ChatGPT 的三层检索栈：它是怎么找到、读取、引用你的页面的
ChatGPT 的三层检索栈：它是怎么找到、读取、引用你的页面的
先给结论： 当 ChatGPT 在回答里提到你的时候，它手上的"你"往往不是你那个页面。在免费账号的默认模式（instant）下，它掌握的可能只是一个标题，加上大约 200 个字符的摘录——大致相当于三十几个英文单词 [1]。
原因是 ChatGPT 找资料不是一件事，而是三件事，分三层完成：一层发现你，一层留着你的副本，一层真的打开你。三层存的东西不同、更新节奏不同、能看到你的部分也不同。而决定用哪一层的，主要不是技术，是钱。
这篇文章按"由浅到深"的顺序拆这三层：先建立直觉，再看每层的具体规则，最后讲哪些动作值得做、哪些只是在追一个随时会变的机制。
---
先用一个日常场景建立直觉
设想一个记者赶稿，需要核一件事。他有三种做法，成本从低到高：
- 翻手边的资料卡。 每张卡上只有一个标题和一句话摘要。几秒钟的事，几乎不花成本，但他对这份材料的全部认识，就是这一行字。
- 翻电脑里的旧存档。 以前存下来的完整文档还在，直接打开读。内容是全的，但那是当时那一版——可能已经过期了。
- 真的打电话去核实。 拿到最新、最完整的信息，但最慢、最贵。所以只在这篇稿子值得的时候才做。
ChatGPT 的三层检索栈，就是这三种做法的机器版本：
| 层 | 它存的是什么 | 它看到你的哪一部分 | 什么时候用 |
|---|---|---|---|
| 发现索引 | URL + 完整标题 + 约 200 字符摘录 | 标题，和紧跟 H1 后面的那一小段 | 几乎每一次检索 |
| 阅读缓存 | 整个页面的完整副本（HTML 已转成 Markdown） | 页面全文，但是抓取时的那一版 | 这个 URL 之前被人问过 |
| 实时打开 | 当场抓取的完整页面 | 页面全文，最新版 | 只在付费的 thinking 模式 |
三层的差别，正好落在三个维度上：完整度（一行字 vs 全文）、新鲜度（当下 vs 存档）、成本（几乎为零 vs 要花钱和时间）。
---
这些结论是怎么测出来的
在往下看之前，先说清证据来源，因为这决定了每条结论能被信到什么程度。
主证据来自法国 SEO 咨询公司 RESONEO 在 2026 年 7 月做的一次抓包研究：用浏览器扩展记录 ChatGPT 发送到前端的原始数据流，包括界面从不显示的字段，样本为 1,200 余个 ChatGPT 回答、约 8.8 万条检索结果、2.69 万个独立页面；同时在自己域名上发布"探针页面"并保留完整服务器日志，用来核对 OpenAI 的机器人到底抓了什么 [1]。Search Engine Journal 对同一份研究做了独立报道，并补充了摘要构成的细项统计 [2]。
关键的一点：这些都是逆向工程观测，不是 OpenAI 公布的规格。 OpenAI 公开只提"第三方搜索供应商"，其官方爬虫文档也没有描述内部索引的存在方式 [2][6]。研究者读取的那个内部字段，在 7 月 21 日前后从数据流里消失了，此后只能靠格式特征反推 [1]。
好在有独立印证。2026 年 4 月，Chris Green 用 1,000 个提问、每个最多重复 10 次，抓到 9,946 次完成的检索运行；Suganthan Mohanadasan 独立检查了 ChatGPT 的网络流量。两人都看到同一组内部来源标签，其中 OpenAI 自有索引在 Green 的数据里占了 88.1% 的主检索来源 [4]。缓存层的存在，则由 Oncrawl 的 Jérôme Salomon 早在 2025 年 12 月通过一个 API 参数独立证实过 [3]。
方向上，多方一致。具体百分比按各自样本看待。
---
第一层：发现索引，只存一个标题加 200 字符
