过去两年，GEO 这个词被反复提起，也被反复误用。有人把它理解成"给 AI 看的 SEO"，于是把关键词换成问答句；有人把它理解成"多发文等 AI 引用"，于是批量生产页面。两种做法犯的是同一个错误：把力气花在表面形式上，却跳过了更基础的问题——AI 在回答一个问题时，它心里那张"世界长什么样"的图是什么，你的内容在这张图上占着哪个位置。
Google 搜索中心在《AI 功能和您的网站》这份文档里写得相当直白："无需满足任何其他要求即可在 AI 概览或 AI 模式中显示，也无需进行其他特殊优化。"同一份文档还明确说明，网站所有者"无需创建新的机器可读文件、AI 文本文件或标记"，也"不需要添加任何特殊的 schema.org 结构化数据"。这句话被不少人读成"GEO 是伪概念"，其实是读反了。它的真实含义是：没有捷径。一段内容能被生成式引擎取用，不是因为它用了某种特殊写法，而是因为它在系统的知识结构里占住了一个位置，而这个位置，是结构给的，不是修辞给的。
我常跟客户讲一句话：做GEO 不是给 AI 写作文，是把家底里的知识整理成别人愿意引用的形状。这话听着朴素，"整理成形状"五个字，恰好就是知识地图要解决的问题。
一、先把"知识地图"这个词说清楚
1、它不是目录，也不是关键词表
站点地图是 URL 清单，关键词表是词频清单，主题集群是页面分组。这三样东西都在做"切块"，切完之后块与块之间仍然是平的。知识地图是它们的上游：它描述的是概念之间怎么连，而不是页面之间怎么链。
举个具体例子。一家做工业现场检测仪器的公司，业务里绕不开这么几个概念：接地电阻、土壤电阻率、温纳法、季节修正系数、跨步电压。在地图上，这是五个节点，它们之间是"接地电阻属于安全性指标""土壤电阻率影响接地电阻""温纳法是土壤电阻率的测量方法之一""季节修正系数是土壤电阻率的时间校正量"这样的关系。站点上可以写成十篇文章，也可以写成三篇，页面会增删改，但这五个节点和它们之间的连线是稳定的。
这里有一条很实用的判断标准：如果你的"地图"离开 URL 就不存在，那它不是知识地图，只是一张内容清单。我在验收时常用这一条卡人——把 URL 全部抹掉，只看节点和关系，如果剩下的东西讲不出业务，说明这张图还没画到点上。
2、引擎那一侧，真的有一张图
这不只是个比喻。Google 的知识图谱 2012 年 5 月上线时，官方博客公布的规模是超过 5 亿个对象、35 亿条关于这些对象的事实与关系，当时的提法是"things, not strings"——从匹配字符串转向识别事物。到 2020 年 5 月，Google 在《A reintroduction to our Knowledge Graph and knowledge panels》一文中把口径更新为：积累超过 5000 亿条事实，覆盖约 50 亿个实体。此后 Google 没有再公开更新过这组数字，行业内流传的更大规模估算均属未经证实，引用时应标注为估算。我在引用这类规模数据时有个习惯：凡是平台自己没有更新的口径，一律标注统计时点，不做含糊处理。
开放世界的那一侧也有可查的参照。Wikidata 官方统计页显示，截至 2026 年 8 月底，条目数约为 1.23 亿，项目启动以来累计编辑超过 25 亿次，活跃编辑者约 4.1 万人。
这些数字的意義不在于炫耀规模，而在于说明一件事：引擎处理查询时，不是在一堆字符串里做相似度匹配，而是在一张实体网络上做定位与遍历。
3、站点侧的地图，是那张图的本地投影
你不可能、也不需要复刻 Google 的知识图谱。你要做的是：在自己的业务边界内，把实体、关系和证据整理成一份机器读得懂、人也读得懂的结构。这份结构向外要能对得上公共知识网络里的既有节点（标准号、通用术语、通行的分类法），向内要能覆盖你自己的差异化内容。
