第六章｜内容工程三要素：权威性 × 相关性 × 易读性

6.1 三要素的本质：AI 的「信任-匹配-复述」机制

前面几章逐层解决了两个基础问题：AI 能不能看到你的内容（第四章的可抓取性），以及你的内容是否有清晰的答案结构（第五章的答案块工程）。

本章进入第三个问题，也是最核心的一个：当 AI 已经看到了你的内容，它会怎么判断这段内容值不值得采用？

这个判断对应三个独立的要素。

相关性——你的内容在语义空间中和用户的问题是否足够近，能不能被检索到。

权威性——你的内容是否具备足够的可信度信号，让 AI 在采用时有据可依。

易读性——AI 在生成回答时，能不能流畅地把你的内容「说出来」。

通俗地理解，就是三个问题：AI 能不能找到你？AI 凭什么信任你？AI 能不能顺畅地复述你？

当然，AI 内部并没有三个独立的打分器在做这三件事——这是一个内容审查框架，不是对任何商业产品内部评分机制的还原。它的用途是帮助作者分别检查匹配线索、证据质量和表达清晰度；三项改善都可能增加内容进入候选和被正确复述的机会，但不会单独保证采用。

这三个要素不是独立运作的。来源可靠但表达晦涩的内容，可能在切片或复述时丢失限定；通俗但缺少来源的内容难以核验；可信、好读却偏离问题的内容，也可能无法进入相关候选。

这里还要区分三个经常被混为一谈的问题：相关性、可信度和充分性。一段内容可能和问题高度相关，但来源不可靠；也可能来源可靠，却只支持答案中的一部分结论。相关性决定它是否可能被找到，可信度决定它是否值得采信，充分性决定现有证据是否足以支撑完整回答。对内容生产者来说，这意味着不能只追求「和问题很像」，还要提供可核验来源，并写清数据能够支持什么、不能支持什么。

本章对每个要素逐一拆解，并提供可直接使用的写作规则和改写示例。

Google 官方指南（2026 年 5 月）明确反对为了迎合生成式 AI 搜索体验而进行特殊写作。本章的信息密度、结论前置、指代清楚和消除模糊表达，本质上仍是内容质量工作：先让真实读者更快理解、核验和使用信息，同时让检索、提取和复述所需的线索更明确。更清楚的内容通常更便于机器处理，但不会因此自动获得更高采用率；采用结果还受到查询、索引、候选来源、产品策略和时间变化影响。Google 反对的，是为了覆盖大量表达变体而堆砌同义词和长尾词，本书的建议也不包含这类做法。

说明： 本章所有「改造前/改造后」示例均为教学演示文本，不对应任何真实企业或项目。

从典型检索增强链路看，这三项对应不同的诊断问题：相关性影响候选召回与排序，可信度影响来源核验与风险判断，易读性影响切片完整性和复述准确度。具体产品可能把这些因素放在不同阶段，也可能使用本书未观察到的信号，因此不要把三项理解成固定流水线。

从执行角度看，如果页面已经覆盖了目标问题（具备基础相关性），权威性往往是最容易先动手的方向——补数据、标来源、砍模糊词都能立刻执行；易读性可以同步清理；相关性则需要结合问题库和语义覆盖做系统规划。机制上相关性是前提，执行上权威性先动手——两个顺序不矛盾。

作为实务优先级，可以先检查内容是否真正回答问题，再补充事实、时间、价格、参数和来源，最后处理不会改变信息本身的格式细节。这个顺序便于排查，并不代表所有产品都按相同权重评分。被检索到只是进入候选；能否继续被选择，还可能受到证据质量、来源范围、答案空间和产品策略等因素影响。别把格式改造当成 GEO 的主要抓手。

