2026 年 9 月 27 日，我们第一次把自家站点送进 AI 就绪度引擎：104 个页面，均分 67.62，8 个维度里有一个维度全站 0 分。19 份台账之后，同样这 104 个 URL（一个都没变、一个都没删），今天早上在同一把尺子下是 84.95 分——+17.34 分。
但真正值得写的不是「涨了 17 分」。是这 17.34 分谁贡献的：其中 17.00 分来自四个「改一次、全站每一页同时受益」的动作，21 天不间断的内容生产——新增 16 对中越双语文章与 11 份产业深度报告——在评分表上只留下了 0.33 分。
这个结论听起来像在自我否定，恰恰相反：评分引擎的权重结构决定了一件事的性价比，先知道结构、再决定投人力在哪里，才是 GEO 该有的顺序。本文把账完全摊开，包括我们自己踩的坑、一次引擎误判，以及写这篇稿子时现场发现并修掉的一个缺陷（它给全站每页再补了 4 分）。
一、先把账单摊开：17.34 分的四个来源
下表是同一批 104 个 URL 在 2026-09-27 与 2026-10-18 的逐维度读数。左边是起点，右边是今天，中间是差值。没有任何一项是估算——全部由存档台账重新计算，脚本可以逐行复现。
| 维度 | 满分 | 09-27（104 页） | 10-18（同一批 104 页） | 差值 | 归因 |
|---|---|---|---|---|---|
| AI 爬虫访问（robots） | 18 | 15.00 | 18.00 | +3.00 | 站级：robots.txt 显式点名 27 个 AI/引用类 UA |
| llms.txt | 18 | 12.00 | 16.00 | +4.00 | 站级：从「有文件」改成「有结构、有链接、有深度」 |
| AI 发现端点 | 6 | 0.00 | 6.00 | +6.00 | 站级：补齐 4 个机器可读端点 |
| Meta 标签 | 14 | 9.65 | 13.88 | +4.23 | 模板级：OG 标签全站注入（+4.00）＋少量历史页补 canonical（+0.23） |
| 内容质量 | 12 | 9.98 | 10.08 | +0.10 | 页级：55 篇文章的写作 |
| 结构化数据 | 16 | 13.00 | 13.00 | 0.00 | 页级：21 天内没有变化 |
| 技术信号 | 6 | 4.00 | 4.00 | 0.00 | 页级：没有主动加 RSS |
| 品牌实体 | 10 | 4.89 | 4.89 | 0.00 | 页级：这是最大的一块失分，见第十章 |
| 负向罚分 | 0 | −0.91 | −0.90 | +0.01 | 引擎统一扣 1 分，见第十一章 |
| 合计 | 100 | 67.62 | 84.95 | +17.34 | 其中 17.00 分是「改一次全站生效」，0.33 分是页级写作，另有负向罚分变化 +0.01 |
读完这张表，一个反直觉的结论就出来了：四个站级/模板级动作（+3.00 +4.00 +6.00 +4.00 = 17.00）贡献了 98% 的涨幅，而「每天都在写、越写越长」的内容生产，在分数上只值 0.33 分。三个页级维度——结构化数据、技术信号、品牌实体——21 天里一分没动，不是我们没干活，而是我们干的活不落在这三个维度上。
二、测量口径：同一把尺子、同一批 URL、19 份存档
要谈「涨了多少」，第一件事是说清尺子是谁的、量了几次。本系列全部读数由开源引擎 Auriti geo-optimizer-skill v4.18.0（MIT 协议）产出，跑在广州 ECS 本机（127.0.0.1:8006，绕开 nginx 限流桶），每次测量逐页独立抓取、独立评分。八维度权重固定：
| 维度 | 满分 | 引擎看什么（源码可查） | 我们今天的均值 | 满分率 |
|---|---|---|---|---|
| AI 爬虫访问（robots） | 18 | robots.txt 是否放行引用类爬虫、是否显式点名（泛放行只能拿部分分） | 18.00 | 166/166 |
| llms.txt | 18 | 文件存在、H1、blockquote、分节、链接、字数深度、是否给 full 版本 | 16.00 | 0/166 |
| 结构化数据（schema） | 16 | JSON-LD 是否合法、是否有 Article/Organization、属性丰富度、FAQPage | 12.92 | 0/166 |
| Meta 标签 | 14 | title、description、canonical、OG title + OG description | 13.93 | 160/166 |
| 内容质量 | 12 | H1、标题层级、数字密度、列表/表格、外链、开头前置结论 | 10.47 | 14/166 |
