1.1 三次流量迁移：我们正在经历什么

当你打开流量统计后台，自然搜索流量连续三个月下滑，但关键词排名没有任何变化。排名还在，点击却消失了。这种反直觉的现象，正在越来越多的网站上发生。如果你在数字营销领域工作超过十年，应该已经经历过至少两次流量迁移。但这一次，变化不只是入口换了。

第一次发生在 2005 到 2012 年间。用户获取信息的主入口从门户首页转向了搜索框——百度崛起，新浪搜狐网易的首页不再是流量的唯一分配者。紧接着，移动互联网加速了这个过程：不适配手机端的网站流量大幅下滑，「响应式设计」成了每个网站的必修课。但不管终端怎么变，用户获取信息的方式没有根本改变——他们仍然在搜索引擎里输入关键词，点击链接，阅读网页。

第二次发生在 2015 年前后。微信公众号、微博、今日头条等社交和推荐平台崛起，内容分发的逻辑从「用户主动搜索」转向「平台主动推送」。大量用户开始在信息流里消费内容，搜索引擎不再是唯一的流量入口。但核心机制仍然没变：用户看到的是一条链接或一张内容卡片，他们仍然需要自己打开、阅读、判断。

现在，第三次迁移正在发生——而且不再只是单一市场的现象。

在部分场景下，用户不再需要点击链接、浏览页面、自己提炼答案——ChatGPT、百度 AI 搜索、Perplexity、豆包等生成式 AI 产品直接给出答案。搜索行为从「输入关键词 → 浏览结果列表 → 点击页面 → 自己总结」，变成了「提出问题 → 获得一段整合后的回答 → 接受或追问」。从搜索到获取答案的路径被大幅压缩，链接和网页对相当一部分查询来说不再是必经的中间环节。

用户行为数据正在印证这一变化，Pew Research Center 在 2025 年追踪约 6.9 万次 Google 搜索后发现，当搜索结果页出现 AI 摘要时，用户点击传统链接的比例仅为 8%，而在没有 AI 摘要的页面上，这一比例为 15%。在出现 AI 摘要的搜索访问中，26% 会直接结束浏览。

与此同时，一些机构也给出了更激进的预测。Gartner 在 2024 年 2 月曾预测：到 2026 年，传统搜索引擎的搜索量将下降约 25%。这个数字在业界一直有争议——也有分析指出实际下滑没这么大——但它至少说明了一件事：人们正在把越来越多本该在搜索框里完成的事，拿去问 AI。

但这里有一组看似矛盾的数据，值得认真拆解——因为不理解它，你就容易误判 AI 究竟是怎么影响搜索生态的。

Alphabet 2026 年 2 月发布的 Q4 2025 财报显示，Google Search 及其他广告收入当季达 631 亿美元，同比增长 17%，不仅没有下滑，增速在年末进一步走强。

Sundar Pichai 在电话会上表示，Search 在 Q4 的使用量达到历史高位，AI Mode 和 AI Overviews 正在带来一个「扩展性时刻」（expansionary moment）——美国市场 AI Mode 的人均日查询量自推出以来翻倍，AI Mode 中的查询长度是传统搜索的 3 倍，约六分之一的查询来自语音或图片。

等一下——Pew 数据不是刚刚说用户点击在下降吗？Google 的搜索收入怎么还在涨？

这并不必然矛盾。一个合理的理解是：用户对外部网站的点击在减少，但搜索平台本身承接的查询场景和广告变现能力仍在扩大。AI Overviews 和 AI Mode 扩展了过去较难被传统搜索承接的查询类型——更长、更复杂、更多轮的对话式搜索，以及语音和图片查询。同时，Google 正在测试和推进 AI 搜索场景中的广告能力。当然，搜索收入增长还受到广告价格、商业查询占比、宏观广告市场等多种因素影响，不能完全归因于 AI 带来的查询扩张。但整体趋势的方向是清楚的：搜索平台仍在扩展可承接的查询场景，外部网站能拿到的点击却在被分流。

但对内容发布商来说，故事完全不同。Chartbeat 对约 2,500 家发布商网站（以英语新闻媒体为主）的追踪显示，从 Google 搜索流向发布商的自然流量在 2024 年 11 月至 2025 年 11 月的一年里下滑了约 33%（美国下滑 38%、欧洲下滑 17%）。这一下滑不能完全归因于 AI 摘要——搜索算法变化、内容类型差异和平台分发策略也会影响结果，不同行业的情况可能差异较大——但它至少说明，内容发布商从 Google 获得的自然流量正在明显承压。