原创不等于非同质化

Google 在 2026 年的生成式 AI 搜索指南中，特别强调要创造「非同质化内容」（non-commodity content）。一篇文章即使没有抄袭，如果只是换一种说法重新总结公开资料，没有增加新的数据、经验、判断或证据，仍然可能是同质化内容。更有竞争力的内容至少应增加一种难以替代的价值：第一手测试、原创数据、真实案例、专家判断、可复用工具，或者对现有材料提出更清楚的解释框架。覆盖查询扇出可能触发的相关子问题——包括查询改写、扩展和拆分——是为了把一个真实主题讲完整，不是为每个长尾表达批量生成一张薄页面。

AI 让整理、归纳和改写的成本迅速下降，也让这部分内容更容易同质化。真正稀缺的价值因此从「能不能写出来」，进一步转向「有没有新的证据、判断和责任主体」。AI 可以提高表达效率，却不能自动生成第一手经验和可信证据；第五章 5.10 节给出了 AI 辅助内容从资料包、初稿到人工审核和标识的完整流程。

6.2 第一要素：权威性——让 AI 采用时「有据可依」

在内容已经具备基础相关性的前提下，可信度证据通常是值得优先强化的要素之一。核心检查是：关键主张是否有适配、可追溯且足够充分的依据。

许多生成式 AI 产品会通过检索、来源选择、安全策略或回答限制来降低错误信息风险，但公开资料并不足以支持一条通用于所有产品的「可信内容偏好公式」。对内容生产者来说，稳妥的做法不是揣测隐藏权重，而是让关键主张有证据、有出处、责任主体明确，并写清证据边界，使读者和系统都更容易核验。

如果你有 SEO 背景，你会发现下面的内容与 Google 的 E-E-A-T 框架在信任建设上有相通之处——都是在回答「这个信源值不值得相信」。但有两点关键差异需要先讲清楚，因为它们直接决定了你该把资源投在哪里。

其一，不把框架误写成评分器。 E-E-A-T 是 Google 搜索质量评估指南中的重要内容，用来帮助质量评估员判断内容是否体现经验、专业性、权威性和可信度，不应被理解为一个直接、独立的算法分数。本章的「权威性」同样是内容审查维度，不代表 AI 产品公开存在同名评分项。页面内证据是作者最能直接控制的部分，外部声誉、链接、实体信息和来源生态也可能参与搜索或来源选择，不能被排除在外。

其二，观察对象不同。 SEO 与 GEO 都需要高质量内容和可信来源；本章额外检查的是，一段内容在被切片、检索和复述时，证据与限定条件能否随片段一起保留下来。因此，答案块、数据具体度、来源标注和结构化表达是值得单独审查的执行项，但它们不是对 E-E-A-T 的替代。

所以这一节讲的断言式表达、数据增强和来源标注，不是 E-E-A-T 动作清单的「AI 可读版」。它们是一组面向片段完整性和可核验性的内容工程动作，与成熟 SEO 的内容质量工作大量交叠，同时增加了对生成式回答中采用、归属和复述准确度的观察。

权威性要素一：断言式表达

AI 对确定性高的表述和模糊表述，反应不一样。像「据说」「有专家表示」这类没有具体来源的含糊说法，会让内容显得不够确定、不够可核验——在检索和排序阶段，这类内容的竞争力往往不如表述清晰的内容。

但这里有两条红线必须强调。

第一，断言必须建立在真实、可核验的事实基础上。「断言」不是「编造」。把「我们的产品市场占有率较高」改写成「我们的产品市场占有率第一」——如果后者无法核验，这种改写不只对 GEO 无效，更会损害品牌信誉。正确方向是改写成「根据 XX 机构 2025 年报告，市场占有率为 23%，位居国产品牌第二」。断言的底气来自证据，不是来自胆量。

第二，不要删除必要的限定词。医疗、金融、法律、科研、市场预测这类内容，本来就需要「可能、通常、在某些条件下」来表达边界和风险。真正该消除的是「无来源的含糊话」，不是所有谨慎表达。区分标准很简单：如果模糊是因为没去查数据，补上数据后换成确定表达；如果模糊是因为事实本身不确定，保留适当的限定词。

