清迈SEO见闻：怎样优化才能让Google AI Overview、ChatGPT引用你的网站？

11月的清迈，阳光依然明媚，穿着T恤走快两步还是会混汗如雨。

已经是第三次来参加清迈SEO大会，说实话，来之前我并没有太高期待。毕竟，SEO的干货在AI的冲击下越来越少——无非就是关键词研究、技术审计、外链建设这些老生常谈。我甚至在心里预演了演讲者会说什么：

“关键词密度保持在2-3%…” “标题要包含目标关键词…” “定期做技术审计…” “AI内容质量不够好…”

但当Robert Niechcial走上台，在第一张幻灯片上打出那行字时，我知道今天不一样了。

“We are fu🧠🤖ed!”

（我们完蛋了！）

台下一片笑声。但Robert的表情很严肃。

他说：“不是开玩笑。如果你还在用2020年的方式做SEO，如果你还在Excel里计算关键词密度，如果你还在祈祷Google更新不要影响你的排名… 那么，我们确实有麻烦了。”

接下来的45分钟，他用一个全新的视角重新定义了SEO。

不是说之前的都错了，而是我意识到：游戏规则变了，而大多数人还没察觉。

二、被忽视的转折点：Google泄露文档里的”语义节点”

2.1 一个改变一切的字段

2024年5月，发生了SEO行业的一次”地震”——Google内部文档意外泄露。

成千上万页的技术文档流出，揭示了Google搜索引擎的内部运作机制。大部分人关注的是排名因素、点击数据的权重这些热门话题。

但Robert注意到了一个不起眼的字段：

semanticNode (type:

list(GoogleApi.ContentWarehouse.V1.Model.NlpSaftSemanticNode.t)

文档说明：

"The semantic nodes of the document are nodes in a directed acyclic graph, represented by an adjacency list."

（Google会把你的文档变成一张"信息图谱"， 里面的每个概念都是一个节点， 概念之间用箭头连接，显示它们的关系）

听起来有点拗口，不过这个字段暴露了Google正在做的事情：

Google不再把你的内容当作”一堆带关键词的文字”，而是把它解析成一个”信息图谱”。

2.2 什么是信息图谱？

让我用一个例子说明。

假设你写了一篇关于”苹果”的文章。

传统SEO的视角：

信息图谱的视角：

看出区别了吗？

传统SEO关心的是”苹果”这个词出现了多少次。

信息图谱关心的是”关于苹果，你提供了多少有价值的结构化信息”。

2.3 为什么这么重要？

因为AI搜索（Google AI Overview、Perplexity、ChatGPT Search）需要的不是关键词，而是可以直接使用的、结构化的信息。

当用户问：“苹果的营养价值如何？”

传统搜索引擎：

1. 查找包含”苹果”+“营养价值”的页面

2. 根据关键词匹配度排序

3. 返回10个蓝色链接

AI搜索引擎：

1. 理解用户想知道具体的营养数据

2. 从多个页面提取结构化的营养信息

3. 合成一个完整的答案

4. 引用最相关的来源

关键区别：AI需要”提取”信息，而不只是”匹配”关键词。

如果你的内容只是堆砌关键词，AI提取不到有用的信息，你就不会被引用。

三、AI搜索引擎的工作原理：从抓取到重排序

Robert在演讲中详细拆解了AI搜索的完整流程。我觉得这是全场最有价值的部分。

3.1 传统搜索 vs AI搜索

传统搜索的三步走：

• Crawling（抓取）

• Indexing（索引）

• Ranking（排名）

AI搜索增加了什么？

有点困惑是不是，让我逐个解释。

3.2 Chunking（内容分块）

AI不会一口气读完你的整篇文章。它会把内容切成小块。

为什么要分块？

• 长文本处理成本高

• 不同段落讲不同的事情

• 用户问题通常只需要部分内容

示例：

你的原文（1500字）：

AI会把它分成5个独立的”块”（chunks）：

关键问题：你的内容结构清晰吗？

如果你的文章东一句西一句，AI很难准确分块，你的信息就会被”碎片化”，失去完整性。

3.3 Embedding（向量化）

这是最核心的一步。

AI会把每个chunk转换成一串数字（向量），这串数字代表这段内容的”语义特征”。

例子：

这串数字捕捉了这句话的含义。神奇的是，语义相近的句子，向量也会相近。

• “咖啡机需要定期清洁”

