AI 搜索的结构化数据,是一种以机器可读格式声明页面事实的标记——最常用的词汇表是 Schema.org,最推荐的写法是 JSON-LD。它直接告诉机器:这个页面是一个产品、价格是 49 美元、这个问题的答案就是这一段。可见页面写给人看,标记写给爬虫、检索管线和购物 Agent 看。在生成式引擎优化(GEO)中,结构化数据是品牌与 AI 引擎之间最接近 API 的直连通道。
核心要点
- Schema.org 是词汇表,JSON-LD 是格式。两者结合,把页面事实变成 AI 系统可以确定性提取、而非概率性推断的数据。
- 对 GEO 回报最高的 schema 类型是
Organization、Product、FAQPage、HowTo和Person。 - Google 在 2023 年对多数网站下线了 FAQ 富媒体结果,但
FAQPage标记依然有价值:它把干净的问答对直接交给检索系统引用。 - 许多 AI 爬虫几乎不执行 JavaScript,客户端注入的 JSON-LD 可能永远不会被看到——务必服务端渲染。
- 标记是基础设施,不是魔法。要衡量它是否推动了引用率和产品卡片激活率,而不是只看校验是否通过。
结构化数据是什么,JSON-LD 在哪个位置
Schema.org 是 Google、Microsoft、Yahoo 和 Yandex 于 2011 年共同发起的通用词汇表,定义了数百种实体类型——组织、产品、文章、事件——以及各自可携带的属性。JSON-LD(JavaScript Object Notation for Linked Data)是发布这套词汇表的首选方式:一段放在页面代码里的小脚本块,访客看不见,机器一目了然。Google 官方文档推荐使用 JSON-LD,因为它比老式的 microdata 和 RDFa 更易编写、更易规模化维护。
它的职能在两个时代之间发生了变化。经典 SEO 时代,结构化数据换来的是富媒体摘要——星级评分、菜谱卡片。到了 GEO 时代,同样的标记喂养的是 AI 引擎用来锚定答案的知识图谱与购物图谱,并给抓取页面的 Agent 一层无歧义的机器可读层。
为什么 AI 引擎偏爱「已声明的事实」
语言模型是概率性的。从自由文本里抽取事实成本高、偶尔出错——也就是我们说的幻觉。结构化数据是确定性的:当检索管线读到一个 Product 节点、offers 价格为 49 美元时,它不需要从上下文猜价格。它直接知道。
这种确定性在三个环节兑现。消歧——Organization 标记里指向 Wikipedia、Wikidata 和社交主页的 sameAs 链接,告诉引擎你的「Apple」是那家公司,不是水果。提取——Google AI Overviews 这类系统偏好能干净解析的信源,而带标记的问答和产品数据解析成本最低。锚定——当用户问「这个品牌靠谱吗」,引擎会先拿你声明的身份与知识图谱交叉验证再作答。
GEO 经验法则:一个事实越容易被提取,引擎就越可能使用它——并把它归属给你。
一个诚实的前提:Google 明确表示结构化数据是帮助系统理解内容的方式,不是排名捷径,且标记必须与页面可见内容一致。
对 GEO 回报最高的五种 schema 类型
Organization
品牌的身份证:legalName、logo、foundingDate,以及最重要的、指向权威主页的 sameAs 链接。它回答实体类问题——这是谁做的、这家公司是真的吗——并为你发布的一切内容提供锚点。
Product
生成式电商的主力。带嵌套 Offer(价格、币种、库存)和 AggregateRating 的 Product,是购物 Agent 在用户问「100 美元以内、4 星以上的运动鞋」时读取的数据。它同时喂养 ChatGPT 和 Google AI Mode 在答案里渲染的产品卡片——share of card 的胜负就在这块货架上。

FAQPage
FAQPage 把 Question 与 acceptedAnswer 成对绑定——这几乎等于替 AI 预写了回答。Google 已在 2023 年 8 月对多数网站下线 FAQ 富媒体结果,所以别为了搜索页的样式加它;加它是因为一段干净的 40-60 词答案可以被零解析风险地整段引用。
HowTo