再往前一步：主动写清「不适合什么场景」，不是示弱，而是在增加内容的信息密度。「这款空气净化器适合所有家庭」——信息量为零，AI 没办法用这句话回答任何具体问题。「这款空气净化器适合 30 平米以内的卧室和书房；如果客厅面积超过 40 平米或层高超过 3 米，单台净化效率会明显下降，建议考虑更大风量的型号」——同样的篇幅，多了适用边界和替代建议，AI 在回答「这款净化器适不适合大客厅」时，可以直接采用你的判断。道理不复杂：一段既写了「适合什么」又写了「不适合什么」的内容，比一段只写「非常优秀」的内容覆盖了更多的问题角度，也更接近 AI 需要的完整答案。

权威性要素二：数据增强

具体数字比模糊的形容词更有采用价值，结构化的表格则更进一步。

从实际效果看，包含具体数字的内容比模糊描述更容易作为关键词检索 / 混合检索中的强信号被命中，也更容易被生成式 AI 产品在回答中稳定复述和采用。

数据增强有四个层次，从低到高：

有数字，比没有数字好（「效率提升 40%」优于「提升了效率」）。

有单位，比裸数字好（「充电速度提升 40%，由 30 分钟充至 80% 缩短至 22 分钟」）。

有时间范围，比无时间好（「据某行业研究机构数据，2024 年至 2025 年，某国产手机品牌在中国市场份额从约 13% 回升至约 17%」）。

有来源，比无来源好（上述数据加上「据 XX 机构 2025 年行业报告」）。

改造前：

「近年来，在线教育行业发展迅速，用户规模持续扩大，越来越多的学员选择在线学习方式，市场前景广阔。」

——全是形容词，没有提供可核验、可用于回答具体问题的事实。

改造后：

「据【示例研究机构】【示例年份】【示例报告】，某市场规模为 X 亿元，同比增长 Y%；其中某细分领域付费用户为 Z 万人。报告同期记录的课程完课率从 A% 变化至 B%。」

——这段只演示数据、时间和来源格式，不提供真实行业数字。即使格式完整，也仍需回到原始报告核验口径，不能据此推导未被报告支持的因果关系。

权威性要素三：来源标注

在陈述关键事实时主动标注信息来源，是权威性建设中成本较低、收益较高的动作之一。

来源价值首先取决于「来源是否适合支持这条主张」，而不是套用固定等级。可以按主张类型匹配：法律与监管要求优先查主管机关和法规原文；标准要求查标准发布机构；产品参数查制造商原始文档并结合必要的独立测试；研究结论查论文和原始数据；亲身使用体验则应由真实体验者提供。行业报告和媒体报道还要检查方法、样本与利益关系。个人博客或论坛并非天然低价值——在第一手经历、故障记录和社区实践中，它们可能是最接近现场的来源；无署名、无日期、无法追溯的页面才应谨慎使用。

来源标注的格式建议统一为 据 [机构/作者] [年份] [文件名/刊物名] 数据/研究显示。比如：「据 ISO 14644-1:2015 洁净室标准，Class 5 等级要求每立方米 ≥0.1μm 的微粒数量不超过 100,000 个。」这种格式能清楚呈现来源、时间和具体数据，降低 AI 在理解和采用时的判断成本。

实战 Tips：三个能立刻提升页面可信度的 HTML 动作

除了在正文中标注数据来源，页面本身也需要展示「信任的物理证据」。三个动作，每个只需要几行 HTML：

给内容加上作者署名和专业背景。不要只用「本站编辑部」这类无法追溯责任主体的匿名署名。写上真实姓名、职务和可核验的专业资质——「张明，产品经理，10 年消费电子行业经验」。如果内容确实经过专家审核，可以注明审核人及其身份；不能为了增加可信度虚构作者、资历或审核关系。

在网站底部增加「编辑规范」或「内容政策」页面。简要说明你的内容是怎么生产的、数据来源标准是什么、是否有审核流程。这个页面大多数中文网站都没有，但它是网站可信度的重要信号之一。

