生成式搜尋引擎優化方法論：Answer-First + E-E-A-T + Schema 三層架構完整解析

GEO 三層方法論為什麼是這三層

GEO 的成功公式 = 內容夠好（Answer-First）× 來源夠權威（E-E-A-T）× 技術可解析（Schema）。三層任一缺失都會嚴重削弱整體效果，且有明確優先序：Schema 是入場券（沒有 schema AI 看不到結構），Answer-First 是引擎（沒有好內容 schema 也救不了），E-E-A-T 是放大器（信號齊全 AI 引用機率倍增）。

Princeton 大學 2024 年 GEO 研究實測證實這個三層結構。研究團隊測試 9 種優化信號 × 6 個 LLM × 1000+ query，發現對 AI 引用率提升最顯著的三大因素分別是：原創引用（quotation，+41%）、結構化資料完整（schema，+30%）、權威來源連結（authoritative sources，+38%）。三者組合應用，AI 引用率可達原始 baseline 的 2 倍以上。

為什麼是這三層而非其他？因為 AI 引用一個來源的決策過程經歷三道篩選：(1) 技術可讀（爬到、可解析）→ (2) 內容匹配（答案對應 query）→ (3) 來源可信（權威信號齊全）。Schema 解決第一道，Answer-First 解決第二道，E-E-A-T 解決第三道。把優化資源平均分配到三層，比集中在單層的效果好 2-3 倍。

• GEO 公式 = Answer-First × E-E-A-T × Schema
• 三層優先序：Schema 入場券 → Answer-First 引擎 → E-E-A-T 放大器
• Princeton 研究：三層組合應用 AI 引用率 +2x
• AI 引用篩選三道：技術可讀 → 內容匹配 → 來源可信

第一層：Answer-First 寫作完整 SOP

Answer-First 是 GEO 的核心寫作方法論。它與傳統 SEO 寫法的根本差異在「結論放哪裡」：SEO 偏好「引言→鋪陳→正文→結論」結構（結論在文末）；Answer-First 是反過來「結論→展開→補充→重點摘要」（結論在開頭）。AI 模型抽引段落時偏好「短而完整」的直接答案，Answer-First 結構正好提供這個。

**結構規範**：每篇 GEO 內容五段式架構——(1) H1 問題式標題（不用陳述句）；(2) 40-80 字 answer-first 直接答案（含關鍵字、結論、最重要的數據）；(3) 背景與為什麼重要；(4) 細節步驟或展開（用 bullet 或 numbered list）；(5) 重點摘要 keyPoints（4-6 條 bullet）。每段獨立完整、200-400 字，不依賴前後段才能理解。

**字數規範依內容類型**：FAQ 200-400 字、術語頁 200-400 字、對照頁 800-1500 字、教學頁 1500-2500 字、行業頁 2000-3000 字、平台頁 1500-2500 字、劇本 3000-5000 字、pillar 長文 4000-6000 字。字數不是越長越好——超過建議區間反而 AI 抽引機率下降（因為段落過長、語意分散）。

**Answer-First 寫法五大原則**：(1) 第一句必須是直接答案，不要鋪陳；(2) 數據與結論必須具體（不是「會提升很多」，而是「+30%」「3 個月內」）；(3) 避免「我們認為」「業界普遍」等模糊主詞，用「Princeton 研究顯示」「Gartner 預測」等具體歸因；(4) 每段獨立可抽取，不寫「如前文所述」這類依賴前文的句子；(5) keyPoints 用名詞句而非完整句子（AI 抽 bullet list 時偏好短句）。

**常見寫作錯誤**：第一段寫「在這個 AI 快速演化的時代⋯」「在 2026 年的台灣⋯」這類鋪陳開頭——AI 抽引時會直接抽這段沒重點的鋪陳作為答案，把品牌曝光浪費掉。正確寫法是直接「[主題]核心是 X、Y、Z 三件事⋯」開頭，前 80 字內把結論交代完。

