拆解GEO：结构化数据标记的5个细节，决定了AI搜索的抓取效率

最近在优化一个电商站点的GEO，发现很多团队把结构化数据当作SEO的附属品，随便加个Product和Breadcrumb就完事。但AI搜索的抓取逻辑完全不同，我实测了三个月，总结出5个容易被忽略的细节。

1. JSON-LD的嵌套深度

Google的文档说嵌套不要超过3层，但AI搜索的解析器（比如Bing的）对深度更敏感。我测试了一个包含Offer、AggregateRating、Review的Product，嵌套4层时，AI摘要里只提取了价格，没有评分。改成扁平化引用后，评分和评论数都出现了。

2. @id的复用

很多站点每个页面都生成新的@id，导致AI无法跨页面关联实体。比如品牌页和产品页都指向同一个Organization，如果@id用绝对URL且一致，AI更容易构建知识图谱。我帮客户统一了@id后，品牌词在AI回答里的提及率涨了27%。

3. 日期格式的坑

datePublished和dateModified必须用ISO 8601，带时区。之前有个客户用了“2024-05-01”，AI抓取时区默认为UTC，导致内容被判定为旧闻。加上+08:00后，时效性权重明显提升。

4. 页面速度对抓取频率的影响

LCP超过2.5秒的页面，AI爬虫的抓取间隔会拉长。我对比了两个结构相同但速度不同的站点，快的那个新内容24小时内被索引，慢的要3-5天。建议用CDN+边缘缓存，把TTFB压到200ms以内。

5. 动态渲染的取舍

SPA站点如果用客户端渲染，AI爬虫可能拿不到结构化数据。我的方案是：关键页面用SSR，非关键用CSR，并在sitemap里标注lastmod。实测SSR页面的AI引用率是CSR的4倍。

这些细节看起来琐碎，但GEO本来就是技术活。上周我用Lighthouse跑分，把结构化数据错误从12个降到0，AI摘要的展示完整度直接翻倍。

你们在结构化数据上踩过什么坑？特别是@id和嵌套深度这块，有没有更好的实践？