学习契约与正确模型
先明确为什么学、学完能做什么，以及如何证明自己真的掌握。
生成系统需要选择可支持具体陈述的来源；模糊营销文、无出处统计和隐藏在复杂交互中的证据难以使用。可引用性改善同时提升读者信任、销售复用和传统搜索质量。
- 能把页面主张拆成 claim → evidence → source → scope → freshness
- 能设计可读、可定位、可核验的 answer blocks 与原始资产
- 能用对照和重复采样测试 citation，而不承诺稳定“AI 排名”
精读 55 分钟 → 引导练习 55 分钟 → 实战任务 130 分钟。实战时间单列，不再把浏览页面和项目操作混成一个数字。
- 它是什么
- Citability 是某段内容支持一个具体回答主张的可用程度；GEO 是围绕生成式可见性提出并验证假设的实践集合。
- 为什么重要
- 明确实体、范围、条件、数据方法和来源可以降低理解与引用成本，同时避免用格式技巧取代真实价值。
- 什么时候使用
- 研究、benchmark、定义、how-to、comparison、case、产品事实和专家知识页的创建/刷新时使用。
- 什么时候不要套用
- 缺乏事实、授权或专业审查时不要生成伪统计/伪专家；不可把一篇早期研究的特定环境结果推广为所有引擎规律。
- 边界与不确定性
- 引用必须可追溯且不伪造；客户案例和内部数据须授权、匿名化并说明方法；AI 草稿在生产前由内容 owner 和领域专家审阅。
机制精讲
先读完整因果链，再看每个环节留下什么可观察信号。
GEO语境中的citability可以作为内容设计目标：第三方或AI系统能否找到一个具体主张，理解它的范围，并追溯到可访问、可信且当前的证据。它不是“写短句就会被引用”的平台规则。一个可引用单元通常包含明确对象、指标/结论、时间与适用范围，紧邻方法、来源或原始材料；页面还需可抓取、正文可见、URL稳定，并避免把重要证据藏在无替代文本的图像或登录墙后。
真正难复制的价值来自information gain：自有数据及透明方法、原始研究、专家可追责判断、产品实测、案例限制与持续更新。把十篇汇总文改写成更多小标题并不会自动增加证据价值。来源层级也要匹配主张：产品行为优先官方/实测，法律与健康需要相应权威和专业审阅，行业观点可以是实践证据但要标范围。任何mention或citation评估都必须重复采样，并承认平台、prompt与时间波动，不能承诺引用或排名。
原子主张降低证据错位
把对象、动作、数字、时间和范围写在同一可理解段落，避免一个句子混合多个来源支持程度不同的结论。原子化便于用户核验，也便于审计引用是否真正支持。
来源层级匹配主张风险
一手官方文档、原始研究和直接测量通常比无来源汇总更接近事实；来源当前、可访问且范围相符仍需逐项核验。权威来源也不能支持超出原文的结论。
信息增益形成独有证据
公开方法的数据、可复现实验、专家判断理由与失败案例提供新的可验证信息。独特不等于夸张；不可复核的“内部数据显示”反而降低可信度。
提取友好与体验共同约束
清晰标题、表格标题、单位、HTML正文和稳定锚点帮助定位，但不能牺牲上下文或堆砌问答。结构服务阅读和证据，不是citation开关。
关键概念
掌握术语之间的关系，才能迁移到不同网站、行业和工具。
Claim–Evidence Ledger
逐条记录主张、证据、来源、适用范围、日期、owner 与反例，方便更新和审计。
Answer block
用自足的标题、直接结论、限定条件和邻近来源表达一个问题；不是把内容切成机械短句。
Original information gain
原始数据、方法、经验边界和可复核例子提供区别于汇总内容的价值。
Entity disambiguation
清晰说明组织、产品、人物、版本和关系，避免同名、旧名或范围含糊。
完整示范
跟随一次“输入 → 分析 → 中间产物 → 结论”，看见专家是怎样做判断的。
把行业基准页改造成可审计证据资产
以下为教学用合成数据。公司调查120家制造企业的供应商准入周期，旧页只写“自动化平均快40%”，没有样本、定义或日期；30个固定问题各运行3次时，旧页被citation 3次。团队要提升可核验性，而非追逐保证。
- 120家样本已获授权并做聚合匿名化
- “周期”定义为提交完整资料到最终审批的日历天数
- 自动化组60家、中位18天；人工组60家、中位30天，差异40%
- citation样本只用于观察，不揭示或代表平台算法
重写为范围明确的主张
- 输入
