技术 SEO 因素如何影响 AI 搜索【研究】

技术 SEO 因素对 AI 搜索的影响（研究）

技术 SEO 与 AI 引用的关联AI 搜索与 GEO

本研究考察哪些技术 SEO 因素与 AI 引用之间存在可测量的相关性，以及哪些长期假设开始动摇。

数字世界的发现方式正经历深刻转变。ChatGPT、Perplexity 以及 Google 的 AI Mode 等 AI 平台，正在改变人们在线查找与消费信息的方式。

AI 驱动的搜索体验日益主流，由此引出一个反复被提起的假设：帮助页面在 Google 中排名靠前的技术 SEO 因素，是否会自动影响其被大语言模型（LLM）呈现或引用。

这种迁移并非必然。部分技术信号可能清晰延续，部分只间接起作用，还有一些更接近前提条件，而非排名驱动力。

本研究旨在考察哪些技术 SEO 因素与 AI 引用之间存在可测量的相关性，以及哪些长期假设开始动摇。

核心要点：面向 AI 搜索的技术 SEO

对 500 万个被引用 URL 的分析揭示出一条清晰规律：AI 平台一贯偏好引用技术基础扎实的页面，其中许多页面同样与传统 SEO 的成功相关。

这些相关性无法证明因果关系，但确实表明技术 SEO 是 AI 可见性的基础。

与 AI 可见性相关的因素：

结构化数据的实施：Organization、Article 与 BreadcrumbList 结构化数据最常出现在被引用页面上，而在被 Google AI Mode 引用的页面上，其采用率更高
URL 结构模式：slug 长度在 17–40 个字符之间的 URL 获得的引用最多；被引用的 URL 往往采用既具描述性又简洁的路径
强劲的用户参与信号：被引用最多的页面在各类流量来源上都呈现更长的访问时长、更低的跳出率与更好的转化指标。

搜索格局正在分化

搜索已不再局限于 Google。ChatGPT、Perplexity 与 Microsoft Copilot 等 AI 平台正在构建一个平行的发现生态，用户在其中进行的是对话，而非扫读蓝色链接。

当前市场份额

传统搜索

Google：90.06%（小幅但持续下降）

AI / LLM 发现

ChatGPT：约 80%
Perplexity：约 11%
Microsoft Copilot：约 5%（起步仅为 1%，增长迅速）
其他：约 4%

对 SEO 团队而言，这种分化意味着变化。

仅基于 Google 排名所做的流量预测，会遗漏越来越大的发现渠道。

Google 仍占据主导，但已不再是用户开启搜索的唯一入口。AI 平台正开拓属于自己的发现类别，且增长迅速。要覆盖这块新增渠道，品牌需要同时覆盖传统搜索与 AI 平台的可见性策略。

新的关键指标：AI 可见性

AI 可见性衡量品牌在 AI 生成回答中出现的频率与准确程度，包括对品牌提及（品牌是否在 AI 回答中被提及）与引用频率（AI 平台将内容作为来源引用的次数）进行基准评估。

问题已不再局限于在 Google 中的出现。如今品牌提出的是一组新问题：

“当用户询问我们的产品品类时，ChatGPT 会提到我们吗？”例如，当 ChatGPT 用户问“最适合远程营销团队的项目管理软件是什么？”，Asana 或 Monday.com 是否会与被提及的品牌一同出现在回答中？
“我们是否被 AI 平台作为权威来源引用？”
“来自 AI 生成回答的流量质量如何？”

这些并非边缘问题，正成为现代数字战略的核心。AI 可见性如今已成为一项绩效指标。

研究方法

我们分析了被 ChatGPT Search 与 Google AI Mode 引用的 500 万个 URL，以找出与 AI 可见性相关的技术 SEO 模式。

本研究收集了以下数据：

横跨 ChatGPT Search 与 Google AI Mode 的 500 万个被引用 URL
通过 Botpresso 分析的 37.8 万条 URL 引用，用于研究结构模式
从 Semrush 的 Traffic Analytics 数据库中提取的参与度指标
从 Semrush Site Audit 中提取的结构化数据标记分析