这一层是自有索引，不是 Bing 供的，也不是 Google 供的。研究用三种方式验证了这件事：这层返回的 URL 只有 1.5% 出现在 Bing 同题查询的前 20 名；没有一条摘要和 Bing 的摘要重合；Bing 把标题硬截在 75 个字符，而这层有 24% 的标题超过这个长度，抓到的最长标题有 289 个字符 [1]。
它给模型的东西只有三样：URL、从不截断的完整标题、约 200 字符的摘要。
那 200 个字符不是你写的摘要
这是全篇最容易被误解的一点。很多人以为 AI 读到的是自己写的 meta description。在这一层，摘要取自页面正文的开头部分，meta description 不参与 [2]。
它取的是你的 H1，加上紧挨着 H1 的可见文本。在 463 个带 H1 的页面里，387 个的摘要包含了 H1，占 83.6%；H1 长度中位数是 51 个字符，也就是说 H1 之后大约只剩 150 个字符的空间 [2]。
而这 150 个字符，经常被模板自动打印的东西吃掉：
| 挤占摘要的元素 | 出现在多少比例的页面上 | 占掉多少字符 |
|---|---|---|
| H1 上方的栏目标签 | 29% | 18 |
| 发布日期 | 11% | 25 |
| 首图的 alt 文本 | 9% | 最多 50 |
样本里每七个页面就有一个完全没有 H1 标记，这时摘要从模板给出的任意小标题开始 [2]。研究还测到一个极端案例：某个页面的摘要 100% 是目录，正文内容占 0% [1]。
而且它和用户问了什么无关
同一个 URL，无论用户问的是价格、历史还是副作用，返回的都是同一段冻结的摘要——它在建索引时就切好了，一直服务到下次抓取；研究者判断这大概是个临时方案，会很快改进 [1]。
按现代搜索的标准，这相当粗糙。查询无关的摘要，是网页搜索二十年前就基本放弃的做法。但在它改进之前，这就是你被评判的依据。
那小站进得去这一层吗
进得去。这个问题很关键，因为下文会看到，免费 Think 模式的检索集主要由这一层供给——如果它只对签约媒体开放，其他网站在那个模式下就基本没戏。
研究比对了同一层里签约方和非签约方的页面，发现有没有和 OpenAI 签内容授权协议，不改变页面被服务的方式：格式、长度、新鲜度都一样。数百家没有协议的媒体和授权伙伴被同等对待 [2]。
有一个例外要标出来：签约方的文章是通过内容源（feed）进入 OpenAI 的，不是靠抓取。所以协议可能改变内容"怎么到那里"，只是不改变它"到了之后被怎么存" [2]。
---
第二层：阅读缓存，它手上那份"你"可能是三个月前的
ChatGPT 把它抓取过的每个页面都留了一份完整副本，从 HTML 转成 Markdown 存下来，按 URL 索引，跨所有用户和所有付费层级共享 [1]。这一层的存在，早在 2025 年 12 月就被独立证实过——Oncrawl 的 Jérôme Salomon 发现 OpenAI 在 Web Search API 里加了一个参数，明确暴露了内部缓存索引的存在 [3]。
跨用户共享这件事，含义比听起来大：如果上周有个付费用户触发了对你某个页面的抓取，今天一个免费用户问到同一个页面，拿到的就是上周那份副本。你的服务器上什么都不会发生。
刷新节奏由"有多少人问你"决定
缓存用的是工程上叫 stale-while-revalidate 的策略：副本在大约 30 分钟内算新鲜，这个窗口内所有人拿存档版；超过 30 分钟，用户仍然立刻拿到旧副本，同时后台发起一次抓取，刷新给下一个人 [1]。
结果是，你页面的重抓频率只由一个信号决定：有多少 ChatGPT 用户在问它。 热门页面保持新鲜，冷门页面无限期变旧。Salomon 记录到抓取后 90 天以上仍在被服务的副本，也没看到明确的淘汰上限 [1]。
你熟悉的那几个指令，在这里不生效
这一层最反直觉的部分是：Cache-Control: no-store 被忽略，noindex 也被忽略 [1]。
