AI 搜索优化最容易乱在同一个词下面混着问不同问题。
有人问页面能不能排名，有人问有没有进 AI Overview，有人问 agent 能不能读取，也有人问到底要不要屏蔽 GPTBot。
这些问题有关联，但不是同一种审计。
这套评分卡用 0-100 分评估一个页面或一个内容集群。它不承诺 AI 引用，也不承诺排名。它的作用是判断页面是否具备技术可访问性、来源价值、清晰结构、可衡量能力，以及面向 agent-readable web 的发现信号。
当你需要一套可重复的复查方法，而不是泛泛的“AI SEO 清单”时，可以把它和 GSC Management、AI Overview、Audit、Bot Simulator 与 Schema Markup 一起用。
这套分数衡量什么
它衡量的是准备度，不是保证可见性。
Google 的 AI optimization guide 仍然把站长带回 SEO 基础：有帮助的内容、可抓取页面、清晰结构和良好的页面体验。OpenAI 和其他 agent 生态又加了一层：agent 需要能发现、抓取、解析并信任页面，才可能使用它。
所以，一套有用的 AI 搜索审计应该问五个问题：
| 层级 | 满分 | 核心问题 |
|---|---|---|
| 技术访问 | 20 | Crawler 和 agent 能不能干净地抓到正确页面？ |
| 来源价值 | 25 | 页面是否具体、当前、可归因，并值得被引用？ |
| 内容结构 | 20 | 系统能否抽取答案、实体和支撑证据？ |
| 发现信号 | 15 | sitemap、内链、schema 和 agent discovery 是否指向页面？ |
| 衡量与刷新 | 20 | 团队能否用证据监控变化并迭代页面？ |
总分：100 分。
第 1 层：技术访问 - 20 分
如果 crawler 抓不到页面的最佳版本，页面就谈不上 AI 搜索可见性。
先给这一层打分：
| 检查项 | 分值 |
|---|---|
canonical URL 返回干净的 200 | 4 |
没有被 robots.txt、noindex 或误加的 X-Robots-Tag 阻挡 | 4 |
| canonical 指向目标 URL | 3 |
| 主体内容存在于 raw HTML 或稳定的 rendered DOM 中 | 3 |
| 移动端和桌面端暴露相同的主体内容 | 2 |
| 渲染关键资源没有被阻挡 | 2 |
| 页面速度足够支持重复抓取和真实用户体验 | 2 |
可以用 Technical SEO、Canonical Checker、Core Web Vitals 和 Bot Simulator 验证这些基础项。
不要跳过这一层。很多 AI 可见性问题，本质仍然是抓取、渲染、canonical 或速度问题，只是换了一个新名字。
第 2 层：来源价值 - 25 分
AI 系统需要能支撑答案的页面。
按下面这些标准给页面打分：
| 检查项 | 分值 |
|---|---|
| 页面比泛泛文章更具体地回答某个 query 或任务 | 5 |
| 观点和声明精确、有边界、不夸大 | 4 |
| 依赖外部依据的声明附近有来源链接 | 4 |
| 文章包含原创工作流、数据、评分、清单或例子 | 4 |
| 作者、品牌和更新背景可见 | 3 |
| 页面说明限制，不承诺 guaranteed AI visibility | 3 |
| 页面连接到支撑它的内容集群 | 2 |
例如，只说“AI SEO 很重要”的文章应该低分；有具体审计模型、例子、来源和下一步动作的页面应得高分。
这一层可以连接 AI Overview Citation Audit、Query Fan-Out SEO 以及 面向 AI 搜索的作者实体 SEO。
第 3 层：内容结构 - 20 分
AI 搜索系统和 agent 需要能抽取的结构。
按内容形态打分：
| 检查项 | 分值 |
|---|---|
| H1 和 H2 贴近真实用户问题与子主题 | 4 |
| 页面先给直接答案，再展开解释 | 3 |
| 表格、列表和步骤用于减少歧义 | 3 |
| 实体名、产品名和概念用法一致 | 3 |
| 内链说明集群页面之间的关系 | 3 |
| 结构化数据匹配页面类型，不承诺过时 rich result | 2 |
| 图片或图表帮助理解工作流，而不是只做装饰 | 2 |
不要为了清单而加 schema。应该用 Schema Markup 做长期有效的语义澄清：Article、Breadcrumb、Product、Organization、WebSite、SoftwareApplication 等，都必须匹配页面可见事实。
也要遵守项目的 structured data policy：可见 Q&A 可以保留，但普通文章不应输出 FAQPage 结构化数据。
第 4 层：发现信号 - 15 分
发现信号是传统 SEO 和 Agent SEO 开始重叠的地方。
评估页面是否能通过多种机器可读路径被发现：
| 检查项 | 分值 |
|---|---|
| XML sitemap 中包含 canonical URL | 3 |
| 相关 hub、分类页和集群页链接到它 | 3 |
| 至少有一篇旧文章在自然语境下链接到它 | 2 |
重要页面出现在 llms.txt 或精选资源地图中 | 2 |
站点或 hub 在合适场景提供 HTTP Link discovery | 2 |
| robots 策略清楚表达 search 与 AI 使用偏好 | 2 |
| EN/ZH 语言版本 alternate 正确 | 1 |
这一层也连接到 Agent SEO 集群。如果站点希望 agent 在解析完整 HTML 前先发现关键资源，下一步就是 Link Headers for AI Agents。
