FAQ

结构化数据(JSON-LD)对 AI 搜索到底有多重要?

结构化数据是机器读的那份「事实表」:用 JSON-LD 明确告诉爬虫——实体是哪家公司、这一页是 FAQ 还是服务还是报告、里面的人名时间数字各是什么。它的重要是「不对称」的:补上它不会直接带来引用,但缺了它会造成一类真实错误:AI 读错你的事实、把你和同名公司混淆、或者干脆解析不了页面。在 Negency 对 30 家中国出海企业的采样里,17 家完全没有 JSON-LD,是机器可读一组里最普遍的缺项。

Figure 01 · JSON-LD 骨架:Organization + FAQPage

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@type": "Organization",
      "name": "Negency",
      "legalName": "上海熵宜信息技术有限公司",
      "alternateName": "熵宜",
      "url": "https://www.negency.com/",
      "description": "Negency is an AI-native enterprise systems engineering and intelligent solutions company.",
      "foundingDate": "2014",
      "contactPoint": {
        "@type": "ContactPoint",
        "contactType": "sales",
        "email": "[email protected]"
      }
    },
    {
      "@type": "FAQPage",
      "mainEntity": [
        {
          "@type": "Question",
          "name": "什么是 GEO?",
          "acceptedAnswer": {
            "@type": "Answer",
            "text": "GEO 是让品牌在 AI 生成的答案中被提及、被引用为来源的工作。"
          }
        },
        {
          "@type": "Question",
          "name": "What is GEO?",
          "acceptedAnswer": {
            "@type": "Answer",
            "text": "GEO is the work of getting a brand cited in AI answers."
          }
        }
      ]
    }
  ]
}
</script>
  1. Organization 先把"我们是谁"写死法定名称、官网、成立年份、联系方式,解决认错人与混同名
  2. 只写页面上看得见的事实标注与可见文字不一致,比不标注更糟
  3. FAQPage 的问答须与页面可见问答逐字一致不编造页面上没有的问题
  4. 字段均来自 schema.org 规范不要自造属性名
示例事实取自 Negency 已公开的 llms.txt与官网。注意:Google 已于 2026 年 5 月停止展示 FAQ 富媒体结果;FAQPage 在此的价值是机器可读结构,不是 Google 搜索展示。

它具体起什么作用

锚定实体:Organization 标注让机器不用猜就知道:这一页讲的是哪家公司、做什么、官方渠道在哪。LLM 的实体知识需要挂靠点,结构化事实就是挂靠点。同名公司很多,没有标注,引擎只能靠猜来区分"Negency"和另一家相似名字的公司。

切分内容单元:Service、FAQPage、Article 标注等于直接对机器声明「这页是什么、哪段回答哪个问题」,省去引擎从散文里猜结构的一步。AI 摘引的是段落,标注就是段落的目录。

事实可核验:日期、作者、来源、发布方写进标注,爬取时一次提取;AI 回答要引用的是能核验的事实,不是文案。一篇带作者与发布日期的 Article 标注,比一段没有出处的正文更容易被当作引用来源。

格式上,Google 官方文档把 JSON-LD 列为推荐格式:它写在独立的 script 标签里,不与可见文字交错,最容易实现与维护;Google 同时要求标注内容必须与页面可见文字一致——标注看不见的东西,比不标注更糟。

它做不到什么

结构化数据不是引用开关:没有第三方提及,它提不了你的提及率;它提升的是「事实被读对的概率」和「被引用时不出错的概率」。Google 官方文档也说得很清楚:进入 AI 概览与 AI 模式不需要专门的结构化数据,结构化数据不是 AI 搜索的必要条件——它做的是让已经发生的引用更准确。

还有一处 2026 年的变化要注意:Google 已于 2026 年 5 月停止在搜索结果中展示 FAQ 富媒体结果。FAQPage 本身仍是有效的 schema.org 类型,对 AI 引擎与其他解析方仍有结构化价值,但不要再把它当作 Google 搜索展示手段来做;做 FAQPage 的理由是机器可读,不是搜索特效。

但这项工作成本低、效果可测——在 30 家中国出海企业官网(Negency 旗舰报告 2026 年第一期,2026 年 10 月 30 日采样)里,缺 JSON-LD 是最普遍的重大缺项(17/30),机器可读一项均分只有 69.2(中位数 68.5)。便宜、多数人没做、能修一类真实错误——这种事性价比最高,应该先做。(抽样口径:样本为 30 家中国出海企业全球官网主域名,检测用 Negency AI 可见度体检引擎,约 30 个信号、五类,单日采样;报告只测技术可见度,不测提及率。)

建议顺序

先补 Organization 实体标注,再给 FAQ 内容配 FAQPage、给服务页配 Service、给新闻与报告配 Article。补完要逐项与页面可见文字对账:标注与页面互相矛盾比不标注更糟。验收分两步:先用 Google 富媒体结果测试等校验工具确认格式合法,再人工抽查标注里的名称、日期、链接是否与页面上人能看到的文字逐项一致。