| 技术信号 | 6 | lang 属性、RSS、内容新鲜度日期 | 4.10 | 8/166 |
| AI 发现端点 | 6 | /.well-known/ai.txt、/ai/summary.json、/ai/faq.json、/ai/service.json | 6.00 | 166/166 |
| 品牌实体 | 10 | 品牌名一致性、schema 描述与 meta 描述是否一致、知识图谱支柱、About/联系入口、地理标识、主题权威 | 5.02 | 0/166 |
口径说明（这三条决定了数字能不能被比较）。① 每次测量都是逐页真实抓取，抓取失败、被拒、返回空壳或人机质询页的，一律记「无法评分」不记 0 分——把「没抓到」写成「0 分」是最常见的伪数据。② 每次全站扫描的结果都落盘存档，本文用的是 2026-09-27 至 10-18 的 19 份存档台账，不是回忆。③ 维度分之和减去负向罚分必须等于总分，这一条在今天的 166 页上逐页断言通过。
三、轨迹：19 份台账里，分数只在四天跳
把 19 份台账按日期排开，会看到一个很干净的形状：分数是阶梯，不是斜坡。四个跳变日，每一天都对应一次「改一次、全站生效」的动作；其余日子在写文章、发报告，均分几乎贴着水平线走。
| 日期 | 台账页数 | 均分 | 当天发生了什么 |
|---|---|---|---|
| 2026-09-27 | 104 | 67.62 | 基线：首次全站体检 |
| 2026-09-28 | 110 | 73.80 | 🔺 补 4 个 AI 发现端点（每页 +6） |
| 2026-10-04 | 128 | 78.00 | 🔺 重写 llms.txt（每页 +4） |
| 2026-10-07 | 136 | 78.26 | 写稿：blog 增 4 篇 |
| 2026-10-10 | 142 | 78.32 | 写稿：blog 增 3 篇、产业报告增 1 份 |
| 2026-10-11 | 150 | 81.57 | 🔺 robots.txt 点名 27 个 AI UA（每页 +3） |
| 2026-10-13 | 158 | 81.62 | 写稿：产业报告第 22 篇（食品饮料） |
| 2026-10-16 | 164 | 81.63 | 写稿：纺织服装实测 + 第 23 篇报告 |
| 2026-10-17 | 166 | 81.64 | 写稿：产业报告第 24 篇（旅游酒店） |
| 2026-10-18（本轮） | 166 | 85.45 | 🔺 OG 标签全站注入（180 页，每页 +4） |
跳变日的增益和当天的写稿量没有关系：09-28 那天只往站点根目录放了 4 个小文件（合计不到 6 KB），均分涨了 6.18；而 10-07 到 10-10 三天写了 7 篇文章，均分涨了 0.06。这就是权重结构的力量。
四、杠杆一：4 个文件，全站每页 +6
09-27 那份基线台账里最刺眼的一行是：「AI 发现端点」维度，104 个页面全是 0 分。原因不是我们写错了什么，而是站点根目录下根本没有这 4 个文件：
/.well-known/ai.txt——给 AI 代理看的「站点说明」，非空即得分；/ai/summary.json——机器可读的品牌与业务摘要（name ≥ 3 字符、description ≥ 20 字符）；/ai/faq.json——结构化 FAQ，合法 JSON 即得分（我们塞了 12 条问答）；/ai/service.json——服务能力清单（capabilities 非空列表）。
这四个文件放在站点根目录，不需要改 nginx、不需要改任何页面的 HTML。放上去之后，全站每一页的这个维度同时从 0 变 6——09-28 的台账里，110 个页面的该维度无一例外都是 6.00。这是整段复盘里性价比最高的一次动作：4 个文件、6 KB、零改动、全站 +6 分。
五、杠杆二：llms.txt 从「有」到「有用」，全站每页 +4
我们早在 09 月中旬就放了 llms.txt，但它的分数一直卡在 12/18。看引擎的检查项就明白了：它不只问「文件在不在」，还问 H1 有没有、有没有 blockquote 摘要、有没有分节、有没有链接、字数够不够深度、有没有给 full 版本。我们第一版 llms.txt 是「一大堆链接的堆叠」，有链接但没有结构——所以拿了 12 分就停住了。
10-04 重写后，llms.txt 变成一份真正的「机器可读目录」：H1 品牌 + blockquote 一句话定位 + 分节（公司资质 / 服务 / 内容中心 / 越南产业研究 / 公开资产 / 对外数据口径 / 联系）+ 70 条内链 + full 版本。当天的台账：llms 维度 12.00 → 16.00，全站每页 +4。