展示行业资质和认证标识。ISO 认证、行业协会会员、授权经销资质——这些信息不要只放在「关于我们」的角落里，在内容页的侧边栏或底部也要展示。

ACL 2025 的一项受控 RAG 研究提供了一个值得关注的补充证据：加入作者身份信息后，部分模型的引用归因质量发生了约 3%—18% 的变化，并表现出对明确人类作者身份的归因偏差。这说明作者与来源元数据可能影响某些 RAG 系统的归因行为，但不能直接外推为商业 AI 搜索的固定规则。实务上的正确结论不是「标注人类作者就会被引用」，而是让作者身份、专业背景和责任归属真实、明确、可验证。

权威性要素四：差异化权威信号——关联权威实体 + 第一手经验

前面三个要素解决的是「怎么让已有内容看起来更可信」。这个要素解决的是更根本的问题：你的内容本身是否具备别人没有的可信度来源？

两种差异化信号最有价值：

权威来源匹配。引用专家、机构或标准的价值，在于它们能否直接支持当前主张，而不在于名字本身是否知名。引用院士团队的研究结论、国标条文或权威报告数据时，应让读者看见具体主张、出处和适用边界；空洞地写一句「XX 教授曾说过，科技创新很重要」，既不能增加证据，也不应被当作所谓「关联效应」。

第一手经验与专有数据。在 AI 可以瞬间生成大量通用选购指南的时代，它最难可靠替代的，是有真实来源、可核验、带责任主体的第一手经验——真实的产品拆解评测、原创性能实测数据、真实用户场景的对比测试、只有你才拥有的独家数据。这和 Google E-E-A-T 框架中的第一个 E（Experience）指向同一个方向，不过在 GEO 里，它的价值不仅在于「可信」，还在于信息独特性。

第一手经验同时提供责任主体和差异化信息，但「亲自做过」并不自动等于结论可靠。记录方法、样本、原始材料、适用边界和利益关系，才能让经验成为可核验的证据。独特信息可能增加内容在综合回答中的不可替代性，但是否被采用仍取决于具体查询和产品链路。

实操建议：鼓励一线人员撰写真实使用日志、故障排查记录、实测对比报告。即使文字不够精美，其信息独特性远高于精心打磨的通用内容。

这里补充一个底层逻辑。很多 AI 产品在回答时不是只采用一个来源，而是从多个页面中各取一块拼成答案。这意味着你不需要在每个话题上写最全的那篇文章——全面覆盖的内容别人也能写。真正让你的内容在综合答案中不可省略的，是你提供了别人没有的那一块：独家的实测数据、真实的客户场景、具体的价格区间、经过验证的对比结论。信息越不可替代，越可能成为 AI 选中的那一段。

6.3 第二要素：相关性——让 AI「能找到你」

相关性的问题贯穿多个阶段：向量检索的语义距离、关键词召回与 BM25、混合排序、重排序、上下文选择，乃至生成阶段的利用——每一环都在判断「你的内容跟这个问题够不够近」。其中最直观的入口是向量检索：当用户提问时，你的内容在语义空间中和这个问题的「距离」够不够近？

从内容诊断角度，可以把来源声誉与问题匹配度分开检查。在医疗、金融、安全等高风险领域，应优先使用适配该主张的权威原始来源；在具体、新近或垂直的问题上，小型站点也可能凭借更直接的一手材料进入候选。公开资料并不足以给出两类信号在各产品中的固定权重，因此不要承诺「精准内容一定反超大站」。

这对中小企业是一个重要信号：你不需要是行业里最大的网站，但你的内容需要在某些具体问题上比大站更精准、更细致、更贴合用户当下的需求。在长尾问题上胜过大站，靠的不是域名权重，而是内容的语义精准度。