- 旧句“自动化平均快40%”。
- 分析
- 数据实际使用中位数且样本有范围，应写“在本次120家制造企业样本中，自动化组中位18天，人工组30天，差异40%”。
- 输出
- claim C1包含对象、样本、指标、数值与时间范围。
紧邻提供方法与限制
- 输入
- 样本选择、组别定义、缺失与行业分布。
- 分析
- 说明招募、排除、自动化判定、缺失处理与非因果边界；组间差异可能受规模和流程复杂度混杂，不能写“自动化导致”。
- 输出
- 方法框、数据字典、限制与下载表连接C1。
建立主张—来源账本
- 输入
- 页面另有合规、成本和ROI结论。
- 分析
- 每条分别绑定本次数据、官方定义或删除；无法由120家样本支持的ROI不沿用C1，专家判断标明姓名、角色与理由。
- 输出
- claim ledger显示supported/partial/unsupported及review date。
验证可访问与提取
- 输入
- 预发布HTML、图表和PDF。
- 分析
- 关键数值以HTML表格和文字呈现，图表有标题/单位/说明，原始聚合数据可下载，页面200、自引用canonical、无登录要求。
- 输出
- 人工与技术QA通过，证据不只存在于图片。
重复采样并限制结论
- 输入
- 更新后相同90次运行citation 7次，mention 10次。
- 分析
- citation从3/90=3.3%到7/90=7.8%，是指定样本的观察上升；同期平台和结果变化、运行随机性仍存在，不能证明页面结构造成提升。
- 输出
- 继续采样并同时看引用支持正确率、流量和业务护栏。
决策规则与证据边界
把“看到什么、意味着什么、下一步做什么”连起来，同时区分公开事实、实践推断和未知项。
- 页面主张、来源、方法、日期、可访问HTML和引用结果可直接审计。
- 给定固定运行协议，可计算样本中的mention/citation及支持正确率。
- 原子主张、透明方法与独有一手证据可能提高被理解和选用的机会。
- claim ledger可降低更新漂移和引用错位。
- 任何AI或搜索平台选择来源的完整规则与权重未公开。
- 高质量可引用内容仍不能保证mention、citation、排名、点击或成交。
引导练习
先独立完成，再按提示修正，最后展开参考解法并用 0–4 级量规评分。
教学用合成数据：页面写“客户平均节省52%成本”，来源是8个自愿回复客户，其中只记录成功项目，实际指标为自报的工时减少；图表无单位，原始方法不可访问。请重写可发布主张并列发布前检查。
给定材料
- 样本表：8个客户、选择方式、工时变化、缺失与项目状态
- claim ledger模板：主张、指标定义、来源、范围、限制、owner、review date
需要提示时再展开
- 不要把工时变化自动称为成本节省，也不要把选择偏差隐藏在脚注。
- 可引用性的底线是证据匹配，而不是保留52%这个吸引人的数字。
完成后核对参考解法
现有证据不能支持“平均节省52%成本”：样本只含8个自愿且成功客户，存在严重选择偏差；测量的是自报工时而非财务成本，单位和期间也不清。可改为“在8个自愿参与且完成项目的客户样本中，受访者自报该流程工时平均减少52%；该结果未包含失败项目，不代表成本或所有客户表现”，并补充观察期间、计算公式和逐项聚合表。发布前由数据owner核对同意与匿名化，提供方法、样本范围、单位、限制、更新日和HTML表格；若无法核验原始记录则删除数字。任何平台引用都只能作为后续观察，不是发布真实性门槛。
自评分量规
真实项目实战
把理解变成一个可以检查、复核和复用的工作产物。
将一篇行业指南改造成证据资产
页面主题覆盖广、排名尚可，但引用与销售复用少，包含很多无出处“行业数据”。
- 列出页面所有重要事实/比较/数字，建立 claim–evidence ledger 并删除无法验证的断言。
- 从 ICP prompt/query cluster 识别 5–8 个需要独立回答的决策问题。
- 为每个问题写直接答案、适用边界、方法/例子和邻近的一手来源；补作者/更新时间。
- 将原始研究、表格和定义暴露为可访问 HTML，确保关键内容不依赖登录或仅存在于图片。
- 对小组页面做前后/对照采样，观察 citation/mention、organic、engagement 和 sales reuse。
验收条件
- 关键主张有可追溯来源、范围和日期
- 每个 answer block 独立可理解且正文提供充分上下文
- 原始方法、限制和反例可见
