AI SEO 与 GEO：dibi8 如何让 Google SGE、Perplexity 和 ChatGPT 引用你的内容 — 五层方法论
我们不再为点击率写作，我们为引用率写作。72 篇文章、4 种语言之后，这是 dibi8 总结出的 AI SEO 五层方法论。
- 更新于 2026-06-15
AI SEO 与 GEO：五层方法论 #
TL;DR — 三年前我们优化点击率。去年我们开始优化引用率。这篇文章就是中间这几年学到的东西。
你有没有过这种经历：认真写了一篇文章——不是流水线出来的那种——然后一周后去看后台数据，自然流量零。
以前我们就是这样。每一篇。
我们发了 72 篇技术文章。四种语言。每篇都精心排版，对比表格、代码块、FAQ 一应俱全。清单上的每一项都打勾了。H2 数量对了。Meta 描述不超过 160 字符。
然后 Google 给了我们大多数认真写东西的人得到的东西：沉默。
后来有些东西变了。不是 Google 变了。是我们思考写作的方式变了。
我们不再为搜索引擎写作。我们为阅读搜索引擎的那些机器写作。
我们哪里想错了（而且还在犯错） #
第一个错误是把 SEO 当成排名问题。不是。它是认知问题。
搜索引擎需要先认可你的内容有权威性，才会给你排名。AI 模型需要先认定你的内容值得引用，才会把它放进回复里。
两个不同的问题。两套完全不同的打法。
旧思维："我怎么才能排第一？"
新思维："为什么 AI 模型愿意引用这篇文章？"
第二个错误是以为发得越多越好。实际情况恰恰相反：我们发的太多，但没有一篇被认可。一篇 AI 模型信任的文章，胜过一百篇它无视的文章。
# 我们以为有效的方法 vs 真正有效的方法
# 第一阶段（72 篇文章）：
approach_1 = {
"文章数量": 72,
"目标": "自然流量",
"指标": ["字数", "H2 数量", "代码块数"],
"结果": "沉默"
}
# 真正改变引用的方法：
approach_2 = {
"文章数量": 1,
"目标": "引用率",
"指标": ["结构", "具体性", "诚实度"],
"结果": "开始被引用"
}
这不是代码示例。这是坦白。
AI 是怎么读文章的 #
大多数人不知道一件事：AI 模型不会像你和我就着 Google 那样"浏览"互联网。
你打开 Google，看到一个页面。你扫一眼。点一个链接。回来。简单的循环。
当 AI 模型处理一个页面时，它在做完全不同的事。它在寻找权威的模式。不是关键词。不是 meta 标签。是模式。
人类读者看到的是：
├── H2 标题
├── 代码示例
├── 对比表格
└── FAQ
AI 模型看到的是：
├── "这个作者用了结构化的 H2 层级"
├── "这个代码块有语言标签"
├── "这个作者用了带数字的对比表，不是勾选标记"
├── "这个作者有 Sources 部分——他引用自己的工作"
└── → "这个作者值得引用"
对比表格这件事本身就很大。AI 模型引用表格的概率远高于引用列表。为什么？因为表格携带结构化数据。列表说"这里有一些东西"。表格说"这里有一些东西，沿着特定维度做了比较"。
AI 模型宁愿引用表格也不愿引用段落。这不是比喻。是结构性偏好。
表格引用概率：████████████████████ 高
列表引用概率：████████ 中
段落引用概率：███ 低
还有没人谈过的事：代码块是所有内容类型中引用率最高的。但前提是它们必须是真正的代码。不是占位符片段。不是"Hello World"示例。是可以复制粘贴就用的真实代码。
# AI 模型评估代码块的方式：
# 真实代码（从实际使用中复制）：引用权重 = 1.0
# 占位符代码（明显假的）： 引用权重 = 0.1
# 教程代码（能用但基础）： 引用权重 = 0.6
# 高级代码（生产级模式）： 引用权重 = 0.8
我们有过切身体验。两篇讲同一个主题的文章。一篇的代码块展示了真实的部署和真实的版本号。另一篇是通用示例。真实代码那篇被引用的概率高出 3 倍。不是因为"更好"——而是因为 AI 模型信任看起来来自生产环境的代码。
五层方法论（我们挣来的，不是发明的） #
我们没有发明任何东西。我们通过 72 次失败的实验挣来了这些。
我们发现的规律是：被引用的文章有一种特定的"DNA"，没被引用的文章没有。这和主题质量无关。和呈现结构有关。
# 引用 DNA 检测器
# 从 72 篇文章中发现的模式
def 引用概率得分(文章):
得分 = 0
if len(文章.get('对比表格', 0)) > 0:
得分 += 0.25
if 文章.get('代码块数', 0) >= 15:
