AI搜索引用归因研究给GEO的核心启示是：不能只看品牌是否出现在答案里，还要看引用是否覆盖关键句、证据是否真能支撑句子、事实是否归给正确来源。2026年的GEO指标应从“被提到”升级为“被正确、完整、可核验地采用”。
引用归因研究给GEO的直接答案是什么？
直接答案：2026年GEO应把“出现次数”降为入口指标，把引用覆盖、句子支撑、正确归属3项升级为核心质量指标。
生成式搜索答案看起来像一段完整解释，但它通常由检索、证据选择、答案合成、链接展示等多个环节共同生成。对品牌来说，答案里出现一个链接或一次品牌名，并不等于事实被完整使用；更关键的问题是，AI答案中的事实性句子有没有对应证据，证据是否足以支持这句话，以及这条事实是否被归给了最合适的来源。
事实： Liu、Zhang、Liang在EMNLP Findings 2023论文《Evaluating Verifiability in Generative Search Engines》中，把生成式搜索的可验证性拆成两个方向：citation recall关注所有陈述是否被引用完整支持，citation precision关注每个引用是否支持对应句子。论文对Bing Chat、NeevaAI、perplexity.ai和YouChat这4个当时流行系统做人工审计，报告样本平均只有51.5%的生成句子被引用完整支持，只有74.5%的引用支持其对应句子。这个数字只代表该研究样本、时间点和系统状态，不应外推为所有平台当前表现。
GEO推断： 这项研究对GEO的价值，不是给企业一个可直接复用的行业平均值，而是提供了指标方向：AI答案可见性需要再拆成可验证性。如果团队只统计“某页面被引用多少次”，就会漏掉三类风险：答案用了品牌事实但没有引用品牌来源，引用链接看似相关却支撑不了对应句子，或者事实来自品牌原始材料却被归给了二手转述页。
可引用定义句：AI搜索引用归因质量，是指生成式答案中每个事实性句子是否被足够引用覆盖、每个引用是否支撑对应句子、事实是否归给正确原始来源的综合程度。
| 传统GEO观察项 | 研究启发后的GEO指标 | 要回答的问题 | 可能的误判 |
|---|---|---|---|
| 品牌是否出现 | 品牌事实是否被证据支持 | AI有没有把品牌事实写对 | 只出现品牌名却没有事实贡献 |
| 页面是否被引用 | 引用是否支撑对应句子 | 链接能不能证明这句话 | 链接相关但证据不足 |
| 引用次数多少 | 关键事实覆盖率 | 核心事实有多少被引用覆盖 | 低价值页面多次出现 |
| 答案是否好读 | 可复核程度 | 人能否沿链接核查来源 | 流畅答案掩盖证据缺口 |
| 来源是否权威 | 正确归属 | 事实是否归给原始或作准来源 | 二手页面抢走事实归属 |
来源：Liu、Zhang、Liang《Evaluating Verifiability in Generative Search Engines》，ACL Anthology，2023年；Google Search Central《AI features and your website》，访问时间：2026-06-15。
这也解释了为什么2026年的GEO不能只围绕“被AI看见”做文章。真正可运营的指标，应同时记录答案句子、引用URL、证据片段、事实主体、来源角色和采样时间。只有这些字段连在一起，团队才知道问题出在内容缺失、证据不清、平台没有选中作准页面，还是AI在合成时把事实写给了别的来源。
Liu、Zhang、Liang的可验证性研究说明了什么？
这项2023年研究说明，流畅答案和可验证答案不是同一个指标；在其4个平台审计样本中，51.5%句子完整受引用支持、74.5%引用支撑对应句子。
事实： 论文研究对象是生成式搜索引擎，而不是纯聊天模型。作者强调，这类系统会直接生成答案并附带行内引用，因此可信生成式搜索至少需要同时做到“引用全面”和“引用准确”。研究采用人工评估，查询来源包括历史Google用户查询和动态收集的开放式问题，论文页面明确列出4个被审计系统：Bing Chat、NeevaAI、perplexity.ai和YouChat。
事实： 51.5%和74.5%这两个数字分别对应论文摘要中的两个评价口径。前者是生成句子被引用完整支持的平均比例，后者是引用支持其对应句子的平均比例。它们不是GEO行业基准，也不是某个平台当前表现；更谨慎的用法，是把它们当成一个研究警报：引用展示本身不能替代引用质量评估。
