SEO优化

只加了 Schema 就能被 AI 引用？1,885 个页面的对照实验说：几乎没动

Name: innflows GEO 平台
Brand: innflows

Leo Wang August 10, 2026

加了 Schema 就能被 AI 引用？1,885 个页面的对照实验说：几乎没动

先给结论： 对那些已经被 AI 引用的页面来说，补上 JSON-LD 结构化数据，并不会让引用变多。一项匹配双重差分实验追踪了 1,885 个新增 JSON-LD 的页面，对照 4,000 个页面，结果是 Google AI Overviews −4.6%、Google AI Mode +2.4%、ChatGPT +2.2%——后两个在统计上与零无法区分 [1]。Google 官方文档也写得很直白：想出现在 AI 功能里，没有哪种 schema.org 标记是你必须加的 [2]。Schema 仍然值得保留，它服务的是富媒体结果和实体识别。把它当基础卫生项，增量预算投到抓取访问、可见正文和段落结构上，然后在自己的页面上做一次对照测试来验证。

如果你这个季度的 GEO 计划是"多上点 schema"，这篇文章给你重新定价这笔投入的依据。

---

这项实验到底测了什么

Ahrefs 于 2026 年 5 月 11 日发布了这项研究。它的起点是一个在各种大会 PPT 里流传很广的相关性：在 600 万 URL 的分析中，被 AI 引用的页面带 JSON-LD 的概率，约为从未被引用页面的 3 倍；被 AI 引用的页面里，53% 部署了 schema [1]。

这个差距很容易让人得出一个结论。于是研究团队用受控设计去验证这个结论站不站得住。

做法是找出"schema 首次出现"的时间点：从爬虫数据库调取页面的 HTML 历史，标记每个 URL 是否含 JSON-LD 脚本标签，再定位它从"无"翻转为"有"的那一天。这样筛出了 1,885 个在 2025 年 8 月至 2026 年 3 月间新增 JSON-LD 的页面。每个实验组页面匹配 3 个对照 URL——来自不同域名、前期引用量相近、且从未加过 schema，合计约 4,000 个对照。然后统计处理日期前后各 30 天的引用次数 [1]。

匹配这一步，是让结果能读懂的关键。 那段时间 AI 引用量本身在剧烈变动：AI Overviews 在收缩，AI Mode 在扩张。如果只做简单的前后对比，测到的其实是平台趋势。AI Mode 的原始前后增幅是 +43%，但对照组页面涨得几乎一样多——这就是一个亮眼数字在剥掉平台趋势后缩水到 +2.4% 的全过程 [1]。

平台	加 JSON-LD 后的引用变化	怎么理解
Google AI Overviews	−4.6%	相对匹配对照组虽小但统计显著；两组本来都在下滑，实验组跌得稍快一些
Google AI Mode	+2.4%	统计上与零无法区分
ChatGPT	+2.2%	统计上与零无法区分

那个 −4.6% 值得谨慎读。换算成绝对量，是平均每页每天少了约 12 次引用，而样本里多数页面每天有数百次。更重要的是，实验组和对照组在加 schema 之前就已经在陡峭下滑。研究作者明确表示：仅凭这份数据，无法判断这个缺口是 schema 造成的，还是别的因素 [1]。

研究一共跑了四种分析：双样本 t 检验、作者最信任的双重差分、用于检查两组在加 schema 之前是否已经分道扬镳的事件研究，以及一次剔除重爬期、改用对称时间窗的双重差分复跑。四种方法指向同一个方向——AI Mode 没有引用增长，ChatGPT 没有增长，AI Overviews 那点下滑真实存在但小到无法有把握归因于 schema [1]。

---

3 倍的相关性，为什么看着那么可信

这个相关性是真的，出问题的是加在它上面的那套解释。

Schema 往往出现在维护得更好、技术更成熟的站点上。而这些站点同时也在产出更强的内容、积累更多权威度、获得更多外链、持续维护页面。AI 系统本就更倾向检索这类内容，所以被引用的页面会在很多有利信号上同时超配。把 schema 抽掉，剩下那些信号很可能照样把页面送进引用 [1]。