• “咖啡机应该经常清洗”

• “保持咖啡机清洁很重要”

这三句话虽然用词不同，但向量很接近，因为它们的意思接近。

这意味着什么？

关键词完全匹配不再是必须的。AI理解的是语义，而不是字面。

3.4 Semantic Search（语义检索）

当用户搜索时：

用户输入： “我的咖啡机多久清洗一次？”

AI做的事：

1. 把问题也转成向量

2. 在数据库里找到语义最接近的chunks

3. 不管你用的是”清洁”还是”清洗”，都能找到

传统搜索：

• 找”咖啡机”+“清洗”+“频率”这些词

• 如果你用的是”维护”而不是”清洗”，可能就找不到

AI搜索：

• 理解用户想知道清洁频率

• 找到所有讲清洁频率的内容，不管用什么词

3.5 Re-ranking（重排序）：最关键的一步

Robert用了一个精彩的例子。

问题： “What is the capital of the United States?”（美国的首都是什么？）

AI检索到4个候选内容：

第一轮：语义检索

这4个内容都包含”capital”和”United States”，所以都被检索出来了。

第二轮：重排序

AI计算每个chunk和问题的相关性得分：

1. Nevada首府 → 相关性：0.35（讲的是州首府，不是国家首都）

2. 塞班岛 → 相关性：0.28（完全不相关）

3. 华盛顿特区 → 相关性：0.98 ✓（直接回答问题）

4. 死刑 → 相关性：0.12（capital是另一个意思）

最终： AI选择chunk 3作为答案，并引用你的页面。

这告诉我们什么？

1. 被检索到 ≠ 被引用

2. 语义相关性比关键词匹配更重要

3. 你的内容要”直接回答问题”

四、传统SEO真的”死”了吗？

Robert在演讲中反复问这个问题。台下很多人点头，觉得传统SEO确实过时了。

但Robert的答案出乎意料：

“SEO没死，它升级了。“

4.1 SEO公式的演变

Robert给出了两个公式：

传统SEO：

SEO = Content + Technical + Links

AI时代SEO：

SEO = Information + Signals = Page Relevance

区别在哪？

4.2 关键词密度还重要吗？

这是全场被问最多的问题。

Robert的回答很精妙：

“关键词密度就像盖房子的地基，依然重要，但只是第一层。”

现在的SEO是多维度的：

第一层：关键词覆盖（传统SEO）

- 目标关键词是否出现？

- 相关关键词是否覆盖？

- 位置是否合理？

第二层：实体完整性（新）

- 核心实体是否识别？

- 相关实体是否覆盖？

- 实体是否有定义和描述？

第三层：关系深度（新）

- 实体之间的关系是否清晰？

- 关系是否有描述和例证？

- 关系网络是否完整？

第四层：语义相关性（新）

- 内容的语义向量是否接近用户意图？

- 是否回答了用户的潜在问题？

- 信息密度是否足够？

举个例子：

主题： “电动牙刷”

传统优化（第一层）：

✓ 关键词"电动牙刷"出现15次

✓ LSI关键词：牙刷、刷牙、清洁、牙齿

✓ 标题包含关键词

新维度优化（第二、三、四层）：

实体覆盖：

- 电动牙刷（核心实体）

- 声波震动技术

- 刷头类型

- 充电方式

- 品牌（飞利浦、欧乐B等）

- 使用场景

关系建立：

- 电动牙刷 [使用] 声波震动技术

- 电动牙刷 [比传统牙刷] 清洁效果好30%

- 电动牙刷 [适合] 牙龈敏感人群

- 刷头 [需要] 每3个月更换

- 不同品牌 [价格差异] 在于电机质量

语义深度：

- 回答"为什么选电动牙刷"