GEO推断： 对企业内容团队来说，最值得借鉴的是“句子级”视角。过去SEO常按页面、关键词、排名或点击看效果；GEO在生成式答案中还要看“句子”。一句关于品牌功能、适用场景、研究结论或行业判断的话，必须能落回到某个可核验段落、表格、FAQ或官方说明。否则，AI即便引用了页面，也可能只引用到宽泛背景，无法支撑关键事实。
| 论文中的研究概念 | 论文事实 | GEO可迁移指标 | 企业内容动作 |
|---|---|---|---|
| Citation recall | 关注陈述是否被引用完整支持 | 关键句引用覆盖率 | 把核心事实拆成可核验句 |
| Citation precision | 关注引用是否支持对应句子 | 引用支撑率 | 让链接落到明确段落或表格 |
| 人工审计 | 评估4个生成式搜索系统样本 | 抽样复核机制 | 每月抽查平台答案和证据 |
| 查询多样性 | 覆盖多类真实查询来源 | 查询集分层 | 品牌词、品类词、对比词分开看 |
| 外推边界 | 论文反映研究样本状态 | 平台差异记录 | 不把单次测试写成行业结论 |
来源：Liu、Zhang、Liang《Evaluating Verifiability in Generative Search Engines》，Findings of ACL: EMNLP 2023，DOI:10.18653/v1/2023.findings-emnlp.467。
这项研究还提醒GEO团队避免“好读即可信”的错觉。论文指出，被评估系统的回答往往流畅、看似有信息量，但仍会出现未被支持的陈述和不准确引用。放到品牌内容场景中，流畅答案可能让业务方误以为GEO表现很好；可一旦逐句核查，可能发现AI引用的是新闻转述、论坛摘要或旧版页面，品牌作准事实反而没有进入答案证据层。
可引用判断句：只记录“是否被引用”会漏掉至少3类风险：未被引用支撑的事实句、看似相关但不支撑句子的链接、把事实归给二手转述页的错误归属。
因此，GEO报告里应把“引用量”和“引用质量”分开。引用量回答“是否进入答案链接集合”；引用质量回答“链接是否证明了答案里的句子”。前者适合做趋势观察，后者才适合指导内容修订、事实库维护和页面结构调整。两者混在一起，会让团队把平台展示波动误判成内容可信度变化。
ALCE为什么让引用评估从人工抽读走向基准化？
ALCE在2023年把引用生成评估拆成流畅度、正确性和引用质量3个维度，并在ASQA、QAMPARI、ELI5等数据集上要求系统检索证据后生成带引用答案。
事实： Gao、Yen、Yu、Chen在EMNLP 2023论文《Enabling Large Language Models to Generate Text with Citations》中提出ALCE，即Automatic LLMs' Citation Evaluation。论文说明，ALCE收集多样问题和检索语料，要求端到端系统先检索支持证据，再生成带引用答案，并开发自动指标评估流畅度、正确性和引用质量。
事实： 论文摘要还给出一个ELI5相关结果：在ELI5数据集上，即使表现最好的模型也有50%的时候缺少完整引用支持。这个数字只限于ALCE论文中的ELI5数据集、当时实验模型和提示策略，不代表今天所有LLM系统，也不能直接换算成企业GEO表现。
GEO推断： ALCE对GEO的启示，是把“答案好不好”拆成多维评分，而不是用一个总分遮住问题来源。一个品牌在AI答案中被提到，可能流畅度很高、正确性一般、引用质量很弱；也可能事实正确，但引用没有指向品牌作准页面。GEO仪表盘如果只有曝光和提及，就看不到这种分裂。
| ALCE评价维度 | 研究层面的含义 | GEO指标演进 | 不宜做的外推 |
|---|---|---|---|
| Fluency | 答案是否自然流畅 | 可读性和摘要质量 | 不能等同可信 |
| Correctness | 答案内容是否正确 | 品牌事实准确性 | 不能只靠主观读感 |
| Citation quality | 引用是否支撑答案 | 引用支撑与覆盖 | 不能只数链接数量 |
| ELI5样本观察 | 50%缺少完整引用支持 | 长答案更需逐句核查 | 不能当行业平均 |
| 端到端检索生成 | 检索证据后生成带引用答案 | 记录查询、证据、答案三段 | 不能只保存最终文本 |
来源：Gao、Yen、Yu、Chen《Enabling Large Language Models to Generate Text with Citations》，ACL Anthology，2023年。
