winson-ai-content-audit

一、核心哲学

1.1 唯一铁律

> AI引擎不读页面，读句子。你的内容不是被排名的，是被提取的。

SEO问"Google能找到我吗？"——GEO问"AI会引用我吗？"

这是两个根本不同的问题。Google返回十个蓝色链接，AI引擎合成一个答案。Google排名页面，AI引擎提取句子。Google奖励关键词，AI引擎奖励可验证的声明。Google关心外链，AI引擎关心你的事实是否经得起交叉验证。

一个罗列了审计维度的文档是检查表；一个包含"信任毒药效应""句子级审计""诊断优先级链"的文档才是技能。区别在于：后者把知识转化为可执行的操作序列。

1.2 六大核心观点

这六个观点是整个技能的底层逻辑。不是装饰，是地基。每一个审计步骤、每一个评分维度、每一个修复优先级，都从这六个观点推导而来。

观点1：句子是最小引用单位

当ChatGPT回答用户问题时，它不会链接到你的整篇文章。它提取一个具体的句子——一个事实、一个统计、一个声明——然后用在回答中。如果那个句子模糊、无来源、或需要上下文才能理解，你就不会被引用。

Princeton大学2024年KDD论文测试了9种内容优化策略，发现"引用来源""添加引号""添加统计"三种策略各自提升AI引用率30-40% $TRAE_REF。这三种策略的共同点是什么？它们都在句子级别工作，让每个句子变得更可提取。

推论：审计必须深入到句子级。页面级审计告诉你"这页内容不错"，句子级审计告诉你"第3段第2句不会被AI引用，因为'他们发现它显著增长了'里的'他们'和'它'都没有明确指代"。

观点2：信任毒药效应

AI引擎在引用你的内容前会交叉验证每个声明。当一个统计被发现错误时，不只是那一个句子失去引用机会——AI会降低对整页内容的信任分。一切与那个错误来源相关的内容都会被降级。

这意味着：准确性是乘数，不是加数。如果准确性是0，其他维度的分数再高，最终结果也是0。

推论：审计必须从事实准确性开始，而不是从技术或结构开始。一个技术上完美、结构上精美但事实错误的页面，比一个技术粗糙但事实准确的页面更危险——因为前者会让AI产生更深的不信任。

观点3：可引用性 > 可发现性

可发现性回答"AI爬虫能进来吗？"——这是门槛，不是目标。可引用性回答"AI会用我的内容构建回答吗？"——这才是GEO的终点。

一个页面可以被AI爬虫完美访问、可以被结构化数据标记得无懈可击，但如果AI无法从中提取自包含的、具体的、可验证的声明，这一切都是无效投资。

可引用性公式：可引用性 = 自包含性 × 具体性 × 可验证性

• 自包含性：句子脱离上下文是否仍然有意义？
• 具体性：句子是否包含具体数字、名称、日期？
• 可验证性：句子是否可以被AI交叉验证？

推论：审计的核心维度不是技术或结构，而是内容的可引用性。技术可访问性是门槛，结构化数据是加速器，但可引用性是引擎。

观点4：结构即语义

对人类来说，标题层级是视觉排版。对AI来说，标题层级是语义标记——它告诉AI"这里有一个新话题开始了"。列表不是"让内容更好看"，是"告诉AI这些项目是并列的"。表格不是"让数据更整齐"，是"告诉AI这些数据之间有结构化关系"。

研究数据：55%的AI引用来自页面前30%的内容 $TRAE_REF。正确的JSON-LD结构化数据将LLM的内容提取准确率从16%提升到54% $TRAE_REF。结构不是锦上添花，是AI理解的入口。

推论：结构审计不是"检查H1标签是否存在"，而是"检查AI能否通过结构理解内容的语义层次"。

观点5：SEO本能是GEO的敌人

Princeton研究中最反直觉的发现：关键词堆砌——SEO最根深蒂固的习惯——在GEO中降低AI可见度约10% $TRAE_REF。模糊的营销话术在SEO中可接受，在GEO中致命（AI无法提取）。长篇幅在SEO中有效，在GEO中可能无效（深度 > 广度）。