还剩 2 分为什么拿不到？诚实说：我们只做到「有可选节」（引擎里的 has_optional_section 仍是 False），另外深度阈值那一档也没触发（我们的 llms.txt 现在 2,210 词，引擎的高深度阈值在 3,000 词量级）。这两分我们没有做变量实验，不下结论——写在这里是为了让读者知道：16/18 不是「满分」，我们自己的站点也还有 2 分没吃到。
六、杠杆三：robots.txt 点名 27 个 AI 爬虫，全站每页 +3
我们的 robots.txt 从建站起就是「User-agent: * 全放行」。从行为上讲，AI 爬虫确实进得来——引擎却只给 15/18。差别在「泛放行」与「显式点名」：引擎区分 bots_allowed（规则上没被挡）与 citation_bots_explicit（robots.txt 里逐个写出 UA 名），后者才给满。
10-11 我们把 27 个 AI/引用类 UA 全部显式写进 robots.txt：GPTBot、OAI-SearchBot、ChatGPT-User、ClaudeBot、Claude-SearchBot、Claude-User、PerplexityBot、Perplexity-User、Googlebot、Google-Extended、Google-CloudVertexBot、Bingbot、Applebot / Applebot-Extended、cohere-ai、DuckAssistBot、Bytespider、meta-externalagent、Meta-ExternalFetcher、facebookexternalhit、Amazonbot、AI2Bot / AI2Bot-Dolma、xAI-Bot、PetalBot、YouBot、CCBot。当天台账：robots 15.00 → 18.00，全站每页 +3。
这一条的现实意义比分数大：显式点名是一份书面许可。我们此前做过 11 天 12,867 条外部请求的门牌分析，AI 爬虫最先读的就是 robots 与 sitemap——一纸明确的「欢迎」比一句「不禁止」更可能换来抓取。
七、杠杆四（本轮现场做的）：152 个文章页全缺 OG 标签，一次脚本每页 +4
写这篇文章时，我们顺手把「Meta 标签」维度的 14 分拆成了四项：title、description、canonical、OG（og:title + og:description）。前三项我们的文章页都有——第四项，全站 180 个页面里一个都没有。也就是说：
- 文章页 Meta 维度长期停在 10/14，每页白丢 4 分；
- 共享到微信、飞书、X、LinkedIn 时，链接卡片没有标题和摘要，只有一张裸 URL；
- 而 AI 代理抓取页面时，OG 也是它判断「这页讲什么」的廉价信号之一。
修法很小：一个脚本读每页自己的 <title> 与 meta description，生成 og:type / og:url / og:title / og:description / og:image / og:locale 六行，插在 </head> 前。执行结果：180 个页面注入，8 个原本已有（商业页）跳过。核验方式不是「看页面 200」，而是与备份逐字节比对：把插入的六行剥掉之后，180 个文件必须与备份完全一致，且 <div> 开闭计数、head/body 计数一个不变——180/180 通过，0 例外。
当天复测：全站 166 页均分 81.64 → 85.45，Meta 维度 10.12 → 13.93（160 页拿满 14/14，剩下 6 页是缺 canonical 的历史页）。同一批 104 个 URL 的 Meta 维度从 9.65 到 13.88——+4.23。
八、页级写作：21 天、27 对内容、54 个页面，评分只给了 0.33 分
这是最不舒服的一段，但也最值得写。从 09-27 到今天，我们新增了 16 对中越双语文章 + 11 份产业深度报告（合计 27 对、54 个页面），每一篇都跑完整条产线：数据核验、双语翻译、结构断言、线上回读。评分表上它换来了什么？
| 页级维度 | 满分 | 09-27 | 今天 | 变化 |
|---|---|---|---|---|
| 内容质量 | 12 | 9.98 | 10.08 | +0.10 |
| 结构化数据 | 16 | 13.00 | 13.00 | 0.00 |
| 技术信号 | 6 | 4.00 | 4.00 | 0.00 |
| 品牌实体 | 10 | 4.89 | 4.89 | 0.00 |
| Meta（非 OG 部分） | — | — | — | +0.23 |