把流程拆成有序、自足的步骤——聊天和语音界面里「怎么做…」类回答背后的标记。每一步都写成能被单独引用的完整句子。
Person
把内容关联到具名的真人专家:资质、机构、主页。在引擎权衡 E-E-A-T 信号的时代,作者标记让「专家撰写」成为机器可验证的事实,而不是页脚里的一句自夸。
Schema.org 之外:feed、llms.txt 与语义化 HTML
标记必要,但已不充分。2026 年还有三个相邻层值得投入。
产品 feed。Agentic Commerce 对 feed 的依赖不亚于标记:Google 购物图谱吃 Merchant Center 数据,OpenAI 也允许商家提交产品 feed,让 ChatGPT 购物显示准确的价格与库存。如果你的标记和 feed 打架,Agent 谁都不信。
llms.txt。一个提案中的标准(llmstxt.org):在 /llms.txt 放一份写给语言模型的 Markdown 站点摘要。目前没有任何主流引擎确认消费它,所以把它当作低成本对冲,而非硬性要求。GEOly 的 Shopify App 会自动生成并维护——提前布局的成本几乎为零。
语义化 HTML。article、nav 和真正的 table 元素告诉解析器页面上什么重要。通用容器堆出来的「div 汤」逼着每个 AI 爬虫从零重建文档结构——而且许多爬虫不执行 JavaScript,这也是 JSON-LD 必须服务端渲染的原因。
如何实施与验证
- 先审计现状。用 Google 富媒体结果测试和 Schema.org 校验器跑一遍关键模板,或做一次完整的 GEO 审计——GEOly 的 29 项审计一次性覆盖结构化数据、llms.txt 和爬虫可达性。
- 按模板铺 JSON-LD:
Organization全站部署、Product覆盖每个商品页、FAQPage放支持页、编辑内容配Article加Person。
- 对齐各处事实。价格、库存、品牌描述必须在页面文案、标记和商家 feed 之间保持一致。
- 度量结果而非校验。在 GEOly 里,一个 DTC 珠宝品牌上线
Product标记后,可以跨 7 个引擎观察产品卡片激活率,并检查带标记页面是否开始赢得更多 AI 引用;该看哪些指标,见指标指南。

常见错误
- 标记页面上不可见的内容。这违反 Google 规范,还会让引擎学会不信任你声明的事实。
- 事实漂移:标记里 49 美元、feed 里 59 美元、页面上 54 美元。Agent 处理冲突的方式是无视你。
- 只在客户端注入 JSON-LD,AI 爬虫永远执行不到。
- 把
FAQPage当成 2019 年的富媒体摘要小技巧,而不是提取面。 - 上线标记后从不度量。结构化数据只有在你持续监测、修复、扩展时,才会沉淀成语义护城河。
FAQ
JSON-LD 对 ChatGPT 真的有用吗?
对聊天是间接有用,对购物是直接有用。ChatGPT 搜索通过 OAI-SearchBot 实时抓取页面,结构干净的页面更容易被解析和引用;而 ChatGPT 的购物结果建立在结构化产品数据和商家 feed 之上,Product 标记与可见性之间是直连关系。
结构化数据是 AI Overviews 的排名因素吗?
不是直接因素。Google 把结构化数据描述为帮助系统理解内容的方式,而非排名信号。它的 GEO 价值在提取与锚定:引擎越能精确理解你的页面,越可能引用它——该盯的数字是引用率。
电商品牌应该先实施哪些 schema 类型?
先做商品页的 Product(含 Offer 和 AggregateRating)和全站 Organization——这两项覆盖了购物类问题和品牌信任类问题,也就是 AI 引擎被问到一个 DTC 品牌时的大多数场景。商务层稳固后再加 FAQPage 和 Article 配 Person,全程保持商家 feed 同步。
已经发布了 llms.txt,还需要 Schema.org 标记吗?
需要。Schema.org 今天就被 Google、Microsoft 以及 AI 助手背后的购物管线消费;llms.txt 是一个有前景的提案,但尚无主流引擎确认采用。两者都发布无妨——llms.txt 几乎零成本——但绝不能以牺牲规范 JSON-LD 为代价。