另一项跨平台实证研究用不同路径得出了兼容的结论。它在 Google 内部做诊断，报告称被 AI 引用与未被引用的 Google 页面，schema 部署率在统计上无法区分——43.1% 对 44.8%，表观效应完全塌掉 [3]。

两项研究、两种方法、一个方向。这种程度的证据，才值得据此调整动作。

---

那 AI 到底读不读 schema

这里需要更精确，因为过度纠正同样是错的。

一家德国 SEO 机构在 2025 年 10 月做了八组受控测试，覆盖五个 AI 系统。他们专门做了一个虚构商品页，把价格刻意分散放在不同位置：可见 HTML、JavaScript 渲染内容、仅存在于 JSON-LD、通过 JavaScript 注入的 JSON-LD、隐藏 Microdata、可见 Microdata、隐藏 RDFa、可见 RDFa [4]。

核心结果：那个只存在于 JSON-LD 里的价格，五个系统无一读到。隐藏的 Microdata 和隐藏的 RDFa 也全部被忽略。而当 Microdata 和 RDFa 的内容可见于 HTML 时，ChatGPT 和 Gemini 都能找到那些数值——因为内容是可见的，标记格式在这里并不重要 [4]。

作者对适用范围写得很清楚，这个限定很关键：他们的测试主要观察的是直接抓取阶段，也就是聊天机器人实时取页的那一步。结构化数据完全可能在训练、索引和搜索阶段被提取——而像 AI Overviews、Copilot 这类基于索引的系统，本来就能访问搜索索引里存储的结构化数据 [4]。这里没有任何一项研究证明 schema 在整条管线里都无效。 证据支持的是一个更窄、但同样可执行的判断：只存在于标记里的内容，多数系统在检索时读不到。

同一批测试还有个有用的副产品：Gemini 在实时抓取时执行 JavaScript，读到了 JS 渲染的价格，而 ChatGPT、Claude、Perplexity 在实时抓取阶段抓不到 JS 内容。但两个基于索引的系统在索引之后都找到了那个 JS 价格，说明它们的爬虫在索引阶段是执行 JavaScript 的 [4]。

---

Google 自己怎么说

Google 关于 AI 功能的文档直接回答了这个问题。以下两句来自该页面本身，最后更新于 2025 年 12 月 10 日：

There are no additional requirements to appear in AI Overviews or AI Mode, nor other special optimizations necessary.

（想出现在 AI Overviews 或 AI Mode 中，没有额外要求，也不需要其他特殊优化。）

You don't need to create new machine readable files, AI text files, or markup to appear in these features. There's also no special schema.org structured data that you need to add.

（你不需要为了出现在这些功能里去新建机器可读文件、AI 文本文件或标记。也没有哪种 schema.org 结构化数据是你必须加的。）

同一个页面列出了真正适用的基本功：在 robots.txt 以及 CDN 和托管层放开抓取、通过站内链接让内容可被发现、提供良好的页面体验、让重要内容以文本形式存在、以及让结构化数据与页面可见文字保持一致 [2]。

最后那一条值得记住。Google 的口径是 schema 应当与你的可见内容相符——这是一项一致性要求，和"schema 是引用杠杆"是两个不同的命题。

---

那预算该投到哪

下面是可执行的顺序：从你已经有的东西出发，找出缺口，再把钱花在证据最强的地方。

你大概已经有的。 如果站点维护得不错，你很可能已经部署了 schema。留着。富媒体结果、语音助手、知识图谱、下游实体识别，都是继续用 JSON-LD 的正当理由 [1]，而 Google 也期望它与可见文字一致 [2]。为了这个研究结论去删掉正常工作的 schema，是走反了方向。

