🏛️ 官方动态
人工智能如何拓展人们的工作边界
这篇文章的核心发现是人工智能如何拓展人们的工作边界——它分析了80万条ChatGPT消息，显示43.5%的特定职业使用已跨界完成其他岗位任务。换句话说，AI正让每个人更像“多面手”。
关键数据点：
– 16.8%的工作相关消息涉及与本职业无关的任务；小企业主用AI同时写文案、审合同、做财务分析，销售也能自己跑数据。
– 营销和工程任务“旅行”最远：营销任务出现在其他6个职业组中，工程任务占其他职业消息的7.4%。
– 设计师是最大“输入方”：35.2%的设计消息来自其他职业任务，但设计工作很少被输出。
我个人觉得最有用的是它对SEO/GEO从业者的暗示：内容营销和数据分析的界线正在模糊。你不需要等分析师或开发，自己用ChatGPT就能完成竞品分析、技术故障排查。这意味着我们的工作流要重新设计——把AI当成跨职能“同事”而非单纯的写作工具。
🤖 GEO·SEO 精选
我看到2026年5大AI搜索趋势，Ahrefs数据支持
我看到2026年5大AI搜索趋势，Ahrefs数据揭示AI ROI归因和Agent优化正重塑SEO。
核心结论：AI引用价值必须重新衡量，Agent流量占比超50%迫使优化策略根本转变。具体数据很硬：”AI search tracking”搜索量暴涨184%，Google Search Console推出AI性能报告但仅展示曝光数据，缺乏点击跟踪。Bing已提供RAG查询明细，行业共识是citation不等于traffic。Wil Reynolds发现ChatGPT citation暴涨1900%却无商业影响，证明追踪归因才是关键。Agent流量首次超越人类访问，Cloudflare CEO披露agentic流量超50%。”agentic seo”搜索增长5867%，llms.txt等结构化标记成为Agent优化基础。我认为传统SEO的点击思维已过时，你需要理解Agent如何解析页面并直接行动。Ahrefs Brand Radar和Web Analytics能帮你量化AI带来的真实用户和转化。这篇文章用一手数据告诉你：聚焦ROI和Agent信号才是2026年的正确方向。
Show HN：我构建了一个MCP服务器，用于处理SEO和Search Console数据
Show HN：我构建了一个将AI代理与真实SEO数据连接的MCP server，直接对接Search Console和爬虫数据。它开源、基于Model Context Protocol，包含23个聚焦工具，通过OAuth+PKCE授权，每步返回结构化证据。
关键要点：
– 支持技术SEO审计、内链分析、图片优化和Core Web Vitals，所有数据可追溯至具体URL。
– 权限感知：默认只读，需明确确认才能执行写操作。
– 实际案例：用45条代码问“找出最新爬虫中的4xx页面”，AI自动列出42条断裂内链并优先修复导航问题。
我觉得这代表了SEO自动化的下一步——不再手动导CSV，而是让AI直接问“哪里需要修”，答案带着源URL和优先级。适合技术SEO团队，尤其在做大规模网站审计时节省大量时间。
新（AI）SEO 策略手册——周五白板
Moz 的 Tom Capper 这篇 新AISEO策略手册 给出了一个残酷但现实的结论：传统 top-of-funnel SEO 已经失效，你需要彻底换套路。核心数据来自 AirOps 和 First Page Sage 的研究：AI 模型的 citations 中，85% 来自第三方网站，品牌自有站点仅占 5%。这意味着你更新自家内容几乎不会影响 AI 怎么说你。更扎心的是，ChatGPT 和 Gemini 带来的流量峰值不到 2%，还在降。所以别再指望 AI 直接送流量了，机会在于“grounded prompts”——当 AI 搜索 Google 时，你的目标是在那些被引用的第三方文章里出现。
我觉得最有价值的是第一个策略：Digital PR 不再是搞链接，而是搞 citations。你去找媒体、博客，确保他们写到你、写对信息，而不是非要一个链接。这彻底改变了 SEO 的 outreach 逻辑。另外三个策略原文没展开，但基于趋势推测会涉及品牌监控、内容适配 AI 的答案结构等。总之，这篇值得每个还盯着自家网站做 SEO 的人仔细读。
🔗 Moz Blog
谷歌的“生成式AI”Search Console数据对营销人员来说是个陷阱
谷歌的生成式AI搜索在Search Console中展示的数据看起来很美，但对我们做SEO的来说，它是个陷阱——它给了你虚假的成就感，却掩盖了真实的流量和收入下滑。
