2025年9月。宁波的夏天还没完全过去，早晚的风里已经带了一丝凉意。

小左的办公室里，白板上画着三张图——左边是SEO的框架图，中间是GEO的策略图，右边是一张新的、还没画完的图。标题写着：“如何让AI信任你。”

上次开完会之后，小左花了两周时间研究GEO的底层逻辑。他读了几十篇文章，看了十几个案例分析，笔记本上记了密密麻麻好几页。越研究他越意识到一个核心问题——

AI引用内容，是有偏好的。

Vivian给他发了一篇文章，里面有一组数据让他印象深刻。一项针对3000万条AI引用数据的研究显示，ChatGPT的顶部引用来源中，维基百科占了近47.9%。也就是说，ChatGPT每引用两个来源，差不多就有一个是维基百科。另一项针对95万条引用的分析也发现，维基百科被AI引用的频率比排名第二的来源高出16倍。

“为什么是维基百科？”小左在电话里问Vivian。

“三个原因。”Vivian说，“第一，训练数据权重——所有主流大模型训练的时候，都把维基百科作为最大、最干净、被引用最多的数据集之一。第二，结构清晰——维基百科的文章标题稳定、URL干净、语调中立，AI引用起来成本低、可信度高。第三，实体架构——维基百科给每个词条都建立了清晰的实体关系，AI能快速理解‘这个品牌是谁、做什么、在哪里’。”

“而且，”Vivian补充道，“维基百科的引用份额还在涨。从2025年7月到8月，维基百科在ChatGPT中的引用份额增长了62%，达到了将近13%的总引用占比。前三大被引用域名——维基百科、Reddit和TechRadar——加起来占了全部引用的22%，一个月内增长了53%。”

“说到引用来源，”Vivian说，“还有一个渠道你们可能低估了——YouTube视频。”

“YouTube？”小左愣了一下。

“对。蜡笔小新当年那篇帖子里说‘一旦被YouTube盯上直接起飞’，现在放到AI搜索时代也一样。Google AI Overviews的引用来源里，YouTube占了18.8%，Perplexity也经常引用视频内容作为答案素材。你过去四年拍的三十多个技术视频——那些操作流程、安装演示、问题排查——不光在帮客户解决问题，也在给AI提供素材。”

“所以视频也是GEO的一部分？”

“当然是。结构化文本给AI提供‘事实’，视频给AI提供‘证据’。同一件事，你写成一篇文章是一层说服力，拍成一个视频是另一层说服力。两者合在一起，AI引用你的概率翻倍。”

小左把这些数据写在了白板上。

然后他查了一下自己的品牌——维基百科上没有任何关于他们公司的词条。

“我们不在AI最喜欢引用的那个池子里。”他对陈工说。

陈工打开电脑，调出一份文档：“我研究了一下，品牌要在维基百科上有词条，需要满足‘关注度’要求——至少在三到五个可靠、独立的来源中有显著报道。新闻稿、软文、自媒体文章不算。得是正规媒体、行业期刊、学术出版物这种有编辑监督的来源。”

“那我们够吗？”

“不够。目前只有两家行业媒体提到过我们，还都是顺带一提。但要进维基百科，必须先有媒体报道。这是鸡和蛋的问题——你需要媒体先报道你，才能进维基百科；但很多媒体愿意报道你，恰恰是因为你已经在维基百科上了。 ”

小左沉默了一会儿：“那先从媒体入手。先积累报道，再考虑维基百科。”

“对。”陈工说，“但除了维基百科，我们可以在自己的网站上做很多事情——让AI在没有维基词条的情况下，也能识别、理解、信任我们。 ”

小左在白板上画了一个圈，写上：“Schema结构化数据。”

“什么是Schema？”他问。

陈工打开一个页面给他看：“简单说，Schema是一种给网页内容加‘机器可读标签’的代码。你写了一段话‘我们是做液压设备的’，人看得懂，但AI不一定确定你在说什么。但如果你在网页上加了Organization Schema，告诉AI‘这家公司叫XX、在XX行业、有XX认证、官网是XX’，AI就能准确识别你的品牌实体。”