先做哪四类、按什么顺序

  • Organization:先把「我们是谁」写死——法定名称、官网、标志、公开联系方式、成立信息,解决引擎认错人、混同名的问题;
  • WebSite:声明站点本身的名称与语言版本对应关系,帮引擎把多语言页面归到同一个实体名下;
  • FAQPage / Article:把问答页与文章页的标题、作者方、发布与更新日期结构化,方便引擎摘取与标注出处;
  • Service / Product:把服务与产品的名称、说明、适用对象写成结构化条目,让「谁提供什么」可以被直读。

本页上方的图解给出了 Organization + FAQPage 的 JSON-LD 骨架示例(以 Negency 自己的公开事实为例),字段均来自 schema.org 规范,可直接对照着写。

做了没效果,最常见的原因

做了没效果,最常见的不是格式错,而是内容对不上:结构化数据里写的与页面上人能看到的文字不一致、只给首页做不给内页做、套模板插件的默认输出与公司真实口径冲突。典型例子:标注里的成立年份写 2014,关于页正文写 2016——引擎面对两个版本,只能两个都不信。引擎信的是交叉一致的信息,结构化数据只是把一致的信息说得更清楚,不是给不一致的信息发通行证。修之前先对账,修之后逐页复查,标注才算真正落地。

不确定自己站点缺哪些标注?免费 AI 可见度体检会逐项查 JSON-LD 的有无与对错,先看结果再动手。

相关问题

GEO 和 SEO 有什么区别?

SEO 优化的是网页在搜索结果列表里的排名,目标是点击;GEO(生成式引擎优化)优化的是企业在 AI 生成答案里被发现、理解、信任和引用的程度,目标是进入答案本身。两者共用一部分技术基础(可抓取性、结构化数据、内容质量),但 GEO 额外要求实体事实治理、机器可读面(llms.txt、Markdown 镜像)和第三方提及生态。做 SEO 的网站不等于对 AI 可见:AI 引擎引用谁,取决于它能否抓到、读懂并核实这个企业的事实。 具体差异集中在四个层面:目标、对象、内容结构与评估方式,正文有逐项对照。

中国企业出海,怎么做 AI 搜索可见度?

出海企业的 AI 可见度短板通常不在内容量,而在机器可读面:我们对 30 家中国出海企业的实测显示,类目均分最弱的是机器可读面(69.2/100)——17 家首页没有 JSON-LD、15 家 sitemap 缺失或收录不足、13 家 H1 缺失或重复。路径是四步:先体检摸清机器人可达性与机器可读面,再治理实体事实(双语口径一致),然后按海外客户的真实问题生产问答式内容,最后经营第三方提及(媒体、社区、合作伙伴),并用固定问题集定期复测提及与引用验证效果。

AI 搜索时代,企业官网要做哪些改造?

五件套:一是机器人可达——robots 对 AI 爬虫显式放行且实测不被防火墙/验证页拦截;二是机器可读面——llms.txt 事实文件(可选辅助)、sitemap 完整、核心页提供 Markdown 版(可选);三是实体结构——JSON-LD 写明 Organization 等实体类型、标题与 H1 规范、双语站 hreflang 对应;四是问答式内容——按客户问题组织页面、短答先行并配 FAQ schema;五是可度量——后台能分开看到真人与机器人流量、AI 引荐带来的线索单独归因。Negency 官网自身就是按这五条改造的,体检工具用的也是同一套标准。

llms.txt 是什么?企业网站有必要加吗?

llms.txt 是放在网站根目录的一份纯文本说明书,专门写给 AI 看:公司是谁、做什么、核心页面在哪、关键事实与定义是什么。它不能直接提升被引用的概率(Ahrefs 2026 年 5 月研究:137,210 个域名中,已发布 llms.txt 的文件 97% 当月零次被取用,对引用率的直接影响接近零),但它是成本最低的事实治理动作——一份文件把全网口径统一锚点立住,AI 抓取时有据可依。结论:值得加,但别指望只加它就有效;它要和实体事实治理、结构化数据、问答式内容一起做。Negency 的 llms.txt 是事实圣经版:含公司定义、方案边界、案例出处与引用规则。

企业部署 AI Agent 之前,要做哪些准备?

四件准备,缺一件都不建议开工:一是场景选型——从高频、规则相对清晰、结果可验证的工作流里选试点,而不是从最炫的场景选;二是知识与数据基础——Agent 要用的知识库先治理(去重、版本、权限),脏知识库只会放大错误;三是治理设计——权限边界、人工审批点、审计日志在上线前定好;四是度量基线——试点前先记录人工流程的耗时与错误率,否则上线后无法证明价值。Negency 的方法论是先小范围受控试点、验证有效再扩围,治理是设计输入而不是事后补丁。