OpenAI 的官方文档其实间接解释了为什么。它把两个机器人分开定义：OAI-SearchBot 负责让网站出现在 ChatGPT 搜索结果里，是应该在 robots.txt 里管理的那个；而 ChatGPT-User 是用户提问时触发的访问，官方明确写着"因为这些行为由用户发起，robots.txt 规则可能不适用" [6]。
也就是说，缓存的一部分内容来自一条本来就不受 robots.txt 约束的路径。这不是 bug，是设计上的分工。
HTML 转 Markdown 的时候，有些东西被丢掉了
转换过程有自己的取舍，其中一条对做技术 SEO 的人影响很直接：
- 脚本、iframe 和 JSON-LD 被剥掉——你的结构化数据，走这条路径到不了模型 [1]
- 图片 alt 文本保留
- 被 CSS 隐藏的文本仍然会被提取，所以机器人读到了人类访客看不到的内容 [1]
最后一条值得单独说一句。它意味着这条路径上的"人机看到不同内容"目前不太容易被察觉——研究者的判断是，作弊检测看起来还不是 OpenAI 的强项。这不构成建议去这么做，只是说明当前这层的解析行为很宽松。
这一层你可以自己测
Salomon 发现 OpenAI 的 Web Search API 有一个 external_web_access 参数。设为 false，模型只能用已缓存的内容回答；设为 true，它会去实时抓取。默认是 true [3]。
这给了你一个直接的自测方法：用 external_web_access: false 请求模型总结你的某个 URL。如果它能给出摘要，这个页面在缓存里；如果它说访问不了，就不在。切换成 true 再请求一次，然后去服务器日志里找 ChatGPT-User 的访问记录 [3]。
另有一个 API 参数会返回存储副本的抓取日期。查自己的页面，就能知道最近一次是什么时候有 ChatGPT 用户让你的页面被读取——研究者称这是一个几乎免费、但基本没人在看的曝光指标 [1]。
---
第三层：真正被打开的少数页面，引用率高一个量级
第三层是 ChatGPT 当场把页面打开读完。这一层的样本量小得惊人，价值也高得惊人。
在整个语料里：61,332 个 URL 进入了来源侧栏，5,032 个成为某条引用背后的主来源，759 个页面被真正打开——全部发生在 thinking 模式 [1]。
| 页面的遭遇 | 最终被引用的比例 |
|---|---|
| 被打开读过 | 74% |
| 只被检索、没被打开 | 7% |
差了十倍。所以"进入被打开的名单"是整条链路上最值钱的位置。
而反过来，免费用户那边的画面是：研究抓到的 instant 模式回答里，93% 一个页面都没打开 [1]。一次 thinking 对话大约拉进 100 条结果、覆盖 28 个域名；一次 instant 对话大约只有 11 条 [1]。
两道硬墙
想被打开、被读完，有两个条件是硬的：
机器人不执行 JavaScript。 客户端渲染的内容对它不存在。这一条有独立的大样本证据：Vercel 与 MERJ 基于 Vercel 网络的实测显示，主要 AI 爬虫都不渲染 JavaScript，其中明确点名了 OpenAI 的 OAI-SearchBot、ChatGPT-User 和 GPTBot；这些爬虫会下载 JS 文件（ChatGPT 占其请求的 11.50%），但不执行它们 [10]。
这一点和 Mohanadasan 的观察对得上：他见到 ChatGPT 倾向于用官方价格页，但当价格藏在 JavaScript 后面或难以解析时，就退回去用第三方来源 [4]。
页面上限恰好 4 MB。 超过之后不是截断，而是整个页面以 HTTP 400 被拒，模型一个字都读不到 [1]。所以一个过重的页面，在这一层等于不存在。
---
为什么会分成三层：路由是经济决策
看懂这一节，前面所有细节就串起来了。
OpenAI 为什么同时维护自有索引和外购的 Google 抓取结果？成本。
