答案引擎优化

aeo
分类商业
作者Alireza Rezvani
许可MIT
评分4.50/5
使用8.5K

答案引擎优化 (AEO)

让您的内容被 ChatGPT, Perplexity, Claude, Gemini 和 Mistral 作为权威来源引用。

AEO 是一种针对 LLM 生成响应中的引用而优化内容的实践 —— 它与优化搜索排名的 SEO 不同。本技能可用于审计、优化和追踪 AEO 表现。

与 SEO 的区别

| | SEO | AEO |
|---|---|---|
| 优化目标 | 点击率排名 | 被作为权威来源引用 |
| 受众 | 浏览搜索结果的人类 | 回答问题的 LLM |
| 成功指标 | 排名第 1-10 位，自然流量 | 在各 LLM 中的引用次数 |
| 关键信号 | 反向链接、关键词、页面速度 | E-E-A-T、结构化数据、事实密度 |
| 更新周期 | 数周至数月 | 数日至数周（LLM 训练周期） |

两者可以共存 —— 同一份内容既可以在 Google 上排名第一，也可以被 Perplexity 引用。但技术手段不同：SEO 奖励关键词密度 + 反向链接；AEO 奖励一手来源信号 + 结构化事实。

适用场景

  • 为 AI 优先的受众规划新内容
  • 在 AI Overview 推出前，审计现有内容的 E-E-A-T 缺失项
  • 追踪哪些页面被哪些 LLM 引用（引用账本）
  • 研究 LLM 会为哪些查询引用来源（对比其基于训练数据的直接回答）
  • 与竞争对手的引用率进行基准对比
  • 构建与传统 SEO 协同的长期 AEO 策略

不适用场景

  • 纯粹追求点击率且无 LLM 引用意图的 SEO —— 请使用 marketing-skill/skills/seo-audit
  • 不含事实主张的品牌调性内容 —— 引用需要有可引用的事实
  • LLM 已有强大训练信号的主题（如小学数学） —— 引用带来的提升极小
  • 时效性极强的内容（突发新闻） —— 由于 LLM 训练滞后，引用可能在数月后才会出现

核心能力

1. 内容审计 + E-E-A-T 评分

审计工具 (aeo_audit.py) 从 4 个维度对内容进行评分：

  • 经验 (Experience)：第一人称证据、带日期的示例、案例研究、“我们在 2026 年运行了 X”等主张
  • 专业性 (Expertise)：作者简介、资质证明、同行评审来源的引用、技术深度
  • 权威性 (Authoritativeness)：来自权威域名的外部反向链接、schema.org 标记、结构化数据
  • 可信度 (Trustworthiness)：HTTPS、联系信息、透明的更正记录、事实密度（每 1000 字的可验证主张数量）

提供 0-100 的综合评分及各维度明细。输出：包含具体修复建议的 Markdown 报告。

2. 内容优化

优化工具 (aeo_optimizer.py) 生成 AEO 增强版本：

  • 结构重写 —— 优化 H2/H3 层级以方便 LLM 解析
  • 引用密度提升 —— ad
  • 使用 [1] 风格的引用并标注来源
  • Schema 注入 — 为 FAQ、HowTo、Article 等 Schema 生成 JSON-LD
  • 事实优先导语 — 将可验证的陈述移至前 200 字内

三种模式：conservative（修改词数 <10%）、balanced（修改词数 <30%）、aggressive（为最大化 AEO 而重写）。

3. 引用追踪

追踪器 (citation_tracker.py) 维护一个本地引用账本：

  • 手动录入：粘贴在 ChatGPT/Perplexity/Claude/Gemini 输出中发现的引用
  • 追踪 URL、LLM、查询词及日期
  • 计算单页引用数、引用速度、LLM 覆盖率
  • 导出为 CSV 用于报告

存储在 ~/.aeo-data/citations.json（本地存储，无遥测）。

参考资料

  • references/aeo_eeat_canon.md — E-E-A-T 方法论、行业阈值、反面模式
  • references/llm_citation_patterns.md — 各 LLM 的引用选择启发式算法（Perplexity, ChatGPT, Claude, Gemini, Mistral）
  • references/aeo_vs_seo.md — 何时投资 AEO vs SEO 或两者兼顾
  • references/bot_access_and_monitoring.md — AI 爬虫 robots.txt 矩阵（前提检查：被拦截的机器人会导致该平台引用为零）、Google Search Console AI Overviews 监控、手动测试协议、引用下降诊断（合并自原 ai-seo 技能）
  • references/extractable_content_patterns.md — 7 种可直接复制的内容块模板（定义、步骤、表格、FAQ、归属统计数据、专家引用、摘要框），这些模板能被答案引擎可靠地提取（合并自原 ai-seo 技能）

工作流

code
0. 预检：机器人访问权限
   根据 references/bot_access_and_monitoring.md 中的爬虫矩阵检查 robots.txt
   → 修复被拦截的 GPTBot/PerplexityBot/ClaudeBot/Google-Extended 永远是首要任务

1. 审计现有内容
   $ python3 scripts/aeo_audit.py --url https://example.com/blog/post
   → 生成包含综合评分 + 4 维度细分的 Markdown 报告


2. 应用优化建议
   $ python3 scripts/aeo_optimizer.py --input post.md --mode balanced --output post-aeo.md
   → 生成包含引用 + Schema + 结构修复的优化版本


3. 发布 + 监控
   $ python3 scripts/citation_tracker.py --action add --url https://example.com/blog/post \
       --llm perplexity --query "what is AEO" --date 2026-05-17
   → 向本地 citations.json 账本添加条目