那这部分减少的流量有没有被 ChatGPT 等 AI 平台接住？基本没有。同一组 Chartbeat 数据显示，尽管 ChatGPT 在 2025 年给发布商带来的引荐流量同比增长了 200% 以上，但在这组发布商样本中，所有 AI 聊天产品加起来，占发布商 Page View 来源总量仍然不到 1%；多份行业统计也显示类似趋势——AI 推荐流量的绝对规模目前仍较小。增长率再大，基数仍然太小。

中国市场的情况更直接。百度 2025 年全年总营收 1291 亿元，同比下降 3%。更值得注意的是结构变化：百度在线营销（即搜索和信息流广告）收入持续承压，到 Q4 财报，百度调整了业务披露口径，不再单独列示广告收入。

在 Q4 2025 的财报口径中，原来的「百度核心」被重新定义为「百度一般性业务」，单季内拆分为 AI 新业务（Q4 单季 113 亿元）、传统业务（Q4 单季 123 亿元）和其他。百度 APP 月活在 2025 年 12 月为 6.79 亿，低于同年 9 月的 7.08 亿。

Google 和百度的差异当然涉及多重因素——广告市场结构、移动生态竞争、宏观环境都在起作用。仅从财报不能简单得出百度承压完全来自 AI 搜索分流，但结合广告市场、内容平台竞争和百度自身业务重分类来看，可以看到一个方向明确的趋势。从内容从业者的视角看，最具操作含义的一个判断是：谁能把 AI 内化为搜索的一部分。Google 的做法是把 AI 嵌进 Search——用户想用 AI，就在 Google 里用；用户对外部网站的点击明显减少了，但还在 Google 场景里停留、追问，Google 仍然掌握广告展示的核心位置。百度面对的则是双重挤压：一方面，传统搜索广告本来就在被抖音、小红书、微信搜一搜分流；另一方面，AI 搜索化改造虽然也在推进，但新场景的广告变现还没能补上旧广告的下滑。

但不管是哪种局面，对做内容的人来说，结论是一样的：搜索平台可能仍在增长，但它分配给外部网站的点击正在变少。过去那个把「排名」等同于「流量」的简单算式，已经不再成立。

你的页面即使排在搜索结果第一位，也可能因为 AI 摘要的存在而得不到点击。竞争的重心，正在从「排名」转移到「被 AI 采用、提及或引用」。

前两次迁移，一次考验的是技术适配能力——你得有人帮你做响应式、做移动端；一次考验的是内容分发和平台运营能力——你得懂算法推荐、会做社交传播。这次不一样。技术基础仍然是前提（第四章会详细讲），但竞争维度变了：工程门槛不再是唯一的分水岭，内容结构、信息质量和可采用性开始变得更重要。这对中小企业有一定利好——即便没有庞大的技术团队，只要内容结构清楚、信息扎实，也仍然有机会被 AI 选中。但 GEO 没有速成法，后续章节会告诉你为什么。

1.2 零点击时代的品牌逻辑

「零点击」不是一个比喻。它是对当前信息获取方式的字面描述：用户提问，AI 回答，对话结束——全程没有点击链接的动作。

这对内容生产者意味着什么？

在搜索场景中，SEO 通常通过提升自然搜索可见性，增加获得点击和承接用户任务的机会；最终能否形成流量和转化，还取决于结果页形态、查询意图、标题摘要、品牌认知和着陆页体验。在生成式回答场景中，点击这一步有时会被跳过：用户可能直接从答案中获得信息，而不访问来源页面。

但价值没有消失，只是换了一种体现方式。

当用户问 AI「装修选什么品牌的瓷砖」，AI 在回答中提到你的品牌并给出积极评价——这个过程对用户决策的影响，在某些场景下可能不低于一次高质量的页面访问。区别在于：用户可能根本不会点进你的网站，但他已经形成了对你品牌的印象。在决策周期较长的场景里尤其如此——用户今天没有点击链接，但他记住了「AI 说这个品牌的数据不错」，下次真正需要购买时，会直接搜索你的品牌名。

