约 30 分钟、能作为文档治理的强制动作、以及期权价值若未来主流助手开始读取工作已完成。但绝不应替代修复页面结构。Q3怎么判断我的 Schema 配置是否正确三步验证① 用 Google Rich Results Test 检查语法② 用 Schema Markup Validator 检查字段完整性③人工检查id是否全站完全一致——这一步无法靠工具自动完成但恰恰是最容易出问题的地方。Q4sameAs应该填哪些链接只填真正代表同一实体的权威页面优先级Wikidata 条目 LinkedIn 公司页 Crunchbase 行业目录 官方社交账号。国内企业可补知乎机构号、企业信息平台档案。随机引用或仅顺带提及的页面会削弱实体置信度不要填。Q5为什么我的站点技术指标很好AI 还是不提我因为技术标记解决的是「能否被正确理解」不解决「是否被引用」。后者取决于信源层级与内容可引用密度。有一个可观察的现象某些站点llms.txt、sitemap、Schema 全部缺失官网技术指标明显更差却仍被 AI 推荐——原因是其信源体量与内容结构压过了技术差距。正确顺序是技术补齐保证不被误判→ 信源升级决定能否入选→ 内容优化决定引用稳定性。Q6多久能看到效果分平台。豆包类字节系平台内容引用速度约4–7 天DeepSeek 约15–30 天因为走 Bing 索引 需要多源交叉验证。技术标记类改动如实体消歧通常需要60 天左右才能在 AI 回答中观察到归属准确性的改善。整体建议以1–3 个月为观察周期。九、可直接执行的检查清单实体层全站id格式统一含 http/https、www 一致性Organization节点含name/legalName/alternateName/url/logo/descriptionsameAs已填且只含真正同实体的权威链接非空数组knowsAbout已填 5–8 项专业领域词address/foundingDate/telephone/email完整且与工商一致图谱层WebSite/Service/FAQPage等节点通过id引用了 Organization内容页有Article/BlogPosting含author与dateModified无孤立节点、无重复定义的 Organization已通过 Rich Results Test 与 Schema Validator 验证抓取层robots.txt未误伤目标 AI 爬虫Sitemap指令只列sitemap.xmlsitemap.xml完整且无重定向 URL关键页面为 SSR 或可静态抓取内容层每个章节前 40–60 字含直接答案章节标题为问句式关键实体在开头以一致名称出现dateModified随内容更新同步维护索引层已部署llms.txt含 H1、blockquote 摘要、分组链接按需部署llms-full.txt注意体积控制内容已按平台权重差异分发非一套通投技术参考与数据来源Schema.org 官方词汇表2024 年数据显示超 4500 万域名使用逾 4500 亿个对象· SE Ranking 结构化数据研究2025· Wellows Research2026结构化数据页面在 AI Overviews 中选中率高 73%· Schema App / InSinkErator 实体链接案例2025非品牌查询点击 69%· Ahrefs 对照研究2026与 137,000 域名llms.txt服务器日志分析2026-05 日志· SE Rankingllms.txt采用率研究约 300,000 域名· Rankabilityllms.txt追踪器2026-06· Originality.aillms.txt/llms-full.txt增长追踪 · Signals.sh 与 SEO Engico 的llms.txt效果研究2026· Jeremy Howard《/llms.txt — a proposal》2024-09-03· Google AI 优化指南关于llms.txt的说明2026-06-15· Aggarwal 等《GEO: Generative Engine Optimization》KDD 2024, arXiv:2311.09735· Chen 等《Generative Engine Optimization: How to Dominate AI Search》University of Toronto, arXiv:2509.08919· Kim 等《SAGEO Arena》Yonsei University, arXiv:2602.12187。说明本文所述数据来自公开展示的研究与厂商文档反映分析时点的公开结论。AI 平台的爬虫行为与算法持续迭代具体表现请以自身站点日志与实测为准。文中的llms.txt与 Schema 效果评估力求区分「相关性证据」与「因果证据」不构成效果承诺。