关键问题有三个：
1. AIO（AI概览）里的每个链接都被记作排名第一，即使你的链接藏在展开菜单里，也同样拿到Position 1。这意味着排名数据完全失真。
2. 平均排名把有机排名和AI排名混算，举个例子：一个URL在AIO里排第一、有机排第四，GSC算平均2.5——但所有真实点击都来自有机排第四的那个链接。你看到2.5的“进步”，实际在漏掉转化。
3. 最重要的是，AI概览的展示次数没有点击经济价值。用户读完摘要就走了，GSC展示数涨了，你的收入可能还在跌。
我的建议：立刻放弃把GSC的展示次数和平均排名当作KPI。改用实际收入、Lead数、品牌引用和第一方分析数据。教育老板和客户：AI概览数据是“存在感”指标，不是“效果”指标。别让漂亮的数字骗你做出错误决策。
实体映射在Google上有效，但它能触及ChatGPT吗？
实体映射在Google上确实有效，但在ChatGPT这类LLM面前几乎失灵——这是Duane Forrester这篇深度剖析的核心结论，值得每个做AI搜索策略的同行细读。
我理解你们为什么兴奋：2026年“实体映射”这个词又火了，听起来像2021年知识图谱的翻版。但作者点破了最关键的差异——Google Knowledge Graph是个真实可控的图谱，你用schema、Wikidata、第三方一致引用来喂养它，它真给你建节点。Google的AI答案也基于这个图谱去解析实体，所以实体映射在Google生态里确实能触及AI搜索。但一旦你把同一套战术挪到ChatGPT的LLM上，整个逻辑就崩塌了：大语言模型没有节点让你喂，没有面板让你改，只有海量参数里分布的统计模式。你在页面上堆再多的sameAs链接，也几乎改变不了模型对你品牌的认知——它学到的来自整个互联网的共识，不是你自己的结构化标记。更扎心的是，最有效的实体工作根本不在你网站上：你要去模型已经信任的信源里被引用，被第三方一致地描述，这件事比schema审计慢得多、难得多，但也持久得多。
我的建议是：别把实体映射当一揽子战术卖。Google端继续做结构化数据和外部引用，这条老路还有价值；但针对AI搜索，承认你控制不了LLM的参数量记忆，把资源转向在权威第三方平台建立实体信任——像维基百科、行业数据库、知名媒体的一致报道——这才是更诚实的策略。 作者最后一句话没说完，但我补上：模型自己的“地图”根本不是图，它只是语言模式的阴影，你没法把你的实体关系图投影进去。认清这个边界，比盲目堆代码值钱多了。
搜索与AI的未来：我从谷歌最新财报电话会中学到的
搜索与AI的未来我从Google最新财报中读出了明确信号：他们正用60%的资本开支砸向服务器，这不是烧钱，而是为AGI铺设基础设施。这篇9/10的文章值得每个SEO反复读——数据就在那里。
几个核心洞察：
– Gemini 3.5 Flash-Lite 已成为 AI Overviews 的默认路由模型，Query 意图理解显著增强。这意味着直接回答将更精准，传统点击进一步承压。
– “Agentic Search” 不再只是概念：Google 宣布与 Instacart、Canva 深度集成，Agent 能从搜索结果直接下单。网站的价值正从“信息陈列”转向“可被 Agent 执行动作”。
– CodeMender 工具用 Gemini 3.5 Flash Cyber 自动打补丁，安全模型优先于性能迭代——这解释了为何 Gemini 没有急着赶上 Claude Fable。
– Universal Commerce Protocol 已在 Wayfair、Walmart 上线，Agent 未来会替我们完成支付闭环。
我的建议：别再只做内容网站。开始探索 WebMCP，让自己的工具能被 Agent 调用，否则你的流量会从 SERP 直接蒸发。
Perplexity 实际如何选择来源（我读取了流，而不是答案）
这篇文章彻底拆解了 Perplexity 是怎么选来源的。它不是看它回答了啥，而是盯着浏览器底层的数据流。作者亲自截获了 window.fetch 的实时 SSE 流，发现 Perplexity 的引用逻辑远比表面复杂，而且是唯一的、不可回放的捕获方式。
关键发现有三个：
– 16头分类器决定每个查询走什么管道：信息类、商业类、本地类各有不同的权重和来源策略。比如商业查询偏爱“Best X 2026”这类清单型内容，而本地查询直接绑定 Google Business Profile 的 place 实体。
