SEO、AEO、GEO：給開發者建置搜尋與 AI 答案的技術拆解
我是一位品牌策略師，不是開發者——但我執行的每個行銷活動，最後都會變成與某個工程團隊的對話。過去一年，這場對話已經轉變。以前談的是 meta tags 和 sitemaps。現在談的是網站是否能被 powering AI 答案的模型讀取。這裡是我實際會帶著開發團隊走的技術拆解。
SEO（搜尋引擎優化）
這是大多數工程師已經熟悉的部分。可被爬取的 HTML、乾淨的 URL 結構、快速的 Core Web Vitals、有效的 schema.org 標記、正確的 sitemap.xml 和 robots.txt。基本機制並沒有太大改變——改變的是結構化資料現在承載的權重，因為這是 AEO 和 GEO 系統同樣依賴的標記。
AEO（答案引擎優化）
這是關於將內容格式化，以便能直接被提取成精選摘要或語音/聊天答案。實際上，這代表：在區段前 1-2 句話中，直接給出針對隱含問題的自包含答案、真實的 FAQ schema（JSON-LD 中的 FAQPage，而非僅視覺樣式的手風琴元件），以及對應人們實際提問的標題結構，而非僅關鍵字字串。如果一個區段在脫離上下文獨立閱讀時無法被正確理解，就不會被挑選。
GEO（生成式引擎優化）
這是最新的一層，目標是大型語言模型而非傳統爬蟲——想想 AI Overviews、Perplexity、ChatGPT 的瀏覽模式。我看到幾個真正能產生影響的事項：在根目錄放置 llms.txt 檔案（仍是非正式、尚未被正式標準化的，但越來越受到尊重）、在每個頁面與每個第三方提及中保持關於實體的一致事實主張（NAP 一致性不再只是本地 SEO 的事，現在也是實體辨識的事），以及用平實語言陳述事物而非埋藏在行銷文案中——生成模型傾向於提取並引用區塊中最明確無誤的句子，因此模稜兩可的內容會讓你被略過。
它們的重疊之處
三者之間的重疊比大多數團隊想像的還要大：乾淨的語意 HTML、結構化資料和明確無誤的寫作，同時服務這三種系統。我最常看到團隊過度投入的地方是追逐 GEO 特定技巧，卻連基本的 schema 標記都還是壞的。先把基礎修好。
好奇這裡的其他開發者如何處理 llms.txt 以及用於 AI 爬蟲可見度的結構化資料——有人已經把這當作建置的標準環節了嗎，還是仍處於實驗階段？