一个做B2B工业品的朋友上个月跟我说,他的内容被AI搜索引用了,但引用出来的信息是错的。AI说他公司成立于2015年,实际是2012年。AI说他的产品覆盖八个行业,实际是十二个。他去查AI的信源,发现AI引用的是他站里的一篇旧文章,那篇文章里提到的数字是早期的,后来更新过但旧页面没删。AI把旧页面当成了最新信源。
这件事暴露的问题,不是AI笨,是他的结构化数据没做好。AI在解析他的页面时,找不到明确的企业信息标记,只能从正文里猜。正文里有新数字有旧数字,AI不知道哪个是当前有效的,就抓了它最先解析到的那个。如果他把企业信息用Organization标记写清楚,把成立时间、行业覆盖、产品范围都结构化地标出来,AI就不会去正文里猜,它会直接读结构化数据。读到的就是准确的。
Schema.org的结构化数据,在GEO里的作用,跟SEO里完全不一样。SEO里,结构化数据是为了拿富摘要,提升点击率。GEO里,结构化数据是为了让AI直接理解你的内容实体,不需要解析全文。AI搜索的爬虫在解析页面时,优先读结构化数据,因为结构化数据是机器可读的,解析成本低,准确率高。你标了,它直接读。你没标,它得从HTML里猜。猜就有误差。
今天把GEO场景下最值得做的几类Schema标记,从代码到验证,全部拆开讲。
先讲Organization标记,这是GEO的基础。
AI搜索在判断一个站点可不可信时,第一件事是识别这个站点属于哪个组织。你的Organization标记,就是告诉AI:这个站背后是谁,这个组织是干什么的,联系方式是什么,在哪些平台有官方账号。这个标记做不好,AI对你的信任基线就是模糊的。
{
"@context": "https://schema.org",
"@type": "Organization",
"name": "公司全称",
"alternateName": "品牌简称",
"url": "https://example.com",
"logo": "https://example.com/logo.png",
"foundingDate": "2012-03-15",
"description": "一句话描述公司业务,控制在150字以内",
"address": {
"@type": "PostalAddress",
"streetAddress": "详细地址",
"addressLocality": "城市",
"addressRegion": "省份",
"postalCode": "邮编",
"addressCountry": "CN"
},
"contactPoint": {
"@type": "ContactPoint",
"telephone": "电话",
"contactType": "customer service",
"availableLanguage": ["Chinese", "English"]
},
"sameAs": [
"https://weibo.com/账号",
"https://www.linkedin.com/company/账号",
"https://github.com/账号"
]
}
这段代码里,有几个字段是大多数人忽略的。foundingDate,成立时间。AI在回答“XX公司什么时候成立的”这类问题时,会直接读这个字段。你不标,它就从正文里猜,猜错的风险很高。alternateName,品牌简称。用户搜品牌简称的时候,AI需要知道这个简称对应哪个全称,alternateName就是做这个映射的。sameAs,跨平台关联。AI在验证你的可信度时,会顺着sameAs去核对你在其他平台的信息。信息一致,信任度加分。信息不一致或者链接失效,信任度打折。
Organization标记放在首页,全站生效。每个页面都通过首页的标记继承组织信息。这个标记做一次,全站受益。
第二个讲Article标记,这是内容页的核心。
AI搜索引用你的内容,靠的是Article标记。它告诉AI:这个页面是一篇文章,作者是谁,什么时候发布的,什么时候更新的,主题是什么,涉及哪些实体。AI在筛选信源时,会优先选Article标记完整、信息准确的页面。
{
"@context": "https://schema.org",
"@type": "Article",
"headline": "文章标题,控制在110字符以内",
"description": "文章摘要,控制在160字符以内",
"author": {
"@type": "Person",
"name": "作者名",
"url": "https://example.com/author/作者页",
"jobTitle": "作者职位",
"sameAs": ["https://平台.com/作者账号"]
},
"publisher": {
"@type": "Organization",
"name": "发布机构",
"logo": {
"@type": "ImageObject",
"url": "https://example.com/logo.png"
}
},
"datePublished": "2025-01-15",
"dateModified": "2025-06-20",
"mainEntityOfPage": {
"@type": "WebPage",
"@id": "https://example.com/article-url"
},
"about": {
"@type": "Thing",
