This resume is also available in English.

番外第 1 / 1 篇 · 全部目錄

專欄 › 番外 › 第 43 篇

番外:SEO、AEO、GEO、AIO:讓搜尋引擎與 AI 找到你

Bonus: SEO, AEO, GEO and AIO: Getting Found by Search Engines and AI

釐清 SEO、AEO、GEO、AIO 各指什麼、哪裡重疊,再一步步處理可抓取與渲染、sitemap、canonical、JSON-LD、Core Web Vitals、問題式標題與可引用的事實、llms.txt 與 AI 爬蟲的 robots.txt 規則,以及如何量測成效。

  • SEO
  • AEO
  • GEO
  • Web
這篇的步驟
  1. 這篇要解決什麼
  2. 第 1 步:先弄清楚四個名詞
  3. 第 2 步:理解它們的重疊與差異
  4. 第 3 步:可抓取與可渲染
  5. 第 4 步:sitemap、canonical 與頁面中繼資料
  6. 第 5 步:結構化資料 JSON-LD
  7. 第 6 步:寫給人、也寫給答案引擎與 AI 的內容結構
  8. 第 7 步:llms.txt 與 AI 爬蟲的 robots.txt 規則
  9. 第 8 步:頁面速度、Core Web Vitals 與量測
  10. 常見陷阱
  11. 重點整理
  12. 系列結語

上一篇〈寫一個自動引用來源的 Claude Code skill〉讓 AI 的回答都附上查得到的來源;這篇番外暫時離開程式碼本身:當服務、它的 API 文件與技術部落格都上線之後,要怎麼讓人與 AI 找得到、讀得懂,並且願意引用。

這篇要解決什麼

寫好一份 API 文件、一篇技術文章或一個開源專案的說明頁,放上網路之後,並不會自動被找到。過去,「被找到」幾乎等於「出現在搜尋引擎結果的前幾名」;現在,越來越多人直接問 AI 助理或看搜尋結果頁頂端的 AI 摘要,得到一段整理好的答案,可能附上幾個來源連結,也可能完全不點進任何網站。

於是出現了一串縮寫:SEO、AEO、GEO、AIO。它們聽起來像四套不同的技術,實際上大部分的基礎是共用的,差別在於「最後呈現答案的是誰」。這篇的目標是:

  • 弄清楚每個名詞指的是什麼,以及哪些說法本身就不一致。
  • 用開發者熟悉的方式,一步步把網站做成「搜尋引擎抓得到、看得懂,AI 也容易正確引用」的狀態。
  • 知道哪些做法是有文件依據的,哪些只是提案或傳言,不要花時間在後者上。

以這個系列為例,你可以想像兩種要被找到的頁面:一是像這系列一樣的技術文章,二是訂單服務對外公開的 API 文件頁(例如 POST /orders 的說明)。後面的範例都以這兩種頁面為對象。

第 1 步:先弄清楚四個名詞

名詞全名目標答案出現在哪裡
SEOSearch Engine Optimization讓頁面被搜尋引擎抓取、索引,並在相關查詢中排得前面傳統的藍色連結結果
AEOAnswer Engine Optimization讓頁面的內容被直接拿來當「答案」精選摘要、「其他人也問了」、語音助理的回答
GEOGenerative Engine Optimization讓生成式 AI 在產生回答時引用、提及你的內容Google 的 AI 摘要(AI Overviews)、ChatGPT 搜尋、Perplexity、Copilot 等附有來源的回答
AIO視使用者而定說法不一見下文

SEO 是最早也最成熟的領域。搜尋引擎的流程大致是:爬蟲抓取頁面 → 必要時渲染 JavaScript → 分析內容並放進索引 → 使用者查詢時,從索引中挑選並排序結果。SEO 處理的就是這條流程的每一段。

AEO 的出發點是:有些查詢的使用者要的不是一串連結,而是一個答案,例如「Go 的 context 是什麼」「HTTP 409 代表什麼」。搜尋引擎的精選摘要、語音助理唸出來的那一句話,都是從某個網頁擷取的片段。AEO 關心的是怎麼把內容組織成容易被擷取為答案的樣子:問題明確、答案緊接在後、用字精準。

GEO 是近年因生成式 AI 搜尋而出現的名詞。生成式回答會先檢索相關網頁,再由語言模型綜合成一段文字,並可能標註引用來源。GEO 關心的是:你的內容會不會被檢索到、會不會被模型採用、引用時有沒有正確歸屬給你。

