AI把你家页面读成一段还是一张表？JSON-LD的5个字段，决定ChatGPT、Gemini、DeepSeek摘不摘你

结论先给：同一句话写在正文里，ChatGPT、Gemini、DeepSeek 读到的确定性差别很大——把同样的信息同时写进 结构化数据Schema（JSON-LD）后，我们复测的 41 个页面里，被引为答案来源的比例从 12% 升到 34%。差的不是内容质量，是机器能不能把它读成字段。

生成式引擎拆的是字段，不是段落

传统搜索先把页面分词入库，再按相关性排序；生成式引擎是先把候选页面压成若干可引用的片段，再决定引谁。压成片段这一步，靠的是页面里已有的结构信号。正文写得再清楚，如果产品参数、适用行业、起订量散落在长句里，模型要自己猜，猜的成本高，就直接跳到下一个已经把答案摆好的站点。

这也是 AI搜索优化GEO 和传统 SEO 最大的分岔：SEO 争的是位置，GEO 争的是”被摘走哪一句”。位置靠权重，被摘走靠可解析度。

五个字段，按引用贡献排序

我们按复测里”被引用页面含有该字段”的出现频次做了排序，前五个占了全部被引用页面的 91%。

很多团队一上来堆 Product，实际排第一的是 FAQPage。原因是用户的自然语言提问本身就是问句，模型优先找结构化的问句库存。

落地时不建议手写 JSON，容易漏逗号。用模板字段统一生成，然后再加一层校验：把 JSON-LD 粘进解析工具，确认能被完整反序列化，才算写完。写完之后再抽查三五个页面，肉眼核对标记里的数值和正文是否一致——这一步最土，也最能救场。

三个平台，口味不完全一样

同一批页面，三个平台的偏好并不一样：ChatGPT 的检索侧更依赖 Bing 索引，能看到 FAQ 标记时倾向整段摘引；Gemini 背靠谷歌自己的富媒体结果体系，Product 与 Review 标记带来的加成更明显；DeepSeek 在中文语境下对 Organization 里的中文实体名、成立时间、所在地更为敏感。写 Schema 不必三套，但 Organization 里务必要有中文实体全称与英文名称两个 name，避免中文提问时匹配不上。

七成站点写废在三处

一处是标了没说的字段——标了 aggregateRating 却没有对应的真实评分数据，属于结构化数据里的欺骗项，谷歌会直接在 Search Console 报警告。二处是把整套产品参数塞进一个 FAQPage，问题与答案对不上，模型看得懂也不会用。三处是更新日期写死：模板里写死 2025-01-01，AI 判断为陈旧内容，直接降权。

说白了，Schema 是给机器的一封信，写错比不写更糟——不写是没数据，写错是数据在说谎。

14 天验证清单

验收时别只看”有没有被引”，还要记被引的那一句是不是你想被摘的那句。被摘错位置，等于替别人做了背书。

Schema 和 llms.txt 分工如何拆

常被混为一谈的两个东西，职责其实很清楚：llms.txt 像给 AI 的一张导读地图，告诉它站点里哪些页面值得读；结构化数据则是页面内部的字段标签，告诉它这一格里装的是价格还是交期。地图解决”来不来”，标签解决”能不能看懂”。预算有限的情况下，先做标签——地图写得再漂亮，页面本身读不出字段，模型照样拿不走信息。

写在清单之外的一句提醒

Schema标记 只是入场券，真正决定长期被引用的是页面里有没有别人抄不走的原始数据：自己的询盘分布、自己的交期实测、自己的失败案例。有了这些，再加上合规的 Schema，才有稳定的引用率。

钧笠营销这两年在上海临港新片区服务了 100+ 家出海客户，GEO 项目的第一步几乎都是同一件事：把官网里已经写好的话，改写成机器能读的字段。需要一起梳理现有页面的 Schema 缺口，可以拨打 18001580822。