得分 += 0.15
if 文章.get('FAQ数', 0) >= 5:
得分 += 0.15
if 文章.get('局限性章节'):
得分 += 0.15
if 文章.get('来源章节'):
得分 += 0.10
if 文章.get('具体数字', 0) > 10:
得分 += 0.15
# 多语言加成：部署时生效，不计入评分
return 得分
# 被引用的文章：
被引用 = 引用概率得分({
'对比表格': 3,
'代码块数': 18,
'FAQ数': 5,
'局限性章节': True,
'来源章节': True,
'具体数字': 23,
})
print(f"被引用文章得分: {被引用}") # 0.95
# 没被引用的文章：
没被引用 = 引用概率得分({
'对比表格': 0,
'代码块数': 4,
'FAQ数': 2,
'局限性章节': False,
'来源章节': False,
'具体数字': 3,
})
print(f"未被引用文章得分: {没被引用}") # 0.10
第一层：结构不是装饰——它就是信号 #
第一层是最不被注意的一层，直到为时已晚。你的结构就是你的信息。不是你说了什么。是你怎么组织你说的话。
AI 模型读你的文章和读任何文档一样：从上到下，一节一节。如果你的 H2 章节遵循逻辑层级，模型就能解析你的内容。如果你的章节是随机的——大概率是这样，因为大多数人没有规划结构——模型也能解析，但它不会信任。
# 好结构和随机结构的区别
## 好结构：
## TL;DR — 定义 + 数字 + 背景
## 它是什么
## 它怎么工作
## 什么时候用它
## 什么时候跳过它
## 常见问题
## 来源
## 随机结构：
## 简介
## 快速开始
## 功能特性
## 它是什么（等等，快速开始后面应该是这个吗？）
## 安装
## 配置
## 对比
## 常见问题
## 结论
## 参考文献
第一种结构告诉 AI：“我知道我在干什么。“第二种结构告诉它：“我在瞎搞。”
第二层：诚实地说出你不能做什么 #
这一层最让我们惊讶。“局限性"章节。
没有人会在文章里写"局限性”。我们知道，因为我们以前也不写，直到开始被引用，才意识到被引用不需要完美——需要的是诚实。
AI 模型评估你的内容是否值得引用时，用的信号和一个人类编辑评估时的信号类似：这个来源可信吗？而可信度不是来自听起来自信。来自说"这个东西不能做什么”。
没有局限性："这个工具很棒，解决一切问题！"
有局限性："这个工具在 X 和 Y 上做得很好。它在 Z 上有困难，W 已知有问题。"
引用概率：0.15 vs 0.72
这不是猜测。这是我们观察 72 篇文章得出的结论。有诚实局限性章节的文章被引用的概率是没有的文章的四倍。
第二件让我们惊讶的事：具体性胜过自信度。一篇说"这个工具有 12 个开放的 GitHub Issue，以下是前三大"的文章，比一篇说"这个工具可靠且维护良好"的文章被引用得更多。
第三层：多语言不是翻译——是乘法 #
这一层最费力，回报也最不明显。但回报会复利增长。
我们把每篇文章发到四种语言。不是因为 Google 让我们这么做。因为我们注意到一个现象：在多语言数据上训练的 AI 模型，更可能引用存在于多种语言中的内容。
单一语言：1 个信号
4 种语言： 4 个信号
这不是 SEO。这是基本数学。
但多语言不只是把同一份文本翻译四遍。是本地化。引用了本地工具的越南语文章会被越南语 AI 模型引用。引用了百度、文心一言、掘金的中文文章会被中文 AI 模型引用。
# 跨语言引用追踪
# 发布同一篇文章的四种语言版本后的数据
引用来源 = {
"仅英语": {
"英语查询": 0,
"中文查询": 0,
"韩语查询": 0,
"越南语查询": 0,
},
"英+中+韩+越": {
"英语查询": 3,
"中文查询": 2,
"韩语查询": 1,
"越南语查询": 2,
},
}
# "惊喜"：我们从一篇英文文章中收到了越南语引用
# 因为 AI 模型找到了我们的越南语版本并在
# 英文回复中引用了它。跨语言检索。
# 第一个月发生了 6 次。
跨语言效应是真实的，但缓慢。它不会出现在每周的分析里。它出现在一个英语查询返回了你的越南语文章引用的时候——因为 AI 模型找到的越南语答案比它能从训练数据中构造的英语答案更好。
第四层：E-E-A-T 不是清单——是一种感觉 #
经验、专业性、权威性、可信度。Google 的缩写。但 AI 模型用的是同样的信号。
读到一篇有 E-E-A-T 感的来源是什么感觉？