– YouTube 被引用，Reddit 只被检索：分析 8 次查询中，YouTube 视频得到了 38 次引用，而 Reddit 虽然被检索出来，却几乎不被直接引用。这和 ChatGPT 的 Reddit 策略完全相反，所以做视频比写论坛帖子有用得多。
– 信任标签（credible/trusted）按域名打标：Perplexity 会给某些域名写一个 trust_note 字段，只有被标记为“可信”或“信赖”的域名才会优先引用。这意味着你需要成为你所在领域无可争议的第一方信源。
我觉得最值钱的是那张“一屏看懂排名”表格，每个机制都有对应的具体 GEO 动作。比如对于 how-to 查询，Perplexity 会自动启动 Study Mode 并额外塞一个视频 Tab，所以教程类内容必须同时准备图文和视频。总体而言，这篇文章不是泛泛而谈，而是基于真实网络数据的战术手册，每一条建议都直接连着你应该做什么改动。
谷歌不惩罚 AI 内容；它惩罚坏内容（研究 33.1 万页面）
谷歌不惩罚 AI 内容，它惩罚的是差内容。
Ahrefs 基于 33.1 万页的大规模数据证实了这一点：完全由 AI 生成的页面能挤进排名前三（占 5.3%），索引率也并未被一刀切拒绝（极高 AI 页面仍有 40% 被收录）。关键发现：82.2% 的前三排名页面 AI 内容占比低于 50%，但高 AI 内容页面同样稳定存在，且没有出现所谓的“Mount AI”式暴跌。我觉得最值得关注的是索引率差距仅 8.93 个百分点，说明 Google 根本没在“查 AI”，而是在查质量。实战建议：别再把精力花在躲避 AI 检测上，重点投入事实性、独特性、可验证的内容——低 AI 内容的曝光量是高 AI 内容的 2-3 倍，而这才是真正的排名杠杆。
AI 搜索策略：在 AI 答案中更多且正确地展示的四大支柱
Ahrefs 这篇 AI 搜索策略指南是我今年看过最实在的——它给了 4 个可执行支柱，帮你控制品牌在 AI 答案里的曝光准确性。
核心数据：AI 引用的内容比谷歌自然结果平均新鲜 25.7%；AI 常抓取你控制的 G2、LinkedIn 等第三方 profile，一旦信息过时就会得出错误结论。作者用自家 Brand Radar 产品做案例：ChatGPT 混淆了免费版与付费版功能，就是因为文档缺失。
我特别认同“AI 是新销售”的比喻。与其只追点击，不如让 AI 成为你的第一推荐人。建议先做一次品牌 profile 审计，再用自定义 prompt 刷一遍主要 AI 的答案——发现偏差比等用户反馈更快。
AI Opt-Out 可能让网站失去 Google Top Stories 展示位
AI Opt-Out 可能让你网站从 Google Top Stories 消失。这是我看完 NewzDash 最新数据后的结论——当 Top Stories 被嵌入 AI Overviews 后，选择退出 AI 功能的网站相当于一并退出了顶部展示位。
关键发现：美国 15.5%、英国 17.46% 的 Top Stories 已出现在 AI Overviews 内部，而 Google 明确 Opt-Out 设置针对整个 AI 功能模块，并非单独处理内含的 carousel。NewzDash 创始人 John Shehata 认为，这是“高置信度的推断”——目前尚无谷歌官方确认，但数据逻辑足够清楚。
值得留意的是，Google-Extended 与 AI Opt-Out 是两套控制，前者仅影响模型训练，不影响搜索结果可见性。
我觉得这是新闻类网站都要警惕的信号：选择退出 AI Overviews，可能正在牺牲宝贵的 Top Stories 流量。新流量争夺没赢，旧曝光池也丢了。建议站长在调整设置前，先评估自身在 Top Stories 中的依赖程度。
2026 年 13 种高级 SEO 技术与策略
2026 年 13 种高级 SEO 技巧，核心价值是帮网站突破流量天花板，同时适应 AI 搜索变化。
我推荐同行重点实操：改善内容“时间价值”（比如把定义和结论直接放开头，参考 Investopedia 例子）；用话题集群建立权威（关键词策略工具能自动生成 pillar-cluster 结构）；战略内链（从高外链页面链接到新内容）；以及用结构化数据和多媒体占领更多 SERP 空间。这些技巧有数据支撑，比如用户互动信号影响 Google 和 Perplexity 的引用排序。虽然部分方法仍是基础改进，但组合起来能形成复利效应。