- 没有伪造引用、统计、作者或客户证明
诊断练习
目标不是猜中答案，而是提出竞争假设并选择能区分它们的证据。
竞品在多个 AI 回答中被引用，你的页面信息更长但从不出现。
竞争假设
- 竞品提供更直接且可核验的具体证据
- 你的重要内容不可抓取/需登录/仅在图片
- 实体和产品范围含糊
- 外部独立来源更常证实竞品
- 采样 prompt/平台存在偏差
应该检查的证据
- 引用段与来源逐条对照
- rendered HTML/robots/indexability
- claim–evidence 与实体审计
- 第三方 mentions/citations 和重复 prompt samples
常见陷阱：照抄竞品句式或堆加 FAQ/schema，希望触发引用。
完成后用本页决策规则复核
- 若观察到：主张没有具体来源、范围或日期
应优先：补齐证据与边界，或降级/删除主张。
加一个权威域名链接不代表它支持整句话。 - 若观察到：内容只是二手汇总且无新分析
应优先：增加合法一手数据、可复现实测、专家理由或独特工具。
独特性不能以隐私泄露或虚构数据换取。 - 若观察到：关键证据藏在图片、脚本或登录后
应优先：提供可访问HTML文字/表格、替代文本和稳定URL。
仍需保护受限数据，不能为可见性绕过权限。 - 若观察到：citation上升但支持关系错误
应优先：优先修claim-source对齐、版本和措辞，暂停宣传。
数量指标不得覆盖事实与安全质量。
自测与误区
先口头回答，再展开检查。无法给出例外与证据，说明还没真正掌握。
你应该能回答
1. 这个段落支持哪个具体主张，证据在哪里？
参考答案：段落应只承载一个可核验结论，例如“在2026年120家制造企业样本中，自动化组准入周期中位18天”；紧邻给出指标定义、样本、方法、来源表和限制。若一段同时谈速度、成本和合规，应拆成各自有证据的主张。
为什么：原子主张让支持范围清楚，避免一个引用被误用来支撑多个不同结论。
2. 来源是否一手、当前、可访问且范围匹配？
参考答案：检查是否为原始/官方或可靠实践来源，发布日期与版本是否当前，用户无需越权即可访问，研究对象、地区、产品和指标是否与主张一致，并查找冲突。权威来源若只谈一般原则，也不能支持具体数值或因果结论。
为什么：来源名气不能替代范围匹配，过时或超范围引用仍会产生错误。
3. 页面提供了什么无法从十篇汇总文轻易复制的信息？
参考答案：提供透明自有数据、可复现实测、数据字典、失败案例、具名专家判断与持续更新，而不是重写通用结论。独有信息必须合法、匿名且可审计；若不能公开细节，至少清楚说明方法和限制，绝不虚构“内部研究”。
为什么：难复制价值来自新的可验证证据和责任，而非文字排列或篇幅。
4. 我们如何重复采样并承认平台波动？
参考答案：建立有来源和权重的固定prompt集，在明确平台/模型、地区、语言、登录状态、日期和运行次数下重复；保存全部结果，分别算mention、citation及主张支持正确率。方法或平台变化时做bridge run或重建baseline，并披露小样本波动。
为什么：生成式输出会随环境和运行变化，重复采样与完整分母能避免成功截图偏差。
需要避开的误区
- GEO 有一套已经被证明适用于所有模型的固定排名因素。
- 把句子写短、加数字就一定会被引用。
- Schema 能让缺乏证据的内容自动获得 AI 引用。
术语与复盘
用自己的话复述术语和结论；如果只能认出、不能解释，就还没有形成可调用的知识。
- Citability
- 一个主张可被定位、理解并连接到适当证据的程度。
- Atomic claim
- 对象、结论、范围和时间明确的单一可核验主张。
- Information gain
- 相对既有公开内容新增的可验证信息或分析。
- Claim ledger
- 记录主张、来源、支持程度、owner和复核日的账本。
- Primary source
- 直接产生规则、数据或观察的一手来源。
- Citation entailment
- 引用内容是否真正支持与不矛盾于相应主张。
离开本页前记住
- 可引用性从可核验主张与证据开始，不从格式技巧开始。
- 来源必须当前、可访问且与主张范围匹配。
- 一手数据只有在方法透明和隐私合规时才有价值。
- HTML结构帮助定位，但不能替代信息增益。
- citation数量必须与支持正确率和业务结果分开。
- 任何内容都不能获得平台引用或排名保证。
资料与证据
优先采用官方和一手资料。实践材料用于补充工作方法，不替代机制证据。