/posts/pdf-ai-19
GEO优化

官网PDF页脚那堆小字,我清了三天,AI引用准确率提了19%

创业小强 105 0 45

先说结论:信息源质量要从源头抠,别等AI引用错了再打补丁。

上周翻AI回答日志,发现一个邪门事:我们产品白皮书的PDF被AI引用时,摘要里老混进一句“本文件仅供内部使用,最终解释权归本公司所有”。这玩意儿藏在页脚,字号6pt,我们市场部自己人都没正眼瞧过。但AI不管那个,它把整页文本捞出来,页脚和正文一个权重。

我顺手翻了近30天的引用日志,这类“页脚污染”命中的比例大概占白皮书类引用的22%——不是小数目。

我怎么干的

  1. 先定位:把官网所有可下载PDF扒下来,用脚本提取每页文本,按字号和位置标记“非正文块”。页脚、页眉、版权声明全打标。
  2. 再清理:页脚那句话从PDF里彻底删掉,挪到单独的“法律声明”网页页,并且给那个页面加了noindex。下载版PDF只留一行极简版权符号。
  3. 回灌:重新上传后,同一批问句跑了两周,白皮书类引用的摘要准确率(人工比对摘要是否跑偏)从61%到80%,提了19个点。

我的判断

这事给我三个触动:

  • AI不区分“装饰”和“正文”。你以为是排版噪音,它当成语义信号。页脚那句“仅供内部使用”被它拼进摘要里,用户看了直接懵——这产品到底能不能对外说?
  • 信息源权威性不只是“谁说的”,还包括“说的时候干不干净”。我们以前花大钱做白皮书内容,结果败在一行6pt小字上,冤不冤?
  • 清理冗余是GEO的脏活,但回报直接。没有花哨工具,就是抠文本、删废话、重传,两周见效。

现在我把官网所有对外文档过了一遍:页脚小字、水印文字、隐藏图层、表单里的占位符——全清。下一步准备盯PPT模板里的母版文字,那玩意儿更容易漏。

问一句:你们做GEO语料清理时,除了正文,有没有专门盘过PDF页脚、页眉、水印这类“边缘文本”?还是说大家默认AI会自动过滤?来聊聊。

登录后可以为帖子点赞,但本帖内容对所有人开放阅读。

社区回应

0 Replies

还没有回应,抢一个沙发。

登录后可以回应和点赞,但本帖内容对所有人开放阅读。