• 五段式架構：問題標題 → 40-80 字直答 → 背景 → 展開 → keyPoints
• 字數依類型：FAQ 200-400、教學 1500-2500、pillar 4000-6000
• 五大原則：第一句直答、具體數據、明確歸因、段落獨立、bullets 用短句
• 禁忌：鋪陳開頭浪費 AI 第一段抽引位

第二層：E-E-A-T 四個 E 的實作方法

E-E-A-T（Experience 經驗 / Expertise 專業 / Authoritativeness 權威 / Trustworthiness 可信）原是 Google Quality Rater Guidelines 提出的概念，2024 年起被多數 LLM 採用作為內容篩選信號。AI 評估「這個來源夠不夠權威」時會綜合四個 E 的信號。實作上四個 E 各有不同建構方法：

**Experience（經驗）**：證明作者「實作過、量過、寫過」的第一手經驗。實作方法：(1) 文章內明確引用「我們客戶實測的數據」「在 X 專案執行時發現」；(2) 附上真實截圖、流程圖、實作 demo 連結；(3) 作者頁註明「執行過 N 個案例」「服務過 N 個品牌」的數字。Princeton 研究：含第一手經驗證據的內容 AI 引用率 +28%。

**Expertise（專業）**：證明作者具備領域專業能力。實作方法：(1) 為每位作者建立獨立 /about/team/[slug] 頁，含 Person Schema 完整 jobTitle、knowsAbout、credentials 欄位；(2) 累積專業背景證明——學歷、證照（CFA / CPA / 律師 / 醫師執照）、公司角色、論文發表；(3) 文章 Article Schema 的 author @id 連回 Person 頁建立實體連結。

**Authoritativeness（權威）**：證明作者在領域內被認可。實作方法：(1) 累積外部 sameAs 連結——LinkedIn、媒體報導、演講紀錄、學術引用、Wikipedia 條目；(2) 主動投稿主流媒體（商周、數位時代、TechCrunch）建立外部署名；(3) 與業界專家做訪談、合作 podcast、互相 sameAs。權威信號不必多但要權威——5 篇商周報導 > 50 篇個人部落格提及。

**Trustworthiness（可信）**：證明內容與品牌可被信任。實作方法：(1) 公司資訊完整（統編、地址、聯絡方式、隱私政策、退換貨政策）；(2) 每篇文章加 datePublished + dateModified 並定期 refresh；(3) 引用第三方權威來源時用 hyperlink + cite 屬性；(4) 加入「審核者」reviewedBy 欄位——主筆撰文 + 另一位專家審核，這是 YMYL 內容（金融、醫療、法律）的標準作法。

**四個 E 的優先序**：對新站來說 Trustworthiness 最容易補（公司資訊完整、dateModified 標註，1-2 週可做完）；其次是 Expertise（建作者頁 + Person Schema，2-4 週）；Experience 需要時間累積（依靠案例與數據，3-12 個月）；Authoritativeness 最難最慢（需要外部認可，6-24 個月）。先補容易的兩個，邊做邊累積另外兩個。

• Experience：第一手經驗證據（客戶數據、實作截圖、案例 N 數）
• Expertise：作者頁 + Person Schema + jobTitle + knowsAbout + credentials
• Authoritativeness：外部 sameAs（媒體報導、學術引用、Wikipedia）
• Trustworthiness：公司資訊 + dateModified + cite + reviewedBy
• 優先序：先補 T 與 E（容易），慢慢累積 Experience + Authority

第三層：Schema.org 結構化資料

Schema.org 是 AI 解析網頁語意的標準字彙。沒有 schema 的網頁對 AI 而言是「平面 HTML」，有 schema 的網頁是「結構化資料」。AI 偏好引用後者，因為可以精確擷取 name、description、author、dateModified 等欄位。完整 GEO 站台應該覆蓋 6 種核心 schema：

**Organization（品牌實體）**：放在首頁 + 全站 layout，標記品牌名、Logo、聯絡資訊、社群連結。必填 @id、name、url、logo、sameAs（連 LinkedIn / Facebook / Twitter / Wikipedia）、address、taxID（統編，台灣品牌建議加）。Organization Schema 是 AI 建立品牌實體圖譜（Knowledge Graph）的關鍵。