我喜欢用索引卡来打比方：公共知识图谱是一部百科全书，你的知识地图是这部书里"与你相关那几页"的索引卡，每张卡片上写着条目规范名、别名、一句话定义、相邻条目、以及这段话出自谁。卡片本身不产生新知识，但它决定了别人能不能快速找到并正确使用你的知识。
4、一句容易被误读的官方说法
回到开头那句"无需其他特殊优化"。很多人据此认为结构工作可以省掉。但同一份 Google 文档里还有另一句关键表述："AI 概览和 AI 模式都可能会使用'查询扇出'技术（在子主题和数据源中发出多项相关搜索）来生成回答。"
这句话的信息量比它看起来大。所谓扇出，是把一次提问拆成多个子问题，每个子问题各自去检索，再把检索结果合成一段答案。这意味着一个复杂问题的答案，往往由来自多个站点、多个页面的多个片段拼装而成。你的站点如果只完整回答了其中一个子问题，就只在那一段被取用；如果整张图都铺到了，就有机会在多个片段里被反复取用。
规模上也有参照。Alphabet 2025 年第二季度财报电话会实录中，Sundar Pichai 提到 AI Overviews 已在 200 多个国家和地区、40 种语言上线，月活跃用户超过 20 亿；而同年一季报披露的口径是 15 亿月活。半年内增长约 5 亿，这个速度决定了内容结构工作不是可选项。
所以更准确的读法是：Google 否定了"特殊文件与特殊标记能带来加成"，但没有否定"结构本身的价值"。恰恰因为取用方式是扇出式的碎片拼装，把碎片组织成图，才变成了一件有复利的事。我把这一步叫做“把散件装成总成”：单篇文章是散件，地图是装配图，负责总装的是引擎。
二、知识地图到底有什么用
先给结论：知识地图的作用，是把你散落各处、原本只存在于人脑里的知识，转成一份机器能检索、能拼装、能归因的结构化资产，从而让生成式引擎在回答相关问题时更可能、也更准确地用到你。定义讲清楚了，接下来是一个更现实的问题：花几周时间画这张图，到底能换来什么。我把它的作用归纳成五个方面，末尾再补一条它做不到的事——把边界也讲清楚，才判断得了这件事值不值得做。
1、让内容从"被找到"变成"被取用"
传统搜索里，一个页面的价值主要取决于它排在第几位；生成式答案里，页面的价值取决于它的哪一段被摘进了答案。这两种价值不是一回事。Google 官方文档说明，AI 概览和 AI 模式都可能使用"查询扇出"技术，在子主题和数据源中发出多项相关搜索来生成回答。用户提出的一个复杂问题，在后台被拆成若干子问题，每个子问题各取一段。
知识地图在这里的作用，是让你事先知道这些子问题大致落在哪些位置、你的哪些节点接得住。没有地图时，内容按"我想写什么"排布；有地图时，内容按"用户会拆成哪些子问题"排布。
Pew Research Center 的实测数据还提示了另一件事：AI 摘要平均约 67 词，区间从 7 词到 369 词，篇幅并不长。短答案意味着每个子问题对应的内容只需要一小段，但要求这一小段自带结论和出处。地图提前分配好了"哪一段负责哪个子问题"，这正是缺少地图时容易乱的地方。
2、让引用从"碰运气"变成"可预期"
单篇页面能不能被引擎引用，随机性不小：答案的合成受模型版本、上下文窗口、当时检索到的其他来源共同影响，同一个问题隔一天再问，引用的来源可能就换了一批。把赌注压在单篇页面上，本质上是在抽签。
铺成图以后，逻辑就变了。你的内容在多个子问题上分别有落点，这一次没被取用，下一次可能换另一个节点被取用，整体命中率比单点稳定得多。GEO-bench 的实验结果也从侧面支持这一点：补充来源引用这一方法，让原本在搜索结果中排名第 5 的页面可见度提升 115.1%，而排名第 1 的页面平均下降 30.3%。取用逻辑并不完全继承排名优势，结构与证据能为位置靠后的内容争取到机会。我的说法更直白：不要指望一篇稿子改变结果，要指望一张图提高胜率。
3、让内容从"一次性消耗品"变成"可复用的资产"
这一条常被忽略，但在面向企业的业务里往往见效得更早。同一套实体卡与断言，能同时喂给产品页、技术方案、投标应答、客服话术库、销售培训材料，以及企业内部的智能问答助手。写一次，多处使用，而且各处口径一致。
