我搞了三个月 AEO，结果流量涨了，点击没了

去年秋天我花了整整一个季度的时间把网站上一百多篇老文章全部改写了一遍。加了结构化数据整理了 FAQ Schema每段开头都用最简洁的句子直接回答用户问题。Google Search Console 里的印象数曲线像心电图突然有了心跳蹭蹭往上涨。我靠在椅背上觉得这次稳了。然后我看了眼真实流量分析——曲线几乎是平的。后来我才意识到AI 摘要正在吃掉我的点击率。印象涨了但用户根本不需要点进我的网站答案直接在搜索结果页的摘要框里读完了。那一瞬间我脑子里冒出一个问题我到底在优化什么SEO 和 AEO 是两个不同的游戏但很多人把它们当成同一件事在做。区别在哪先给你一个直接的答案SEO 优化的是用户在搜索结果页点击你的链接的概率AEO 优化的是 AI 模型在生成摘要时提取你的内容作为来源的概率。两者的衡量标准不同策略不同甚至连失败模式都不一样。我花了三个月才弄明白 AI 到底从哪读我的内容事情得从 2025 年底说起。当时我在运营一个 SaaS 工具的中文博客目标关键词是“AI 内容自动化”。传统的 SEO 打法很清晰写高字数文章、堆外链、优化页面速度。我按这套逻辑做了半年排名确实在涨。问题出在一次常规的内容审计上。我用 Ahrefs 拉了一遍关键词排名发现“AI 内容自动化”这个核心词从第 4 页跳到了第 2 页这本来是个好消息。但与此同时网站的来自 Google 的流量反而下降了 12%。我一开始怀疑是季节性波动直到我在 Google Search Console 里点开了“搜索外观”报告。AI 摘要的展示次数占了总印象的 37%。换句话说Google 的 AI Overviews 正在直接截取我的文章内容作为答案用户不用点我的网站就拿到了他们想要的信息。我花了三个月写出来的内容最终变成了 AI 回答别人问题的素材——而我连一个点击都没拿到。这个现象不是个例。最近有研究指出AI Overviews 出现后用户点击传统蓝色链接的概率平均下降了 15% 到 25%。更关键的是AI 引擎偏好的数据来源和传统搜索完全不同。以我自己的观察Reddit 和 Quora 这类用户生成内容平台在 AI 摘要中被引用的频率远远高于权威企业的官方博客。比如“最好的 AI 写作工具怎么选”这种问题AI 更倾向于引用 Reddit 上的用户讨论帖而不是某家厂商的产品页。这种现象让我重新审视了内容策略的基础假设我写的东西到底是给人看的还是给 AI 看的如果是给 AI 看的那它的阅读方式和人的阅读方式完全不一样。传统 SEO 和 AEO 的隐藏交易有些东西做好了反而没好处我在做内容调整的过程中发现了一个特别反直觉的事情结构化数据做得太完美不一定帮你拿流量。听起来像个笑话对吧SEO 基础课第一条就是教你怎么写 Schema。但我遇到的情况是这样的我花了一个周末给所有文章加上了 FAQPage Schema每个问题都配上简洁的答案字段对得整整齐齐。两周后AI 摘要确实开始频繁引用我的内容——但网站点击率却跌了 19%。原因是 AI 直接把我的 FAQ 内容当成了最终答案展示在搜索页上用户根本不需要点进来看完整文章。这就引出了一个两难的选择你希望自己的内容被 AI 引用来建立品牌权威还是希望用户点击你的网站产生直接转化这两件事在 AEO 框架下并不总是兼容的。我在效率的幻象2026年规模化SEO内容创作这篇文章里提到过类似的问题——很多人在追求 AI 可见度时忽略了一个基本事实AI 摘要给的是零不是排名。零点击搜索的占比在 2026 年已经超过了 45%如果你只盯着印象数和品牌提及量可能到最后连广告收入都撑不住。那什么才是有效的策略根据我自己的实验以下三点确实奏效了提供 AI 无法“一口吞完”的内容表格、对比图、多步流程、需要交互数据——这些东西 AI 很难在摘要里完整呈现用户只能点进来。品牌提及和 PR 信号AI 模型训练时非常依赖第三方的品牌背书。有人在 Hacker News、Product Hunt 或者行业论坛里讨论你的产品比你自己写十篇宣传文章都管用。这里的一个隐形好处是即使没有外链品牌名称的自然提及也能显著提升你在 LLM 输出中的出现概率。内容更新频率不需要高但更新质量必须有时间戳AI 对信息的新旧极其敏感。如果你在文章里明确写了“据统计2024 年第三季度的数据显示”而另一篇竞争对手的文章写的是“据统计2026 年第一季度的数据显示”AI 会优先选择后者哪怕你的文章原本排名更高。