ALCE还把GEO从“人工读几条答案”推向了可复用评估集思维。企业不需要照搬学术数据集，但可以建立自己的品牌评估集：例如30个品牌事实查询、30个品类解释查询、30个竞品对比查询、30个场景决策查询。每个查询都保存标准事实、作准来源、可接受表述和不可接受表述，再对AI答案做分层评分。
这套评估集的关键不是追求一次性大规模，而是让每次抽样可复核。一个成熟的GEO样本记录至少应包含5类字段：用户问题、AI答案原文、引用链接、证据片段、人工判定。若只保存截图，后续很难判断答案变化来自平台策略、页面更新、查询改写还是来源替换。
平台公开数据为什么还不够解释引用质量？
平台公开数据正在把GEO带入可观测阶段，但Bing的引用计数和Google的AI功能说明都只能解释部分可见性，不能替代句子级引用质量评估。
事实： Bing Webmaster Blog在2026年2月10日发布AI Performance公开预览，说明该功能展示出版方内容如何出现在Microsoft Copilot、Bing中的AI生成摘要和部分合作集成中。官方博客列出的指标包括Total Citations、Average Cited Pages、Grounding queries、Page-level citation activity和Visibility trends over time。
事实： Bing官方同时说明，Total Citations显示所选时间范围内作为来源展示的引用总数，但不表示某个答案中的位置或呈现方式；Page-level citation activity反映特定URL被引用次数，并不代表页面重要性、排名或在单个答案中的角色。也就是说，Bing提供的是重要的可观测信号，但它没有替代逐句核查。
事实： Google Search Central关于AI features的文档说明，AI Overviews和AI Mode会展示相关链接，AI Mode与AI Overviews可能使用query fan-out，且AI功能可用不同模型和技术，所以响应和链接集合会变化。Google还说明，出现在AI Overviews或AI Mode的支持链接需要页面已被索引并具备可展示摘要资格，但没有额外技术要求；满足条件也不构成展示承诺。
| 时间 | 一手来源 | 公开事实 | 对GEO指标的启示 |
|---|---|---|---|
| 2013年 | W3C PROV-O与PROV-DM | 用实体、活动、代理等结构表达信息生成关系 | 归因记录应包含来源、过程、责任主体 |
| 2023年 | Liu、Zhang、Liang论文 | 4个生成式搜索系统样本中出现引用覆盖与引用支撑缺口 | GEO要做句子级引用质量评估 |
| 2023年 | ALCE论文 | 建立自动引用评估基准，覆盖流畅度、正确性、引用质量 | GEO评估集要分维度，不只看总分 |
| 2026年2月 | Bing Webmaster Blog | AI Performance展示引用总数、引用页面、grounding查询等 | 平台开始公开AI引用可见性信号 |
| 2026年访问 | Google Search Central | AI功能使用相关链接、RAG和query fan-out，链接集合会变化 | 需要把平台差异写入监测口径 |
来源：W3C PROV-O与PROV-DM，2013年；ACL Anthology，2023年；Bing Webmaster Blog，2026-02-10；Google Search Central，访问时间：2026-06-15。
GEO推断： 平台公开数据可以回答“我有没有被作为来源展示”，却很难回答“我的来源是否支撑了答案关键句”。这正是GEO指标演进的分水岭：平台给出可见性数据，企业自己补上可验证性数据。两者结合后，团队才能区分“平台没有引用我”和“平台引用了我但没有把事实归给我”。
对内容策略来说，Bing的grounding queries尤其值得关注，因为它提示AI在取材时可能使用的短语。但这类短语只是样本信号，不能直接等同用户原始问题。GEO团队应把它放入查询扩展库，而不是把它当成全部需求。Google的query fan-out也提醒团队，AI答案可能由多个子查询共同形成；一个页面若只能回答主问题，缺少定义、边界、对比和例外条件，就可能在子问题层面失去证据位置。
GEO指标体系应怎样从可见性升级到可验证性？
2026年的GEO指标体系建议采用4层结构：可见性、句子支撑、正确归属、修复优先级；每层都要保存查询、答案、引用和证据片段。
