近期,LinkedIn上关于“Schema.org结构化数据是否影响大语言模型(LLM)输出”的讨论引发关注。部分SEO从业者建议利用结构化数据提升AI搜索引擎排名,但这一观点缺乏事实依据。
观点与事实的界限模糊
当前SEO领域存在观点与事实混淆的现象。观点虽是探索的起点,但若被误当作既定事实传播,将误导行业认知。Patrick Stox在LinkedIn发文质疑:“为何有专家认为结构化数据标记能直接影响LLM输出?”这直指问题的核心:AI搜索引擎的数据源究竟为何?
AI搜索引擎的工作原理与结构化数据的局限
LLM的训练数据涵盖网页文本、书籍及各类文档,但其生成内容并非直接引用训练源,因此试图通过优化网站内容让LLM主动引流并不现实。AI搜索引擎主要基于检索增强生成(RAG)技术,依赖搜索索引和知识图谱,而非结构化数据。
主流引擎依赖爬虫索引而非Schema
Perplexity AI使用修改版PageRank算法对爬取内容排序;Google和Bing则通过爬虫提取HTML文本,进行去重、分词等处理以构建索引。事实上,并非所有页面都包含结构化数据,且Google仅使用Schema.org中极小部分来支持特定丰富结果。若引擎完全依赖Schema,便无需耗费资源渲染HTML并识别页面主体内容。
错误理论的传播路径
所谓“Schema助力AI排名”的说法多为臆测或信息失真。例如,Jono Alderson曾建议AI搜索引擎“未来可考虑”采用结构化数据作为标准化理解方案,该前瞻性提议在传播中被曲解为现行有效策略。类似缺乏依据的观点在业内屡见不鲜,如声称“Google本地搜索不使用IP地址”,但这与官方文档及实际测试(如VPN切换IP后搜索结果变化)相悖。

视觉证据与认知偏差

专家视角:区分搜索排名与模型解读
出版商使用Schema.org作为LLM训练数据并无意义,因为AI输出源于网络内容索引。搜索营销专家Christopher Shin指出关键差异:搜索引擎利用结构化数据生成SERP丰富摘要,而LLM更多是基于数据进行语义解读。务实的SEO应认清这一区别,避免盲目跟风。
倡导务实的SEO实践
务实意味着基于合理依据行事,而非依赖推测。长期以来,部分从业者在定义模糊的问题上空耗精力,甚至在面对官方文档时仍持怀疑态度。行业需要回归理性,摒弃无实证支持的营销活动,专注于经得起验证的策略与方法。

