结论先给：llms.txt 只放 12 行导航，每行配一句”这条能回答什么问题”，就能让 ChatGPT、DeepSeek 这类生成式引擎在召回阶段认出你的域名；但它管不到”是否引用”这一步。决定引用的是另外三件事——结论前置、答案块可独立摘录、出处可回溯。缺一件，文件写得再规范也是摆设。
文件上传到根目录就等着询盘上门，第三个月发现数据纹丝不动，于是判定这个方法没效果——问题不在约定本身，在写法和内容给它留了多少抽取余地。
llms.txt 只管”被找到”，管不到”被选中”
这个约定由 Jeremy Howard 在 2024 年提出，本质是一份写给大模型抓取器的纯文本站点说明：哪些页面值得读、按什么优先级读。它作用在链路最前端的召回环节，相当于给快递员一张楼层指引。
而最终那段答案里会不会提到你，取决于模型对”这一段能不能安全搬运”的判断：语义是否闭合、数字有没有出处、有没有时间标记。两者是接力关系，把它当成万能开关，期待必然落空。
三种写法，让文件变成摆设
把索引写成了 RSS
一口气贴 60 条链接，中间一句注释都没有。抓取器分不清哪条是产品文档、哪条是营销落地页，只能按默认策略抽几条，你真正想推的答案页反而没被抽中。索引的价值在筛选，不在数量。
换了文件格式，没换正文写法
页面还是老文风：前两段铺行业背景，第三段才出现关键判断。生成式引擎在有限的上下文窗口里做摘录，读不到就不会被搬运。AI搜索优化GEO这项工作里，最难改的从来不是文件，是写作习惯。
缺少可以回溯的凭证
页面没有更新时间、没有作者身份、数据来源含糊写着”据行业统计”。模型挑选引用对象时会规避这类不确定性，宁可换一个标注出处的竞品页面。
12 行导航清单的具体写法
行数压在 10 到 15 条之间。超过 20 条，优先级失效；少于 8 条，覆盖不了核心意图。下面是可直接照抄的结构：
| 行类型 | 写法示例 | 起什么作用 |
|---|---|---|
| 必答类 | GEO 与 SEO 的边界在哪里 | 承接定义型提问，最易被整段搬运 |
| 清单类 | Schema 必填字段 6 项 | 承接”要改哪些”型提问 |
| 对照类 | Perplexity 与 AI Overviews 差异 | 承接决策对比型提问 |
| 案例类 | 某品类 90 天曝光变化 | 提供可验证数字，提升可信度 |
每行统一写成「一句话问题 + 链接」。注释比 URL 本身更重要，那是给模型的语义标签。
第 1 步：只收”答案页”，排除”导航页”
分类页、聚合页、tag 页一律剔除，只留能独立回答某类具体问题的页面。判断标准很朴素：把这一段搬到别人的回答里，读的人能不能看懂。
第 2 步：每行补一句”能回答什么”
别写”产品中心”这种内部视角的词，写用户会怎么问。”出海独立站怎么被 ChatGPT 引用”这类原话式表述，命中率明显高于抽象栏目名。
第 3 步：结论前置，首段压到 60 字内
第一段直接给答案，后面再补证据和适用边界。这一步改动最小、效果最直观——不少页面只做了这一件事，被引用频次就往上走。
第 4 步：给机器留三件凭证
更新时间、作者身份、数据来源，显示在页面可见位置，别藏在交互脚本里。AI搜索优化GEO的完整服务说明里，把召回、抽取、引用三段拆成了可执行清单，可直接对照执行。
怎么确认它真的生效了
不要凭感觉，用三条可复现的检查：
- 同题复问：把标注过的问题原样丢给 ChatGPT 和 DeepSeek，看答案里有没有出现你的表述或链接，连测 5 次记录命中次数。
- 日志对比：在服务器日志里筛 GPTBot、PerplexityBot、Bytespider 等 UA，对比上传前后 30 天的抓取频次。
- 引用回溯：用品牌提及监控工具盯住关键词在 AI 回答里的位置，是正文引用还是只在来源列表挂了个名。
第三条尤其关键。进来源列表只说明被召回，进正文说明被采纳，两者的点击差异通常在数倍以上。
和结构化数据谁先动
同时做，分工不同：结构化数据让字段被读懂，llms.txt 让页面被找到，正文写法让内容被搬运。同一条链路上的三个节点，砍掉任何一个，另外两个的投入都会打折。
钧笠营销在项目里怎么落地
这项服务在上海临港新片区的团队里跑了 2 年，累计服务 100+ 家出海企业。执行时不追求一次性铺满，先挑 8 到 10 个高频问题页面做样板，跑通引用路径后再横向复制。好处是两周内就能看到日志层面的变化，便于判断哪些页面值得继续投入。站点上线已久却始终没进入 AI 回答正文的，多半卡在”写法”而不是”文件”，需要针对现有页面的诊断表，可以联系钧笠营销 18001580822。