这也是 AI 时代一种越来越重要的被看见方式：不靠点击，而是在 AI 的回答里直接留下印象。

更值得注意的是，在部分行业场景中，来自 AI 渠道的流量质量可能高于普通搜索流量。需要先说明的是，在目前公开样本中，AI 推荐流量的绝对规模仍然较小。比如在发布商样本中，所有 AI 聊天产品带来的 Page View 占比仍不到 1%；在品牌网站和 B2B 网站样本中，AI 渠道占比通常也还不高，且不同研究的行业样本、转化定义和归因口径差异较大——部分数据来自营销服务商，天然带有业务视角。但多份行业研究和站点案例都指向一个值得关注的现象：Semrush 在 2025 年的研究中发现，AI 渠道访客的转化率平均是自然搜索访客的 4.4 倍。Seer Interactive 对一个 B2B 客户的 GA4 数据分析显示，ChatGPT 来源的转化率为 15.9%，而 Google 自然搜索仅为 1.76%。Bubblegum Search 对 15 个品牌网站的追踪也发现，AI 推荐流量的转化率普遍高于自然搜索，不同行业的倍数差异很大，从 1.2 倍到 4 倍不等。背后的逻辑是合理的：生成式 AI 产品已经帮用户完成了初步筛选和判断，能顺着引用链接找过来的用户，往往带着更明确的意图。

所以，零点击时代的品牌逻辑不是「放弃流量」，而是在流量之外多了一条路——通过被 AI 持续采用来建立品牌信任，同时获取少量但高质量的直接转化。两条路不矛盾，但如果你只盯着第一条，你会越来越焦虑，因为点击确实在减少。

1.3 关于 GEO 的三个常见误解

在进入具体方法之前，有三个非常普遍的误解需要先清除。它们不只是想错了，还会直接带出一堆无效、甚至反向的「优化」动作。

误解一：「AI 就是高级搜索引擎」

这是最常见的误解之一。它容易让人只沿用搜索排名和流量指标，而忽略生成式回答中的采用、提及、归因和答案准确性。

传统网页搜索以排序和呈现相关结果为主要交互，同时也可能提供摘要、知识面板、精选片段和其他直接答案。生成式 AI 产品则把自然语言回答放在交互中心：系统可以基于模型参数中的知识，或结合外部检索到的信息，组织成一段回答，并可能附上来源链接或引用卡片。两者可以共享查询理解、索引、检索和质量判断基础，但主要输出形态与后续用户行为并不相同。

这个区别会改变我们观察内容表现的方式。关键词仍然重要：准确表达主题、实体、专业术语和用户需求，本来就是成熟 SEO 内容策略的基本功，这一点在生成式回答场景中依然成立。需要增加观察的是信息粒度——除了页面整体能否被发现和展示，还要看页面中的具体段落、事实和结论能否被检索、采用并正确归因。变化的不是从「关键词」转向「语义」，也不是从 SEO 升级到 GEO，而是内容面对的结果形态和监测对象增加了。结构清楚、信息完整、脱离上下文仍能准确理解的段落，通常更便于后续检索和回答生成。

举个例子：你的网页可能已经覆盖了「装修」「装潢」「家装」这些相关表达，搜索系统也能识别这是一个相关页面。但如果页面里缺少能够独立说明问题、带有必要事实和限定条件的段落，即使页面进入候选，也未必会在生成回答时被采用。此时需要分析的不只是哪些页面获得搜索可见性，还包括回答最终采用了哪些来源中的哪些信息——它们可能来自一个你过去很少关注的网站。

误解二：「只要内容好，AI 自然会引用」

内容好是必要条件，但远不是充分条件。生成式 AI 产品能采用你的前提是：它能看到你。如果你的网站通过 robots.txt 误封了 AI 爬虫、核心内容依赖复杂的客户端 JavaScript 才能加载且缺少可抓取的正文兜底、或者页面结构让 AI 难以提取有效信息——再好的内容也很难被发现。这就像你写了一本好书，但把它锁在了一个没有窗户的房间里。第四章会详细展开这个问题。

误解三：「GEO 就是在内容里多提几次品牌名」

这是把关键词出现次数误当成优化手段，再机械地搬到 GEO 场景。机械地堆砌品牌名，不只对 GEO 帮助有限，还会降低内容的信息密度，让回答系统更倾向于把这段内容归类为低质量的营销文字。真正有效的做法，不是提高品牌名的出现频率，而是让品牌出现在有实质价值的上下文中——比如作为数据来源被引用（「据 XX 平台 2025 年行业报告」），或者作为案例被提及。这个话题会在第六章和第七章详细展开。