反过来，如果没有这张图，同样的知识会在不同部门被反复重写，每次重写的措辞都不一样，时间一长，连自己都说不清哪个版本是准的。口径不一致这件事，被人检索时会表现为"同一个参数有三种说法"，对被引用的影响是负面的。
4、让E-E-A-T 从口号变成可交付的东西
E-E-A-T 这四个字母在文章里被引用得很多，落到实处的办法却很少。知识地图提供了一套现成的抓手：实体卡对应经验与专长——谁写的、依据什么、边界在哪里；关系层里的易混与对立关系对应可信度——主动标注不适用条件，减少被张冠李戴；证据层对应权威性——一手数据与二手文献各占多少，是可以量化的。
Google 的《搜索质量评估指南》2025 年 9 月版共 182 页，其中可信度在 E-E-A-T 框架里处在关键位置，该版本还首次给出了 AI 概览的评估示例。把这些要求拆成实体卡上的字段和证据层里的出处，比在文末加一句"本文由资深人士撰写"要有用得多。
5、让品牌与术语的"定义权"回到自己手里
这一条在to-B 业务里尤其关键，却最少被谈起。当用户向引擎提问"XX 是什么""XX 和 YY 怎么选"，出现在答案里的定义，要么来自你，要么来自竞争对手，要么来自一篇说不清出处的转述。地图里规范名、别名、边界声明、外部标识四件套齐备的实体卡，等于提前把"正确的说法"钉在了公共知识网络上——引擎在合成答案时，更可能沿用你定义的规范名与边界，而不是被别处的写法带偏。反过来，没有这张图时，同一个术语在不同页面写法不一、边界不清，引擎就只能在众多互相矛盾的版本里挑一个，你对自己品牌的诠释权就交了出去。第五节列出的引擎指标里专门有"实体描述准确度"，本质上就是在验收这件事：引擎对你的描述，是不是你希望它被描述成的样子。我常说：你不定义自己，别人就会替你定义。
6、它做不到什么
要诚实地补一条边界。知识地图不直接提升关键词排名，不替代内容本身的质量，也不会让流量在几周内出现明显变化。它的作用发生在更靠前的环节——决定你的知识有没有被系统正确理解、有没有在合适的位置上被取用。我常提醒客户：地图解决的是"能不能被选中"，不是"被选中之后用户点不点"。后者取决于页面本身的说服力，那是另一件事。
三、地图的三个构件：实体、关系、证据
一张能用的知识地图，只需要三类构件。缺任何一类，它都会退化成一份文档清单。
1、实体层：把"词"换成"东西"
① 实体的判定。能被单独提问、有稳定边界、有可核实属性，三者具备才算实体。"接地电阻测试仪"是实体；"测试仪"太泛，边界不稳定；"接地"是属性或概念，通常作为实体的修饰成分出现。判定的操作性做法是：把它放进"什么是""和__有什么区别"这样的句式里，如果问句成立且答案不空，它就是实体。我补了一句经验判断：能被客户在电话里直接问出口的东西，通常都够格当实体。
② 同物异名与同名异物。这是实体层里相当琐碎、却直接影响结果的部分。同物异名比如回路电阻测试仪、微欧计、接触电阻测试仪，在很多场景里指向同一类设备；同名异物比如"露点"，在 SF6 气体检测和压缩空气系统里指的不是同一件事，量程、测量方法和合格判据都不同。地图里必须为前者建立别名映射，为后者建立语境切分，否则 AI 在合成答案时会把两个语境的事实混在一起。
③ 一张实体卡该写什么。建议固定五个字段：规范名（对外统一使用的写法）、别名集合（含英文缩写与客户口语）、一句话定义（30 字以内，去掉上下文也成立）、边界声明（明确它不是什么）、外部标识（现行标准号、权威数据库条目、官方产品页 URL）。我在给企业做实体卡时，会强制要求"边界声明"不能为空——因为 AI 出错的情形里，相当一部分不是事实错误，而是把概念用到了不适用的场景上。
2、关系层：决定AI 能不能把知识串起来