**Person（作者實體）**：為每位作者建立獨立 /about/team/[slug] 頁，每篇文章的 Article Schema 用 author @id 連回此 Person 實體。必填 @id、name、jobTitle、knowsAbout（陣列列出專業領域）、worksFor、sameAs（LinkedIn / 媒體報導等外部認證連結）。Person Schema 是 E-E-A-T 信號的技術載體。

**Article（文章）**：每篇 blog / 長文必備。必填 headline、description、author（@id 指向 Person）、publisher（@id 指向 Organization）、datePublished、dateModified、image、mainEntityOfPage、inLanguage、wordCount、articleSection。長文額外建議加 articleBody（純文字版正文，便於 AI 抽取）。

**FAQPage（FAQ）**：每個 /feat/faq/* 頁面必備。Schema 包含 mainEntity 陣列，每個元素是 Question + acceptedAnswer 物件。AI Overview 與 ChatGPT 對「X 是什麼」「怎麼做 X」這類查詢直接抽 FAQPage Schema 的 acceptedAnswer.text 作為答案。FAQPage 是投資 ROI 最高的 schema 之一。

**HowTo（教學）**：每個 /feat/howto/* 頁面必備。Schema 包含 step 陣列、estimatedCost、totalTime、tools、supply。Google 對 HowTo schema 完整的頁面會在 SERP 顯示步驟卡片（rich result），同時 AI 在「怎麼做 X 步驟」查詢時優先引用。

**Product / Offer / AggregateRating（電商）**：每個產品頁必備。Product 標記產品基本資訊、Offer 標記定價與供應狀態、AggregateRating 標記星級與評論數。AI 推薦商品時優先引用具備完整 Product Schema 的品牌（且星級 4.0+ 且評論 50+ 為門檻）。

**驗證標準**：所有 schema 必須通過 Google Rich Results Test（https://search.google.com/test/rich-results）的 0 errors 0 warnings。額外建議用 Schema.org Validator（https://validator.schema.org）做完整性檢查，會顯示 schema 樹狀結構與所有屬性。發布前必跑這兩個驗證。

• Organization：品牌實體 + 統編 + sameAs（首頁 + 全站 layout）
• Person：每位作者獨立頁 + jobTitle + knowsAbout + sameAs（Article author 連 @id）
• Article：每篇 blog 必備，含 datePublished + dateModified + wordCount + articleBody
• FAQPage：每個 /feat/faq 必備，AI 抽 acceptedAnswer 作答案
• HowTo：教學頁必備，含 step + estimatedTime + tools
• Product + Offer + AggregateRating：電商必備，AI 推薦門檻 4.0+ 星 50+ 評論
• 驗證：Rich Results Test 0 errors + Schema.org Validator 完整性

llms.txt 與 robots.txt：AI 爬蟲的入口設定

技術基建層級還有兩個關鍵檔案：robots.txt 控制 AI 爬蟲是否能讀網站、llms.txt 提供 AI 內容導讀。前者是「准入」、後者是「歡迎詞」。

**robots.txt 完整 AI 爬蟲清單**：必須對以下 user-agent Allow（非 Disallow）——GPTBot（OpenAI 訓練爬蟲）、OAI-SearchBot（ChatGPT Search 即時抓取）、ChatGPT-User（使用者點 ChatGPT 連結時的爬蟲）、ClaudeBot（Anthropic 訓練）、anthropic-ai（Anthropic 即時）、PerplexityBot、Perplexity-User、Google-Extended（Gemini 訓練）、Applebot-Extended（Apple Intelligence）、CCBot（Common Crawl，多數 LLM 訓練語料來源）。Cloudflare 預設可能擋 AI Scrapers，需到後台 Security → Bots → 確認未被 Block。