从 SEO 到 GEO：为何仅靠排名无法在 AI 搜索中获得可见性
从 SEO 到 GEO，为何排名不再能确保 AI 搜索可见性？这篇文章是我最近读到最清醒的行业分析。Lumar 团队直接点破了核心矛盾：传统 SEO 盯着排名，但生成式 AI 不给你排名，它只引用它认为可信的来源。如果你还在用 SERP 位置衡量成功，你可能已经在 AI 搜索里隐形了。
关键要点：第一，生成式引擎不是按序号排列结果，而是合成多源信息生成单一答案——所以你的目标从“排在第一位”变成“成为AI的引用源”。第二，GEO不是推翻SEO，而是在可爬取、可索引的基础上增加语义相关性和权威信号：你的内容需要精准、语义丰富、独特、新鲜，并围绕真实用户问题设计。第三，文章拆解了一个四步检索流程（可用性→候选页面→段落选择→答案组装），传统SEO只覆盖前两步，GEO要管到后两步。第四，Google明确表态“切分内容成小页面不是GEO策略”——页面上下文仍重要，因为AI需要从整体理解段落。
搜索与 AI 的未来：我从 Google 最新财报电话会议中学到的东西
搜索与AI的未来，我从Marie Haynes对Google最新财报的深度分析中看到了关键信号：Google正全力押注AGI，而非传统搜索。
即使现金流首次转负（因Q2投资60亿美元于服务器和数据中心），收入仍同比增长24%。三个要点值得关注：第一，AI Overviews已换用Gemini 3.5 Flash-Lite，意图理解能力提升，意味着更多查询被AI直接消化，传统点击流量继续承压。第二，“Agentic搜索”从概念变成落地——Google即将在AI Mode内接入Instacart、Canva等应用，让AI替用户下单买菜、设计图片。网站价值将取决于能否被“agent”调用，我建议同行立刻研究WebMCP协议，让你的工具能被Agent发现。第三，Cloud收入持续高增长，而AdSense网络广告收入同比微降1%，证明Google商业化重心正从广告转向算力输出。实用建议：别再只优化网页文本，开始构建可供Agent执行的行动接口（如购物、预约）。这篇文章值得花10分钟读完，特别是那组财报笔记链接。
HubSpot AEO 对比 Semrush AI Visibility：哪个更适合你的团队？
我测试了HubSpot AEO和Semrush AI Visibility Toolkit，结论很明确：HubSpot AEO更适合CRM驱动型团队，Semrush则更适合以SEO为中心的团队。
我用一个未优化的高尔夫网站做了实测。HubSpot AEO的citation分析更直接，能快速关联到CRM中的线索和客户。Semrush的AI Visibility coverage更广，支持Google AI Overviews和AI Mode，但定制化程度相对低。HubSpot覆盖ChatGPT、Gemini、Perplexity，数据更新频率高。Semrush的prompt追踪更深，但操作门槛也更高。
定价上，HubSpot AEO提供28天免费试用，不绑信用卡。Semrush AI Visibility Toolkit仅包含在付费版中，Semrush One提供7天试用但需绑定信用卡。有意思的是，HubSpot的AEO功能直接嵌入Marketing Hub，而Semrush的AI Visibility Toolkit需要单独购买或作为add-on。
我的建议：如果你的团队已经重度依赖HubSpot CRM，或者你需要快速把AI visibility数据转化为内容和销售动作，选HubSpot AEO。如果你本身就是SEO专家，需要深挖搜索引擎与AI之间的引用关联，Semrush更合适。别纠结，看你的核心工作流在哪。
Schema标记是否影响SERP排名？
Schema标记是否影响排名？Moz这篇来自Evergrow Marketing的对照实验给出了最接近因果关系的结论：对Google/Bing/Yahoo的SERP排名没有直接提升作用。
10周内，29个同行业、同模板的本地 landscaping 客户被分为两组，所有SEO活动暂停，测试组仅添加LocalBusiness schema。结果无论桌面端、移动端还是不同引擎，两组排名变化几乎一致。有意思的是，实验刻意避开了priceRange、reviewRating等可能产生rich snippet的字段——也就是说，即使排除了点击率干扰，schema本身也没带来排名增益。个人观点：别再把schema当排名技巧了，它的价值在于让Google更准确理解你的业务结构（尤其是AI摘要和知识图谱），以及为Voice Search和本地结果提供结构化素材。如果你还纠结“加schema能不能提权”，这篇论文值得全文读完。