1.4 内容进入生成式回答的三项审查维度

如果 GEO 的核心逻辑是「提升内容被 AI 采用的概率」，那么哪些因素会影响这个概率？这里先把框架摆出来，具体拆解留到第六章。

这里说的「判断」，不是指 AI 像人一样主观评价内容，而是指它在检索、排序和生成过程中，对内容是否可用进行筛选。本书把这三个维度合称为「内容工程三要素」——权威性、相关性、易读性。

可信度证据——关键主张能否被核验。这段内容有没有适配的证据、可追溯的来源和清楚的责任主体？

相关性——AI 能不能把你纳入候选。这段内容和用户问题在语义上匹配吗？能不能在检索阶段被召回？

易读性（machine readability，即内容对 AI 的可提取和可复述程度）——AI 能不能顺畅地复述你。这段内容的结构是否便于 AI 提取、压缩和重新组织？能不能被流畅地整合进一段回答？

这三个要素是一起起作用的，任何一个有明显短板，都可能降低被采用的机会。如果你熟悉 Google 的 E-E-A-T，会发现本书所说的权威性与它在信任建设方向上有交叉。不过，E-E-A-T 不是一个独立算法分数，本书的三要素也只是用于组织内容工作的诊断框架。相关性一直是 SEO 和信息检索的核心问题；在 GEO 场景中，需要继续观察它在片段级检索、上下文选择和生成回答中能否保持。易读性同样不是 GEO 独有要求，本书只是把其中与提取和复述相关的部分单独拿出来操作化。

1.5 SEO 与 GEO：基础交叠，结果形态与监测对象不同

理解了内容价值的三要素之后，还有一个更根本的问题需要回答：生成式引擎的工作方式和传统搜索引擎到底有什么不同？这个差异直接决定了 GEO 的操作方向。

生成式引擎如何生成答案

网页搜索通常会经历查询理解、候选召回、多阶段排序和结果呈现，并以排序结果页作为主要交互界面。现代搜索早已不只依赖字面关键词，也会使用语义理解、查询改写、实体信息和多种质量信号。

生成式引擎的逻辑与此有明显差异。在很多生成式 AI 搜索场景中，回答的生成大致可以概括为三个环节（不同产品的具体实现差异很大）：

环节一：查询理解与扩展。 系统不只看用户字面上问了什么，还会联想到同义表达、相关任务、隐含需求和后续可能追问的问题。所以你的内容需要覆盖同义词和延伸问题，而不只是精确匹配一个关键词——检索系统在匹配时看到的「问题」，比用户实际输入的要宽得多。

环节二：信息检索与综合。 在联网搜索、RAG 或带外部检索能力的生成式搜索场景中，系统可能基于扩展后的查询，从搜索索引、网页、知识库或其他外部来源中寻找可用信息。具体回答可能使用单一来源，也可能综合多个来源；页面不需要被包装成「唯一权威」，但必须能对相关主张提供清楚、可核验的支持。

环节三：多轮追问中的再检索。 生成式引擎会保留用户之前的提问上下文，随着追问可能触发新一轮检索和答案调整。用户越追问，系统就越可能深入到更具体的来源。你的内容即使在第一轮回答中没有被采用，在后续追问中仍然有机会出现——前提是你的内容覆盖了足够细分的问题。

与传统搜索的核心差异

维度	搜索引擎	生成式 AI 搜索
主要输出形态	排序结果为主，也可能包含摘要、知识面板和直接答案	整合后的自然语言回答，并可能附带来源链接或引用卡片
检索与匹配	查询理解、词项与语义召回、多阶段排序	可能复用搜索或其他索引，并叠加查询扇出、上下文选择和回答生成
交互模式	以查询和结果页浏览为主，也可能连续改写查询	以对话和追问为主，也可能触发多轮检索
主要观察重点	自然搜索可见性、点击、访问质量与任务承接	内容采用、品牌提及、来源归属、答案准确性与后续访问
共同与新增要求	意图覆盖、内容质量、页面体验、技术可达性、链接与品牌信号	共享左侧大量基础，并增加片段可采用性、来源归属和回答质量监测