- 回答"如何选择适合的型号"

- 回答"使用注意事项"

- 回答"与传统牙刷对比"

结果：

• 传统优化：可能排名，但不会被AI Overview引用

• 新维度优化：既能排名，又能被AI引用

4.3 一个反直觉的事实

Robert分享了一个他测试的案例：

测试对象： 两篇关于”咖啡机清洁”的文章

文章A（传统优化）：

• 3000字

• 关键词密度2.8%

• 完美的H标签结构

• 但内容泛泛而谈

文章B（信息图谱优化）：

• 1500字

• 关键词密度1.2%

• 但包含：

  • 12个明确的实体

  • 35个实体关系

  • 具体的步骤、频率、工具

结果：

• Google传统搜索：A排名第5，B排名第8

• Google AI Overview：只引用了B

• Perplexity搜索：只引用了B

启示：长度不等于质量，实体完整性才是关键。

五、实战：如何做”信息图谱优化”？

这是我最关心的部分。理论很好，但怎么落地？

Robert没有直接给工具，但他分享了完整的思维框架。

5.1 逻辑流程：6步法

Robert在PPT上展示了一个流程图：

1. 抓取你的网站内容

2. 使用LLM提取实体

3. 对实体进行分类

4. 根据业务重新分类

5. 可视化数据，标记异常值

6. 精简不相关内容

他管这叫Centroid Optimization，可以翻译成「主题聚焦优化」。

让我用一个真实案例解释。

5.2 案例：优化一个电商网站

背景： 一个卖家用电器的网站，排名下滑，AI Overview从不引用他们，那么应该怎么做呢？

第1步：抓取内容

使用爬虫工具抓取所有产品页和博客文章。

第2步：提取实体

使用LLM（GPT-4或Claude）分析内容，提取所有提到的实体：

第3步：整理分类

把实体按类别分组：

产品类：

- 咖啡机、空气炸锅、吸尘器...

企业信息类：

- CEO致辞、公司年会、员工福利...

促销活动类：

- 星巴克优惠券、满减活动...

第4步：业务相关性评估

核心业务：家用电器

- 产品类：✓ 高度相关

- 企业信息类：❌ 低相关（用户不关心）

- 促销活动类：△ 中等相关

第5 步：可视化

制作一个实体关系图，发现：

• 核心产品词只占内容的40%

• 企业信息占了30%

• 无关内容占了30%

第6步：精简内容

决策：

• 删除所有企业内部信息（CEO致辞、员工福利等）

• 将促销信息独立到专门页面

• 专注于产品相关的实体和知识

结果：

• 3个月后，AI Overview开始引用他们的产品页

• 自然流量增长45%

• 核心关键词排名提升

关键洞察：AI搜索不会引用主题不集中的网站，也就是变相的“惩罚”，也就没有排名。

5.3 内容优化的4大支柱

Robert总结了4个关键因素：

支柱1：格式（Format）

不同格式有不同的语义密度：

纯文本段落 < 列表 < 表格 < 结构化数据

示例：

❌ 低语义密度：

咖啡机有很多品牌，比如飞利浦、德龙、摩飞等，

它们的价格从几百到几千不等，功能也各有不同。

✅ 高语义密度：

| 品牌 | 价格区间 | 核心技术 | 适合人群 |

|------|---------|---------|---------|

| 飞利浦 | ¥800-2000 | 陶瓷研磨 | 家庭日常 |

| 德龙 | ¥2000-5000 | 意式萃取 | 咖啡爱好者 |

| 摩飞 | ¥300-800 | 美式滴滤 | 入门用户 |

AI更容易从表格中提取结构化信息。

支柱2：长度 = 语义深度

Robert强调：

“Length = Semantic Depth”