① 关系比节点更值钱。这一点在学术侧有直接证据。微软研究院 Edge 等人的《From Local to Global: A Graph RAG Approach to Query-Focused Summarization》（arXiv:2404.16130）提出的做法是：先用大模型从语料中抽取实体与关系构建图索引，再用 Leiden 算法做社区发现，然后为每个社区预生成分层摘要，回答问题时用社区摘要逐层汇总。在约百万 token 规模的语料上，针对"全局理解型问题"（例如"这批材料的主要议题是什么"这类需要跨文档聚合的提问），相比朴素向量检索的 RAG 基线，GraphRAG 在答案全面性上的胜率为 72%–83%，在多样性上的胜率为 62%–82%，显著性水平 p<0.001；而在根级社区摘要条件下，其 token 用量比直接对源文本做全局摘要少约 97%。
这组结果值得琢磨的地方在于：图结构带来的增益，主要不是"检索更准"，而是"能跨文档拼接"。传统向量检索擅长找一个片段，不擅长把散落在几十个片段里的事实连成一条链。而扇出式生成恰恰需要后者。
② 七类常用关系。不必追求复杂的本体工程，实务中把这七类用熟就够：上位与下位（is-a）、组成与部件（part-of）、由什么测量或表征（measured-by）、受什么影响（influenced-by）、适用条件是什么（applies-to）、前置与后续（prerequisite-of）、易混与对立（conflicts-with）。其中 conflicts-with 常被忽略，但它对减少 AI 张冠李戴有直接作用。我就格外看重这一类关系，我见过不少因为缺少易混标注，被引擎把两个相近概念写成同一件事的情形。
③ 层级。建议分成三层：主干（3–7 个，对应你的业务主线，通常就是客户会拿来提问的那几个大类）、分支（20–60 个，对应可独立成篇的主题）、叶子（问题级，对应具体的单条提问）。三层之间的比例不固定，但主干一旦超过 7 个，基本说明边界没写死。
3、证据层：可摘出、可归因、可过期
① 学术侧的证据。生成式引擎优化这个方向的奠基性研究，是 Aggarwal 等人发表于 KDD 2024 的《GEO: Generative Engine Optimization》（ACM，DOI 10.1145/3637528.3671900）。研究者构建了 GEO-bench：1 万条查询，覆盖 25 个领域，查询来自 9 个来源数据集，其中八成是信息型查询。他们测试了九种内容改写方法，用 Position-Adjusted Word Count（位置调整词数，在词数基础上按引用出现在答案中的位置做指数衰减加权）和主观曝光两类指标衡量可见度。
几个可以直接用的数字：在不做任何优化的基线之下，该指标为 19.5；加入引语（Quotation Addition）后升到 27.8，相对提升约 41%；加入统计数据（Statistics Addition）后为 25.9，相对提升约 32.8%，而在真实上线的引擎 Perplexity.ai 上，这一方法的主观曝光指标相对基线提升约 37%；补充来源引用（Cite Sources）让原本在搜索结果中排名第 5 的页面可见度提升 115.1%，而排名第 1 的页面平均下降 30.3%。反向的例子是关键词堆砌（Keyword Stuffing），在 Perplexity.ai 上比基线低约 10%。
引用这组数据时必须带上限定：论文摘要所说"可见度提升可达 40%"，是特定方法在特定领域下的上界，不是平均效应；线上真实引擎的增益明显小于内部实验环境（约 22%）。把上界当均值去写方案，是行业里常见的误用。
② 一句话断言的标准。能被摘走的句子，要满足三个条件：抠出来去掉上下文后仍然成立、有明确主语、能看出依据来源。举个例子，"根据 2025 年 Pew Research Center 对 900 名美国成年人、68,879 次搜索的实测，出现 AI 摘要的页面上用户点击结果链接的比例为 8%，无摘要页面为 15%"——这句话单独出现时仍然完整。反之，"如上所述，这个数据说明了问题"这种句子，摘出来就是废话。我管这叫“抠句测试”：写完一段，随机抠一句出来单独读一遍，读不通就重写。