流量归因正在变成一个笑话如果你还在用 Google Analytics 里的“Last Click”模型来评估 AEO 的效果那你大概率会被数据骗得很惨。2026 年上半年我做了一个小实验跑 ChatGPT 的搜索流量和传统 Google 搜索流量的转化对比。结果让我非常难受——ChatGPT 来源的访客平均浏览时长比传统搜索高出 62%转化率高了 4.4 倍。但这批用户的来源渠道显示是 direct / none因为他们是通过 AI 对话里的链接直接点进来的根本没有经过传统的关键词搜索路径。这意味着什么意味着你投在 PR 上的钱、在论坛里回答问题的时间、在视频平台上做的内容——所有这些在传统归因模型里都是“不可追踪”的。它们可能在 AI 的训练数据里发挥了作用但回到你的分析面板时你什么都看不到。我试着用 UTM 参数来解决这个问题但很快发现这根本不可行。用户和 AI 对话的过程是在一个封闭的聊天窗口里完成的AI 不会把你的链接加上 utm_sourcechatgpt。你失去了对整个前半段用户旅程的可见性。这不是某个工具的 bug这是整个搜索范式的结构性变化。当搜索行为从“输入关键词、浏览结果、点击链接”变成“问一个问题、拿一段摘要、决定要不要深入”旧的归因体系就彻底崩塌了。我后来在这个问题上基本放弃了完美追踪的执念转而关注两个更实际的指标AI 摘要中的品牌提及率和品牌搜索量的变化。如果你发现“SEONIB”这个品牌在 AI 搜索结果中被明确提到的次数在增长同时用户在 Google 里直接搜索“SEONIB”的数量也在上升——那就说明 AI 层确实在帮你引入新用户即使你无法归结到具体的来源。自动化工作中的失败教训我忘记元数据的那天自动化是 AEO 策略里最容易被低估的风险点。我见过太多人一键部署几十篇文章结果 AI 摘要抓取的内容全是多语言站点里的错误版本。我自己也犯过一个特别蠢的错误。去年年底我写了一个自动发布脚本把内容同步到五个不同的平台。脚本跑了两周一切看起来都很正常。直到我偶然点开一篇刚发布的文章发现 HTML 标题标签里的 meta description 被截断了——因为这个平台的编辑器有字符限制而我的脚本没有做字段适配。那一个月我所有文章的 description 都变成了“AI content automation tool for”这种半截话。Google 直接没有索引这批页面浪费了整整两周的内容产出。那次事故让我损失了大约 2000 美元的投放成本和一个月的排名进度。后来我把我对自动化流程的依赖转向了更可控的工具。我尝试用SEONIB来接管一部分发布工作因为它能够在多平台同步时自动适配字段长度和格式避免了我在不同 CMS 之间手动调整 meta 信息的重复劳动。说白了这类工具的价值不在于能写内容——真正的问题从来不是写不出来而是写完之后那一整套分发、格式化和索引的工作才是效率黑洞。SEONIB解决了发布端的同步问题但对于 AI 摘要层面的优化我仍然保持手动审核。自动化可以帮你省时间但自动化不能替你判断“这篇内容 AI 摘要引用了哪个段落”。常见问题AEO 和 GEO 的区别是什么AEO 是让你的内容被 AI 摘要直接引用适合品牌知名度和信息类内容。GEO 更强调内容在生成式 AI 输出中的推荐权重涉及更复杂的模型信号适合转化型内容。在操作层面两者的 Schema 策略和内容结构要求基本一致。为什么我的印象数很高但点击率很低大概率是因为你的内容在 AI 摘要中被完整展示了。可以检查 Google Search Console 里的“搜索外观”报告如果“AI Overviews”占比超过 25%说明你的内容满足了用户需求但没有驱动点击。考虑加入需要用户互动的元素比如计算器或对比表格。做 AEO 需要停止传统 SEO 吗不需要但需要调整优先级。传统 SEO 的品牌搜索部分依然有效但“1 排名”本身的价值在下降。建议把 30% 的内容预算分配给“AI 可引用的权威内容”剩余 70% 继续做用户搜索意图导向的深度内容。多语言内容做 AEO 有什么需要注意的AI 模型在处理多语言内容时不同语言的数据源权重差异巨大。中文内容更容易被引用自百度百科和知乎英文内容更倾向于维基百科和 Reddit。建议每个语言的版本至少包含 3 个当地权威平台的自然品牌提及。我应该量化多少个指标来评估 AEO 效果三个就够了品牌在 AI 摘要中的提及次数、品牌直接搜索量的变化、零点击搜索结果的比例变化。其他指标可以辅助参考但不建议作为核心 KPI因为归因链条太模糊。