instant 模式必须在几秒内回答，而用户通常一分钱不付。所以它只查 OpenAI 已经拥有的东西——自有索引。不打开任何页面，回答就建立在标题和 200 字符摘要上。thinking 模式里，用户付了订阅费、也愿意等，于是昂贵的工具才被调用：外购的 Google 抓取结果，以及由 ChatGPT-User 执行的真实页面打开 [1]。
一切要花 OpenAI 的钱（付给抓取供应商）或花时间（打开 URL、调实时 API）的动作，都被留给了那个用户付费且愿意等的模式。
而这件事的分量，取决于有多少人在免费档。OpenAI 官方公布的口径是 900M+ 周活、5,000 万+ 消费者订阅者，加上 900 万+ 付费商业用户（该页面未标注发布日期）[7]。三个数字都是"以上"，精确占比算不出来，但量级很清楚：两类付费用户相加约 5,900 万，在 900M+ 周活里占很小一部分。
也就是说，绝大多数正在发生的 ChatGPT 对话，走的是那条只看标题和 200 字符的路。
---
同一个问题，两个人可能拿到两个不同的网
三层之上还有一层分叉，它解释了为什么 AI 可见度这么难测。
免费账号点开 Think，检索池会翻倍多一点：URL 从 15.1 涨到 35.3，独立域名从 9.8 涨到 16.3，量级已经接近付费 Thinking 的中等算力档 [1]。
但两个模式搜的不是同一个网。免费 Think 的结果里 74.7% 来自 OpenAI 自有索引，只有 3.1% 来自外购的 Google 网页结果；付费 Thinking 几乎是镜像的反面——75.3% 来自 Google 抓取，24.7% 来自自有索引 [1][2]。
对品牌方的含义很实在：Google 排名对付费 Thinking 依然重要，但它不保证你能进入免费 Think 的检索集，那里的门卫是 OpenAI 自己的索引。
还有两个测量陷阱：
别用 API 去预测产品行为。 研究把四个 ChatGPT 产品模式和四个 API 模型跑同样的提问，用 Jaccard 相似度比对答案里提到的品牌：API 各版本之间重合 0.32–0.39，ChatGPT 各模式之间 0.25–0.37，而产品对 API 只有 0.23–0.27 [1]。API 适合探查模型对某个品牌"知道什么"，不适合预测 ChatGPT 会怎么回答。
同一个提问重跑，来源也可能换。 Green 的重复测试里，11.6% 的提问在多次运行中换了主检索来源；一旦换了，URL 重合度从 0.273 掉到 0.149，域名重合度从 0.265 掉到 0.155，约等于降了 45% 和 42% [4]。
---
三个反直觉的观察
被检索，和被引用，是两个市场
arXiv 在这份语料里被拉取了 2,600 多次，最终只被引用了 10 次。Reddit 也是同一个模式 [1]。ChatGPT 读预印本和论坛来"想"，然后给读者展示普通网页。
Mohanadasan 的独立观察补上了机制：Reddit 和 YouTube 都被频繁拉取，但 Reddit 被引用、YouTube 没有。差别在文本可得性——Reddit 帖子直接暴露文本，YouTube 的搜索结果往往只给元数据而不给完整字幕 [4]。
没有摘要的 URL，反而被引用得更多
在 instant 模式里，排除 Reddit、YouTube、arXiv 之后，没有任何摘要的 URL 被引用率是 14.9%，有摘要的是 8.2% [1]。模型更愿意引用它了解得最少的页面。这个现象目前只是被观测到，还没有解释。
有些引用不来自任何检索结果
更奇怪的是，部分被引链接对应不上任何一条检索结果。研究者的假设是模型从参数记忆里写出来的——训练时烧进权重的知识。这些链接几乎总是知名网站的裸域名，还一本正经地挂上 utm_source=chatgpt.com，仿佛来自一次搜索 [1]。
这个假设值得认真对待，因为类似现象在学术上已经被独立观测到。一篇 2026 年的会议论文审计了 Google AI Overviews 在 YMYL 类查询上的引用行为，发现引用差异"主要由非检索引用驱动"——也就是说，被引用的文档并不都在检索集里 [8]。