**llms.txt 寫法 4 步**：(1) 第一行 H1 寫品牌名；(2) 接著用 blockquote 寫一句話定位（30-50 字，明確指出產品類型、目標市場、核心差異化）；(3) 用 ## 二級標題分區列出 20-50 條最重要連結，每連結後加「: 描述句」說明用途；(4) 檔案放 /public/llms.txt（Vite/Next.js）或網站根目錄，確認 https://yourdomain.com/llms.txt 回傳 200 + Content-Type: text/plain。

**llms.txt 結構建議**：## 核心服務（首頁、預約、產品頁）、## 概念與術語（GEO 知識庫主要術語連結）、## 常見問題（完整 FAQ 與微 FAQ 區）、## 對照與比較（compare 頁）、## 教學系列（howto 頁）、## 平台與行業（platform + industry 頁）、## 完整劇本（playbook 頁）、## 關鍵事實（公司全名、統編、地址、創立年份、聯絡 Email）。geomkt.app 站上的 /llms.txt 是可參考的繁中範本。

**常見錯誤**：(1) 用相對路徑而非絕對 URL，AI 無法跟隨；(2) llms.txt 內容過長（> 50KB），AI 截斷後失去後段資訊；(3) 沒列出實體公司資訊，AI 無法判斷品牌可信度；(4) 放在 /docs/llms.txt 而非根目錄，多數 AI 爬蟲不會找到。發布後用 curl https://yourdomain.com/llms.txt 確認可正常存取。

• robots.txt 必須 Allow：GPTBot / OAI-SearchBot / ClaudeBot / PerplexityBot / Google-Extended / Applebot-Extended / CCBot
• llms.txt 寫法：H1 品牌名 → blockquote 定位 → ## 分區列出 20-50 連結 → 放 /public/llms.txt
• 建議分區：核心服務 / 術語 / FAQ / 對照 / 教學 / 平台 / 行業 / 劇本 / 關鍵事實
• 常見錯誤：相對路徑、檔案過長、放錯位置、缺實體資訊

內部連結與主題網絡建構

AI 偵測「主題權威」的核心信號之一是「主題網絡密度」——一個主題下相關內容的內部連結是否密集、跨類型、雙向。建構主題網絡有三個層次：

**層次一：pillar / cluster 雙向連結**。每個主題建 1 篇 pillar 長文（3000-5000 字）+ 5-15 篇 cluster 短文（FAQ / 術語 / 對照 / 教學）。pillar 在文末列出所有 cluster 連結（「延伸閱讀」區塊）；每篇 cluster 在文末加「閱讀完整指南：[pillar 標題]」連回 pillar。雙向連結建立後 AI 偵測到「這個品牌是這個主題的中心節點」。

**層次二：跨類型 cluster 連結**。每篇 cluster 短文除了連回 pillar，還要在 relatedSlugs 或 related 欄位列出 3-5 篇跨類型相關內容。例如 /feat/glossary/eeat 應該連到 /feat/faq/how-to-build-author-eeat（FAQ）、/feat/howto/how-to-build-topical-authority（HowTo）、/feat/compare/seo-agency-vs-geo-agency（Compare）。跨類型連結是「主題網絡」的關鍵，AI 偵測時看的是跨類型而非同類型內鏈。

**層次三：每頁 3-5 條 outbound + 至少 2 條 inbound**。每個頁面應該有至少 3-5 條 outbound 相關連結（指向其他相關頁），同時至少有 2 條 inbound（被其他頁面連到）。沒有 inbound 的「孤兒頁」對 AI 而言是「未被認可的內容」，權威信號被截斷。建議內容企劃時就規劃每篇的 inbound 來源——「這篇上線後，A、B、C 三篇要加上它的連結」。

**技術實作**：用 cross-type resolver 統一解析所有頁面的 relatedSlugs，自動偵測 slug 屬於哪個類型並產生正確 URL。geomkt.app 站上的 src/data/crossTypeResolver.ts 是參考實作，5 個 React 頁面（GlossaryTerm / ComparePage / HowToPage / IndustryPage / PlatformPage）統一使用同一個 resolver，相關連結自動跨類型。同時 prerender plugin 也要把相關連結寫進 AI-fallback HTML（不只在 React 渲染後），AI 爬蟲才看得到。