🔗 Moz Blog
AI搜索并未取代Google，而是叠加其上——Similarweb数据解读
AI搜索并未取代Google，这篇Similarweb数据报告用两组数字同时反驳了AI狂热派和怀疑派：95%的ChatGPT用户同时用Google，且AI引用链接仅6.8%。
核心结论是AI搜索只是叠加层，不是替代品。关键要点：1）搜索流量仍是AI的5倍；2）引用页面和点击页面严重错位（65%引用来自深层页，58.8%点击去首页）；3）AI用户的年龄正在上移，说明这不是短期趋势。我建议你立刻把报告拆成引用率和点击转化两个独立指标，别被citation数骗了。
Q3 AI可见性：有效的AI引用、品牌提及与内容刷新策略
Q3 AI可见性的有效判断需要新方法——Ron Sielinski的论文用实验证明，AI citation排名在单次测量中不可信，必须采用停止规则（stopping rule）才能区分真实差异与统计噪声。这篇文章值得所有GEO从业者花时间研究。
三个关键要点：
1. 排名波动是常态：重复问同一问题，SearchGPT、Gemini等工具每次给出不同来源。例如Tom’s Guide和Runner’s World的差距（3.5个百分点）完全在误差范围内，单次读数无法判定谁赢。
2. 停止规则量化了所需数据量：论文对30个平台-主题组合测试后发现，排名稳定需要33到94个带引用的回答。甚至有3个测试在125次后仍无法区分前两名。没有统一阈值，必须动态判断。
3. 不同平台行为差异巨大：Gemini一次回答堆砌大量引用但信息冗余，SearchGPT引用少但独立信息多。同样预算在Gemini上可能足够，在SearchGPT上仍不够。你需要检查自己的tracker是否重复采样并报告范围。
我个人建议在汇报AI可见性指标时：① 前后各测多次，单点变化不能算赢；② 只信任前几名，中后部排名误差大（典型top-10误差约5个位次）；③ 如果数据不够，诚实地说“无法判断”。这篇论文给出了实用的框架——比SparkToro之前发现的“99%结果不同”更进一步，直接回答了“需要多少次”。
欧洲搜索策略超越Google和Bing：本地引擎与法规重塑发现格局
这篇文章的核心价值在于：欧洲搜索策略必须超越Google思维，拥抱碎片化格局。我推荐每一位做跨境SEO的同仁认真读它，因为它把法规、本地引擎和市场平台如何重塑可见性讲透了。
关键事实：
– 德国Google份额约80%，但Bing已占10%，Ecosia凭借隐私和可持续性创下本土最佳成绩。
– 捷克Seznam.cz持有12%份额，Google仅81%，这是欧盟唯一双位数本地引擎。
– DMA强制Google从2027年1月起向对手共享排名、查询和点击数据，竞争对手将获得前所未见的战术优势。
– 慕尼黑法院认定Google对AI生成错误言论承担直接责任，品牌若拥有机器可读的详细身份，将获得法律驱动的visibility红利。
我的实战建议：把市场平台（Zalando、Idealo等）的listing优化纳入SEO主流程，同时为每项AI内容建立可验证的实体数据。法规不是合规负担，而是先发优势的来源。
HubSpot AEO vs. Otterly：平台还是独立工具？
HubSpot AEO vs. Otterly 的核心决策点很清晰：你要的是一个能自动把AI visibility数据喂给内容、campaign和CRM的闭环平台，还是只要一个独立的监控报告工具。这篇文章帮你看清差异。
几个关键事实：HubSpot AEO 自带CRM连接，发现visibility gap后可以直接在HubSpot里发文章、排LinkedIn、甚至追踪Pipeline。它建议的prompt不是瞎猜的，是结合你已有的客户和竞品数据生成。Otterly 覆盖的AI引擎更多（ChatGPT、Google AI Overviews、Copilot等），但数据导出全靠Looker Studio或API，内容创作和营销自动化全靠你自己对接。定价上HubSpot AEO有28天免费试用（25个prompt），Otterly只有7天。
我的建议：如果你整个营销团队已经跑在HubSpot上，选HubSpot AEO能省掉一堆切换工具的时间，让insight直接变成action。如果你只用独立工具做报表、有自己的内容生产系统，Otterly的广度更合适。