更可能缺的。 检索访问权限，以及段落级的清晰度。这两块的证据基础要扎实得多。

GEO 动作	支撑它的证据	优先级
给已被引用的页面加 JSON-LD	受控双重差分未发现有意义的提升 [1]；Google 明示无需特殊 schema [2]	维持现有标记，不作为引用手段优先投入
把关键事实放进可见正文	只存在于标记里的数值，五个受测系统无一读到 [4]；Google 要求内容以文本形式存在 [2]	高
给 AI 与搜索爬虫开放抓取	Google 官方口径中这是获得资格的前提 [2]	高
为段落检索重构内容结构	跨六个引擎的受控测试报告，在语义不变前提下重构结构带来 17.3% 引用提升 [5]	高
内容新鲜度	对 7 个平台、1,700 万次引用的分析显示，AI 助手更偏好较新的内容 [6]	中到高
在自己站点上跑对照测试	让你不必依赖任何人的聚合结论，包括本文引用的这些	高

有一个细节能把两类结论接在一起。一个页面质量审计框架发现，在 16 个支柱中，结构化数据属于与被引用关联最强的那几项 [7]。这个关联是真实的，也和那个 3 倍相关性一致。而受控实验告诉你的是：当 schema 是你唯一改动的东西时，会发生什么。两者可以同时成立，合起来才是完整的教训——schema 与被引用的页面同行，但单独加上它并不能推动它们。

---

怎么在自己站点上验证

聚合结论描述的是数千个 URL 上的平均值，而你的站点是其中一个个案。小规模对照测试是唯一能知道"在我这里成不成立"的办法，研究作者也正是这么建议的 [1]。

选 5–10 个实验页面，是你打算加 JSON-LD 的。优先挑已经有一些 AI 引用的页面，这样才有基线。零引用的页面会让结果无法解读。
选 5–10 个对照页面，引用量相近，但这次不动它们。这一步是把"schema 起作用了"和"那个月整个平台都在变"区分开的关键。
记录两组的基线引用量，分别覆盖 AI Overviews、AI Mode 和 ChatGPT。
只给实验页面加 schema，记下日期，测试窗口内不改动其他任何东西。
30 天后（能更久更好）比较两组。要问的问题是：实验组涨得比对照组多吗？

第 3 步是大多数团队卡住的地方，因为常规分析工具不按引擎分别报告引用。无论你用什么方案，有三项能力决定这个测试读不读得出来：

能力	测试为什么需要它
按引擎拆分引用数据	混合的可见度分数会把差异平均掉；在这项研究的窗口期内，AI Overviews 和 AI Mode 走的是相反方向 [1]
URL 级筛选	必须能把实验组和对照组隔离出来，否则任何归因都不成立
保留历史数据	没有基线期，平台整体变动看起来会和你自己的成果一模一样

Innflows 做的就是这一层。它会审计 AI 爬虫能否访问并解析你的页面，检查技术可读性、内容结构与实体一致性，并按引擎分别追踪品牌引用——覆盖 ChatGPT、Google AI 功能、Perplexity、Copilot，以及 DeepSeek、豆包、通义千问、Kimi 等中文引擎。有了分引擎基线，上面那套对照测试就从一个研究项目变成了可以按季度重复的常规测量。

这里"审计"那一半和"追踪"那一半同样重要。如果你要测的页面其实被 CDN 挡住了、关键事实依赖 JavaScript 才显示、或者结构化数据和可见文字对不上，那 schema 在这些页面上从来就不是值得测的变量——而这些问题，恰恰是一次访问与可读性审计能在你花掉一个季度之前就查出来的。

---

这个结论在什么情况下不适用

三条边界，直说。

从未被 AI 引用过的页面。 研究里每个页面在加 schema 之前都已经有 100+ 次 AI Overviews 引用，它们本就在候选集内。对于 AI 从未抓到过的页面，schema 仍可能在被抓取、解析、索引这一步起作用——这项研究无法回答这个问题 [1]。

特定 schema 类型与更长的观察窗。 研究把所有 schema 类型合并统计：Article、FAQ、Product、HowTo、Organization。某些类型的表现可能不同。测量窗口是 30 天，所以 60 天或 90 天的慢热效应仍未被检验。研究只覆盖页面 HTML 里的 JSON-LD，而 AI 爬虫对 JavaScript 注入的 schema 似乎另作处理 [1]。