为什么是 0.10？因为引擎的「内容质量」维度衡量的是结构不是长度：有没有 H1、标题层级是否合理、有没有数字、有没有列表或表格、开头有没有前置结论。我们本来就做到了这些，所以再多写 3,000 字，这一项也不动。它衡量的是「AI 能不能结构化地读你」，不是「你写得好不好」。
那这 27 对内容白做了吗？不是。评分只覆盖了「可机器判定」的那一层，而真正的引用发生在更上层：我们的日志复算显示，AI 爬虫在 11 天里读了我们 1,436 次，而从 AI 答案点进来的真实访客只有 1 个——「被读到」和「被引用」之间还有一道很宽的沟。真正跨过这道沟的东西，恰恰是内容：可复算的一手数据、别处没有的实测名单、能被引用的具体数字。这些东西在评分表上只值 0.1 分，在 AI 的答案里可能值一次引用。
九、写长文到底管不管用：相关系数 0.39，但真正相关的是「结构」
我们把 166 个页面的「可见正文字数」与得分做了相关分析（Pearson，n=166），同时看了 H2 数量、表格数量与 JSON-LD 块数：
| 变量 | 与得分的相关系数 | 读法 |
|---|---|---|
| 正文字数 | 0.39 | 弱正相关：字数多不保证分高，但极端短文会掉档 |
| H2 小标题数量 | 0.48 | 最强的一项：结构比字数更像分数的驱动 |
| 表格数量 | 0.32 | 弱正相关：表格是可被机器抽取的结构 |
| JSON-LD 块数 | 0.07 | 几乎无关：堆 schema 数量没用，schema 类型与丰富度才有用 |
| 正文字数分档 | 页数 | 均分 |
|---|---|---|
| < 3,000 字 | 53 | 84.26 |
| 3,000 – 6,000 字 | 40 | 85.65 |
| 6,000 – 10,000 字 | 30 | 86.13 |
| > 10,000 字 | 43 | 86.23 |
从不到 3,000 字到超过 10,000 字，均分只差 1.97 分；而字数翻三倍的那部分页面（>10,000 字）也并没有因为「长」而甩开别人。反过来，一个页面只要把 H2 用对、把结论写在开头、把数据放进表格，它就已经拿到内容维度的大部分分。「写长」是结果，不是方法。
十、剩下 14 分丢在哪：品牌实体一个人占 5 分
今天全站 166 页均分 85.45，距离 100 还差 14 分左右。这 14 分几乎全部集中在三个地方：
| 失分项 | 满分 | 我们的均值 | 丢分 | 引擎今天判我们「缺」的（逐页读数） |
|---|---|---|---|---|
| 品牌实体 | 10 | 5.02 | 4.98 | 知识图谱支柱 0 个（kg_pillar_count=0）、无 About 入口、无结构化联系方式 |
| 结构化数据 | 16 | 12.92 | 3.08 | 文章页没有 FAQPage、没有 sameAs（跨平台实体互证） |
| llms.txt | 18 | 16.00 | 2.00 | 没有可选节、深度未达高阈值 |
| 技术信号 | 6 | 4.10 | 1.90 | 没有 RSS feed（158 页都是 4/6） |
| 内容质量 | 12 | 10.47 | 1.53 | 正文无外链、部分页标题层级不足 |
| 负向罚分 | 0 | −0.98 | 0.98 | 见下一章：我们认为是引擎误判 |
| Meta 标签 | 14 | 13.93 | 0.07 | 6 个历史页缺 canonical |
品牌实体为什么这么难拿？它的 10 分拆成七项：品牌名在各处一致、schema 描述与 meta 描述一致、知识图谱支柱（3 分）、About 页入口、结构化联系方式、地理标识（geo schema 或 hreflang）、主题权威（FAQ 深度 ≥ 3 或有近期文章）。我们拿到的是「一致」「地理标识」「近期文章」这三类的 5 分；知识图谱支柱 0 分、About 入口 0 分、结构化联系信息 0 分。
这三项恰好都不是「写」出来的：知识图谱支柱要求站内存在一组可被机器识别的实体页（品牌、服务、地点、人物），About 与联系入口要求页面上有指向它们的可解析链接与结构化数据。这是我们下一轮最该干的事——5 分，一次结构性改造。
十一、一次引擎误判：153 个页面被同一个词扣分
166 个页面里有 153 个被判负向罚分 −1。逐页读引擎明细，触发项是同一个：has_keyword_stuffing = True，判定词是 「foundation」，密度 7.7%。
这个词从哪来的？来自我们实测文章的评分档位表格：20 家被测企业每一行都有一个「foundation（基础）」档位标签，一页表格出现 18 次。引擎把表格里的档位词当成了关键词堆砌。