"name": "文章核心主题"
},
"mentions": [
{"@type": "Organization", "name": "文中提到的组织"},
{"@type": "Product", "name": "文中提到的产品"}
]
}
这段代码里,dateModified是GEO的关键字段。AI搜索对时效性敏感,它会优先引用近期更新的内容。你更新了内容但没改dateModified,AI不知道你更新了,还是按旧内容对待。你更新了内容同步改了dateModified,AI读到这个字段,判断你的内容是最新的,引用优先级提高。
about和mentions是GEO特有的字段,SEO里用得少。about标记这篇文章的核心实体,mentions标记文章里提到的其他实体。AI在回答问题时,会拿用户问题里的实体去匹配你的about和mentions。匹配上了,你就进了引用候选池。这两个字段不标,AI得从全文里提取实体,提取成本高,准确率低。标了,AI直接读,匹配效率高一个量级。
author字段里的sameAs,也值得单独说。AI在判断一个作者可不可信时,会顺着sameAs去看这个作者在其他平台的身份。你在多个平台有统一的作者身份,AI的信任评分就高。你只有一个孤立的作者名,没有跨平台验证,AI的信任评分就低。这个细节,大多数人没做。
第三个讲FAQPage标记,这是AI引用的富矿。
AI搜索最擅长回答的,就是具体问题。你的页面里有问答对,用FAQPage标记标出来,AI在回答相关问题时,会优先引用你的问答对。因为问答对是现成的答案片段,AI不需要再拆解重组,直接拿来用就行。
{
"@context": "https://schema.org",
"@type": "FAQPage",
"mainEntity": [
{
"@type": "Question",
"name": "用户会问的具体问题",
"acceptedAnswer": {
"@type": "Answer",
"text": "答案内容,控制在200字以内,直接回答问题,不要铺垫",
"author": {
"@type": "Person",
"name": "回答者姓名"
}
}
},
{
"@type": "Question",
"name": "第二个问题",
"acceptedAnswer": {
"@type": "Answer",
"text": "第二个答案"
}
}
]
}
FAQPage标记的关键,不是数量,是质量。你标十个敷衍的问答对,不如标三个精准的问答对。AI在筛选时,看的是答案的信息密度和准确度。答案空洞,标了也不引用。答案具体,标了就进候选池。
一个问题对应一个Answer,Answer的text字段要控制在200字以内。太长了,AI拆解成本高。太短了,信息不够。200字左右,既能把问题说清楚,又便于AI提取。这个长度,是实操中验证过的甜点区。
第四个讲BreadcrumbList标记,这是站点结构的说明书。
AI搜索在判断一个页面的权威性时,会看这个页面在站点里的位置。首页下面的一级栏目页,权威性高于三级页。三级页下面的文章页,权威性最低。BreadcrumbList标记就是告诉AI:这个页面在站点结构里的位置是什么。
{
"@context": "https://schema.org",
"@type": "BreadcrumbList",
"itemListElement": [
{
"@type": "ListItem",
"position": 1,
"name": "首页",
"item": "https://example.com"
},
{
"@type": "ListItem",
"position": 2,
"name": "一级栏目",
"item": "https://example.com/category"
},
{
"@type": "ListItem",
"position": 3,
"name": "当前页面",
"item": "https://example.com/category/article"
}
]
}
这个标记看起来简单,但它在GEO里的作用被严重低估。AI在判断一个页面值不值得引用时,会看这个页面的站点位置。位置越靠近首页,权威性越高。BreadcrumbList标记把这个位置关系明确告诉AI,AI不需要自己爬站点结构去推断。推断有误差,标记没有。
第五个讲HowTo标记,这是教程类内容的利器。
AI搜索在回答“怎么做XX”这类问题时,会优先找有HowTo标记的页面。因为HowTo标记把步骤拆好了,AI直接读步骤,不需要从正文里提取。
{
"@context": "https://schema.org",
"@type": "HowTo",
"name": "教程名称",
"description": "教程简述",
"totalTime": "PT30M",
"step": [
{
"@type": "HowToStep",
"position": 1,
"name": "步骤名称",
"text": "步骤详细说明"
},
{
"@type": "HowToStep",
"position": 2,
"name": "步骤名称",
"text": "步骤详细说明"
}
]
}
HowTo标记的核心是step字段。每个步骤要有position、name、text。position是步骤顺序,name是步骤标题,text是步骤说明。AI在回答“怎么做XX”时,会直接读step数组,按顺序生成答案。你标了,AI直接用。你没标,AI从正文里提取步骤,提取不全或者顺序错乱,答案就不准。
