拆了3个GEO排名靠前的页面，我发现结构化数据才是关键

最近在优化我们公司官网的GEO表现，顺手扒了几个在AI搜索里引用率比较高的竞品页面。说几个技术层面的发现，不一定对，供参考。

1. Schema.org 标记的完整度差距很大

排名靠前的三个页面，全部完整部署了 Article、BreadcrumbList、Organization 三类结构化数据。其中一个还额外加了 FAQPage 和 HowTo。对比我们自己之前的页面，只挂了个基础的 WebPage，AI 解析的时候根本抓不到实体关系。

实测数据：加上 FAQPage 之后，同样的内容，在 Bing Chat 里的引用概率从 12% 提到了 31%。样本不大，但趋势很明显。

2. 页面速度对 AI 爬虫的影响被低估了

我用 Lighthouse 跑了那几个页面，LCP 都在 1.8s 以内，CLS 基本为 0。我们自己的页面 LCP 是 3.4s。后来把首屏图片换成 WebP、砍掉两个阻塞渲染的第三方脚本，LCP 降到 2.1s，过了一周发现 AI 搜索的抓取频次明显上来了。

这里有个坑：别只盯着传统 SEO 的 Core Web Vitals，AI 爬虫对 TTFB 更敏感。我把 TTFB 从 800ms 压到 200ms 以内之后，日志里 GPTBot 的访问间隔从平均 6 天缩短到 2 天。

3. 内容结构比内容长度重要

有个竞品页面只有 800 字左右，但被引用了 40 多次。拆开看，它的结构是：

• H2 直接是问题句式（"How to..."）
• 每个 H2 下面第一段就是结论（40-60 字）
• 后面才展开解释
• 关键实体全部用 <strong> 或 <dfn> 标出来

这种结构对 LLM 的 chunk 提取特别友好。反观堆了 3000 字但段落冗长的页面，AI 引用率反而低。

4. 一个容易忽略的点：JSON-LD 的位置

我测试把 JSON-LD 从 <head> 挪到 <body> 末尾，发现解析成功率没变化，但页面渲染速度有微小提升。这个可能跟具体爬虫实现有关，样本不够，先不下结论。

目前我在做的

• 用 Screaming Frog 的自定义提取功能批量检查 JSON-LD 语法错误
• 给每个产品页加 Product + AggregateRating 标记
• 监控日志里 GPTBot、ClaudeBot、PerplexityBot 的访问路径和频次

想问一下社区里做技术向 GEO 的朋友：你们有没有测试过 JSON-LD 里 @graph 嵌套深度对 AI 解析的影响？我目前控制在 2 层，再深怕解析出问题，但没找到明确的资料，想听听大家的实操经验。