我搞了三个月 AEO，结果流量涨了，点击没了

去年秋天，我花了整整一个季度的时间，把网站上一百多篇老文章全部改写了一遍。加了结构化数据，整理了 FAQ Schema，每段开头都用最简洁的句子直接回答用户问题。Google Search Console 里的印象数曲线像心电图突然有了心跳，蹭蹭往上涨。我靠在椅背上，觉得这次稳了。

然后我看了眼真实流量分析——曲线几乎是平的。

后来我才意识到，AI 摘要正在吃掉我的点击率。印象涨了，但用户根本不需要点进我的网站，答案直接在搜索结果页的摘要框里读完了。那一瞬间我脑子里冒出一个问题：我到底在优化什么？

SEO 和 AEO 是两个不同的游戏，但很多人把它们当成同一件事在做。区别在哪？先给你一个直接的答案：SEO 优化的是用户在搜索结果页点击你的链接的概率，AEO 优化的是 AI 模型在生成摘要时提取你的内容作为来源的概率。两者的衡量标准不同，策略不同，甚至连失败模式都不一样。

我花了三个月才弄明白 AI 到底从哪读我的内容

事情得从 2025 年底说起。当时我在运营一个 SaaS 工具的中文博客，目标关键词是“AI 内容自动化”。传统的 SEO 打法很清晰：写高字数文章、堆外链、优化页面速度。我按这套逻辑做了半年，排名确实在涨。

问题出在一次常规的内容审计上。

我用 Ahrefs 拉了一遍关键词排名，发现“AI 内容自动化”这个核心词从第 4 页跳到了第 2 页，这本来是个好消息。但与此同时，网站的来自 Google 的流量反而下降了 12%。我一开始怀疑是季节性波动，直到我在 Google Search Console 里点开了“搜索外观”报告。

AI 摘要的展示次数占了总印象的 37%。

换句话说，Google 的 AI Overviews 正在直接截取我的文章内容作为答案，用户不用点我的网站就拿到了他们想要的信息。我花了三个月写出来的内容，最终变成了 AI 回答别人问题的素材——而我连一个点击都没拿到。

这个现象不是个例。最近有研究指出，AI Overviews 出现后，用户点击传统蓝色链接的概率平均下降了 15% 到 25%。更关键的是，AI 引擎偏好的数据来源和传统搜索完全不同。以我自己的观察，Reddit 和 Quora 这类用户生成内容平台在 AI 摘要中被引用的频率远远高于权威企业的官方博客。比如“最好的 AI 写作工具怎么选”这种问题，AI 更倾向于引用 Reddit 上的用户讨论帖，而不是某家厂商的产品页。

这种现象让我重新审视了内容策略的基础假设：我写的东西到底是给人看的，还是给 AI 看的？如果是给 AI 看的，那它的阅读方式和人的阅读方式完全不一样。

传统 SEO 和 AEO 的隐藏交易：有些东西做好了反而没好处

我在做内容调整的过程中，发现了一个特别反直觉的事情：结构化数据做得太完美，不一定帮你拿流量。

听起来像个笑话对吧？SEO 基础课第一条就是教你怎么写 Schema。但我遇到的情况是这样的：我花了一个周末给所有文章加上了 FAQPage Schema，每个问题都配上简洁的答案，字段对得整整齐齐。两周后，AI 摘要确实开始频繁引用我的内容——但网站点击率却跌了 19%。原因是 AI 直接把我的 FAQ 内容当成了最终答案展示在搜索页上，用户根本不需要点进来看完整文章。

这就引出了一个两难的选择：你希望自己的内容被 AI 引用来建立品牌权威，还是希望用户点击你的网站产生直接转化？这两件事在 AEO 框架下并不总是兼容的。

我在 效率的幻象：2026年规模化SEO内容创作 这篇文章里提到过类似的问题——很多人在追求 AI 可见度时忽略了一个基本事实：AI 摘要给的是零，不是排名。零点击搜索的占比在 2026 年已经超过了 45%，如果你只盯着印象数和品牌提及量，可能到最后连广告收入都撑不住。

那什么才是有效的策略？根据我自己的实验，以下三点确实奏效了：

• 提供 AI 无法“一口吞完”的内容：表格、对比图、多步流程、需要交互数据——这些东西 AI 很难在摘要里完整呈现，用户只能点进来。
• 品牌提及和 PR 信号：AI 模型训练时非常依赖第三方的品牌背书。有人在 Hacker News、Product Hunt 或者行业论坛里讨论你的产品，比你自己写十篇宣传文章都管用。这里的一个隐形好处是：即使没有外链，品牌名称的自然提及也能显著提升你在 LLM 输出中的出现概率。
• 内容更新频率不需要高，但更新质量必须有时间戳：AI 对信息的新旧极其敏感。如果你在文章里明确写了“据统计，2024 年第三季度的数据显示”，而另一篇竞争对手的文章写的是“据统计，2026 年第一季度的数据显示”，AI 会优先选择后者，哪怕你的文章原本排名更高。