四种被证明无效或有害的GEO策略 $TRAE_REF：
- 关键词堆砌（-10%可见度）
- 过度简化（无效）
- 内容填充（无效）
- 纯说服性语言（无效）

推论：审计必须识别"SEO残留"——那些在传统SEO中有效但在GEO中有害的内容模式。

观点6：诊断优于测量

一个GEO分数告诉你"你得了62分"。然后呢？你不知道该修什么。

五维独立评分告诉你"你的技术可访问性72分（3个问题），事实准确性45分（5个问题），可引用性58分（5个问题）"。这才能驱动行动。

更关键的是：修复有严格的依赖链。修格式但不修事实，就像粉刷一栋地基开裂的房子。诊断优先级链确保你先修最重要的问题。

修复优先级链：准确性 > 可引用性 > 技术可访问性 > 结构化数据 > 实体品牌

1.3 三层审计模型

传统GEO审计工具使用扁平的四维模型。本技能重构为三层递进模型——三层之间有逻辑依赖关系，不是简单的加权平均。

┌──────────────────────────────────────────────────┐
│  第三层：可引用层（AI会用你吗？）          45%    │
│  ┌──────────────────────────────────────────┐    │
│  │  内容可引用性 30%                        │    │
│  │  句子级可提取性 · 自包含性 · 统计密度    │    │
│  │  引用密度 · 专家信号 · 模糊性检测        │    │
│  ├──────────────────────────────────────────┤    │
│  │  结构化呈现 15%                          │    │
│  │  标题层级 · 列表/表格 · FAQ · 答案前置   │    │
│  │  JSON-LD · Schema.org · llms.txt         │    │
│  └──────────────────────────────────────────┘    │
├──────────────────────────────────────────────────┤
│  第二层：可信任层（AI能信你吗？）          40%    │
│  ┌──────────────────────────────────────────┐    │
│  │  事实准确性 25%                          │    │
│  │  统计验证 · 来源归因 · 逻辑一致性        │    │
│  │  过时声明 · 模糊声明检测                  │    │
│  ├──────────────────────────────────────────┤    │
│  │  实体与品牌信号 15%                      │    │
│  │  跨平台一致性 · 知识图谱存在             │    │
│  │  作者权威性 · 主题集中度                  │    │
│  └──────────────────────────────────────────┘    │
├──────────────────────────────────────────────────┤
│  第一层：可访问层（AI能进来吗？）          15%    │
│  ┌──────────────────────────────────────────┐    │
│  │  技术可访问性 15%                        │    │
│  │  AI爬虫权限 · robots.txt · SSR/CSR       │    │
│  │  llms.txt · HTTPS · 响应速度 · 移动端    │    │
│  └──────────────────────────────────────────┘    │
└──────────────────────────────────────────────────┘

三层之间的逻辑关系：

• 第一层是门槛——不达标则其他两层无意义。但只要达标，边际收益很低。权重最低（15%）。
• 第二层是信任——AI决定是否相信你。信任毒药效应在这里起作用。权重次高（40%）。
• 第三层是引用——AI决定是否使用你。可引用性是GEO的第一性原理。权重最高（45%）。

为什么这样分配权重？

传统审计工具给技术可访问性20%的权重，这太高了。技术可访问性是二值门槛——AI爬虫要么能进来，要么不能。一旦达标，继续优化的边际收益极低。本技能将其降至15%，将更多权重分配给真正决定AI引用行为的可引用性（30%）和事实准确性（25%）。

1.4 核心公式

GEO Score = 技术可访问性×0.15 + 事实准确性×0.25 + 内容可引用性×0.30 
          + 结构化呈现×0.15 + 实体品牌信号×0.15

但记住观点6：分数是结果，诊断是行动。分数告诉你"得了多少"，诊断告诉你"修什么"。

二、完整执行流程

Phase 1：诊断启动——确定审计范围与业务类型

Step 1.1：确定审计范围

不要一次性审计整个网站。按优先级排序：

输出：审计URL清单（建议5-10个页面）。

Step 1.2：检测业务类型并调整评分权重

检验标准：审计范围明确（5-10个URL），业务类型已确定，权重调整已应用。

Phase 2：第一层审计——技术可访问性（权重15%）

Step 2.1：AI爬虫权限检查

检查以下AI爬虫是否被robots.txt和X-Robots-Tag允许：

评分规则：每个被阻止的爬虫扣2分（满分100，起始分100）。

关键洞察：这是门槛维度。如果GPTBot和Google-Extended被阻止，你的内容对ChatGPT和Gemini不可见——其他所有优化都是浪费。

Step 2.2：渲染与可抓取性检查

评分规则：每项不达标扣5分。

检验标准：技术可访问性评分（0-100），问题清单（按严重程度排序）。

Phase 3：第二层审计——事实准确性（权重25%）

> 这是信任毒药效应的直接体现。一个错误事实毒化整页可信度。必须最先审计。

Step 3.1：统计数字验证

逐句扫描页面中的每一个数字、百分比、统计声明。

验证清单：

操作方法：
1. 提取页面中所有包含数字的句子
2. 逐个验证：数字是否正确？来源是否可信？是否当前有效？
3. 检查来源归因：是否有"根据[来源]"的标注？
4. 检查逻辑一致性：前后文是否矛盾？

