TopsTip在SEO领域，最近Semrush发布了一张信息图表，旨在展示如何通过“技术GEO”来优化内容，其中包括schema、结构化数据和清晰的架构。这些措施据称可以确保AI引擎解析和连接您的内容。然而，这种说法与大语言模型的实际工作方式相悖。
大模型的设计：解析一切文本
大语言模型（LLM）的架构本质上并不需要依赖schema或结构化数据来解析文本。LLM通过读取文本来解析内容，而不是寻找特定的标签。这种设计是为了应对网络上各种非结构化的数据，从论坛帖子到维基百科条目，再到博客和机器翻译的内容。
不同品牌的相似策略
不仅仅是Semrush，许多SaaS供应商都在推广类似的策略，将传统SEO的可控性重新包装为新的术语。AirOps和Peec AI等公司也在使用类似的方法，通过引用内部研究数据来支持其优化建议。
结构化数据的实际用途
Schema.org在传统搜索中确实有其用途，例如支持知识图中的实体消歧和语音助手的结构化字段提取。但这些功能并不是LLM理解文本的机制，LLM已经通过读取文本来完成解析。
“块状”优化的误解
一些厂商建议通过分块优化来提高内容被引用的可能性，然而这并不是用户可以直接优化的部分。大语言模型在生成内容时，并不依赖这些微观数据。
总的来说，当前市场上的许多SEO策略仍然基于过时的假设，认为可以通过结构化数据和特定的格式来控制AI的解析。然而，大语言模型的设计初衷就是在无序中找到意义，传统的SEO策略需要重新审视，以适应这一新时代的技术需求。
-=||=-收藏赞 (0)
