10,000+
Princeton GEO 研究覆盖的查询量级
面向 AI 引用时代的 SEO + GEO 审计
为搜索引擎与生成式引擎打造的无服务器深度审计
这个单页应用将确定性技术检查、语义化 E-E-A-T 评估与受 Princeton GEO 研究启发的可引用性打分融合到同一份双语、可导出 PDF 的报告中。
语言
字号
+30–115%
外部引用对 AI 可见性的提升区间
免费额度友好
可直接部署到 Vercel / Cloudflare
审计流程可视化
每个步骤都对应后端真实工作流，用户不会面对“它到底在忙什么”的经典空白转圈。
- 1
正在校验 URL 与 SSRF 安全边界
进行中
- 2
正在抓取页面 HTML 与最终规范地址
- 3
正在解析 robots.txt 与 sitemap.xml
- 4
正在探测 /llms.txt 与 AI 可发现性信号
- 5
正在提取结构化数据与标题层级
- 6
正在计算 Princeton 风格 GEO 可引用性得分
- 7
正在进行 E-E-A-T 语义评估
- 8
正在整理修复建议、分数卡与 PDF 数据
为什么这个架构可靠
应用遵循双层审计模型：确定性事实交给脚本处理，只有真正需要理解语义的环节才交给语义评估。
先运行一次审计，报告面板就会醒过来。
第 1 层——确定性检查
robots.txt、sitemap.xml、canonical、标题层级、lang、schema、信任页面和 /llms.txt 均由可复现规则完成验证。
第 2 层——语义推断
E-E-A-T 会结合作者信息、引用来源、更新时间、页面具体性与可信信号，对经验、专业性、权威性、可信度做综合判断。
Princeton 风格 GEO 打分
可引用性重点看引用来源、统计数据、引述、答案前置、片段可提取性与内容克制度，而不是堆关键词。
参考来源与结构化引用
这个页面自身也按 GEO 标准构建，因为一个审计工具如果自己都不够可引用，就多少有点喜感。
研究支撑的 GEO 信号
Princeton KDD 2024 研究测试了超过 10,000 个查询，并发现 权威来源引用可将 AI 可见性提升 +30–115%，统计数据约可提升 +40%，引述补充大约可提升 +30–40%。
因此，这个 SPA 会优先采用答案前置结构、机器可读 schema、权威外链以及可独立摘录的段落，而不是堆砌关键词。
参考引用
SEO / GEO 团队常见问题
GEO 和传统 SEO 的区别是什么？
传统 SEO 重点是索引与 SERP 表现；GEO 则进一步优化内容被 ChatGPT、Perplexity、Claude、AI Overviews 等生成式引擎理解和引用的能力。
为什么要特别检查 llms.txt？
审计会判断 /llms.txt 是否存在、是否结构清晰，帮助 AI 系统更容易发现、总结并引用站点内容。
E-E-A-T 为什么需要语义评估？
作者、引用、更新时间等信号可以量化，但“内容是否真正专业、具体、可信”仍需要结合语义与上下文做判断。