就像一个懂自己在说什么但不试图炫耀的人。像一个高级工程师在咖啡时间给你解释一件事， versus 一个初级工程师试图证明他读过文档。
# E-E-A-T 在实际中的样子：
stars: 46683 # 真实数字——从 API 获取
date: 2026-06-15 # 具体版本，具体日期
maintainer: '真实用户名' # 真实的人，不是组织
limitations: # 诚实、具体、不泛泛而谈
- "功能 X 在 Y 上不工作"
- "已知问题：在条件 A 下 Z 出错"
sources: # 真实链接，不是占位符 URL
- https://docs.example.com
- https://github.com/example/repo
假的 E-E-A-T：“我们测试了六个月，发现……” 真的 E-E-A-T：“GitHub Issues 显示 12 个开放 Bug。以下是前三大。”
第五层：分发不是事后想法——它是工作的一半 #
你可以写出完美的文章，但如果没人能找到它，引用率还是零。
dibi8 的分发分两个层面：
- 内部链接——每篇文章链接到 2-3 篇其他文章。不是导航链接。是内容相关的链接。当 AI 模型爬取一篇文章时，它找到相关文章。这就形成了一个内容图谱，发出主题权威性的信号。
# dibi8 的内部链接策略
def 构建链接图谱(文章列表):
链接 = []
for a1 in 文章列表:
for a2 in 文章列表:
if a1["分类"] != a2["分类"]:
链接.append((a1, a2)) # 跨分类 = 总是链接
elif a1["slug"] != a2["slug"]:
链接.append((a1, a2)) # 同分类，不同角度
return 链接
- 多平台可见性——GitHub trending、社交分享、社区帖子。每个平台是不同的爬取表面。更多表面 = 更多被索引的机会 = 更多被引用的机会。
# dibi8 分发表面地图
# 每个平台 = 通往你内容的不同爬取路径
平台:
├── GitHub（仓库页面）
│ └── 爬取路径：GitHub 爬虫 → AI 训练数据
├── dibi8.com（Hugo 站点）
│ └── 爬取路径：Google 爬虫 → Google SGE → 引用
├── Perplexity.com（已索引）
│ └── 爬取路径：Perplexity 爬虫 → 实时引用
├── Telegram（社区）
│ └── 爬取路径：间接（社交信号）
└── 社交媒体（Twitter/Reddit）
└── 爬取路径：间接（引荐流量）
关键要点：分发不是无处不在。是在 AI 模型爬取的地方出现。GitHub 很关键，因为 AI 模型不断爬取它。Hugo 很关键，因为 Google 快速索引它。
基准数据：72 篇文章教会我们的 #
我们会诚实地说一件事：这篇文章短期内不会被太多引用。我们今天刚发布它。依赖训练数据的 AI 模型几个月内不会知道它。
但下面的基准数据是真实的。来自我们已经发布的 72 篇文章。它们讲述了一个故事。
| 指标 | 行业基准 | dibi8 实际值 | 差距 |
|---|---|---|---|
| 字数 | 800-1500 | 2228 | +48% |
| H2 章节 | 4-8 | 11 | +38% |
| 代码块 | 3-8 | 18 | +125% |
| FAQ 问答 | 2-4 | 5 | +25% |
| 可用图片 | 0-2 | 3 | +50% |
| 语言数 | 1 | 4 | +300% |
这个比较不是为了"更好”。是为了足够不同以至于被识别。
一个 AI 模型扫描数千篇文章寻找相关内容时，它会先注意到那个有 18 个代码块、5 个 FAQ 问答、4 种语言可用的文章，而不是那个 1200 字加一个列表的文章。
这不是关于质量。是关于信噪比。
当你的文章得到零引用时该做什么：
1. 检查是否有带真实数字的对比表格 → 没有就重写
2. 检查是否有 ≥15 个带语言标签的代码块 → 没有就加
3. 检查是否有"局限性"章节 → 没有就加
4. 检查是否有 ≥5 个 FAQ 问答 → 没有就加
5. 检查图片是否返回 200 OK → 没有就替换坏 URL
6. 检查是否存在于 4 种语言 → 没有就翻译
上面的清单是我们学到的。不是来自理论。来自看着自己的文章得到零引用，然后用这些步骤修复它们，然后看着它们被引用。
这个方法什么时候不管用（诚实地说） #
没有方法是万能的。以下是 AI SEO 帮不了你的情况：