他继续解释：“在GEO时代，Schema结构化数据不是加分项，是入场券。 没有合规的结构化数据，页面内容在大模型抓取的时候会被判定为‘无序噪声’，根本进不了AI信源的候选池。有研究说，企业官网的Schema标记能力，直接决定了AI对品牌信息的‘抓取权重与引用优先级’。”

“具体要加哪些？”

陈工打开一张清单：“外贸B2B官网必用的Schema标记有这么几类：

第一，企业身份认证类——Organization Schema，告诉AI你是谁、在哪、做什么。这是最基础的，没有它，AI根本不知道你的品牌是一个‘实体’。

第二，产品展示类——Product Schema，工业品和机械设备尤其要做。告诉AI每个产品的型号、参数、适用场景。

第三，内容权威性增强类——Article Schema和FAQPage Schema。FAQPage特别重要——AI可以直接从你的FAQ里提取问答对作为回答片段。

第四，行业可信度背书类——把认证、专利、行业会员信息用Schema标记出来。

第五，sameAs关联——在Organization Schema里加上sameAs链接，指向维基百科、维基数据、LinkedIn、Crunchbase。这相当于告诉AI：‘我是谁，我在这些平台上也被同样描述过，你可以交叉验证。 ’”

小左一条一条记了下来。他突然想起什么：“维基数据是什么？”

“维基数据是维基百科的‘数据库版本’。 维基百科上每一篇词条，在维基数据里都有一个对应的‘实体’——用QID编号标识。比如苹果公司的QID是Q312，特斯拉是Q29464。如果你的品牌能在维基数据上注册一个实体、拿到QID，即使暂时没有维基百科词条，AI也能通过维基数据识别你的品牌。”

“怎么注册？”

“有一定门槛，但比维基百科词条低。品牌进入知识图谱的主要路径就是：先在维基数据注册实体拿QID，再部署Organization Schema和Brand Schema，然后在官网的sameAs里把维基数据QID关联进去。这样AI就能把你的品牌和维基数据里的实体对应起来。”

小左把这些也记了下来。笔记本上已经写了好几页——维基百科、维基数据、Schema、sameAs、FAQPage、Product Schema……每一项都需要时间来做。

但他心里清楚一件事：这些事不做，你的品牌在AI眼里就是模糊的。 AI看到一个网站，知道“哦，这是个卖东西的网站”，但不确定“这是谁、在哪、凭什么信你”。而有Schema标记的网站，AI一眼就能识别：“这是XX公司，在宁波，做液压设备，有ISO认证，LinkedIn上也有同样的信息——可信。”

他想到了另一个问题：“那内容本身呢？光有Schema，内容写得不好，AI也不会引用吧？”

“对。”陈工说，“GEO时代的内容有四个关键词：结构化、结论前置、问答化、可验证。 ”

“结构化——用清晰的H1/H2/H3层级，AI爬取的时候能快速理解文章框架。”

“结论前置——把核心结论放在前面。AI抓取内容的时候，往往只取前面一段。如果你把最重要的信息藏在后面，AI可能根本抓不到。”

“问答化——多写FAQ。AI特别喜欢FAQ格式，因为它可以直接提取问答对作为回答片段。 你写一篇‘如何选择液压设备’的文章，如果里面全是段落文字，AI提取起来费劲。但如果你把关键问题写成FAQ——‘Q: 如何选择液压设备的吨位？A: 取决于……’——AI可以直接把这一段搬进它的答案里。”

“可验证——引用可靠来源、展示认证和案例。AI更倾向于引用有‘证据’的内容。 你写‘我们的产品质量好’，AI没法验证。但如果你写‘我们的产品通过了ISO 9001认证，以下是认证编号和发证机构’，AI就可以交叉验证。”