必须标清边界：那篇论文研究的是 Google AI Overviews，不是 ChatGPT，两者不能互相证明。它能说明的是，"引用未必来自检索"这件事不是孤例，而是生成式搜索里一个已被正式测量过的现象。
还有一个分析盲区
你大概在报表里见过 utm_source=chatgpt.com。这个参数追踪的是用户点击的外链。但 thinking 模式下 ChatGPT 自己打开的那些页面，展示给用户的引用里不带这个参数 [1]。
也就是说，引用率高达 74% 的那批"被真正读过"的页面，在 UTM 上留不下任何痕迹。如果你靠这个参数衡量 ChatGPT 曝光，你数到的是点击，漏掉的是阅读。想看阅读，得去服务器日志里找 ChatGPT-User 这个 user agent——OpenAI 官方文档确认了这就是用户提问时触发访问的那个代理 [6]。
---
所以该做什么，以及不该做什么
下面按"这个动作的寿命有多长"排序。
值得做的：三层都受益的基础动作
| 动作 | 它作用在哪一层 | 为什么稳 |
|---|---|---|
| 标题写成能独立读懂的完整陈述 | 发现索引 | 完整标题不截断地进入模型的判断依据 [1] |
| 每个页面确保有 H1 | 发现索引 | 缺 H1 时摘要从模板小标题开始 [2] |
| 把栏目标签、日期、组件挪到 H1 与首句之间以外 | 发现索引 | 这些元素会吃掉本就只有约 150 字符的空间 [2] |
| H1 之后第一句直接承载核心信息 | 发现索引 | instant 模式下这是模型看到的唯一正文 |
| 关键事实不依赖 JavaScript 渲染 | 阅读缓存 + 实时打开 | 机器人不执行脚本；解析不了就退回第三方来源 [10][4] |
| 页面控制在 4 MB 以内 | 实时打开 | 超过直接被拒，不是截断 |
| meta description 继续写好 | 外购 Google 管道 | 自有索引不取它，Google 系管道约三次里用一次 [2] |
这些动作有一个共同点：它们同时服务人类读者和所有检索系统，所以就算机制变了也不亏。
值得改的：测量方式
- 服务器日志里追
ChatGPT-User，别只看 UTM。UTM 数的是点击，日志才能看到阅读 [6]。 - 用
external_web_access: false定期抽查关键页面在不在缓存里 [3]。 - 按模式分开记录，不要把免费 Instant、免费 Think、付费 Thinking 混成一个"ChatGPT 可见度"。
- 同一组提问重复跑，单次结果不足以判断趋势 [4]。
不值得做的：围着某个机制细节重建网站
研究者自己给了最重的那句警告：这套系统变得非常快——内部字段一夜消失、购物供应商同一周被匿名化、Google 购物令牌四天内从可读变加密。任何一个具体机制，都可能在你部署完之前就没了 [1]。
有个现成的例子：site: 操作符——把搜索限定在单一域名的那种查询。它在过去几个版本里来回摆了三次。
| 观测者 | 时点 / 对象 | site: 查询占比 | 口径 |
|---|---|---|---|
| Writesonic [9] | GPT-5.4 | 40.5%（当时峰值） | 占展开查询数，50 个提问 |
| Writesonic [9] | GPT-5.5 | 12.6% | 同上 |
| Writesonic [9] | GPT-5.6 Sol，中/高算力 | 59.3% / 71.2% | 同上 |
| Promptwatch [5] | 2026 年 8 月 8 日单日 | 0.37% → 16.8% | 占全部展开查询 |
| RESONEO [1] | 7 月底 → 8 月中，高算力档 | 40.8% → 58.1% | 占该模式的展开查询 |