第 5 层：衡量与刷新 - 20 分
不能衡量，就很难负责地优化。
按运营闭环打分：
| 检查项 | 分值 |
|---|---|
| 页面有 Search Console baseline：queries、impressions、clicks、CTR | 4 |
| 团队手动或通过 dashboard 跟踪 AI Overview / AI search 表现 | 3 |
| Query fan-out 变体已映射到页面或集群 | 3 |
| 页面有刷新触发条件，例如点击下降、曝光增长、来源过期 | 3 |
| 日志或 crawler 数据确认重要 bot 能访问页面 | 3 |
| 相关场景跟踪转化或辅助动作质量 | 2 |
| 修改记录包含日期、原因和预期影响 | 2 |
衡量侧可以从 GSC Management 和 GSC 生成式 AI dashboard 工作流 开始。Crawler 验证则使用 server log analysis workflow。
如何解读总分
用总分决定下一步动作：
| 分数 | 含义 | 下一步 |
|---|---|---|
| 85-100 | 强候选页面 | 进入监控、测试摘要表现、保持来源新鲜 |
| 70-84 | 基础不错但不完整 | 先修最弱层，再扩展集群 |
| 50-69 | 还没准备好 | 优先补技术、结构或衡量缺口 |
| 低于 50 | 高风险 | 不要把它当成 AI 搜索资产，先修基础 |
分层分数比总分更重要。一个总分 90 但衡量只有 5/20 的页面，运营上仍然不稳；一个总分 72 但来源价值很强的页面，可能只需要技术清理。
示例：给一个页面打分
下面是一个技术文章的示例评分。这是模型示例，不是 Fennec 生产数据。
| 层级 | 分数 | 说明 |
|---|---|---|
| 技术访问 | 18/20 | canonical 干净、可索引、rendered content 稳定 |
| 来源价值 | 21/25 | 工作流和来源较强，但作者上下文还可加强 |
| 内容结构 | 17/20 | 标题和表格清楚，但有一节需要更直接回答 |
| 发现信号 | 10/15 | sitemap 和内链不错，但缺少 Link header discovery |
| 衡量与刷新 | 12/20 | 有 Search Console baseline，但没有 refresh log |
| 总分 | 78/100 | 候选不错，下一步补 discovery 和 refresh 流程 |
这会让团队知道下一步该做什么。结论不是“再写更多 AI SEO 内容”，而是：补发现信号、明确维护责任、建立衡量闭环。
每周执行流程
可以按这个方式使用评分卡：
- 从 Search Console、产品策略或内容刷新需求中选 5 个优先 URL。
- 按五个层级逐项评分。
- 找出每个页面最低分的层级。
- 只修复那些会改变评分的具体问题。
- 记录修改日期和预期指标变化。
- 等待足够抓取和报表时间后复查。
对 Fennec 来说，建议顺序是：
- 用 Audit 找页面级技术问题
- 用 Bot Simulator 比较 crawler 和 agent 视角
- 用 GSC Management 查看 query 与 page movement
- 用 AI Overview 做引用导向复查
- 用 Schema Markup 检查长期结构化数据质量
常见错误
使用评分卡时要避免这些误区：
- 把
llms.txt当成 Google ranking requirement - 页面没有 measurement baseline 却给高分
- 添加不匹配可见内容的 schema
- 明明是页面级问题，却只给整站打总分
- 忽略中文和英文版本是两个独立 URL
- 没理解 search 与 training 的区别，就屏蔽所有 AI 相关 crawler
- 把某个 scanner score 当成唯一业务指标
评分卡是决策工具。它应该让下一步修复更清楚。
用 Fennec 落地的下一步
今天先选一个你最关心的页面给它打分。
优先选已经有 impressions 或商业价值的页面。先跑 Audit，用 Bot Simulator 对比渲染结果，在 GSC Management 里看 Search Console 数据，再用这套评分卡判断下一步是技术清理、内容刷新、发现信号还是衡量闭环。
如果页面本身已经很强，但发现信号偏弱，下一步读 Link Headers for AI Agents。
Sources
- Google Search Central: AI optimization guide
- Google Search Central: AI features and your website
- Google Search Central: Get started with Search Console
- OpenAI: Crawlers and user agents
- Cloudflare Docs: managed robots.txt and Content Signals
问答
AI 搜索可见性高分能保证被引用吗？
不能。这套评分卡衡量的是准备度和证据质量，不能保证排名、AI 引用或流量。
多少分算比较好？
80 分以上通常说明页面可以进入监控和迭代阶段；低于 60 分时，应优先修复技术访问、来源质量或衡量缺口。
需要给每个页面打分吗？
先从已有 impressions 的页面、产品页、对比页、文档页，以及你希望 AI 搜索引用或总结的文章开始。
多久重新评分一次？
重点页面建议每月复查；模板大改、内容刷新、crawler 策略调整或 Search Console 数据明显变化后，也应该重新评分。