AIO 是最混亂的一個。有人用它指「AI Optimization」,也就是泛指針對 AI 的各種最佳化,意思與 GEO 大致相同;也有人用它指 Google 的「AI Overviews」這個產品功能本身,例如「這個查詢有沒有出現 AIO」。此外還有 LLMO、AI SEO 等不同說法。這些詞都沒有權威的標準定義,看到時最好先確認對方指的是哪一個。這篇在用到時會直接寫出完整名稱,避免混淆。

提示:名詞再多,底層幾乎都是同一件事:內容要先能被抓取與理解,才談得上排名、被擷取為答案或被 AI 引用。沒有 SEO 的基礎,AEO 與 GEO 都無從做起。

第 2 步:理解它們的重疊與差異

把三者放在同一張圖上看,關係會清楚很多:

被看見:點擊、答案、引用 AIO:說法不一,先確認指哪個 AEO 精選摘要、其他人也問了 語音助理的直接答案 GEO AI 摘要、ChatGPT 搜尋 Perplexity 等引用來源 共通: 答案在前 SEO:共同的地基 可抓取、可渲染、可索引、內容清楚可信、頁面夠快

圖:SEO 是共同的地基;AEO 與 GEO 建立在它之上,兩者都要求內容清楚、可擷取,差別在於答案由誰組合。

共通的部分:

  • 頁面必須能被抓取、被渲染、被索引。AI 的檢索系統通常依賴搜尋引擎的索引或自己的爬蟲,兩者都需要可存取的 HTML。
  • 內容必須正確、清楚、有明確的主題與結構。
  • 可信度訊號(作者、來源、更新日期)對三者都有幫助。

差異的部分:

面向SEOAEOGEO
成功的樣子使用者點進頁面你的句子成為答案你被列為引用來源或被提及
內容單位整個頁面一段簡短、獨立的答案可單獨成立、可被引用的段落與事實
主要量測曝光、點擊、排名是否取得精選摘要AI 回答中的引用與來自 AI 的轉介流量
可控程度較高,有官方文件與工具中等較低,各平台機制不透明且變動快

最後一列很重要:GEO 目前沒有一套像搜尋引擎那樣完整公開的規則,網路上許多「GEO 技巧」是推測或個案觀察。比較穩當的策略是把力氣放在有文件依據、同時對三者都有益的基礎工作上,也就是接下來的步驟。

第 3 步:可抓取與可渲染

一切從「爬蟲能不能拿到內容」開始。對開發者來說,最常出問題的是用戶端渲染:頁面的 HTML 只有一個空的 <div id="app">,內容全靠 JavaScript 在瀏覽器裡產生。Google 的爬蟲會渲染 JavaScript,但渲染可能排在後面才進行;而許多其他爬蟲,包括不少 AI 爬蟲,不一定會執行 JavaScript,拿到的就只是一個空殼。

對技術文章與 API 文件這類以內容為主的頁面,最可靠的做法是伺服器端渲染或靜態產生:讓 HTML 一送出就包含完整的正文。可以用下面的方式自我檢查:

# 以不執行 JavaScript 的方式取得頁面,確認正文在 HTML 裡
curl -s https://docs.example.com/articles/go-context/ | grep -c '取消、逾時'

# 確認狀態碼與重新導向鏈:最終應該是 200,不是軟 404 或多次跳轉
curl -sIL https://docs.example.com/articles/go-context | grep -iE '^(HTTP|location)'

# 以特定 User-Agent 抓取,確認防火牆或 CDN 沒有誤擋爬蟲
curl -s -o /dev/null -w '%{http_code}\n' -A 'GPTBot' https://docs.example.com/

# 檢查 robots.txt 與 sitemap 是否可存取
curl -s https://docs.example.com/robots.txt
curl -s https://docs.example.com/sitemap.xml | head

這裡還有幾個常被忽略的地方:

  • 狀態碼要誠實。不存在的頁面要回 404,而不是回 200 加上「找不到頁面」的內容(軟 404)。如果文件網站是由 Go 服務提供,http.NotFound 就是正確的回應;被搬移的頁面用 301 永久重新導向到新網址。
  • WAF 與機器人防護。CDN 或防火牆的機器人防護規則可能把搜尋引擎或 AI 爬蟲擋在外面。你是否要允許 AI 爬蟲是一個選擇(第 7 步),但它應該是刻意的設定,而不是防護規則的副作用。
  • 內部連結。爬蟲靠連結發現頁面。系列文章之間互相連結、每篇都有上一篇與下一篇,對使用者和爬蟲都有幫助。用一般的 <a href>,不要用只有 JavaScript 才能觸發的點擊事件。