4. 报告
   $ python3 scripts/citation_tracker.py --action report --url https://example.com/blog/post
   → 单页引用统计：数量、LLM、查询词、速度

配置

该技能通过单次运行的 --industry 标志实现行业感知。支持：saas, healthcare, finance, legal, ecommerce, b2b, media, education。

行业影响因素：

  • 权威信号要求 — 医疗/金融需要更严格的来源引用

  • 事实核查严谨度 — 法律/医疗会将不可验证的陈述标记为关键问题

  • 引用风格 — 学术 vs 行业期刊 vs 博客惯例

示例：

bash
python3 scripts/aeo_audit.py --url <url> --industry healthcare
→ 更严格的 E-E-A-T 阈值；标记任何缺乏原始引用的健康陈述

输出格式

Markdown 审计报告（默认）

markdown
# AEO 审计报告 — [页面标题]

URL: https://example.com/blog/post
日期: 2026-05-17
行业: saas
综合评分: 72/100 (B+)


维度细分


| 维度 | 分数 | 结论 |
|---|---|---|
| 经验 (Experience) | 80/100 | 强 — 包含第一人称案例研究 |
| 专业度 (Expertise) | 65/100 | 作者简介缺少资质证明 |
| 权威度 (Author... | ... | ... |

权威性 | 75/100 | 4 个来自权威域名的反向链接 |
| 可信度 | 68/100 | 未链接至更正政策 |

前三大修复方案

1. 添加包含资历的作者简介 (专业度 +15)
2. 在页脚链接至更正政策 (可信度 +12)
3. 为 H2 标题中隐含的 5 个问题注入 FAQ Schema (权威性 +8)

所有建议

[...]

审计追踪

[分析步骤计数(3)、引用来源、耗时]
code
### 用于流水线的 JSON
bash python3 scripts/aeo_audit.py --url <url> --output json ``

返回完整的结构化数据，用于集成到内容管理工作流中。

特定行业的 E-E-A-T 阈值

| 行业 | 最低综合分 | 关键信号 |
|---|---|---|
| 医疗保健 | 85 | 医学审核员署名、同行评审引用、FDA 披露 |
| 金融 | 85 | 作者 CFA/CPA 资历、“非投资建议”免责声明、带日期的示例 |
| 法律 | 85 | 披露管辖区、律师简介、“非法律建议”免责声明 |
| SaaS | 70 | 产品经理署名、带有指标的案例研究、ROI 计算器 |
| 电子商务 | 65 | 聚合产品评论、退货政策、schema.org Product 标记 |
| B2B | 70 | 行业分析师引用、客户 Logo、ROI 数据 |
| 媒体 | 70 | 编辑政策、事实核查链接、原创报道 |
| 教育 | 75 | 讲师简介、学习成果、相关认证（如适用） |

舍弃的反模式

  • 针对 AI 的关键词堆砌 —— LLM 已能通过语义提取主题；关键词密度无法提高被引用的概率
  • 无人工审核的纯 AI 生成内容 —— 通用的 LLM 输出会被寻求独特信号的 RAG 检索算法降低优先级
  • 引用农场 / 链接轮 —— 现代 LLM RAG 会惩罚低权威的链接网络
  • Schema 垃圾信息 —— 虚假或无法验证的 schema.org 声明会被过滤；仅对真实、可验证的声明进行标记
  • 牺牲其他 LLM 仅优化单一 LLM —— 由于主要 LLM 共享训练数据源，其引用分布高度相关；应优化共享信号 (E-E-A-T) 而非针对单个 LLM 的技巧
  • 完全忽略 SEO —— AEO 引用通常源自已经在自然搜索中排名较高的来源；AEO 和 SEO 是互补关系而非替代关系

依赖项

  • 所有 3 个脚本均仅依赖标准库 (stdlib-only) —— 无需 pip install
  • 可选：如果使用 --url 模式，需安装 requests + beautifulsoup4（否则可通过 --input 传递 markdown 进行基于文件的审计）
  • 可选：query_research 模式需要任何 LLM API 密钥（目前仅为脚手架 —— 全面的 LLM 驱动查询研究在路线图中）

存储

所有数据优先本地存储：

  • ~/.aeo-data/citations.json —— 引用账本

  • ~/.aeo-data/patterns.json —— 成功模式库

  • ~/.aeo-data/audits/<hash>.md —— 保存的审计报告

无遥测。无云同步。可随时通过 citation_tracker.py --action export 导出为 CSV。

触发词

  • "AEO audit", "AEO check"
  • "optimize for ChatGPT / Perplexity / Claude / Gemini"
  • "get cited by [LLM]"
  • "LLM citation strategy"
  • "answer engine optimization"
  • "content for AI search"
  • "E-E-A-T audit"
  • "track AI citations"
  • "schema for AI"

相关技能

  • marketing-skill/skills/seo-audit —— 传统的点击率 SEO
  • marketing-skill/skills/programmatic-seo —— 基于模板的大规模 SEO
  • marketing-skill/skills/content-strategy —— 更广泛的内容规划
  • marketing-skill/skills/copywriting —— 语气 + 调性
  • marketing-skill/skills/schema-markup —— 结构化数据实现
实现

---

版本： 2.7.3
来源： 移植自 alirezarezvani/aeo-box（answer-engine-optimization/` 技能，共 9 个模块，2,464 行代码）。根据 claude-skills 规范，本次移植将原 9 模块 Python 工具包精简为 3 个标准库 CLI 工具；完整保留了 E-E-A-T 评分方法、引用追踪架构以及行业基准阈值。
许可证： MIT（与上游及本仓库一致）。