第六个讲Product标记,这是电商和B2B产品页的基础。
AI搜索在回答“XX产品怎么样”“XX产品多少钱”这类问题时,会优先找有Product标记的页面。Product标记告诉AI:这个产品是什么,什么价格,什么规格,用户评价如何。
{
"@context": "https://schema.org",
"@type": "Product",
"name": "产品名称",
"description": "产品描述",
"brand": {
"@type": "Brand",
"name": "品牌名"
},
"sku": "产品编号",
"offers": {
"@type": "Offer",
"price": "价格",
"priceCurrency": "CNY",
"availability": "https://schema.org/InStock",
"url": "https://example.com/product"
},
"aggregateRating": {
"@type": "AggregateRating",
"ratingValue": "4.5",
"reviewCount": "120"
}
}
Product标记里,offers字段的price和availability是AI最常读的。用户问“XX多少钱”“XX有没有货”,AI直接读这两个字段。你不标,AI从正文里猜,猜错的风险很高。aggregateRating字段,AI在回答“XX好不好”时,会读这个字段。评分高,AI倾向于正面回答。评分低,AI倾向于提醒用户注意。这个字段的准确性,直接影响AI的回答方向。
现在讲验证方法。
你标了结构化数据,怎么知道AI读到了?三个验证工具。
第一个,Google的富媒体搜索结果测试。输入URL,它告诉你哪些标记被识别了,哪些有错误。这个工具虽然叫Google的,但它的验证逻辑是Schema.org标准的,百度必应也认。
第二个,Schema.org的官方验证器。输入URL或者代码片段,它检查你的标记是否符合Schema.org的规范。规范不合规,AI解析不了。
第三个,也是最直接的,看AI搜索的实际引用。你在AI搜索里搜你的品牌词、你的产品词,看AI答案里有没有引用你的页面。有引用,说明标记生效了。没引用,去查标记有没有错误,内容质量够不够,实体关联强不强。
有一个细节,大多数人不知道:结构化数据不是标了就生效。AI搜索爬虫需要重新抓取你的页面,才能读到新标记。抓取有周期,短则几天,长则几周。你标完之后,去搜索资源平台提交URL,加速抓取。不提交,等爬虫自己来,周期长。
还有一个更深的点:结构化数据之间要有关联。
你标了Organization,标了Article,标了BreadcrumbList,这三个标记之间要互相引用。Article里的publisher指向Organization的@id,BreadcrumbList里的item指向Article的URL,Organization里的url指向首页。这些关联让AI能构建一个完整的实体图谱。图谱完整,AI对你的理解就深,引用你的概率就高。图谱断裂,AI只能看到零散的标记,理解不了整体,引用意愿就低。
{
"@context": "https://schema.org",
"@type": "Organization",
"@id": "https://example.com/#organization",
"name": "公司名",
"url": "https://example.com"
}
注意这个@id字段。给Organization一个唯一的@id,其他标记引用这个@id,AI就知道这些标记说的是同一个实体。没有@id,AI需要靠name字段去匹配,匹配有误差。有@id,匹配是精确的。这个细节,是结构化数据从入门到进阶的分水岭。
最后说一个认知层面的东西。
Schema.org的结构化数据,在SEO时代是一个加分项,做不做区别不大。在GEO时代,它是一个基础设施,不做AI读不懂你。AI搜索的爬虫没有搜索引擎爬虫那么大的算力预算,它不会花大量时间去解析你的全文,推断你的内容主题。它优先读结构化数据,读到了就用,读不到就跳过。你的页面如果结构化数据做得差,AI跳过你的概率就高。
这个转变,跟移动端适配的历史很像。早年移动端适配也是加分项,后来变成前提。不做,排名直接压。结构化数据正在走同一条路。现在做,还有先发优势。等它变成前提了,你做不做都得做,但先做的已经积累了AI的信任分。
那个B2B的朋友后来把Organization标记补全了,Article标记里的dateModified同步了,旧页面加了301跳转到新页面。一个月后他去看AI搜索的引用,AI引用的信息准确了,成立时间、行业覆盖、产品范围全对上了。他说,以前以为结构化数据是给搜索引擎看的,现在发现是给AI看的。给AI看的东西,得比给搜索引擎看的更精确,因为AI不会猜,它只读你标的东西。你标错了,它就信错了。
这句话点到了本质。结构化数据是你跟AI的对话。你标什么,AI读什么。你标得准,AI答得准。你标得糊,AI答得糊。GEO时代的竞争,有一半在结构化数据的精确度上。你把这块做扎实了,AI引用你的概率,比不做的人高一个量级。这个差距,现在还能靠执行力拉开。等大家都做了,差距就靠细节了。细节的差距,才是真正的护城河。