这张表比较的是主要输出形态和监测重点，不表示某项能力只属于 SEO 或只属于 GEO。对内容团队来说，需要在原有搜索指标之外，增加对生成式回答结果的观察。

SEO 与 GEO：哪些基础交叠，哪些结果需要新增监测

说到这里，SEO 从业者都会问的一个问题自然浮出水面：做了 GEO，还需要做 SEO 吗？

答案是：需要。原因不是「GEO 建在 SEO 之上」，而是搜索系统和生成式回答在抓取、索引、相关性、内容质量和外部信号等方面存在大量交叠。

网站能不能被爬、页面能不能被处理、内容能不能被发现，是两类工作的共同问题。可抓取性、页面性能、Sitemap、清晰的 HTML 和准确的结构化数据，首先是成熟 SEO 与网站工程的组成部分；对于依赖网页索引、联网搜索或抓取链路的生成式 AI 产品，它们同样会影响自有页面能否进入候选。被这些问题拖累的网站，在搜索和生成式回答两端都可能损失可见性机会——即便品牌或内容仍可能通过新闻、百科、行业库和其他第三方页面间接进入 AI 回答，自有页面这条可控路径已经受阻。

共同基础之上，两类结果的呈现方式和可观测数据并不完全相同。

SEO 关心搜索意图覆盖、内容质量、页面体验、链接与品牌信号，以及最终的搜索可见性和任务承接；这些积累也可能影响生成式回答中的候选检索和来源选择。GEO 项目需要额外记录的是：回答是否采用相关内容、是否提及品牌、来源归属是否正确、答案有没有走样，以及不同平台之间是否存在差异。答案块、内容工程和全域分发并非与 SEO 相斥的专属动作，而是本书为了处理这些新增观察对象而组织出的工作方法。

一句话概括两者的关系：技术与内容质量基础大量交叠，结果形态和监测对象不完全相同。

这是本书理解 SEO 与 GEO 关系的核心立场。它既不通过缩小 SEO 来证明 GEO 的价值，也不把 GEO 写成 SEO 的升级版。对「我做 SEO 多年，接下来怎么办」这个具体问题，答案从这个立场直接推出来：

你积累的搜索技术、内容质量和用户需求判断经验仍然可用，不需要推翻；同时要增加生成式回答层面的测试与监测，观察内容是否被采用、如何被表述、是否正确归因。

需要正面回应一个来自 Google 官方的声音。2026 年 5 月，Google 搜索中心发布了《针对生成式 AI 搜索体验进行优化的指南》，其中明确写道：「从 Google 搜索的角度来看，针对生成式 AI 搜索体验进行优化就是针对搜索体验进行优化，因此仍然属于 SEO。」

这句话准确限定了 Google 自己的产品范围。Google 的 AI Overviews 和 AI Mode 建立在其核心搜索排名与质量系统之上，现有 SEO 最佳实践仍然适用；Google 同时明确表示，不需要为了 AI 功能专门创建新的机器可读文件、特殊 Schema 或人为分块内容。

本书讨论的 GEO，面向的是更广的生成式 AI 生态——包括 Google 的 AI 功能，以及 ChatGPT、Perplexity、百度 AI 搜索等产品。Google 的 AI 功能建立在 Google 搜索体系之上；其他产品则可能使用自建索引、第三方搜索服务、合作数据源或临时网页访问等不同方式。各产品的来源策略并不相同，因此某个页面在 Google 排名靠前，不代表它一定会被所有生成式 AI 产品采用；反过来也一样。

所以更准确的描述是：SEO 与 GEO 不是简单的包含、替代或继承关系。对于 Google 的 AI 功能，GEO 与 SEO 高度重叠；对于跨平台项目，传统搜索数据又无法完整呈现各产品中的内容采用、品牌提及、来源归属和答案准确性。本书第四章讨论共享的技术基础，第五章到第七章讨论内容可采用性、证据与归属，第八章建立跨平台监测。

这不是主观判断。从目前的公开研究和行业测试来看，AI 回答中采用或引用的页面，和同一个问题在传统搜索中排名靠前的页面，并不总是高度重合。相当一部分被 AI 采用的来源，可能并不出现在传统搜索结果的前列。

原因和 AI 的检索方式有关。Google 官方把其中一种机制称为 query fan-out：用户只问了一个问题，但系统可能会自动拆成多个相关子问题，分别检索不同子主题和数据源，再把这些结果综合生成回答。这样一来，一个页面即使在某个关键词上排名很高，也只是整组子问题里的一个候选来源。GEO 不能只盯着某个关键词的排名，而要看你的内容能否在一组相关问题、子问题和追问场景中反复成为可被采用的素材。

这也呼应了本书从第一章开始强调的区别：SEO 项目通常以自然搜索可见性、点击和任务承接为主要结果；GEO 项目还需要记录内容是否在生成式回答中被采用、提及或引用。两组指标互有关联，但不能直接互相替代。