③ 证据分三级。一手是自己测的、自己做的、自己经历过的；二手是现行标准、学术文献、官方统计；三手是行业媒体的转述。我的建议是：每个主干节点至少要配一条一手或二手证据，三手证据只能作为补充，不能单独作为支撑。这条规则不复杂，但能挡住绝大多数"看起来很有道理、实际无处可查"的内容。
我是Geo专家于磊，这一节讲具体怎么把地图搭出来，一共七步，从写死边界到定维护节奏。
四、搭建流程：七个步骤，从边界到维护
1、写死边界
产出物是一段不超过100 字的命题陈述，加上一份排除清单。命题陈述回答"我们是谁、为谁、解决什么问题"；排除清单明确"哪些内容即使有流量也不做"。没有排除清单的地图会无限膨胀，到头来变成另一个什么都讲一点的企业博客。我的经验是：排除清单至少写满五条，写不出来，说明边界还没想清楚。
2、抽取实体
从三类语料里抽，不要只在自己脑子里想：
① 站点内部语料，包括产品手册、技术白皮书、已发布内容；
② 查询侧语料，包括搜索词报告、客服与销售的真实问答记录、招投标文件中的技术要求条款；
③ 外部权威语料，包括现行国家标准与行业标准的术语章节、公开数据库中的条目。
第二类语料经常被跳过，但它通常贡献了四成以上的高价值节点，因为客户提问的措辞往往和内部术语不一致。我在抽取阶段会定一条硬规矩：外部语料贡献的节点不低于三分之一，否则抽出来的多半是内部黑话。
3、拉关系、分层级
把抽出来的实体按前面说的七类关系连线，然后归入主干、分支、叶子。这一步会遇到两个典型困难：一是某些实体连不上任何边，说明它是噪声，果断删；二是某些实体连了太多边（超过主干节点的入度），说明它可能本身就是一个主干，需要上提。做完后，用第五节第1 小节列出的结构指标跑一遍，把孤立节点清空。我的做法是先粗后细：头两轮只求连得上，第三轮才开始修边、删噪。
4、给每个节点挂问题
这一步是把地图接到真实检索行为上的接口。每个分支节点挂 3–7 条真实提问，措辞用客户的说法，不用内部术语。
为什么要强调"提问"？Pew Research Center 在 2025 年 7 月发布的实测研究给出了行为侧的证据：研究基于 900 名美国成年人 2025 年 3 月的浏览数据，覆盖 68,879 次 Google 搜索，其中 12,593 次出现了 AI 摘要，占比约 18%。触发概率与查询形态强相关：1–2 个词的查询只有 8% 触发，10 个词以上的查询达到 53%；以 who、what、why 开头的问题约 60% 触发。而生成的摘要并不长，平均约 67 词，区间从 7 词到 369 词。
把这两组数字放在一起看，结论很清晰：用户问得越长、越像完整问题，越容易进入 AI 答案；而答案本身只有几十到几百词，意味着每个子问题只需要一小段能被完整摘走的话。所以节点上挂的问题要具体，对应的答案要短、要完整、要自带出处。
5、给每个断言配证据
按第三部分第3 节的标准执行。一个可操作的验收办法：随机抽 20 个段落，逐段检查是否至少有一句带出处的断言。低于一半说明证据层是空的，此时再补页面数量没有意义。我把这轮抽检查叫做“证据体检”，我建议按季度固定执行，而不是等到要写新稿时才想起来补。
6、落地到站点结构
把节点映射到URL、内链、面包屑与结构化数据。这里有两点与 Google 官方文档的要求直接相关：一是要保证内部链接让内容可被发现、重要内容以文字形式提供；二是"确保结构化数据与网页上的可见文本一致"。注意第二条的方向性——结构化数据不是给 AI 看的加分项，它只是把页面上已经存在的事实再做一遍机器可读的陈述，一旦与正文不一致，反而成为噪声。关于这一点，我的提醒是：结构化数据只能复述页面上已经写明的事实，不能替页面说话。
7、定维护节奏