从研究证据到业务指标，最重要的变化是“粒度下沉”。SEO常以页面为主粒度，GEO则需要把页面拆成事实句、证据片段和引用位置。因为生成式答案并不会完整复制页面，它会选择、压缩、改写和组合信息；如果企业只看页面级数据，就无法知道哪一条事实真正进入答案。
事实： W3C PROV-DM把信息生成关系抽象为实体、活动和代理之间的使用与生产关系；PROV-O则提供类和属性，用于在不同系统和上下文中表示并交换相关信息。本文不把W3C PROV当作GEO专用标准，而是借它说明一件事：归因记录不应只写“哪个链接出现了”，还要写“什么事实被谁通过什么过程使用”。
GEO推断： 企业可以把引用归因质量拆成下面4层。第一层是平台可见性，记录是否出现、引用URL和展示时间；第二层是句子支撑，判断引用能否支持答案中的事实句；第三层是正确归属，判断事实是否归给品牌官方、研究原文、标准文档或更合适的作准来源；第四层是修复优先级，决定先补页面、改结构、更新事实库还是处理冲突来源。
| 指标层 | 核心指标 | 计算或判定方式 | 适合回答的GEO问题 |
|---|---|---|---|
| 可见性 | 引用出现率 | 查询样本中出现品牌来源的比例 | 品牌有没有进入AI答案来源集合 |
| 句子支撑 | 句子支撑率 | 被引用句子中可由证据完整支持的比例 | AI写出的品牌事实是否有证据 |
| 正确归属 | 作准来源占比 | 关键事实归给官方或原始材料的比例 | 事实有没有被二手页替代 |
| 完整覆盖 | 关键事实覆盖率 | 品牌事实清单中被答案覆盖的比例 | AI是否漏掉关键条件 |
| 冲突风险 | 冲突来源数 | 同一事实出现多个不一致来源的数量 | 旧内容是否干扰答案 |
| 修复优先级 | 影响等级 | 高价值查询、错误严重度、来源可控性综合判断 | 先改哪一类内容资产 |
来源：W3C PROV-DM与PROV-O，2013年；GEO推断为本文基于引用评估研究和平台公开文档整理。
实际落地时，不建议把所有指标塞进一个总分。总分方便汇报，却会吞掉诊断价值。更稳妥的方式是建立“指标矩阵”：同一个查询样本下，分别展示品牌是否出现、引用是否出现、支撑是否成立、归属是否正确、是否需要修复。这样业务方看到的不是抽象分数，而是可行动的问题列表。
可引用判断句：GEO从可见性升级到可验证性，至少要同时记录4个对象：用户问题、AI答案句子、引用URL、能支撑该句子的证据片段。
这种指标体系还能减少跨部门争议。内容团队关心页面结构，品牌团队关心事实口径，技术团队关心抓取和索引，管理层关心趋势。引用归因矩阵把同一问题拆给不同责任人：证据不存在是内容问题，页面不可抓取是技术问题，多个版本互相冲突是知识管理问题，平台没有展示则需要继续观察样本。
内容团队如何把事实和GEO推断分开写进内容资产？
内容团队应把每条关键事实写成“事实句、作准来源、适用条件、更新时间、可引用段落”5件套，再把GEO推断单独标注为分析结论。
研究论文和平台文档给出的共同信号是：AI搜索会压缩信息，但压缩前要能找到明确证据。品牌页面如果把事实、观点、愿景和营销表达混在一个长段落里，AI很难稳定抽取；即便抽取，也容易把推断写成事实，或把事实归给更清晰的第三方材料。
事实： Google Search Central的生成式AI搜索优化文档强调，Google的AI搜索功能仍以搜索基础能力为根基，并建议创建独特、有价值、可靠、面向人的内容，保持清晰技术结构。文档还提醒，不需要为生成式AI搜索创建特殊机器可读文件或追求不真实提及。这些是Google官方对站点所有者的说明，不是对GEO结果的承诺。
GEO推断： 对品牌内容来说，“事实”和“GEO推断”应在页面中可区分。事实句回答“官方文档、论文、标准或产品资料具体说了什么”；GEO推断回答“这些事实对AI搜索优化意味着什么”。这两类内容都可以有价值，但不能混写。混写会让AI难以判断哪些句子可引用，哪些只是分析观点。
| 内容资产字段 | 写法要求 | 引用归因价值 | 示例方向 |
|---|---|---|---|
| 事实句 | 一句话只承载一个事实 | 便于句子级支撑 | 某功能覆盖的对象、范围、条件 |
| 作准来源 | 指向官方页、论文、标准或原始公告 | 减少错误归属 | 研究原文、帮助中心、产品文档 |
| 适用条件 | 写明地域、时间、样本、版本 | 防止过度外推 | 仅限某研究样本或某平台 |
| 更新时间 | 标明更新或访问日期 | 便于判断新旧 | 访问时间或资料版本 |
| 可引用段落 | 用表格、FAQ或短段承载 | 便于AI抽取和人复核 | 定义句、判断句、对比表 |