1.6 GEO 方法论路线图

在进入具体技术细节之前，我先用日常语言描述一下本书的方法论骨架——你可以把它理解为一张全书地图，后续每一章的内容都可以在这张地图上找到位置。

GEO 的最终目标，是让你的内容在 AI 回答中被选中并采用——在合适场景下获得显性引用或品牌提及。要实现这个目标，需要三层工作从底往上搭建——为方便后续引用，本书把这套自下而上的三层工作称为「三层架构」：

第一层：入口——能不能进入候选范围。 AI 爬虫能不能抓到你的页面？抓到之后能不能把正文和噪音分开？你的品牌在公开网络、行业平台和第三方信源中有没有足够稳定的存在感？——这些是可抓取性、可提取性和品牌认知的问题，第四章和第七章会解决。

第二层：竞争——能不能从候选中胜出。 当生成式 AI 产品通过 RAG 机制或联网搜索引入外部资料时，你的内容能否被选中？在候选切片中能否胜出？被选中后能否被流畅地整合进回答？——这是语义匹配、信息密度和采用便利性的问题，第五章和第六章会解决。

第三层：结果——有没有被采用。 你的内容最终在 AI 回答中被采用、提及或引用的概率有多大？——这取决于前两层的综合效果，第八章会教你怎么衡量和持续优化。

入口不通，上面的内容优化很难真正发挥作用。

把这三层工作的关系展开来看，就是贯穿本书的方法论骨架。下面用三组关系来描述每一层的核心逻辑。需要提前说明：这不是精确的数学模型，而是帮你理解轻重缓急的思考框架。

结果层：被采用的前提

从自有页面直接进入生成式回答的路径看，通常需要同时具备两类条件：相关链路能够发现并处理内容（可检索性），内容又呈现出足够的可验证依据和可信度信号（内隐权威）。页面不可见会阻断自有页面这条路径，但品牌信息仍可能经第三方来源进入回答；页面技术上可达，也不代表内容一定会被采用。在此基础上，用户问题与内容是否匹配（意图匹配），会进一步放大或缩小被采用的概率。

竞争层：在候选中胜出

当系统通过检索拿到一组候选内容后，可以用三个因素分析内容的竞争力：和用户问题的语义距离有多近（语义相关性）、是否提供了难以替代的信息（信息独特性）、以及结构是否便于被提取和复述（采用便利性）。这不是平台公开的统一评分公式，但三个方向都可能影响候选内容在召回、重排序、上下文选择和生成阶段的表现。语义匹配并不能弥补内容缺乏原创价值，独家信息也可能因为表达混乱而难以被准确利用。

信任来源：可信度从哪里来

本书用「内隐权威」概括两类可观察的信任线索：品牌是否能被稳定识别为一个明确的行业实体（实体显著性），以及关键事实能否被多个彼此独立、可追溯的来源相互验证（多源印证——这是第七章「全域分发」的核心议题）。这不是所有 AI 产品公开使用的统一评分机制，而是一套证据建设与诊断框架：实体表达越清楚、事实越容易交叉核验，品牌与信息之间的归属关系通常越稳定。

为什么不把这些关系写成精确公式？因为生成式 AI 的输出具有随机性，受温度设定、采样策略等因素影响。我们只能通过优化每个环节来提升被采用的概率，但无法保证「做了 A 一定得到 B」的绝对结果。GEO 是概率游戏，不是确定性公式。理解这一点，你就不会对某一次测试的失败过度焦虑，也不会因为某一次成功就停止优化。

你在阅读后续章节时如果感到迷路，随时可以回到这张地图，确认自己正在解决哪一层的问题。

本章执行清单

这一章偏认知建立，但有三个动作现在就可以做：

• 检查流量趋势。 打开你的流量统计后台，看自然搜索流量近三个月的走势。如果排名没有明显变化但流量在下滑，这可能就是 AI 分流的信号。

• 做第一次 AI 来源采用测试。 向百度 AI 搜索、豆包、千问、DeepSeek 各提 5 个你的核心业务问题，记录你的品牌或内容是否出现在回答中。不需要先搭建复杂体系，先拿到一个粗略的基线印象；完整的问题库、记录字段和复测方法见第八章 8.2—8.3 节。

• 做第一次竞品对比。 在上述测试中，同时记录哪些竞品被采用了、它们的内容有什么特点。这组观察会帮你在后续章节中更有针对性地执行优化。