回答引擎最佳化 (AEO)
讓您的內容被 ChatGPT、Perplexity、Claude、Gemini 和 Mistral 引用為權威來源。
AEO 是一種針對 LLM 生成回應中引用進行最佳化的實務 — 與最佳化搜尋排名的 SEO 截然不同。此技能可審計、最佳化並追蹤 AEO 成效。
與 SEO 的區別
| SEO | AEO | |
|---|---|---|
| 最佳化目標 | 點擊排名 | 被引用為權威來源 |
| 目標受眾 | 瀏覽搜尋結果的人類 | 回答問題的 LLM |
| 成功指標 | 排名 1-10、自然流量 | 各 LLM 的引用次數 |
| 關鍵訊號 | 反向連結、關鍵字、頁面速度 | E-E-A-T、結構化資料、事實密度 |
| 更新頻率 | 數週至數月 | 數天至數週（LLM 訓練週期） |
兩者可以共存 — 同一內容可以在 Google 排名第一，同時被 Perplexity 引用。但技術不同：SEO 獎勵關鍵字密度 + 反向連結；AEO 獎勵主要來源訊號 + 結構化事實。
使用時機
- 為 AI 優先受眾規劃新的內容
- 在 AI Overview 推出前審計現有內容的 E-E-A-T 缺口
- 追蹤哪些頁面被哪些 LLM 引用（引用帳本）
- 研究 LLM 為哪些查詢引用來源（相對於依賴訓練資料回答）
- 針對競爭對手的引用率進行基準測試
- 建立與傳統 SEO 一致的長期 AEO 策略
不應使用時機
- 純點擊導向的 SEO，無 LLM 引用意圖 — 請改用
marketing-skill/skills/seo-audit - 無事實主張的品牌調性內容 — 引用需要事實來引用
- LLM 已經有強大訓練訊號的主題（例如基礎數學）— 引用效益極低
- 時效性內容（即時新聞）— LLM 訓練延遲意味著引用需要數月後才能出現
核心能力
1. 內容審計 + E-E-A-T 評分
審計器 (aeo_audit.py) 從 4 個面向評分內容：
- 經驗 (Experience)：第一人稱證據、附日期的範例、案例研究、「我們在 2026 年執行過 X」等主張
- 專業度 (Expertise)：作者簡介、資格認證、對同儕審查來源的引用、技術深度
- 權威性 (Authoritativeness)：來自權威域的外部反向連結、schema.org 標記、結構化資料
- 可信度 (Trustworthiness)：HTTPS、聯絡資訊、透明的更正、事實密度（每 1000 字中可驗證的主張數量）
綜合分數 0-100，並提供各面向細項。輸出：Markdown 報告，附具體修正建議。
2. 內容最佳化
最佳化器 (aeo_optimizer.py) 生成 AEO 改良版本：
- 結構改寫 — 針對 LLM 解析最佳化的 H2/H3 層級
- 引用密度提升 — 加入
[1]風格的參考文獻與來源 - 結構化資料注入 — 為 FAQ、HowTo、Article 等結構生成 JSON-LD
- 事實優先導語 — 將可驗證的主張移至前 200 字
三種模式：conservative（改動少於 10% 的字數）、balanced（改動少於 30%）、aggressive（為最大化 AEO 而全面改寫）。
3. 引用追蹤
追蹤器 (citation_tracker.py) 維護本地的引用帳本：
- 手動輸入：貼上在 ChatGPT/Perplexity/Claude/Gemini 中找到的引用
- 追蹤哪個 URL、哪個 LLM、哪個查詢、何時
- 計算每頁引用次數、引用速度、LLM 覆蓋率
- 匯出為 CSV 以利報告
儲存於 ~/.aeo-data/citations.json（本地端，無遙測）。
工作流程
1. 審計現有內容
$ python3 scripts/aeo_audit.py --url https://example.com/blog/post
→ 產生 Markdown 報告，包含綜合分數 + 4 面向細項
2. 套用最佳化建議
$ python3 scripts/aeo_optimizer.py --input post.md --mode balanced --output post-aeo.md
→ 產生最佳化版本，包含引用、結構化資料與結構修正
3. 發布與監控
$ python3 scripts/citation_tracker.py --action add --url https://example.com/blog/post \
--llm perplexity --query "什麼是 AEO" --date 2026-05-17
→ 將記錄加入本地 citations.json 帳本
4. 報告
$ python3 scripts/citation_tracker.py --action report --url https://example.com/blog/post
→ 每頁引用統計：次數、LLM、查詢、速度
組態
此技能透過每次執行時的 --industry 旗標感知產業。支援：saas、healthcare、finance、legal、ecommerce、b2b、media、education。
產業影響：
- 權威訊號要求 — 醫療保健/金融需要更嚴格的來源引用
- 事實查核嚴謹度 — 法律/醫療保健將無法驗證的主張標記為嚴重
- 引用風格 — 學術 vs. 產業期刊 vs. 部落格慣例
範例：
python3 scripts/aeo_audit.py --url <url> --industry healthcare
# → 更嚴格的 E-E-A-T 門檻；將任何沒有主要引用的健康主張標記為問題
輸出格式
Markdown 審計報告（預設）
# AEO 審計報告 — [頁面標題]
**URL：** https://example.com/blog/post
**日期：** 2026-05-17
**產業：** saas
**綜合分數：** 72/100 (B+)
## 面向細項
| 面向 | 分數 | 評語 |
|---|---|---|
| 經驗 | 80/100 | 強 — 存在第一人稱案例研究 |
| 專業度 | 65/100 | 作者簡介缺少資格認證 |
| 權威性 | 75/100 | 4 個來自權威域的反向連結 |
| 可信度 | 68/100 | 未連結更正政策 |
## 前三大修正建議
1. 新增附資格認證的作者簡介（專業度 +15）
2. 從頁尾連結更正政策（可信度 +12）
3. 為 H2 中隱含的 5 個問題注入 FAQ 結構化資料（權威性 +8）
## 所有建議
[...]