第 4 步:sitemap、canonical 與頁面中繼資料

確定內容抓得到之後,下一步是告訴搜尋引擎「有哪些頁面」與「哪一個網址才是正本」。

sitemap 是一份 XML 清單,列出你希望被索引的網址,以及各自的最後更新時間(lastmod)。lastmod 應該反映內容真正的修改時間,而不是每次建置都更新成今天,否則搜尋引擎會逐漸不信任這個欄位。sitemap 可以在 robots.txt 裡用 Sitemap: 宣告,也可以直接提交到 Search Console 與 Bing Webmaster Tools。

canonical 用來處理重複內容。同一篇文章可能有好幾個網址可以存取:結尾有沒有斜線、帶不帶追蹤參數、http 與 https。在頁面裡用 <link rel="canonical"> 指向你選定的正本網址,搜尋引擎會把訊號集中到那一個網址上。網站自己的內部連結、sitemap 與 canonical 三者應該使用完全相同的網址形式。

一篇技術文章頁面的 <head> 大致可以長這樣:

<head>
	<meta charset="utf-8" />
	<title>context:取消、逾時與資料傳遞|Go 微服務系列</title>
	<meta
		name="description"
		content="用 context 在 Go 服務間傳遞取消訊號、逾時與請求範圍的資料,並避開常見誤用。"
	/>
	<link rel="canonical" href="https://docs.example.com/articles/go-context/" />
	<link rel="alternate" hreflang="zh-Hant" href="https://docs.example.com/articles/go-context/" />
	<link rel="alternate" hreflang="en" href="https://docs.example.com/en/articles/go-context/" />
	<meta property="og:type" content="article" />
	<meta property="og:title" content="context:取消、逾時與資料傳遞" />
	<meta property="og:url" content="https://docs.example.com/articles/go-context/" />
	<meta property="og:image" content="https://docs.example.com/og/go-context.png" />
	<meta name="viewport" content="width=device-width, initial-scale=1" />
</head>

title 與 description 不一定會原樣顯示在搜尋結果中,但它們是搜尋引擎理解頁面主題、以及產生結果摘要的重要依據。每一頁都要有獨一無二、準確描述該頁內容的標題與描述,不要整站共用同一組。若網站有多語版本,用 hreflang 標出彼此的對應關係。Open Graph 標籤則影響連結被分享到社群或通訊軟體時的預覽外觀。

第 5 步:結構化資料 JSON-LD

結構化資料用 schema.org 的詞彙,以機器可讀的方式描述頁面內容:這是一篇文章、作者是誰、什麼時候發布、這一頁有哪些問與答。Google 建議使用 JSON-LD 格式,放在 <script type="application/ld+json"> 裡,不影響頁面的可見內容。

對技術文章與 API 文件最常用的類型有:

  • Article/TechArticle:標題、作者、發布與修改日期、所屬系列。
  • Person:作者的姓名、網址與相關的個人頁面(sameAs),把作者身分與其他平台上的資料連結起來。
  • FAQPage:頁面上確實存在的問答。要注意 Google 自 2023 年起,已把 FAQ 的複合式搜尋結果限縮到少數知名的政府與醫療網站,一般網站加上 FAQPage 通常不會再在結果中顯示展開的問答;但它仍是描述頁面結構的正確方式,其他系統也可能使用。
  • BreadcrumbList:頁面在網站中的位置。

下面是一篇文章頁的 JSON-LD 範例,用 @graph 把文章、作者與問答放在同一份資料裡(放進 <script type="application/ld+json"> 中):

{
	"@context": "https://schema.org",
	"@graph": [
		{
			"@type": "TechArticle",
			"@id": "https://docs.example.com/articles/go-context/#article",
			"headline": "context:取消、逾時與資料傳遞",
			"description": "用 context 在 Go 服務間傳遞取消訊號、逾時與請求範圍的資料。",
			"inLanguage": "zh-Hant",
			"datePublished": "2026-11-15",
			"dateModified": "2026-11-15",
			"author": { "@id": "https://docs.example.com/#author" },
			"isPartOf": { "@type": "CreativeWorkSeries", "name": "Go 微服務系列" },
			"mainEntityOfPage": "https://docs.example.com/articles/go-context/"
		},
		{
			"@type": "Person",
			"@id": "https://docs.example.com/#author",
			"name": "作者姓名",
			"url": "https://docs.example.com/about/",
			"sameAs": ["https://github.com/example"]
		},
		{
			"@type": "FAQPage",
			"mainEntity": [
				{
					"@type": "Question",
					"name": "context.Value 適合放什麼?",
					"acceptedAnswer": {
						"@type": "Answer",
						"text": "只放跟請求生命週期一致、跨 API 邊界的資料,例如請求 ID 或追蹤資訊;不要用來傳遞函式的必要參數。"
					}
				}
			]
		}
	]
}