三家的分母不同——Writesonic 按模型版本和算力档、Promptwatch 按全平台展开查询、RESONEO 按产品模式——所以这些数字不能横向相减。分母差异本身也解释了为什么同期数字能差这么远：免费 instant 模式几乎不用 site:（3.5%），付费高算力档超过一半，所以任何"全平台平均值"都取决于当期的模式构成 [1]。
能横向读的是方向：这个机制被大幅关掉过，又被大幅打开回来。 Promptwatch 还记录到 8 月 8 日那天平均每次回答的检索数从 1.08 涨到 1.83，说明域名定向查询是叠加上去的，不是替换原有的泛搜 [5]。
证据等级要标出来：Writesonic 那份研究是 50 个提问、单账号、每个配置只跑一次，作者自己把它标为方向性研究，并提示任何单次运行的结果都不该被当成精确测量 [9]。趋势可用，具体数值不可当基准。
同一个机制在几个月里来回摆。围着它做的改造，寿命可能比改造成本还短。
有两件事是可以放心押的。其一，模型有知识截止日期，过了这个点它什么都不知道，所以它注定要靠搜索来补上训练数据和今天之间的空白——检索会是所有 AI 助手的永久依赖。其二，粗糙的索引产出粗糙的答案，用户会察觉，所以每个引擎都会被推向更高的质量。200 字符的摘要大概不会长久，"成为那个最好的答案"这件事会 [1]。
---
Innflows 在这件事里解决什么
三层检索栈带来的实际困难是：同一个品牌在不同模式下面对的是不同的语料，而单次问答截图看不出这件事。
Innflows 做的是围绕模拟用户问题的周期性监测，覆盖 ChatGPT、Gemini、Google AI Overviews、Google AI Mode、DeepSeek、通义千问和 Grok 等平台，并把监测结果和来源可信度、网站结构分析放在一起看。落到这篇文章的场景，可用的做法是：固定一组提问，分平台建立基线，再检查承载关键事实的页面是否仍然可抓取、表述是否一致。
边界要说清楚。GEO 能提高有用、可访问、有证据支撑的内容进入检索和引用的概率。它不能保证某个模式在某段时间里持续引用某个页面，也不能替你决定 OpenAI 下个月会不会改掉某一层的行为。
---
这些结论在什么情况下不适用
全部机制细节都是逆向工程结果。 OpenAI 没有公布内部索引的构成、缓存策略或页面大小上限。研究者依赖的那个内部字段已经被移除，之后的管道识别靠格式特征反推 [1]。
主证据来自单一机构的一次抓包研究。 RESONEO 出售 SEO 咨询服务，并免费提供采集这批数据的浏览器扩展 [2]。三层框架、缓存行为、4 MB 上限、引用率对比这几项目前主要由这一份研究承重；管道构成和缓存存在性有独立印证，其余细项没有。
百分比会随样本变。 Green 的数据里自有索引占 88.1% 的主检索来源，Mohanadasan 的样本里外购管道分量更大，尤其在商业、购物、金融、天气和本地类查询上 [4]。账号类型、国家、提问类别都会改变结果。
"改了摘要就能被引用更多"没有被验证。 研究测量的是页面如何被存储和服务，没有测试修改 H1 后面的内容是否真的提高了被引概率 [2]。
非检索引用只是假设。 参数记忆那条是研究者明确标为待验证的假设，他们公开征集反驳 [1]。学术界在 Google AI Overviews 上观测到的非检索引用，是另一个系统上的独立发现，不能当作 ChatGPT 的证据 [8]。
结论有时间戳。 上述观测主要来自 2026 年 7 月至 8 月中。8 月 8 日的检索行为变化说明，这类结论的保质期是以周计的。
---
常见问题
ChatGPT 引用我的页面，说明它读过我的页面吗？
不一定。研究区分了三种状态：被检索、被打开、被引用。在整个语料里，61,332 个 URL 进入来源侧栏，只有 759 个被真正打开——全部发生在 thinking 模式。被打开的页面有 74% 最终被引用，只被检索没被打开的只有 7% [1]。所以一次引用背后，可能只是一个标题加 200 字符。