• 層次一：pillar ↔ cluster 雙向連結（pillar 文末列 cluster，cluster 連回 pillar）
• 層次二：cluster 之間跨類型連結（不只連同類，要連 FAQ↔glossary↔howto 等）
• 層次三：每頁 3-5 outbound + 至少 2 inbound（避免孤兒頁）
• 技術：cross-type resolver 統一解析，prerender 寫進 AI-fallback HTML

三層整合：從 0 到第一次 AI 引用的 30 天執行手冊

新站從 0 開始建構 GEO 三層架構，最快 30 天可達到「第一次被 AI 引用」門檻。執行順序（順序很重要，不可顛倒）：

**Week 1（技術基建第一週）**：robots.txt 開放 10 種 AI 爬蟲、撰寫 llms.txt 並放 /public/llms.txt、Organization Schema 加到首頁（含完整 sameAs）。若是 SPA 必須先導入 prerender 或 SSR，否則後續所有工作都白做。週末用 curl -A 'GPTBot/1.0' 驗證 AI 爬蟲拿到完整 HTML。

**Week 2（技術基建第二週）**：為創辦人/主筆建立 /about/team/[slug] 頁含 Person Schema、知識領域（knowsAbout）、外部 sameAs（至少 LinkedIn + 1 篇媒體報導）。Article / FAQPage / HowTo schema 模板建立，所有新內容套用。Rich Results Test 跑過 0 errors。

**Week 3（內容寫作 SOP 訓練）**：團隊統一 Answer-First 寫作 SOP——五段式結構、40-80 字 answer-first 開頭、keyPoints 4-6 條。撰寫第一批 10 篇 FAQ + 10 篇術語頁（總計 20 篇）。每篇必須通過內部 review：是否符合 Answer-First？是否有 schema？是否有 ≥ 3 條相關連結？

**Week 4（內容批次上線 + 監測啟動）**：20 篇內容全部上線、sitemap.xml 更新並提交 Google Search Console + Bing Webmaster Tools。手動測試 baseline：在 ChatGPT、Perplexity、Gemini 各問 20 個品牌相關 prompt，記錄是否提及 / 是否引用 / 競品出現次數。建立 baseline 表格作為後續優化的對照基準。

**Day 30 預期成果**：(1) 至少 1-2 次被 AI 引用（最常見是 ChatGPT 對「[品牌名] 是什麼」的回答含網站連結）；(2) GSC 開始累積品牌字根印象；(3) AI 爬蟲已出現在 server log；(4) baseline 表格建立完成。30 天看不到引用的常見原因：技術基建跳過某步（最常見是 prerender 沒做）、Person Schema 沒建（缺 E-E-A-T）、Schema 驗證有 errors。

• W1 技術第一週：robots.txt + llms.txt + Organization Schema + Prerender
• W2 技術第二週：Person Schema + Article/FAQPage/HowTo schema 模板 + Rich Results 驗證
• W3 內容 SOP：Answer-First 訓練 + 第一批 20 篇 FAQ/術語
• W4 上線監測：20 篇上線 + sitemap + baseline prompt 測試
• Day 30 預期：1-2 次 AI 引用 / GSC 品牌印象 / AI 爬蟲於 server log

量化驗證：怎麼知道 GEO 真的有效

GEO 最常見的失敗是「做了一陣子但不知道有沒有效」。問題出在量化方法——SEO 工具（Ahrefs / SEMrush）無法量測 AI 引用，必須建立 GEO 專屬的量化機制。下方五個指標是 baseline 必測：

**指標一：AI 引用率**。每週對 ChatGPT / Perplexity / Gemini 三平台各問 20 個品牌相關 prompt（合計 60 次測試），統計被引用次數。公式：引用率 = 引用次數 / 60 × 100%。Baseline 通常 10-20%，6 個月優化後可達 40-60%。