但这不是说”写得越长越好”。

而是：实体和关系的完整性决定了内容的深度。

测试：

文章A：5000字

- 提到咖啡机30次

- 实体数：5个

- 关系数：8个

文章B：2000字

- 提到咖啡机12次

- 实体数：15个

- 关系数：35个

哪个更优？B！

因为B虽然短，但信息密度更高。

支柱3：内容年龄（Age）

这个很反直觉。

传统SEO认为：新鲜内容总是好的，要经常更新。

但Robert说：不一定。

对于：

- 新闻类内容：越新越好

- 教程类内容：稳定性更重要

- 产品评测：需要持续更新

- 概念解释：老内容可能更权威

关键：内容类型要匹配更新频率。

支柱4：信号（Signals）

这包括传统SEO的所有因素：

• 外链质量

• 用户行为（点击率、停留时间）

• 页面速度

• 移动友好性

• 等等…

这些依然重要，但现在只是”基础分”。

完整公式：

Page Relevance = 

  Format (25%) + 

  Semantic Depth (35%) + 

  Age & Freshness (10%) + 

  Signals (30%)

六、SEO的重生

回到Robert演讲开头的问题。

在讲完所有内容后，Robert又问了一次：“Are we fuxx?”**

这次，台下没人笑了。因为大家都在思考。

然后Robert给出了他的答案：

6.1 AI需要我们

No, SEO并没有死，AI还需要我们这群SEOer。

为什么这么说？

原因1：AI需要高质量的训练数据

低质量内容 → AI学习错误信息 → 输出质量下降

高质量内容 → AI学习正确知识 → 输出质量提升

创造高质量、结构化内容的人，永远有价值。

原因2：AI需要人类验证

AI会产生幻觉（Hallucination），需要人类专家验证信息的准确性。

Robert展示了几个AI错误的案例，强调**“人类专家的价值在增加，而不是减少”**。

原因3：AI需要上下文工程师

这是一个新职业：Context Engineer（上下文工程师）

工作内容：

• 设计信息架构

• 优化内容分块

• 确保语义连贯

• 构建知识图谱

“这就是未来的SEO专家。” Robert说。

6.2 SEO的新角色

Robert总结了SEO在AI时代的新价值：

传统SEO：

- 关键词研究员

- 技术审计员

- 外链建设者

AI时代SEO：

✓ Context Engineer（上下文工程）

✓ Knowledge Engineer（知识工程）

✓ Information Architect（信息架构师）

✓ Semantic Optimizer（语义优化师）

从”操作工”变成”工程师”。

6.3 一个振奋人心的观点

Robert最后说的一段话，我印象最深：

"传统SEO是在和Google的算法博弈。你研究规则，找漏洞，钻空子。

但AI时代的SEO，是在帮助AI理解世界。你创造知识，构建关系，提供价值。

这是一个更有意义的工作。

So, are we fu**ed? No. We're needed more than ever."

结语

"SEO没有死。但如果你还在用5年前的方式做SEO，你会觉得它死了。

因为规则变了。

不是说传统SEO没用了，而是它只完成了20%的工作。

剩下80%，是关于如何让AI理解你的内容。"

从关键词到知识图谱

这是一次深刻的范式转变：

旧思维：

关键词 → 密度 → 排名 → 流量

新思维：

用户意图 → 实体关系 → 语义相关性 → AI引用 → 权威

这不是替代，是升级

传统SEO的技能依然重要：

• 关键词研究帮你找到用户需求

• 技术SEO确保AI能抓取你的内容

• 外链依然是信任信号

但现在需要加上新维度：

• 实体识别

• 关系构建

• 语义优化

• 结构化数据

最后的思考

当然，Robert的观点很新颖，以前的SEO做法是让我做大而全，长而深，现在的AI Search做法是要多实体，结构化，少点数据污染，这对普通的网站也是一个挑战，观点不同，兼听则明，如果你的网站流量想获得更多的AI Search流量，不妨试试本文的观点去测试下，看看最终效果。

我是Keen，专注分享独立站相关知识，欢迎关注。