免费用户和付费用户看到的 ChatGPT，检索的是同一个网吗？
不是。免费 Think 的检索结果 74.7% 来自 OpenAI 自有索引、3.1% 来自外购 Google 网页结果；付费 Thinking 是 75.3% 来自 Google 抓取、24.7% 来自自有索引 [1]。两个人问同样的问题，拿到的来源数量可能接近，语料却基本相反。
我的 meta description 对 ChatGPT 有用吗？
分层看。OpenAI 自有索引不取 meta description，它取的是 H1 和紧跟其后的可见文本；而外购 Google 结果的那条管道行为像 Google，大约三次里有一次会用 meta description [2]。所以继续写好它，但别指望它决定自有索引里的那 200 个字符。
加了 noindex 或 no-store，ChatGPT 就不会留存我的页面了吗？
在缓存这一层，这两个指令都被忽略 [1]。OpenAI 官方文档说明了部分原因：ChatGPT-User 是用户发起的访问，"robots.txt 规则可能不适用"；控制搜索呈现的是 OAI-SearchBot [6]。要管理是否出现在 ChatGPT 搜索答案里，应该在 robots.txt 里处理 OAI-SearchBot。
我怎么知道自己的页面在不在 ChatGPT 的缓存里？
用 OpenAI 的 Web Search API，把 external_web_access 设为 false，请求模型总结你的那个 URL。能给出摘要说明在缓存里，说访问不了就不在。再用 true 请求一次并检查服务器日志里的 ChatGPT-User，可以确认实时抓取有没有发生 [3]。
我的结构化数据能到达模型吗？
走缓存这条路径不能。HTML 转 Markdown 的过程会剥掉脚本、iframe 和 JSON-LD [1]。这不代表 Schema 在别处没用——它仍然服务传统搜索和其他系统——但如果你的关键事实只存在于 JSON-LD 里，这条路径上的模型看不到。
---
核心结论
ChatGPT 不是"读了你的页面然后引用"。它分三层工作：一层用标题加约 200 字符发现你，一层留着你的完整副本（可能是三个月前那一版），一层在付费模式下真的把你打开。三层看到的"你"完整度不同、新鲜度不同。
选哪一层，主要由成本决定。免费 instant 模式必须几秒内免费回答，所以它只查 OpenAI 已经拥有的东西，93% 的回答一个页面都没打开 [1]。而按 OpenAI 自己公布的数字，5,000 万+ 消费者订阅者和 900 万+ 付费商业用户，在 900M+ 周活里只占很小一部分 [7]。
这套机制的具体参数会变，8 月 8 日刚变过一次 [5]。所以真正值得投入的，是那些无论哪一层都成立的东西：一个能独立读懂的标题、一句紧跟 H1 就把答案说清的开头、不靠 JavaScript 也能读到的关键事实、一个不超过 4 MB 的页面。
你控制不了它用哪一层读你。你能控制的是：不管它用哪一层，读到的都是同一个清楚的答案。
---
参考来源
[2] - ChatGPT's Search Index Serves Small Sites Too, Data Shows — Search Engine Journal，2026 年 8 月
[5] - ChatGPT Search Now Uses the site: Operator at Scale — Promptwatch，2026 年 8 月
[6] - Overview of OpenAI Crawlers — OpenAI 官方文档
[7] - Scaling AI for everyone — OpenAI 官方页面（页面未标注发布日期）
[10] - The rise of the AI crawler — Vercel 与 MERJ 基于 Vercel 网络的实测，2024 年 12 月