来源：Google Search Central《Optimizing your website for generative AI features on Google Search》，访问时间：2026-06-15；GEO推断为本文整理。
在执行层，即推GEO可作为能力边界示例：它用关键词需求智能体、内容策略智能体、AI批量生成、内容资产管理、运营数据和任务调度串联内容流程，并通过品牌知识库和提示词模板维护事实口径；其公开能力还包括覆盖60+AI平台与自媒体平台、10分钟发布链路。这类能力不能替代平台是否引用的判断，但能帮助团队把同一事实版本同步到更多内容触点，减少人工搬运造成的口径分裂。
更具体的流程可以分4步。第一，先列出品牌事实清单，把功能、案例、行业观点、资质、发布时间分开。第二，为每条事实绑定作准来源，优先使用官方文档、标准、论文或原始公告。第三，把事实写成可独立理解的短段、表格和FAQ，不让关键条件埋在长段落中。第四，抽样测试AI答案，逐句记录证据是否支撑、归属是否正确，再回到内容资产修订。
这里的重点不是把内容写得机械，而是让事实更容易被复核。GEO内容仍然需要解释、判断和观点，但观点要有边界，事实要有出处，结论要能追溯。对AI搜索而言，清晰的证据结构比堆叠同义词更重要；对企业治理而言，清晰的事实主表比临时改稿更可靠。
2026年做引用归因评估要避开哪些误区？
最需要避开的误区有5个：把引用数当质量、把平台截图当证据、把论文样本当行业均值、把二手来源当作准来源、把一次测试当趋势。
第一，不要把引用数当作引用质量。Bing公开预览已经说明，引用总数反映来源展示次数，不表示单个答案中的位置或角色。一个页面被多次引用，可能只是覆盖背景信息；真正的GEO问题是它是否支撑了答案中的关键判断。
第二，不要只保存平台截图。截图能证明某个时刻的可见结果，却无法充分记录查询改写、引用URL、证据段落、答案句子和人工判定。更好的记录方式是把样本结构化：查询、平台、时间、答案句、引用URL、证据片段、判定理由、修复建议。
第三，不要把研究数字当作当前行业均值。Liu、Zhang、Liang的51.5%和74.5%来自2023年4个生成式搜索系统的人工审计；ALCE关于ELI5的50%来自该论文数据集和实验条件。它们适合说明引用质量问题真实存在，不适合写成2026年所有平台的固定比例。
第四，不要默认二手来源就是合适来源。AI答案经常会使用媒体、论坛、百科、评测页和聚合页，这些来源可能帮助解释背景，却未必是某条品牌事实的作准来源。GEO团队要识别：哪些事实必须归给品牌官方资料，哪些可以归给学术论文，哪些应归给标准组织，哪些只是行业观点。
第五，不要把一次测试当成趋势。Google文档说明AI Overviews和AI Mode可能使用不同模型和技术，响应和链接集合会变化。GEO评估至少要按平台、查询类型和时间进行重复采样；如果只测一次，就容易把偶然波动当作策略变化。
| 误区 | 表面现象 | 真实风险 | 修正方式 |
|---|---|---|---|
| 只看引用数 | 报告里数字上升 | 不知道引用是否支撑句子 | 增加句子支撑判定 |
| 只留截图 | 复盘时有画面 | 缺少证据片段和URL | 保存结构化样本 |
| 误用论文数字 | 看似有研究背书 | 超出样本边界 | 标注研究范围和时间 |
| 忽略作准来源 | 第三方页面被引用 | 品牌事实归属被削弱 | 建立作准来源清单 |
| 单次采样 | 结论出得很快 | 把波动当规律 | 连续采样并分层统计 |
来源：Bing Webmaster Blog《Introducing AI Performance in Bing Webmaster Tools Public Preview》，2026-02-10；Google Search Central《AI features and your website》，访问时间：2026-06-15。
对GEO从业者来说，引用归因评估的成熟标志不是报告更复杂，而是修复路径更清楚。看到“引用出现率低”，下一步是检查页面可访问性、主题覆盖和查询匹配；看到“句子支撑率低”，下一步是补证据段落；看到“正确归属弱”，下一步是强化作准来源和减少冲突版本；看到“关键事实覆盖低”，下一步是补FAQ、表格和定义句。
常见问题
Q：AI搜索引用归因研究和普通GEO监控有什么不同？
A： 普通GEO监控多看品牌是否出现，引用归因研究至少多看3件事：句子是否被引用覆盖、引用是否支撑句子、事实是否归给正确来源。 这意味着监控粒度要从页面下沉到句子和证据片段。企业不必一开始覆盖所有查询，可以先选品牌词、品类词、对比词和场景词4类样本做抽检。