基于这些数据，我们分析了：

排名位置 – 被引用的 URL 在 AI 回答的来源列表中出现的显著程度（第 1–20 位）
用户参与信号 – 样本中 URL 的访问时长、跳出率、每次访问页面数与流量转化率
结构化数据标记 – 样本中 URL 上结构化数据的存在情况与类型（Organization、Article、FAQ 等）
URL 结构 – 被引用 URL 的 slug 长度

说明：本研究识别的是相关性，而非因果关系。不过，500 万个 URL 与多个平台之间的一致性表明，这些技术因素会为 AI 可见性创造有利条件。

“有备而来的点击”

我们观察到一种新兴模式——尽管本研究并未直接测量——即所谓的“有备而来的点击”。

从 AI 引擎跳转到网站的用户，行为往往截然不同。他们已从 AI 处获得背景信息，清楚你是谁、为何重要。我将其称为“有备而来的点击”。

这类用户往往：

参与更深
转化更快
跳出更少
带着清晰、有依据的意图到访。

发现 1：用户参与度与 AI 引用相关

被 AI 平台引用的 URL 呈现出一致的规律：它们往往拥有更高的用户参与度指标。

关键发现：

排名最靠前的引用（引用位置第 1–5 位）是具备以下特征的 URL：

更高的访问量与独立访客数
更长的会话时长
每次访问更多的页面数
更高的转化率

对比这两个大语言模型，Google AI Mode 更倾向于引用参与度更高的页面，在页面浏览量与会话购买量方面比 ChatGPT Search 更为明显。

这对技术 SEO 为何重要：被 AI 引用的页面往往表现出更强的用户参与信号。加载速度、网站结构与移动端优化等技术因素，不仅改善用户体验，还可能有助于创造与更高 AI 引用率相关的条件。

需要指出的是，用户参与度在点击之后测量，而 AI 引用发生在点击之前。这意味着参与度本身不太可能是 AI 系统的直接输入信号，这些指标更可能是内容质量、信任度与实用性的代理指标。持续让用户满意的页面，或许也共享某些底层特征——清晰的结构、扎实的技术基础与可信的信号——因而更有可能被 AI 平台呈现或引用。

发现 2：URL 结构模式

对主流 AI 平台上 37.8 万条引用的分析，揭示了 URL 结构中的一条清晰规律。

关键发现：slug 长度在 21–25 个字符之间的 URL 获得的引用最多（约 87,000 次），其次是 6–10 个字符区间的 slug（约 57,000 次引用）。

slug 长度适中（17–40 个字符）的 URL 一贯优于极短（1–5 个字符）与极长（56 个字符以上）的 slug。

这意味着什么：这体现的是相关性而非因果关系，但数据表明，被 AI 平台更频繁引用的 URL 往往拥有既具描述性又简洁的 slug。极短的 slug（通常是首页或分类页）与过长的 slug（通常深层嵌套或堆砌关键词）在被引用的 URL 中出现频率较低。

可执行的洞察：URL slug 可考虑控制在 17–40 个字符之间，既能清楚描述页面内容，又不会过于冗长或带有过多参数。

发现 3：结构化数据与 AI 引用

网站管理员开始注意到，OpenAI 的爬虫相当繁忙。在许多网站的抓取日志中，它出现得越来越频繁。这种激增带来几点影响：

抓取预算管理 – 若 OAI-SearchBot 正在消耗大量服务器资源，可能需要通过 robots.txt 规则或 crawl-delay 指令来安排其访问页面的优先级。
日志文件监控 – 跟踪哪些 AI 爬虫在访问网站、访问频率如何，以及优先抓取哪些页面。这能揭示 AI 平台认为哪些内容有价值。
结构化数据的优先级安排 – 随着更多 AI 爬虫查看网站，恰当的结构化数据标记可能有助于提供关于内容的更清晰情境信号。

结构化数据有什么作用

尽管结构化数据在 AI 优化中的价值仍存在争议，但早期实验表明它有助于：

识别实体及其相互关系
按主题对内容进行聚类
提升 AI 回答中引用的准确性

基于此，我们检查了被 AI 引用的页面中不同类型结构化数据的出现频率。

研究结果显示如下：

被 AI 引用的页面呈现出一条清晰规律：它们更有可能实施少数几种特定的结构化数据标记类型。这并不能证明结构化数据标记会带来引用，但相关性足够强，值得持续关注。

排名前三的结构化数据标记项：

Organization：25%（ChatGPT），34%（AI Mode）
Article：20%（ChatGPT），26%（AI Mode）
Breadcrumb：15%（ChatGPT），20%（AI Mode）