第二章已经解释了向量检索的基本原理（如果需要回顾，翻到 2.3 节）。本节聚焦于写作层面怎么提升匹配精度。

6.4 第三要素：易读性——让 AI「愿意复述你」

即使你的内容权威可信、语义匹配精准，还有最后一道关卡：AI 在生成回答时，能不能流畅地把你的内容「说出来」？易读性优化，就是在降低 AI 的「复述阻力」。

易读性要素一：句式简化

长句和嵌套从句会增加读者理解成本；如果切片边界落在句中，也可能导致主张与限定条件分离。把一个长句拆成若干事实明确的句子，主要是为了保持主语、证据和边界清楚，而不是宣称所有模型都会因长句失真。

改造前：

「由于本公司在多年的行业深耕过程中积累了丰富的服务经验和专业能力，加上我们始终坚持以客户为中心的服务理念，以及在服务流程标准化方面所做的持续投入和优化，使得我们在家政服务领域获得了众多客户的广泛认可和高度评价。」

一句话 93 个字，嵌套三层从句。

改造后：

「累计完成家政服务订单超过 12 万单，客户满意度 4.8/5.0。服务人员平均从业经验 5 年以上，全员持有健康证和专业技能证书。标准服务流程包含入户检查、服务执行、客户验收三个环节，每单配有服务质量追踪。」

三个短句，每句一个事实。

易读性要素二：主动语态优先

当被动表达省略责任主体时，句子会更难核验。「该服务被广泛应用于……」不如「超过 3 万家庭使用该服务进行……」具体。这里的重点是补出动作主体和证据，不是禁止所有被动语态；在主体不重要或确实未知时，被动表达仍然成立。

易读性要素三：消除「语言噪音」

6.2 讲的是把模糊信息升级为具体信息（从含糊到确定），这里讲的是直接删除没有信息量的废话（从有到无）——两者方向不同，但经常同时出现在同一段文字里。

语言噪音是指那些占据版面但不增加信息量的表达。它会稀释读者注意力，也可能占用有限的切片或上下文空间；不能把这种影响简单写成统一的「语义权重降低」。最常见的四类噪音：

开场白套话：「随着 XX 的快速发展」「在当今社会」「众所周知」。

重复强调：同一个结论换三种措辞说三遍。

过渡性废话：「接下来我们来看」「综上所述」「由此可见」。

营销宣传语：「引领行业发展」「推动科技进步」「为用户创造价值」。

易读性要素四：逻辑顺序自然化

最常见的逻辑问题是因果倒置——先说一堆条件和原因，最后才说结论。这对 AI 有一个直接的不利影响：切片机制可能把结论和关键上下文拆开，导致 AI 没有充分利用这条信息。结论前置不仅有助于被完整切片覆盖，也让读者（无论是人还是 AI）更快抓到核心信息。

改造前：

「由于我们采用了进口环保材料，并严格执行了 ISO 9001 质量管理体系标准，同时在施工工艺上引入了德国标准流程，因此我们的装修质量获得了行业和客户的双重认可。」

——结论在最后一个分句。

改造后：

「装修工程通过 ISO 9001 认证及第三方空气质量检测。具体体现在：板材全部采用 F0 级环保认证进口材料；施工流程通过 ISO 9001 质量管理体系认证；硬装完工后提供 CMA 资质机构出具的空气质量检测报告。」

——结论在第一句，支撑在后面。

技术背景补充：易读性与训练数据筛选

部分训练数据管线会使用语言模型困惑度评估网页与参考语料的接近程度，CCNet（Wenzek 等，2020）就是代表性案例之一。但困惑度不是通用的内容质量分，也不是越低越好。关键词堆砌、语言混杂、重复模板和语法错误，还可能通过语言识别、启发式规则、去重和质量分类器等其他环节被过滤。因此，自然、规范的表达有利于整体质量筛选，但不能简单归结为「困惑度越低，进入训练集的概率越高」。而且网页被采集或通过某项过滤，也不等于最终用于模型训练。

6.5 三要素的协同效应：单点优化不如组合优化

三个要素单独发挥作用时，各自有局限。数据详实但场景模糊，可能无法匹配具体问题；场景覆盖广但缺少可信依据，结论难以核验；文字流畅但信息量薄，也无法为读者提供足够价值。因此，三项需要组合审查。