实战示例：
- 声明："72%的营销人员使用AI进行内容创作（HubSpot, 2023）"
- 验证：实际HubSpot数据是64%，且来自2024年报告
- 判定：两个错误在一个句子里 = -15分

Step 3.2：时态语言检测

搜索以下"时态炸弹"词汇，检查它们是否指向过去：

检验标准：事实准确性评分（0-100），错误声明清单（每个标注扣分原因和修复建议）。

Phase 4：第二层审计——实体与品牌信号（权重15%）

Step 4.1：跨平台品牌一致性检查

Step 4.2：知识图谱与外部实体存在

Step 4.3：主题集中度审计

AI引擎偏好在少数主题上深入的来源，而非什么都覆盖的泛泛来源。

检查方法：
1. 列出网站所有内容主题
2. 识别2-3个核心主题集群
3. 检查是否有分散主题焦点的边缘内容
4. 评估核心主题的覆盖深度

检验标准：实体品牌信号评分（0-100），一致性问题和缺失实体清单。

Phase 5：第三层审计——内容可引用性（权重30%）

> 这是GEO的第一性原理。可引用性 = 自包含性 × 具体性 × 可验证性。

Step 5.1：句子级可提取性测试

这是本技能区别于所有其他GEO审计工具的核心步骤。

操作方法：逐句阅读页面，对每个关键洞察执行"可提取性测试"。

可提取性测试：将句子从上下文中抽出来，问——"没读过这篇文章其他部分的人，能理解这句话吗？"

评分标准：
- 目标：70%以上的关键句子为可提取句
- 每个不可提取的关键句子扣3分

Step 5.2：统计密度审计

Step 5.3：引用密度审计（Princeton研究核心发现）

Princeton KDD 2024论文证明，以下三种策略各自提升AI引用率30-40% $TRAE_REF：

Princeton研究的反直觉发现——四种无效或有害策略：

Step 5.4：句子长度与流畅度审计

检验标准：内容可引用性评分（0-100），不可提取句子清单，统计密度报告，SEO残留清单。

Phase 6：第三层审计——结构化呈现（权重15%）

Step 6.1：内容结构审计

关键数据：55%的AI引用来自页面前30%的内容 $TRAE_REF。80%的AI引用页面包含结构化列表 $TRAE_REF。87%有独特H1加引导性答案 $TRAE_REF。

Step 6.2：结构化数据审计

关键数据：正确的JSON-LD结构化数据将LLM提取准确率从16%提升到54% $TRAE_REF。

评分规则：每缺失一个适用schema扣10分，每个schema有错误扣5分。

Step 6.3：llms.txt审计

llms.txt是面向AI引擎的robots.txt等效文件。检查：
- 是否存在 yourdomain.com/llms.txt
- 是否描述了网站结构和推荐内容
- 是否指向最重要的页面

检验标准：结构化呈现评分（0-100），结构缺失清单，JSON-LD模板建议。

Phase 7：综合评分与优先级修复方案

Step 7.1：计算综合GEO评分

GEO Score = 技术可访问性×0.15 + 事实准确性×0.25 + 内容可引用性×0.30 
          + 结构化呈现×0.15 + 实体品牌信号×0.15

Step 7.2：评分等级

Step 7.3：生成优先级修复方案

修复优先级链（严格按顺序执行，不可跳过）：

第1步：修复事实准确性问题
  └─ 为什么最先？信任毒药效应。错误事实让AI不信任整页。
  └─ 行动：验证每个统计，修正错误，添加来源归因

第2步：修复可引用性问题
  └─ 为什么第二？可引用性是GEO第一性原理。Princeton研究证明+40%可见度。
  └─ 行动：重写不可提取的句子为自包含句，添加统计和引用

第3步：修复技术可访问性
  └─ 为什么第三？门槛维度。不达标则前两步无效，但达标后边际收益低。
  └─ 行动：开放AI爬虫权限，确保SSR，添加llms.txt

