拆了20个GEO案例，发现结构化数据才是真门槛

最近在帮公司试水GEO，顺手爬了20个声称“AI搜索流量暴涨”的案例，用Lighthouse和Schema Validator跑了一遍，说几个反直觉的发现。

1. 页面速度的权重被高估了？
很多案例把加载时间从4s压到2s，AI引用率却没变化。我对比了十几组数据，发现当首屏渲染稳定在1.5s以内后，再往下压边际收益极低。AI爬虫更在意的是内容块的可解析性——比如你用了大量懒加载把正文藏在交互后面，爬虫根本拿不到。这个坑我踩过，后来改成SSR直出，引用率才起来。

2. 结构化数据不是“加个FAQPage就完事”
我拆了那20个案例的JSON-LD，发现真正被AI频繁引用的页面，几乎都用了多层嵌套的Schema组合：Article + FAQPage + HowTo + Organization，而且字段填得很细。比如Organization里补了sameAs指向GitHub和LinkedIn，Article里补了author的knowsAbout。只加一个FAQPage的，引用率基本没动静。

3. 实体一致性比关键词密度重要
有个做B2B SaaS的案例，页面里品牌名一会儿写全称、一会儿写缩写，AI引用时直接把它拆成了两个实体。后来统一了Organization的name和alternateName，两周后AI摘要里的品牌指代就稳了。

4. 内链结构影响AI的“理解路径”
AI爬虫不是只读单页，它会顺着链接找上下文。我实测把核心页面用breadcrumb + 相关文章模块串起来，比堆关键词的引用率高40%左右。具体做法是在每个页面底部加一个“本文属于XX专题”的链接块，用ItemList标注。

工具方面：Lighthouse只能看性能，Schema用Google的Rich Results Test，实体一致性我用的是自己写的一个Python脚本，爬页面里的品牌提及做NLP聚类。搜极星和InsGEO我也试了，前者适合看竞品的结构化数据覆盖度，后者在内容可解析性评分上有点参考价值，但别全信。

目前还在验证一个猜想：AI引用率跟页面的“语义密度”强相关，不是字数多就行，而是单位Token里有效实体和关系的比例。正在拿公司两个产品页做A/B测试。

问一下社区里做过结构化数据的朋友：你们在JSON-LD里补sameAs和knowsAbout这类字段时，有没有遇到AI引擎完全不认的情况？我这边Google的AI Overview认，但Perplexity好像不读knowsAbout，有人遇到过类似差异吗？