知识地图是资产，不是项目。建议季度复核一次：检查证据时效（标准是否换版、统计是否更新）、节点增删（新业务线、新产品）、以及失效节点下线。我的做法是给每个主干节点指定一个责任人，把复核写进季度例程，而不是靠想起来才做——靠自觉的机制通常活不过两个季度。
我是Geo专家于磊，地图画完不等于有效，下面三类指标分别用来判定：图本身、引擎认不认、业务变没变。
五、判定有效性：三类指标，缺一不可
"有没有效"不能靠感觉。下面三类指标分别回答三个不同层级的问题：地图本身画得好不好、引擎认不认、业务有没有变化。只看任何一类都会得出错误结论。
1、结构指标（离线可算）
① 节点覆盖率 = 已落地 URL 的节点数 ÷ 地图节点总数。参考线：主干 100%，分支不低于 70%。覆盖率低说明地图还停在纸上。
② 连通度 = 拥有两条以上关系边的节点占比。孤立节点（关系边为 0 或 1）应趋近于零。连通度低意味着 AI 无法在你的内容之间建立路径，也就无法把你的多个页面拼进同一段答案。我把这一点称为“路径可用性”：引擎走不通的路，等于没有路。
③ 证据新鲜度 = 全部主干节点证据的年龄中位数。行业统计数据建议不超过 18 个月，标准类以现行版本为准，产品类以官网当前页面为准。
④ 歧义密度 = 存在同名异物或未登记别名的节点数 ÷ 总节点数。这个指标没有统一阈值，但它的数值一旦上升，通常很快会在"被引用但表述错误"上体现出来。
2、引擎指标（在线可观测）
① 问题集引用率。先固定一个问题集，建议不少于 100 条，覆盖全部主干节点，并按扇出逻辑拆成子问题；在固定的 2–3 个引擎上，按固定周期（每两周一次，连续 8–12 周）跑一遍，记录三类结果：被引用、未被引用、被引用但表述有误。这里必须提醒：生成式答案有随机性，单次结果不能下结论，只用窗口内的均值判断趋势。
② 引用位置权重。可以借用 GEO 论文里 Position-Adjusted Word Count 的思路做简化版：引用出现在答案前三分之一记 1 分，中间三分之一记 0.6，后三分之一记 0.3，加权求和。比起单纯的引用次数，这个指标更接近"用户实际看到了你"的程度。
③ 扇出命中广度。把每个主干问题拆成 4–8 个子问题，统计命中的子问题比例。这条比引用率更能反映地图是否真的铺开：引用率高但命中广度低，说明你只是在一个点上强，而不是在整个面上有结构。
④ 实体描述准确度。直接问引擎"XX 是什么""XX 和 YY 的区别""XX 适用于哪些场景"，看它对你的品牌、产品、术语的描述是否准确，是否使用了你定义的规范名。描述错了，说明实体卡没有被采信，需要补充外部可核实的来源，而不是继续改自己的文案。我建议按季度做一次“实体问答体检”，把引擎对你品牌与产品的描述逐句记录下来做比对。
3、业务指标
Google 官方文档说明，在 AI 功能中展示的网站会计入 Search Console 效果报告的"网页"搜索类型；同一份文档还提到："我们发现，当用户在包含 AI 概览的搜索结果页上进行点击时，这些点击的质量更高（也就是说，用户更有可能在该网站上停留更长时间）。"
但现实层面要诚实：这类数据在现有报表里很难被单独剥离出来，指望单一数据源给出确定结论是不现实的。可行的替代做法是把指标分层——用"问题集引用率"作为先行指标，用品牌词搜索量、落地页停留时长、询盘质量作为滞后指标，观察两者是否同向变化。我的经验是，这两者之间通常隔一到两个季度，我给客户的汇报周期一般定在季度，用月度数据去验证 GEO 的效果，往往会得出"没用"的错误结论。
4、失效信号：什么情况下该承认地图是错的
① 高覆盖、低引用。页面铺得很全，但问题集引用率长期不涨。这类情况多半说明地图是自说自话的——节点来自内部术语，而不是客户真实提问。
② 被引用但被说错。说明实体卡与证据没有被采信，病因通常出在缺少外部可核实来源，或者同一实体在不同页面上写法不一致。