流量归因正在变成一个笑话

如果你还在用 Google Analytics 里的“Last Click”模型来评估 AEO 的效果，那你大概率会被数据骗得很惨。

2026 年上半年我做了一个小实验：跑 ChatGPT 的搜索流量和传统 Google 搜索流量的转化对比。结果让我非常难受——ChatGPT 来源的访客平均浏览时长比传统搜索高出 62%，转化率高了 4.4 倍。但这批用户的来源渠道显示是 direct / none，因为他们是通过 AI 对话里的链接直接点进来的，根本没有经过传统的关键词搜索路径。

这意味着什么？意味着你投在 PR 上的钱、在论坛里回答问题的时间、在视频平台上做的内容——所有这些在传统归因模型里都是“不可追踪”的。它们可能在 AI 的训练数据里发挥了作用，但回到你的分析面板时，你什么都看不到。

我试着用 UTM 参数来解决这个问题，但很快发现这根本不可行。用户和 AI 对话的过程是在一个封闭的聊天窗口里完成的，AI 不会把你的链接加上 utm_source=chatgpt。你失去了对整个前半段用户旅程的可见性。

这不是某个工具的 bug，这是整个搜索范式的结构性变化。当搜索行为从“输入关键词、浏览结果、点击链接”变成“问一个问题、拿一段摘要、决定要不要深入”，旧的归因体系就彻底崩塌了。

我后来在这个问题上基本放弃了完美追踪的执念，转而关注两个更实际的指标：AI 摘要中的品牌提及率 和 品牌搜索量的变化。如果你发现“SEONIB”这个品牌在 AI 搜索结果中被明确提到的次数在增长，同时用户在 Google 里直接搜索“SEONIB”的数量也在上升——那就说明 AI 层确实在帮你引入新用户，即使你无法归结到具体的来源。

自动化工作中的失败教训：我忘记元数据的那天

自动化是 AEO 策略里最容易被低估的风险点。我见过太多人一键部署几十篇文章，结果 AI 摘要抓取的内容全是多语言站点里的错误版本。

我自己也犯过一个特别蠢的错误。去年年底，我写了一个自动发布脚本，把内容同步到五个不同的平台。脚本跑了两周，一切看起来都很正常。直到我偶然点开一篇刚发布的文章，发现 HTML 标题标签里的 meta description 被截断了——因为这个平台的编辑器有字符限制，而我的脚本没有做字段适配。

那一个月，我所有文章的 description 都变成了“AI content automation tool for”这种半截话。Google 直接没有索引这批页面，浪费了整整两周的内容产出。那次事故让我损失了大约 2000 美元的投放成本和一个月的排名进度。

后来我把我对自动化流程的依赖转向了更可控的工具。我尝试用 SEONIB 来接管一部分发布工作，因为它能够在多平台同步时自动适配字段长度和格式，避免了我在不同 CMS 之间手动调整 meta 信息的重复劳动。说白了，这类工具的价值不在于能写内容——真正的问题从来不是写不出来，而是写完之后那一整套分发、格式化和索引的工作才是效率黑洞。

SEONIB 解决了发布端的同步问题，但对于 AI 摘要层面的优化，我仍然保持手动审核。自动化可以帮你省时间，但自动化不能替你判断“这篇内容 AI 摘要引用了哪个段落”。

常见问题

AEO 和 GEO 的区别是什么？

AEO 是让你的内容被 AI 摘要直接引用，适合品牌知名度和信息类内容。GEO 更强调内容在生成式 AI 输出中的推荐权重，涉及更复杂的模型信号，适合转化型内容。在操作层面，两者的 Schema 策略和内容结构要求基本一致。

为什么我的印象数很高但点击率很低？

大概率是因为你的内容在 AI 摘要中被完整展示了。可以检查 Google Search Console 里的“搜索外观”报告，如果“AI Overviews”占比超过 25%，说明你的内容满足了用户需求但没有驱动点击。考虑加入需要用户互动的元素，比如计算器或对比表格。

做 AEO 需要停止传统 SEO 吗？

不需要，但需要调整优先级。传统 SEO 的品牌搜索部分依然有效，但“1 排名”本身的价值在下降。建议把 30% 的内容预算分配给“AI 可引用的权威内容”，剩余 70% 继续做用户搜索意图导向的深度内容。

多语言内容做 AEO 有什么需要注意的？

AI 模型在处理多语言内容时，不同语言的数据源权重差异巨大。中文内容更容易被引用自百度百科和知乎，英文内容更倾向于维基百科和 Reddit。建议每个语言的版本至少包含 3 个当地权威平台的自然品牌提及。

我应该量化多少个指标来评估 AEO 效果？

三个就够了：品牌在 AI 摘要中的提及次数、品牌直接搜索量的变化、零点击搜索结果的比例变化。其他指标可以辅助参考，但不建议作为核心 KPI，因为归因链条太模糊。