小左把这些也写在了白板上。

这时候Vivian在群里发了一条消息：“你们讨论到哪了？我刚看到一个数据——68%的AI引用来自第三方来源，只有32%来自品牌自有网站。”

“这意味着光靠官网不够？”小左回复。

“不够。官网是基础，是‘你自己怎么说’。但AI更看重‘别人怎么说你’。 你需要同时布局几个层面：第一层，官网——Schema结构化数据+结构化内容；第二层，维基百科/维基数据——让AI有一个‘标准化的品牌实体’可以引用；第三层，权威媒体——让AI看到‘第三方也在说你好’；第四层，行业平台——在LinkedIn、Crunchbase、行业目录上保持信息一致。”

“我之前在好几个平台上注册过公司信息，但好像不太一致……”小左说。

“这就是问题。 ”Vivian说，“AI看到信息‘打架’，会降低信任度。 你在官网上写‘成立于2018年’，LinkedIn上写‘2019年’，Crunchbase上写‘2020年’——AI一看就知道你不可靠。实体识别的基础就是‘一致性’——所有平台关于你的描述，必须完全一致。”

小左打开电脑，把公司注册过的所有平台列了一个清单——官网、LinkedIn、Facebook、YouTube、Crunchbase、三个行业目录。然后一个一个点开，把公司名称、成立时间、主营业务、联系方式全部抄下来对比。

结果不太好看——至少有四个平台的信息不一致。

“得统一。”他在笔记本上写了一行大字：“跨平台信息一致性——GEO的底线。 ”

9月下旬，小左开始动手了。

第一周，他花了三天时间，把所有平台的公司信息统一成一个版本。公司名称用全称、成立时间精确到月、主营业务描述用同一段文字、联系方式全部一致。

第二周，他和陈工一起在官网上部署了Organization Schema、Product Schema和FAQ Page Schema。陈工写代码，他负责核对内容——公司名称、地址、电话、邮箱、行业分类、认证信息，全部核对了两遍。

第三周，他重新整理了官网的内容结构。所有产品页面加了FAQ区块——把客户最常问的5-8个问题写进去，每个问题下面给一个简洁的答案。所有博客文章重新调整了H标签层级，把核心结论提到第一段。

第四周，他开始研究维基数据。他发现注册一个维基数据实体并不需要维基百科词条——只要品牌有足够的公开信息、有可靠的来源证明其存在，就可以申请。他花了几天时间整理资料，提交了申请。

10月初的一天，他收到维基数据的通知——实体审核通过，拿到了一个QID。

他把这个QID填进了官网Organization Schema的sameAs字段里。

那天晚上，他坐在办公室里，打开ChatGPT，输入了自己的品牌名。

AI的回答里，出现了一句话——虽然很短，但之前从来没有出现过：

“这家公司总部位于中国宁波，成立于2018年，专注于液压设备的研发和制造。”

小左盯着屏幕看了很久。

那句话里的每一个信息，都来自他过去几周做的工作——统一后的平台信息、Schema里的结构化数据、维基数据里的实体记录。

AI终于“认识”他了。

他给Vivian发了一条消息：“AI开始说对的话了。”

Vivian回了一句：“恭喜。你从‘隐身’变成了‘可见’。 ”

“下一步呢？”

“从‘可见’变成‘被引用’。 那需要更长的时间——持续的内容输出、持续的媒体曝光、持续的行业参与。但你已经把地基打好了。”

小左关掉电脑，走出办公室。

宁波10月的夜晚，风比之前更凉了一些。他站在楼下，抬头看了一眼自己办公室的窗户——灯还亮着，白板上的图还没擦完。

他想起了四年前那个在合租房里做网站的自己。

那时候他连服务器和主题都选不明白。四年后，他在学怎么让AI“认识”他的品牌。

“从建站到SEO，从SEO到GEO。”他自言自语了一句，“一步一步来吧。”