我们不打算为了这 1 分把表格里的档位词删掉——它是内容的必要部分，删掉就是向评分优化妥协、损害读者理解。这里如实记录：这是一次引擎误判（false positive），我们接受这 1 分的代价。同时提醒读者：任何一个评分工具都会有误判，看到「扣分」先读明细，别急着改内容。
十二、两类页面的对照：商业页比文章页高 4 分，差的是三件小事
把 166 页按角色拆开，会看到一组有意思的对照（均为今天读数）：
| 页面类型 | 页数 | 均分 | 技术信号 | 品牌实体 | 结构化数据 |
|---|---|---|---|---|---|
| 中文产业报告 | 24 | 86.50 | 4.00 | 5.00 | 13.00 |
| 越南语产业报告 | 24 | 86.08 | 4.00 | 4.79 | 13.00 |
| 越南语 blog | 55 | 85.62 | 4.00 | 4.95 | 13.00 |
| 中文 blog | 55 | 84.42 | 4.00 | 4.95 | 13.00 |
| 商业转化页（产品/方案/演示） | 8 | 86.25 | 6.00 | 6.75 | 11.25 |
商业页在「技术信号」（6/6 满分）与「品牌实体」（6.75）上明显领先，在「结构化数据」上反而更低（它们没有 Article 类 schema）。这说明：把 About 入口、结构化联系方式、RSS 声明这三件小事补到文章模板里，全站文章页可以直接多拿 3–4 分——这是下一轮最便宜的增量。
另一个细节：越南语 blog 比中文 blog 高 1.20 分，差别全在「内容质量」维度（10.78 vs 9.51）。同一篇文章、同一套结构，越南语侧高 1.27 分。我们的假说是：引擎按词元（token）计数，越南语以音节/词为单位切分，同样的信息量在词数统计上更「够量」。这只是假说，我们没有做对照实验，不下结论——但它提醒我们：跨语言测量时，「字数」这个指标不可跨语种直接比较。
十三、按 ROI 排序的 30 天动作表（可以直接抄）
| 顺序 | 动作 | 改动量 | 我们的实测收益 | 成本 |
|---|---|---|---|---|
| 1 | 站点根放 4 个 AI 发现端点 | 4 个文件，约 6 KB | 全站每页 +6 | 半天 |
| 2 | robots.txt 显式点名 27 个 AI UA | 一段文本 | 全站每页 +3 | 1 小时 |
| 3 | 全站补 og:title / og:description | 一个脚本 | 全站每页 +4 | 2 小时 |
| 4 | 重写 llms.txt（H1 + 摘要 + 分节 + 内链 + 深度） | 一份文档 | 全站每页 +4 | 1 天 |
| 5 | 品牌实体三件事：知识图谱支柱 / About 入口 / 结构化联系方式 | 结构性改造 | 预期每页 +3 ~ +5（未实测） | 3–5 天 |
| 6 | 文章页补 FAQPage + sameAs | 模板级 | 预期每页 +2 ~ +3（未实测） | 2 天 |
| 7 | 加 RSS、给正文加可信外链 | 模板级 | 预期每页 +2（未实测） | 1 天 |
| 8 | 写内容 | 持续 | 评分 +0.10 ~ +0.33 / 21 天；引用收益无法用分数衡量 | 长期 |
注意第 8 行：我们没有把「写内容」删掉，而是把它放到了最后一位——因为前三项做完只要两天，收益是它的 50 倍。顺序对了，同样的预算能多拿十几分；顺序错了，就是我们现在这样：写了 21 天，分数只动了 0.33。
十四、为什么把自家账本公开：分数是入场券，引用才是结果
把这份账本公开，对我们其实是「不利」的：它承认了 21 天内容生产在评分上只值 0.33 分，也承认了我们的品牌实体维度只有 5.02/10、自己的站点也还没满分。但我们认为这才是 GEO 该有的透明度——
- 评分是入场券，不是终点。166 页 85.4 分说明「机器能读懂我们」，但 AI 会不会引用我们，取决于内容里有没有别处拿不到的事实；
- 数字必须能复算。本文每一个分数都来自存档台账，每一个「前后」都是同一批 URL、同一把尺子、同一个节点；读者可以自己拿开源引擎复测；
- 误判要写出来。引擎把我们的表格档位词判成关键词堆砌，我们照写不改——如果为了 1 分去删内容，就是在教客户做错的事。
如果你正在做企业的 AI 可见度，这套顺序可以直接搬：先把站级配置（robots / llms.txt / AI 发现端点 / OG）做到位——这是两天的工作、全站受益；再攻品牌实体——这是最大的剩余失分；最后才是内容深度，因为内容是复利，不是快钱。
我们给客户的第一次诊断，就是把这三层摊开：站级配置多少分、页级结构多少分、内容与实体多少分，以及按 ROI 排的操作顺序。被 AI 理解，即是被世界看见——而「被理解」这件事，比大多数人想的更工程化。