288 篇实测：GEO 结构对 AI 引用没有预测力

定义块、FAQ、自指 canonical、文末参考来源，这一整套结构是我们发布流水线的强制项。288 篇英文文章每篇都有，所以它无法解释哪一篇会被 AI 引擎引用。把一个常量当成变量，是当下 GEO 采购里最贵的一类错误。

一次没有设计过的对照实验

这套结构不是为实验加的，是为了让 AI 引擎能正确抽取内容：每篇文章都被强制加上 1 到 3 条声明式定义、5 条 FAQ、自指 canonical 与参考来源。结果是，行业里被称为「GEO 骨架」的这些特征，在我们自己的语料里变成了常量。

30 天窗口内，从 AI 引擎域（chatgpt.com、copilot.com、gemini 等）进入站点的会话共 17 个，落在 11 篇英文文章上。把被引用的 11 篇与其余 277 篇按中位数逐项对照：

• FAQ 对数：5 对 vs 5 对
• 定义块条数：3 条 vs 2 条
• H2 章节数：6 vs 6
• 含数字的段落数：13 vs 11
• 每千词数字密度：12.69 vs 10.67
• 自指 canonical 与参考来源：100% vs 100%

差距小到不构成信号。换一个方向再验证一次：把全站文章按「每千词数字密度」排序取前 30 篇，其中命中被引用文章的比例是 3.3%，而全站基准是 3.8%，lift 0.87 倍。数字密度在这批数据里没有预测力。

外部研究为什么看起来是相反的

行业里的乐观数字大多来自同一种实验设计：在一批内容上新增某个特征，再比较新增前后的可见性。KDD 2024 的 GEO 论文是这个范式的起点，它报告加入统计数字、引用与引语可以把可见性提升最多 40%。口径需要看清，论文测的是 AI 回答内部的可见性份额，不是真实的引荐会话或点击。

两个结论可以同时成立，前提是分清特征的两个阶段：特征在缺失时有效，在普及之后失去区分度。当站点里每篇文章都有 FAQ、定义块和参考来源，这些特征描述的是基线，不是胜出者。

独立的抓取数据指向同一方向。Ahrefs 对 13.7 万个域名的服务器日志分析显示，2026 年 5 月有 97% 的 llms.txt 文件收到零请求，在真正到达的请求里 AI 检索类爬虫只占约 1.1%；Google 在 2026 年 6 月更新 AI 优化指南时明确，llms.txt 对搜索排名与 AI Overviews 没有影响。

对买方而言，可执行的读法只有一条：GEO 骨架解决抽不到，不解决被选中。前者是防止定义句与关键数字被错误解析的合规项，后者由别的机制决定。

引用实际落在哪些页面

17 个会话里有 41% 集中在两类页面：agent 部署的总拥有成本，以及企业 agent 平台的横向评估。其余散布在新闻与治理解释型文章上，每页 0 到 1 次。

外部分析给出同一方向。Previsible 对 677 万个 LLM 引荐会话的统计显示，ChatGPT 占可追踪 AI 引荐流量的 92.4%，而它送出的流量里有 28.8% 落在站内搜索页，因为它认得域名、认不出具体页面。Similarweb 的数据显示，美国 ChatGPT 会话中出现引用的比例从 2025 年 6 月的约 1.6% 升到 2026 年 5 月的约 6.8%，但专业服务类目低于 4%，旅游与汽车这类可比性强的类目在 20% 以上。

两条信息合起来说明：引擎的引用偏好与问题是否可比较、答案是否可核对高度相关。买方会直接拿去问 AI 的问题，大多属于这一类。

我们的判断：结构按合规项维护，投入压在可比较的问题上

三条可以落地的做法：

1. 结构按合规项维护。它的价值是确保定义句与关键数字能被正确抽取。这一项已经做到，继续加码没有边际收益，不值得单独立预算。
2. 内容投入压到可比较的量化问题上。成本、TCO、平台横向对比、迁移路径，这些是买方会直接问 AI 的问题。判据不是产了多少篇，而是这一簇页面在 30 天与 90 天窗口内新增的 AI 引用会话数。
3. 先建口径，再谈优化。我们的需求侧基线是 30 天 17 个 AI 会话，这个量级下对单篇做投入或放弃的决策在统计上没有意义，至少需要 90 天窗口。没有按页面统计 AI 会话的口径，任何 GEO 供应商的承诺都无法被证伪。

留给买家的一个问题

你为 GEO 付的钱，买的是结构合规还是引用增量？如果是后者，先回答一个问题：你现在能不能按页面数出 AI 引擎带来的会话？数不出来，验收就只能用供应商自己报的数。

参考来源: 本公司站点分析（Umami 只读，30 天窗口，会话级去重；17 个 AI 引用会话、11 篇命中页面、全站 288 篇 GEO 特征逐项中位数对照均由站内脚本产出），analytics.oometa.ai/websites/63b11a98-578c-4e9a-abfe-199fdd684dde｜站内被引用样本页，oometa.ai/en/insights/ai-agent-tco-enterprise-deployment-2026 · oometa.ai/en/insights/enterprise-ai-agent-platform-evaluation-2026｜Aggarwal et al. 《GEO: Generative Engine Optimization》（KDD 2024；可见性提升 40% 为论文口径，测 AI 回答内部份额），arxiv.org/abs/2311.09735（curl HTTP 200）｜Search Engine Journal 报道 Ahrefs 日志分析（13.7 万域名，97% 的 llms.txt 零请求，AI 检索类爬虫占请求量约 1.1%，2026 年 5 月），searchenginejournal.com/97-of-llms-txt-files-got-no-requests-ahrefs-data-shows/579478（curl HTTP 200）｜Google AI 优化指南更新报道（2026-06-15 明确 llms.txt 对排名与 AI Overviews 无影响；二手报道，非 Google 原文），digitalapplied.com/blog/google-llms-txt-no-seo-value-lighthouse-audit-2026（curl HTTP 200）｜Previsible 2026 AI Traffic Report（677 万 LLM 引荐会话；ChatGPT 占 92.4%，28.8% 落在站内搜索页），previsible.com/seo-strategy/ai-traffic-report-july-2026（curl HTTP 200）｜Similarweb AI Search Stats 2026（美国 ChatGPT 引用出现率约 1.6% 到 6.8%；专业服务低于 4%），aisearch.similarweb.com/blog/gen-ai-stats（curl HTTP 200）。站内数据样本量有限（30 天 17 个会话），结论限于区分度判断，不用于单页决策。