与引用无关的收益。 富媒体结果资格、实体识别、知识图谱填充，都是各自独立的目标，各有各的证据。本文这个结论只关于"已经有引用的页面上的 AI 引用"。

---

常见问题（FAQ）

我该把站点上的 schema 删掉吗？

留着。这项研究回答的是"给已经被引用的页面新增 JSON-LD 能否提升 AI 引用"，答案是没有有意义的提升 [1]。Schema 仍然服务于富媒体结果、语音助手、知识图谱和实体识别，Google 的口径也期望结构化数据与可见文字一致 [2]。删掉正常工作的标记，等于放弃这些收益，却换不到任何已被测量到的引用增长。

Google 的 AI Overviews 用 schema 吗？

Google 文档写明：想出现在 AI Overviews 或 AI Mode 中，没有哪种 schema.org 结构化数据是你必须加的，除了"已被索引且有资格带摘要出现在搜索结果中"之外没有额外技术要求 [2]。另一方面，基于索引的系统确实能访问搜索索引里存储的结构化数据——所以"系统能不能拿到 schema"和"schema 能不能改变引用结果"是两个不同的问题 [4]。

既然 53% 被引用的页面都有 schema，怎么会没效果？

这两件事同时成立。会部署结构化数据的站点，通常也在做技术 SEO、产出权威内容、建设外链、持续维护页面。被引用的页面在所有这些信号上同时超配，于是 schema 与引用同时出现，却并不是它产生了引用 [1]。另一项独立研究发现，被引用与未被引用的 Google 页面 schema 部署率在统计上无法区分，43.1% 对 44.8% [3]。

AI 会从我的 JSON-LD 里读商品价格吗？

在覆盖五个 AI 系统的受控测试中，只放在 JSON-LD 里的价格在实时检索阶段无一被读到，隐藏的 Microdata 和隐藏的 RDFa 同样被忽略 [4]。可执行的规则是：你希望被引用的事实，放进可见的页面正文，再让结构化数据与之对应。

那要提升引用，我该做什么

优先做检索访问和段落级清晰度：确认 AI 与搜索爬虫能访问你的页面、把关键事实放进可见正文、把内容组织成单个段落也能独立回答问题的形态。跨六个引擎的受控测试报告，仅重构结构、保持语义不变，带来了 17.3% 的引用提升 [5]；对 1,700 万次引用的分析也显示 AI 助手更偏好较新的内容 [6]。

自己做 schema 测试要跑多久？

至少 30 天，引用量低就跑更久。已发表的这项研究测的是 30 天窗口，作者也指出 60 天或 90 天的慢热效应会被漏掉 [1]。全程要保留匹配的对照组，因为 AI 引用量会因为跟你的改动无关的原因而波动。

---

核心结论

对 1,885 个页面做的匹配双重差分测试发现，新增 JSON-LD 在 Google AI Mode 和 ChatGPT 上没有带来有意义的 AI 引用提升，AI Overviews 上那点小幅下滑作者本人也拒绝归因于 schema [1]。Google 的文档从另一侧说了同一件事：想出现在 AI 功能里，不需要任何特殊的 schema.org 标记 [2]。

那个 3 倍相关性是真实的，而挂在它上面的因果故事是借来的。这个区分就是全篇的教训，而且它的适用范围远超 schema——目前流通的多数 GEO 建议，依据的都是从未被隔离验证过的相关性。

留着你的标记，别再把它当引用杠杆，把增量预算挪到抓取访问、可见正文和段落结构上。然后在自己的页面上确认一遍：一个实验组、一个对照组、加上分引擎基线。因为一个在数千个 URL 上成立的结论，仍然需要在你的站点上成立。

如果你想先看清自己站点在这份证据真正支持的两件事上处于什么位置——AI 爬虫能否访问并解析你的页面、以及今天有哪些引擎在引用你——可以从一次 AI 可见度审计开始，再用它的结果来挑选你的测试页面。

---