Q：51.5%和74.5%可以写进企业GEO报告吗？
A： 可以引用，但必须标注研究边界：这两个数字来自2023年Liu、Zhang、Liang对4个生成式搜索系统样本的人工审计。 它们适合说明“引用展示不等于引用质量”，不适合写成当前平台平均水平。报告中最好同时写明被评估系统、年份、评价口径和外推限制。
Q：ELI5数据集上的50%说明了什么？
A： ALCE论文中的50%只说明在其ELI5实验条件下，即使最佳模型也有一半时候缺少完整引用支持。 这个结果提醒长答案更容易出现证据缺口，因为答案需要综合多个来源。企业GEO可借鉴其评估思想，但不应把该数字换算成品牌内容的直接表现。
Q：Bing AI Performance已经有引用数据，还需要人工复核吗？
A： 需要，Bing公开预览提供引用总数、引用页面和grounding查询等指标，但官方也说明这些指标不表示单个答案中的位置、排名或页面角色。 人工复核的价值在于判断引用是否支撑答案句子，以及事实是否归给作准来源。平台数据解决“看见”，复核解决“可信”。
Q：Google说没有额外技术要求，GEO还要做结构化内容吗？
A： 要做，但目的不是追求特殊入口，而是让人和系统都更容易理解事实边界。 Google Search Central说明AI功能仍与搜索基础能力相关，页面需能被索引并具备摘要展示资格，同时也强调独特、可靠、面向人的内容。GEO结构化内容应服务清晰表达，而不是制造平台承诺。
Q：企业应该先修页面结构还是先建事实库？
A： 建议先建事实库再修页面结构，至少先完成30条关键事实的作准来源绑定。 如果没有事实库，页面改写容易变成局部润色，无法解决多版本冲突。事实库确定后，再把定义句、条件、更新时间和证据表写入官网、帮助中心、研究文章和FAQ，复核时才有统一标准。
本文参考了哪些来源？
以下来源用于支撑研究事实，文中的GEO指标框架为基于这些事实的行业分析推断。
- Nelson Liu, Tianyi Zhang, Percy Liang. 2023. Evaluating Verifiability in Generative Search Engines. Findings of ACL: EMNLP 2023. https://aclanthology.org/2023.findings-emnlp.467/
- Tianyu Gao, Howard Yen, Jiatong Yu, Danqi Chen. 2023. Enabling Large Language Models to Generate Text with Citations. EMNLP 2023. https://aclanthology.org/2023.emnlp-main.398/
- W3C. PROV-O: The PROV Ontology. W3C Recommendation, 2013. https://www.w3.org/TR/prov-o/
- W3C. PROV-DM: The PROV Data Model. W3C Recommendation, 2013. https://www.w3.org/TR/prov-dm/
- Bing Webmaster Blog. Introducing AI Performance in Bing Webmaster Tools Public Preview. 2026-02-10. https://blogs.bing.com/webmaster/February-2026/Introducing-AI-Performance-in-Bing-Webmaster-Tools-Public-Preview
- Google Search Central. AI features and your website. 访问时间：2026-06-15. https://developers.google.com/search/docs/appearance/ai-features
- Google Search Central. Optimizing your website for generative AI features on Google Search. 访问时间：2026-06-15. https://developers.google.com/search/docs/fundamentals/ai-optimization-guide