用一个完整的对比来感受三要素协同的效果：

三要素均缺失（这是很多企业官网的真实写法）：

「XX 装饰公司成立于 2010 年，是一家集设计、施工、售后于一体的综合性装修企业。公司拥有经验丰富的设计师团队和专业的施工队伍，多年来始终坚持品质为先、服务至上的经营理念，已为数千家庭提供了满意的装修服务。」

——没有具体数据和来源，缺少场景与价格，且充斥套话；这段话很难支撑具体问题的回答。

三要素协同：

「XX 装饰近一年在北京完成全包装修 1200 余单，客户满意度 4.9/5.0（基于 XX 平台 3600 条评价）。价格区间：经济型全包 1000-1500 元/㎡，品质型 1500-2500 元/㎡。适合三类客户：首套刚需（90㎡三居室经济型预算约 9-14 万元）、改善换房（老房翻新含拆旧，工期约 75 天）、精装升级（进口主材 + 全屋智能，设计师一对一）。板材全部 F0 级环保认证，竣工后提供 CMA 空气检测报告。」

——权威性（具体数据 + 评分来源），相关性（明确场景 + 价格区间），易读性（短句并列，无铺垫和噪音）。三者同时到位。

6.6 多模态内容：文字之外的权威信号

到目前为止本章讨论的都是文字内容。但现代网页不只有文字——图片、视频、数据图表同样是内容的组成部分。

许多网页检索与索引流程仍以文本为主要入口，图片和视频能否被解析、建立索引并用于回答，因产品和内容类型而异。多模态能力正在扩展，但为重要图片、图表和视频提供准确的文字说明，仍是兼顾无障碍、搜索发现和不同处理链路的稳妥做法。

图片：ALT 文本是关键

ALT 文本的首要用途是无障碍访问——当图片无法显示时为用户提供替代描述。但它同时也是机器理解图片内容的重要信号。一个信息密度高的 ALT 文本，能帮助搜索系统、抓取系统或图像理解系统更完整地解析页面内容。ALT 文本不是关键词堆砌位，也不是正文的替代品——它应该准确描述图片展示的内容，并在必要时补充与页面上下文相关的关键信息。

低价值 ALT： alt="IMG_001"、alt="产品图片"、alt="chart"——对 AI 来说等于没写。

高价值 ALT： alt="90㎡三居室北欧风格客厅实拍，浅色木地板搭配白色定制柜体，落地窗自然采光"、alt="北京家装市场全包均价走势图，展示 2022 至 2025 年价格变化趋势"——准确描述图片可见内容。如果图片涉及造价、认证等级、数据来源等补充信息，优先放在图注或图片旁边的正文里，下一小节会具体说明。

同时要注意图文一致性：当 ALT 文本与正文中的术语、型号、参数保持一致时，有助于抓取系统和图像理解链路更完整地解析页面内容，减少图片、正文和结构化信息之间的歧义。

图注和近邻正文：图片旁边的文字要解释图片

ALT 文本是给机器看的最小语义单元。但 AI 在理解一张图片时，不只看 ALT——它还会参考图片周围的正文段落。如果你的产品对比图旁边的正文在讲公司发展历程，图文之间没有语义关联，这张图对 AI 来说就是一个孤立的信息点。

两个动作可以改善这一点。第一，给重要图片加图注（caption），用一两句话说明这张图展示的是什么、关键发现是什么。第二，确保图片前后的正文段落在讲和图片相关的内容——图片是装修效果图，前后文就应该在讲装修风格或施工工艺，而不是公司简介。

视频：字幕和文字实录是关键

视频对 AI 最直接的价值来源是配套的文字内容。三个动作按优先级排列：

上传 SRT/VTT 字幕文件（字幕是纯文本，更容易被抓取系统读取和利用）。

在视频页面的正文区域附上文字实录或演讲稿整理。

按 Schema.org 的 VideoObject 结构化数据规范补充必填和推荐字段（标题、描述、缩略图、上传时间等）。需要注意的是，VideoObject 负责说明视频的元信息，真正让视频内容进入文本检索链路的，仍然是字幕、文字实录、章节摘要和 FAQ 提炼。