其他值得注意的结构化数据标记项：

SiteLinks_SearchBox：5%（ChatGPT），7.5%（AI Mode）
FAQ：3%（ChatGPT），5.5%（AI Mode）
LocalBusiness：2%（ChatGPT），3.5%（AI Mode）
Product：1.5%（ChatGPT），2.5%（AI Mode）
ReviewSnippet：2%（ChatGPT），3.5%（AI Mode）
Video：0.5%（ChatGPT），1.5%（AI Mode）

与 ChatGPT Search 相比，Google AI Mode 一贯引用结构化数据采用率更高的页面，且涵盖所有类型，尤其是 Organization、FAQ 与 Site Links Search Box 标记。

关键发现：在两个平台上，多数被引用页面都出现了 Open Graph 与 schema.org（JSON-LD）：

Open Graph：约 60%（AI Mode）和约 40%（ChatGPT）
Twitter Cards：约 50%（AI Mode）和约 30%（ChatGPT）
Schema.org（JSON-LD）：约 40%（AI Mode）和约 30%（ChatGPT）
Schema.org（Microdata）：约 10%（两个平台）
Microformats：约 5%（两个平台）

补充背景：Open Graph 与 Twitter Cards 在整个网络上被广泛采用（尤其是在成熟网站上），这很可能抬高了这些百分比。

这为何重要：并不需要实施每一种结构化数据格式。无论使用 Open Graph、schema.org 还是两者兼用，AI 平台似乎都能理解内容。与其追求完美的覆盖率，不如测试各种格式，观察哪种对可见性产生影响。

Schema.org 的采用率仍相对较低，但 Open Graph 的广泛存在表明，AI 平台能够从多种结构化数据格式中提取实体与元数据信息。

提升 AI 可见性的技术建议

服务端渲染（SSR）
大量使用 JavaScript 的网站对 AI 爬虫是一大挑战。若内容未在服务端渲染，AI 爬虫可能更难索引或引用它。

对话式排版
AI 系统倾向于呈现采用问答式格式、结构化摘要与清晰组织文案的内容。

结构化数据 2.0
这不再只是给 FAQ 加标记。测试更广泛的结构化数据覆盖，可能有助于围绕实体、作者与文章提供更清晰的信号——这些信号为语义识别而构建，而非仅为 SEO。

核心要点与后续步骤

本研究表明，技术 SEO 的基本功在 AI 搜索可见性中仍扮演重要角色，但并不总以团队预期的方式发挥作用。许多技术因素并非直接充当排名信号，而是创造条件，让 AI 系统更容易检索、解读与引用内容。

并非所有信号都能同等迁移。用户参与度指标更可能反映底层的内容质量，而非直接影响 AI 系统。URL 结构与结构化数据更接近清晰度与可访问性信号，而非单独起作用的优化杠杆。综合来看，这些发现表明，为 AI 搜索评估技术 SEO 的方式正在转变：它不再像一份清单，而更像在其他信号到位时促成可见性的基础。

对于正在应对 AI 驱动发现的团队，关键不在于追逐新的技术花招，而在于测试哪些基本功在实践中能切实支撑 AI 可见性。AI 搜索持续演进，理解这些信号如何相互作用、局限在哪里，对构建持久的可见性策略至关重要。

值得优先测试的事项：

测试核心结构化数据标记：优先处理 Organization、Article 与 BreadcrumbList 结构化数据。为信息型内容添加 FAQ 结构化数据，为电商内容添加 Product 结构化数据
将 URL slug 保持在 17–40 个字符之间：优化 URL，使其清楚描述内容，且不包含不必要的参数或嵌套
改善参与信号：聚焦驱动用户参与的技术因素：页面速度、移动端优化、清晰的网站架构与引人入胜的内容
保持 AI 可抓取性：通过干净的 HTML、恰当的标题层级与可抓取的网站结构，确保 AI 爬虫能高效访问并解析内容

AI 驱动的发现仍在演进，但它对用户如何找到并评估品牌的影响已显而易见。现在就开始测量与测试的团队，将在这些系统走向成熟时占据更有利的位置。