第4步：修复结构化数据
  └─ 为什么第四？加速器。将提取准确率从16%提升到54%。
  └─ 行动：添加缺失的JSON-LD schema，修复结构错误

第5步：修复实体品牌信号
  └─ 为什么最后？长期工程。信任建设需要时间。
  └─ 行动：统一跨平台品牌信息，建立Wikipedia条目

Step 7.4：生成Quick Wins清单

列出5个最高ROI的修复项，每个标注：
- 当前问题
- 修复方法
- 预期分数提升
- 预估工作量

Step 7.5：生成30天改进路线图

检验标准：综合GEO评分，五维评分明细，优先级修复方案，Quick Wins清单，30天路线图。

三、核心工具箱

3.1 可引用性测试器

对页面中每个关键句子执行以下五步测试：

步骤1：抽出句子，忽略上下文
步骤2：问"没读过其他内容的人能理解这句话吗？"
  └─ 是 → 继续
  └─ 否 → 标记为"不可提取"，需要重写
步骤3：问"这句话包含具体数字、名称或日期吗？"
  └─ 是 → 继续
  └─ 否 → 标记为"缺乏具体性"，需要添加数据
步骤4：问"这句话可以被AI交叉验证吗？"
  └─ 是 → 继续
  └─ 否 → 标记为"不可验证"，需要添加来源
步骤5：问"这句话超过25个词吗？"
  └─ 否 → 通过测试 ✅
  └─ 是 → 标记为"过长"，建议拆分

3.2 事实准确性验证清单

对页面中每个包含数字的句子：
□ 数字是否正确？（交叉验证原始来源）
□ 来源是否可信？（一手来源 > 二手来源）
□ 数据是否当前？（6个月内为佳，12个月为限）
□ 是否有来源归因？（"根据[来源]"而非"研究表明"）
□ 是否有时态炸弹？（"今年""最近"指向何时？）

对页面中每个声明：
□ 逻辑前后一致？（无自相矛盾）
□ 是否模糊？（"许多专家说" → 谁是专家？说了什么？）
□ 是否可验证？（AI能否独立确认这个声明？）

3.3 SEO残留检测器

检测页面中存在但在GEO中有害的SEO习惯：

3.4 GEO评分计算器

输入：
  技术可访问性评分: ___/100
  事实准确性评分:   ___/100
  内容可引用性评分: ___/100
  结构化呈现评分:   ___/100
  实体品牌信号评分: ___/100

计算：
  技术可访问性 × 0.15 = ___
  事实准确性   × 0.25 = ___
  内容可引用性 × 0.30 = ___
  结构化呈现   × 0.15 = ___
  实体品牌信号 × 0.15 = ___
  ─────────────────────
  GEO Score = ___/100

等级判定：
  85-100 = A（AI优化完成）
  70-84  = B（基础扎实）
  50-69  = C（差距显著）
  30-49  = D（问题严重）
  0-29   = F（基础问题）

四、常见陷阱与避坑指南

五、场景适配指南

六、质量检验清单

完成GEO审计后，逐项检查：

• [ ] 审计范围明确？URL清单和业务类型已确定？
• [ ] 五个维度全部审计完成？每个维度都有独立评分？
• [ ] 事实准确性审计深入到每个统计和声明？
• [ ] 句子级可提取性测试已执行？不可提取句子已标记？
• [ ] SEO残留检测已执行？有害模式已识别？
• [ ] 综合GEO评分已计算？等级已判定？
• [ ] 优先级修复方案已生成？遵循修复优先级链？
• [ ] Quick Wins清单已生成？每个标注预期分数提升？
• [ ] 30天改进路线图已生成？
• [ ] 修复方案可直接执行？每个问题都有具体修复建议？

七、执行原则

1. 句子先于页面：永远从句子级审计开始。页面级评分是汇总，句子级诊断才是行动指南。
2. 准确性先于一切：信任毒药效应决定了事实准确性必须最先修复。一个错误事实的杀伤力大于十个结构问题。
3. 可引用性是引擎：技术可访问性是门槛，结构化数据是加速器，但可引用性是驱动AI引用的核心引擎。
4. 诊断先于分数：分数告诉你结果，诊断告诉你行动。永远先输出问题清单，再输出综合分数。
5. SEO是历史，GEO是未来：你最深的SEO习惯可能是你最大的GEO障碍。用SEO残留检测器定期清理。
6. 修复有顺序：严格遵守修复优先级链——准确性 > 可引用性 > 技术 > 结构 > 品牌。跳过顺序等于浪费资源。
7. 迭代是常态：GEO不是一次性工程。AI引擎的偏好在演化，内容在过时，竞争对手在更新。60-90天周期复查是底线。