**指標二：品牌提及率**。同樣 60 次測試，統計「答案中提及品牌名」的次數（含未附連結的提及）。提及與引用是兩個不同信號——提及代表 AI 知道品牌存在、引用代表 AI 認為網站是來源。提及率通常高於引用率。

**指標三：Share of Voice（SoV）**。針對 B 類「品類字根」prompt（不點名品牌），統計品牌提及次數 / 全部品牌提及次數。SoV 直接反映「在品類中的位置」。新站 baseline 通常 5-10%，6-12 個月可達 20-30%（依品類競爭激烈度而異）。

**指標四：AI referer 流量**。GA4 看 chat.openai.com、perplexity.ai、gemini.google.com、claude.ai 等 referer 的流量。這是 AI 引用實際導流的量化證據。注意此指標通常較低（多數使用者在 AI 答案就滿足不點擊），不要以此為主指標。

**指標五：AI Overview 觸發率**。在 Google Search Console 看含品牌字根的查詢有多少出現 AI Overview 觸發信號。具體看 GSC 報表的「AI 功能」欄位（2025 年 Q2 起 GSC 已加入此維度）。觸發率提升代表內容被 Google 認為適合 AI Overview 引用。

**驗證節奏**：每月 1 號做完整 60 prompt 測試，每季用 baseline 對比成長率。年度 review 時看絕對值（引用率 / SoV 是否達標）+ 相對成長（vs 競品 + vs 季初）。

• 指標一：AI 引用率（每月 60 次測試，引用次數 / 60）
• 指標二：品牌提及率（含未附連結提及，通常高於引用率）
• 指標三：Share of Voice（品牌提及 / 全部品牌提及）
• 指標四：AI referer 流量（GA4 看 chat.openai.com / perplexity.ai 等）
• 指標五：AIO 觸發率（GSC AI 功能欄位）
• 節奏：每月 1 號測試 + 季度 baseline 對比 + 年度絕對值與成長率

延伸閱讀與工具清單

完整實作 GEO 三層方法論需要工具配合。下方推薦清單依預算規模分級：

**入門級（NT$0-5,000/月）**：Google Rich Results Test（免費 schema 驗證）、Schema.org Validator（免費完整性檢查）、GSC + GA4（免費流量數據）、ChatGPT/Perplexity/Gemini 免費版（手動 baseline 測試）、SerpAPI 試用方案（自動化部分查詢）。能完成 baseline 監測與基本優化，但需大量手動操作。

**進階級（NT$5,000-30,000/月）**：Profound 或 AthenaHQ（自動化 AI 引用追蹤 dashboard）、SerpAPI 進階方案、Schema App（schema 自動化生成）、Ahrefs / SEMrush（傳統 SEO 補位）、Notion + Airtable（內容企劃管理）。能完整建立 GEO 監測 + 優化 pipeline。

**企業級（NT$30,000+/月）**：自建 dashboard（Looker / Metabase + SerpAPI + 自家 prompt 庫）、Profound enterprise、Ahrefs enterprise、自研內容生成 pipeline（Claude API / GPT API + 編輯 SOP）、媒體公關工具（投稿管理）。能達成多市場、多語言、多品牌的並行 GEO 操作。

**延伸閱讀**：本站站上 /feat/faq、/feat/glossary、/feat/howto 三大區是 GEO 三層方法論的具體實作對應——FAQ 教 Answer-First 寫作、Glossary 解析 E-E-A-T 等術語、HowTo 提供 Schema 與 llms.txt 撰寫步驟。建議讀完本 pillar 後依需求深入閱讀對應 cluster 短文。

• 入門級：Rich Results Test + Schema Validator + GSC + ChatGPT/Perplexity 免費版
• 進階級：Profound / AthenaHQ + SerpAPI + Schema App + Ahrefs
• 企業級：自建 dashboard + Profound enterprise + 自研生成 pipeline + 媒體公關工具
• 延伸閱讀：站上 FAQ + Glossary + HowTo 三區對應三層方法論的具體實作