一个容易被忽视的高价值场景：学术会议演讲、行业峰会发言、专家访谈视频。这是企业内容中很有潜力沉淀权威信号的类型之一，但通常以视频形式存在，在文本检索链路中可见性很低。把这类视频配上完整字幕或文字实录，发布在网站上并部署 VideoObject Schema，是把这类高权威内容转化为可被检索和采用的「GEO 高价值内容」的最有效路径之一。

视频的完整文字化路径

字幕是第一步，上传 SRT 或 VTT 字幕文件，前面已经讲过。但字幕只是起点。

第二步是在视频页面的正文区域放一份文字实录或内容摘要。很多企业拍了高质量的产品讲解视频，但视频页面上除了标题什么文字都没有——AI 目前主要靠文本检索，看不到你视频里讲了什么。

第三步是给长视频加章节和时间戳。「00:00 选购前要想清楚的三件事 / 02:30 参数怎么看 / 05:00 常见的坑」——这些章节标题本身就是可被检索的文本。

第四步是把视频中的关键问答提炼出来，变成独立的 FAQ 或文章段落。一段 30 分钟的专家访谈里可能藏着十个高价值问题的答案，但如果不提炼成文字，这些答案对 AI 来说不存在。

一个核心主题，最好形成一组内容

前面讲的图文视频的文字化，最终指向一个更高层次的内容策略：如果团队有余力，围绕一个核心主题做一组内容，比只写一篇长文更有效。比如围绕「宠物保险怎么选」，可以做：一篇选购指南（详情页）、一组 FAQ（保费、理赔范围、等待期、续保规则）、一篇对比分析（不同保险公司的方案对比）、一段视频讲解（配字幕和文字实录）、一个理赔案例页。每种形态各自配上文字，就是在检索层面为同一个主题覆盖了更多种类的查询入口。

6.7 内容审核清单：发布前的三要素自查

最后，提供一份可以在每篇内容发布前执行的三要素自查清单。每个要素大约需要五分钟。

权威性自查

扫描全文，找出没有具体来源的含糊表述（如「据说」「有专家表示」），逐一处理：如果模糊是因为没去查数据，补上数据后换成确定表达；如果事实本身存在不确定性，保留适当的限定词并补充条件说明。

检查内容中是否有足够的量化信息支撑——如果整段都是形容词和模糊描述而没有任何具体数字，说明需要补充数据。对适合量化的内容（产品页、对比分析、行业数据），尽量让答案块、首段或关键对比段里出现具体数字和指标。

检查所有引用数据是否有明确的来源标注（机构名 + 年份 + 文件名）。

检查文章是否包含有真实来源、可核验、AI 难以可靠替代的专有信息（实测数据、真实客户场景、维修记录）。

易读性自查

找出文中最长的三个句子，尝试把每个长句拆分成两到三个短句。

扫描全文开头段落，删除所有开场白套话。

如果条件允许，把文章发给一个不熟悉该领域的同事，请他找出读起来最费劲的三个段落——那些段落通常就是易读性最差的地方。

本章执行清单

把三要素自查清单加入你的内容发布 SOP。作为每篇内容发布前的必经步骤。

整理你所在行业的「模糊词→断言词」对照表。参考本章的改造示例，定制适合你行业的版本，分发给内容团队。

审查最近发布的 5 篇内容的来源标注。统计每篇的「无来源数据」数量，逐一补充来源或替换为有来源的数据。

整改所有图片 ALT 文本。把 alt="IMG_001"、alt="产品图片" 类的 ALT 替换为准确描述图片内容、并在必要时包含应用场景和关键参数的描述性文本。

为权威视频内容提供文字化支持。如果你有行业专家访谈或演讲视频，优先提供完整字幕和文字实录，部署 VideoObject Schema。