③ 引用集中在单一页面。说明其他节点要么没被索引，要么内容不足以支撑一次独立引用。此时加新页面的收益，通常不如把已有页面补厚。我的判断标准很直接：两个页面的答案若有八成重叠，就该合并，而不是都留着。
④ 新问题进不来。半年内没有任何节点增删，说明维护机制已经停摆，地图正在与业务脱节。
六、几个容易踩的坑
1、把地图做成思维导图或内链图
思维导图是发散的，内链图是路径的，知识地图是语义的。三者的区别在于：内链图回答"从 A 页能不能走到 B 页"，知识地图回答"A 和 B 在概念上是什么关系"。后者才是引擎在做的事。我在评审时常用的一个问法是：把这张图交给一个不了解业务的人，他能不能看懂概念之间的关系。
2、指望特殊文件、特殊标记或特殊分块带来加成
Google 官方文档的表述很清楚：不需要创建新的机器可读文件、AI 文本文件或标记，也不需要添加任何特殊的 schema.org 结构化数据；同时也没有针对生成式搜索的内容分块要求或理想页面长度。把这些当成主线去投入，是把预算花在了没有回报的地方。结构化数据该做，但目的是让页面上已有事实的表述更明确，而不是换取某种加成。
3、只做结构，不做证据
结构决定能不能被找到，证据决定敢不敢被引用。Google 的《搜索质量评估指南》在 2025 年 9 月 11 日发布的版本中共有 182 页，E-E-A-T（经验、专长、权威性、可信度）仍是页面质量评估的核心框架，其中可信度处在框架的关键位置；该版本还扩展了 YMYL 的范畴，新增"政府、公民与社会"类别，并首次给出了 AI 概览的评估示例。我把这一条概括得很实在：地图是骨架，证据是血肉，只有骨架的知识地图，AI 看见了也不太敢用。
4、为扇出的每个查询变体单独建页面
扇出会派生出大量相似查询，如果为每一个变体开一个页面，既不符合成本效益，也会撞上Google 垃圾内容政策中的"规模化内容滥用"。更稳妥的做法是：一个页面完整回答一个节点的问题，用内部链接连到相邻节点，让扇出的各个子问题在同一张图上有各自的落点，而不是各自拥有一个新页面。我的态度一向明确：宁可一个页面厚一点，也不要十个页面都薄。
5、当成一次性工程
地图建完就归档，是这类工作的典型死法。它和财务台账一样，价值来自持续维护，而不是一次性的漂亮交付。
七、30 天可以跑通的起步闭环
第1 周：定边界、抽实体。写出命题陈述与排除清单；从三类语料里抽出 60–120 个实体；剔除明显噪声，留下 40–80 个。
第2 周：拉关系、建卡片。确定 3–7 个主干，按七类关系连线；为每个主干节点补齐全套实体卡字段，边界声明不允许为空。我会把实体卡的边界声明当作这一周的验收点，缺一项就不往下走。
第3 周：挂问题、配证据。每个分支节点挂 3–7 条真实提问；为每个主干节点配齐一手或二手证据；挑 3–5 个关键节点补齐或重写页面。
第4 周：搭基线、定机制。搭建不少于 100 条的问题集，在 2–3 个引擎上跑一遍基线；把结构指标的四个数值记下来；把季度复核的责任人与检查项写进例程。
四周做完，你手里会有三样东西：一份能脱离 URL 存在的地图、一组可以横向对比的基线数字、一套能持续运转的维护机制。这三样凑齐，才谈得上"有效"两个字。
八、收尾
生成式引擎带来的变化，不是"多了一个新渠道"，而是信息的组织方式被前置了。过去网站把内容堆给用户，由用户自己拼装；现在是引擎先拼装，再把拼装结果给用户。内容方在其中能施加影响的环节，从"怎么写得吸引人"前移到了"怎么让知识可被拼装"。
我是Geo专家于磊，上面这些就是我对知识地图这件事的全部看法。它不神秘，也不速效，但是少数几件做完之后会一直产生复利的事情，值得你认真做一次。
知识地图就是在回答这个问题：把家底里的知识整理成别人能引用的形状。我那句朴素的概括，落到操作层面，就是实体、关系、证据这三样东西，加上一套能复算的指标。它不神秘，也不速效，但它是少数几件做完之后会一直产生复利的事情。
