计算机体系结构优化

cs-aeo
分类通用
作者Alireza Rezvani
许可MIT
评分4.80/5
使用9.9K

/cs:aeo — 回答引擎优化 (Answer Engine Optimization)

命令： /cs:aeo [action] [args]

cs-aeo 命令是 AEO 工作流的入口：审计 $\rightarrow$ 优化 $\rightarrow$ 发布 $\rightarrow$ 追踪引用。

与 /cs:seo-audit 的区别

两者虽然都基于 E-E-A-T 基础，但优化的转化目标不同：

  • /cs:seo-audit — 优化在 Google/Bing 搜索结果中的排名和点击率 (CTR)
  • /cs:aeo (本命令) — 优化被 LLM 引用为权威来源的概率

两者可针对同一内容运行。cs-aeo 代理会提示此情况，并建议对高价值页面同时运行两者。

适用场景

  • 审计现有内容是否具备 AI 搜索就绪度（E-E-A-T + 结构信号）
  • 在发布前优化页面以提高 LLM 引用率
  • 长期追踪哪些 LLM 引用了哪些页面（引用账本）
  • 研究针对特定内容投入 AEO 是否值得
  • 对标竞争对手的引用率

不适用场景

  • 纯粹追求点击率且无 AI 引用意图的 SEO $\rightarrow$ 请使用 /cs:seo-audit
  • 无事实主张的品牌调性内容（引用需要基于事实）
  • 时效性极强的新闻（LLM 训练延迟意味着引用可能在数月后才出现）
  • LLM 已有强大训练数据的领域（例如：小学数学）

操作指令 (Actions)

audit — 评估内容的 AEO 就绪得分

bash
/cs:aeo audit --input post.md --industry saas
/cs:aeo audit --url https://example.com/blog/post --industry healthcare
/cs:aeo audit --sample

返回 0-100 的综合得分，包含各维度细分（E-E-A-T + 结构）以及按优先级排列的前 5 项修复建议。

optimize — 生成 AEO 优化版本

bash
/cs:aeo optimize --input post.md --mode balanced --output post-aeo.md
/cs:aeo optimize --input post.md --mode aggressive --industry finance

三种模式：

  • conservative (保守) — 修改量 <10%（仅限 Schema 标记 + 脚注修正）

  • balanced (平衡) — 修改量 <30%（引用标记 + 标题重构 + Schema + 脚注）

  • aggressive (激进) — 全面重构 + 事实优先的导语 + 最大化引用密度

track — 记录在 LLM 回答中观察到的引用

bash
/cs:aeo track --url https://example.com/post --llm perplexity --query "what is AEO" --date 2026-05-17

在本地 ~/.aeo-data/citations.json 维护账本。无遥测数据上传。

report — 生成特定 URL 的汇总引用报告

bash
/cs:aeo report --url https://example.com/post

返回总引用数、LLM 覆盖率、增长速度、热门查询及判定结果（EARLY / EMERGING / STRONG）。

export — 将引用账本导出为 CSV

bash
/cs:aeo export --output citations.csv

用于向客户或利益相关者汇报。

最小化信息采集 (3 个问题)

| 问题 | 询问内容 | 触发时机 |
|---|---|---|
| Q1 | 执行什么操作 — audit / optimize / track / report? | 始终 |
| Q2 | 行业 (saas / healthcare / finance / legal / ecommerce / b2b / media / education) | 始终 (用于校准阈值) |
| Q3 | 针对 optimize：选择模式 (conservative / balanced / aggressive)? | 仅当 action=optimize 时 |

大多数调用在 Q2 后即可结束采集。

工作流

bash
# 阶段 1：审计
python3 marketing-skill/skills/aeo/scripts/aeo_audit.py --input <file> --industry <industry>

→ 综合评分 0-100 + 重点修复项


阶段 2：优化（若审计分数 < 行业阈值）

python3 marketing-skill/skills/aeo/scripts/aeo_optimizer.py \
  --input <file> --mode <mode> --industry <industry> --output <file>-aeo.md

→ 优化版本 + 变更日志


阶段 3：发布（手动步骤 —— 审核优化版本后部署）


阶段 4：追踪（持续 4-12 周）

python3 marketing-skill/skills/aeo/scripts/citation_tracker.py \
  --action add --url <url> --llm <llm> --query <query> --date <YYYY-MM-DD>

→ 更新账本


阶段 5：报告（每月）

python3 marketing-skill/skills/aeo/scripts/citation_tracker.py \
  --action report --url <url>

→ 单个 URL 的引用报告

行业特定阈值

审计工具会根据行业进行校准。YMYL（“Your Money or Your Life”，关乎金钱或生命）类话题采用更严格的阈值：

| 行业 | 最低综合分 | 原因 |
|---|---|---|
| 医疗保健 | 85 | 直接影响健康 |
| 金融 | 85 | 涉及实际财务决策 |
| 法律 | 85 | 误用可能导致法律风险 |
| 教育 | 75 | 影响学习成果 |
| SaaS, B2B, 媒体 | 70 | 商业决策，风险中等 |
| 电子商务 | 65 | 产品评论，个人风险较低 |

对于 YMYL 话题，若评分低于阈值，无论其他信号如何，都很难被引用 —— cs-aeo 代理将标记此情况，并在基础维度提升之前拒绝进行激进优化。

拒绝的反模式

  • 未经人工审核的 LLM 生成 AEO 内容（RAG 检索会降低通用 LLM 输出的优先级）
  • 作者署名中伪造凭据（LLM 会通过 LinkedIn/Wikipedia 进行交叉验证）
  • Schema 垃圾信息（虚假的结构化数据标记会被过滤）
  • 权威性洗白（仅靠外链无法赋予权威性）
  • 针对单一 LLM 的优化盲区（跨 LLM 引用相关性高达 73% —— 应针对共有信号进行优化）
  • 以牺牲 SEO 为代价优化 AEO（反之亦然） —— 两者是互补而非替代关系

触发词

  • "AEO audit" (AEO 审计)
  • "optimize for ChatGPT / Perplexity / Claude / Gemini" (针对 ... 优化)
  • "get cited by [LLM]" (被 [LLM] 引用)
  • "LLM citation strategy" (LLM 引用策略)
  • "answer engine optimization" (答案引擎优化)
  • "E-E-A-T audit" (E-E-A-T 审计)
  • "content for AI search" (AI 搜索内容)
  • "track AI citations" (追踪 AI 引用)
  • "schema for AI" (AI 结构化数据)

相关资源

  • 配套：/cs:seo-audit (SEO + AEO 通常同步运行)

---

版本： 2.7.3
许可证： MIT