## 審計軌跡
[分析步驟計數、引用來源數量、花費時間]
用於管線的 JSON
python3 scripts/aeo_audit.py --url <url> --output json
回傳完整結構化資料，便於與內容管理工作流程整合。
產業特定的 E-E-A-T 門檻
| 產業 | 最低綜合分數 | 關鍵訊號 |
|---|---|---|
| 醫療保健 | 85 | 醫療審查者署名、同儕審查引用、FDA 揭露 |
| 金融 | 85 | 作者 CFA/CPA 資格、「非投資建議」免責聲明、附日期範例 |
| 法律 | 85 | 揭露管轄權、律師簡介、「非法律建議」免責聲明 |
| SaaS | 70 | 產品經理署名、附指標的案例研究、ROI 計算機 |
| 電子商務 | 65 | 彙整產品評論、退貨政策、schema.org Product |
| B2B | 70 | 產業分析師引言、客戶標誌、ROI 資料 |
| 媒體 | 70 | 編輯政策、事實查核連結、原創報導 |
| 教育 | 75 | 講師簡介、學習成果、認證（如適用） |
被拒絕的反模式
- 針對 AI 進行關鍵字堆砌 — LLM 已從語義中提取主題；關鍵字密度不會提升引用可能性
- 完全未經人工審查的 AI 生成內容 — 通用 LLM 輸出會被 RAG 檢索演算法降低優先級，因為其缺乏獨特訊號
- 引用農場 / 連結輪 — 現代 LLM RAG 會懲罰低權威度的連結網路
- 結構化資料濫用 — 虛假或無法驗證的 schema.org 主張會被過濾；只應標記真實、可驗證的主張
- 為了某個 LLM 而犧牲其他 LLM 的最佳化 — 主要 LLM 之間的引用分佈高度相關，因為它們共享訓練資料來源；應針對共享訊號（E-E-A-T）進行最佳化，而非針對個別 LLM 的花招
- 完全忽略 SEO — AEO 引用通常源自已經在自然搜尋中排名良好的來源；AEO 和 SEO 互補，而非替代
依賴項目
- 3 個腳本皆僅使用標準函式庫 — 不需執行
pip install - 選用：若使用
--url模式，需要requests+beautifulsoup4（否則可透過--input傳入 Markdown 進行檔案型審計） - 選用：任何 LLM API 金鑰可用於
query_research模式（目前僅為支架 — 完整的 LLM 驅動查詢研究為路線圖項目）
儲存
所有資料皆為本地優先：
~/.aeo-data/citations.json— 引用帳本~/.aeo-data/patterns.json— 成功模式庫~/.aeo-data/audits/<hash>.md— 已儲存的審計報告
無遙測。無雲端同步。可隨時透過 citation_tracker.py --action export 匯出為 CSV。
觸發短語
- "AEO 審計"、"AEO 檢查"
- "最佳化適用於 ChatGPT / Perplexity / Claude / Gemini"
- "被 [LLM] 引用"
- "LLM 引用策略"
- "回答引擎最佳化"
- "AI 搜尋內容"
- "E-E-A-T 審計"
- "追蹤 AI 引用"
- "AI 結構化資料"
相關技能
marketing-skill/skills/seo-audit— 傳統點擊導向 SEOmarketing-skill/skills/programmatic-seo— 大規模模板驅動 SEOmarketing-skill/skills/content-strategy— 更廣泛的內容規劃marketing-skill/skills/copywriting— 語調與風格marketing-skill/skills/schema-markup— 結構化資料實作
版本： 2.7.3
來源： 移植自 alirezarezvani/aeo-box（answer-engine-optimization/ 技能，9 個模組共 2,464 行程式碼）。此移植將 9 個模組的 Python 工具包濃縮為 3 個標準函式庫 CLI 工具，遵循 claude-skills 慣例；忠實保留 E-E-A-T 評分方法、引用追蹤架構和產業感知門檻。
授權： MIT（符合上游 + 本倉庫）