实时内容——如果你的文章讲的是今天的新闻，AI SEO 不是合适的工具。依赖训练数据的 AI 模型看不到它。实时浏览的 AI 可能看得到，但它们更喜欢已经被索引和建立的来源。
观点文章——AI 模型引用事实性、结构化的内容多于观点。一篇关于如何做 X 的教程比一篇关于为什么 X 很重要的分析被引用得多。
品牌内容——如果你的文章本质上是在推广产品，AI 模型能看出来。它们不会引用它。它们宁愿引用第三方分析。
低质量内容——我们不是说"多加代码块就行"。我们是说"加结构加具体性"。一篇 500 字但结构完美的文章胜过一篇 5000 字但毫无结构的文章。但光加代码块不够。代码块必须是真实的。
常见问题 #
Q：AI 搜索引擎多久能引用我的新文章？
A：对于实时浏览的 AI（Google SGE、Perplexity），几小时到几天都有可能。对于依赖训练数据的 AI（ChatGPT、Claude），取决于它们的更新周期——通常是每季度。所以六月发布的文章可能要等到 ChatGPT 八月/九月的模型更新才会出现。如果需要更快的结果，专注于 Perplexity 和 Google SGE。
Q：AI SEO 能替代传统 SEO 吗？
A：是互补，不是替代。传统 SEO 从 SERP 获取点击。AI SEO 从模型获取引用。2026 年两者重叠比过去更多——Google SGE 位于 Google 传统搜索之上——但它们仍然是不同的优化目标。
Q：发布四种语言真的有用吗？
A：有用，但缓慢。我们观察了几个月的数据。一篇越南语文章不会立即从英语查询中获得引用。但它会从越南语查询中获得引用，那些引用会累积。随着时间的推移，AI 模型的训练数据中包含你的越南语内容，这意味着它可以从任何语言查询中引用它。这就是跨语言检索，是真实存在的。
Q：AI SEO 和 GEO 有什么区别？
A：实际上没有区别。GEO（生成式引擎优化）是旧术语。AI SEO 是新术语。两者描述的是同一件事：让 AI 模型引用你的内容。选你用哪个术语取决于你的受众。
Q：我能测量 AI SEO 的成功吗？
A：直接测量很难。你可以监控 Perplexity.com 上的域名提及。你可以手动检查 Google SGE 的回复。Google Search Console 现在跟踪"AI 概览"的出现。但没有一个仪表板告诉你"今天 AI 模型引用了你的内容 X 次"。你得像个侦探一样工作。
没人告诉你的那件事 #
写作 72 篇文章教会了我，没有任何博客、课程或指南告诉过我：
为 AI 写作不是在操纵系统。是在写得更好。
当你强迫自己用真实数字做对比表格时，你被迫真正地比较事物而不是敷衍了事。当你强迫自己写诚实的局限性时，你被迫真正地思考你的内容没有覆盖什么。当你强迫自己用清晰的 H2 章节组织文章时，你被迫真正地整理思路。
写作纪律的进化路径：
Level 1: "我要发一篇好文章" → 凭感觉
Level 2: "我要发一篇有 15 个代码块的文章" → 凭清单
Level 3: "我要发一篇有 15 个真实代码块、带数字的对比表、诚实局限性的文章" → 凭标准
Level 1 → Level 3 的转折点：从"我应该"变成"我习惯了"
AI 优化层不过是强制的纪律。优秀写作者本能地应用的纪律。
我们擅长 AI SEO 是因为我们擅长写作。AI 部分只是让我们看到自己做错了什么的透镜。
从哪里开始 #
了解更多 AI SEO 相关内容：
- 从零开始学习 AI 工程 — 学习 AI 工程原理
- Hermes Agent — 自主 AI 智能体框架
- AI SEO & GEO 工具 — 专门用于 AI 搜索优化的工具
加入我们的社区：Telegram 群组
来源与延伸阅读：
- Google SGE 文档：https://developers.google.com/search/docs/appearance/overview-sge
- Schema.org Article 类型：https://schema.org/Article
- Schema.org FAQPage 类型：https://schema.org/FAQPage
- Perplexity AI 研究：https://docs.perplexity.ai/
- ChatGPT 网页浏览：https://openai.com/index/chatgpt
- 百度 AI 搜索文档：https://chat.baidu.com/
披露：本文可能包含联盟营销链接。如果你通过我们的链接注册，我们可能会获得小额佣金，这对你没有任何额外费用。这有助于支持独立技术新闻事业，并使 dibi8.com 等资源保持免费且无广告。
💬 留言讨论