結構化資料有一條鐵則:內容必須與頁面上可見的內容一致。標記頁面上沒有的問答、虛構的評分或作者,不但不會帶來好處,還可能被視為違反指南。寫完之後可以用 Google 的「複合式搜尋結果測試」與 schema.org 的驗證工具檢查語法。

第 6 步:寫給人、也寫給答案引擎與 AI 的內容結構

技術上的設定只是讓內容「進得去」;真正決定能不能成為答案、被 AI 引用的,是內容本身的寫法。好消息是,對 AEO 與 GEO 有幫助的寫法,對人類讀者一樣友善:

  • 問題式標題,答案緊跟在後。標題直接寫成讀者會問的問題(例如「http.Server.Shutdown 會等請求處理完嗎?」),標題下第一段用一兩句話直接回答,再展開細節。這種「先答案、後解釋」的結構,最容易被擷取為精選摘要,也最容易被生成式系統整段採用。
  • 每一段可以單獨成立。AI 的檢索常以段落為單位,被抽出來的那一段可能脫離上下文。段落裡避免「如上所述」「這個」這種依賴前文的指代,關鍵名詞要寫全。
  • 提供可引用的具體事實。版本號(「Go 1.24 起」)、明確的行為描述、參數名稱、官方文件連結,都比模糊的形容更容易被引用,也更容易被驗證。引用外部事實時附上來源;不要寫出無法查證的數字。
  • 用表格與清單呈現比較與步驟。比較類問題(「SEO 與 GEO 的差別」)用表格,流程類問題用編號步驟,這些結構在摘要與 AI 回答中都很常被直接沿用。
  • 保持更新並標示日期。技術內容會過時。頁面上顯示發布與更新日期,內容改版時同步更新 dateModified 與 sitemap 的 lastmod。
抓取 robots、狀態碼 渲染 HTML 有正文 索引 canonical、sitemap 排序成搜尋結果 SEO 擷取為直接答案 AEO 生成式回答引用 GEO 任何一關失敗,後面都不會發生

圖:內容必須依序通過抓取、渲染、索引,才有機會被排序成結果、擷取成答案,或在生成式回答中被引用;任何一關失敗,後面都不會發生。

另一個常被提到的概念是 E-E-A-T:經驗(Experience)、專業(Expertise)、權威(Authoritativeness)、可信(Trustworthiness)。它出自 Google 給人工評分員的品質評估指南,用來描述高品質內容的特徵,Google 也說明它不是某一個可以直接設定的排名因子。對技術內容來說,實際的做法包括:清楚標示作者與作者頁、說明內容的依據(官方文件、規格、可執行的範例程式碼)、修正錯誤時註明更新、提供聯絡方式或問題回報管道。可執行的範例程式碼本身就是很強的可信訊號,這也是這個系列堅持範例都能編譯的原因之一。

第 7 步:llms.txt 與 AI 爬蟲的 robots.txt 規則

llms.txt 是 2024 年提出的一個提案:在網站根目錄放一份 Markdown 檔,用簡短的說明與連結清單,告訴語言模型這個網站有哪些重要內容、該先讀哪些頁面,有時還會搭配提供各頁的純文字或 Markdown 版本。對 API 文件網站來說,它的想法很直觀,就是給 AI 一份精簡的目錄。

但要清楚它的定位:llms.txt 是提案,不是標準,沒有任何標準組織採納,各家 AI 服務也沒有普遍承諾會讀取它;Google 的公開說法是它的搜尋與 AI 功能不使用 llms.txt。如果你想提供,它的成本很低,可以當作給開發工具與願意讀取它的系統的一份便利目錄;但不要期待它影響搜尋排名或 AI 摘要,也不要把應該寫在正式頁面上的內容只放在這裡。

# Go 微服務系列

> 從 Go 基礎到上線維運的系列文章,以一個線上商店的訂單服務為範例,逐步拆成 order、payment、inventory 等服務。

## 文章
- [context:取消、逾時與資料傳遞](https://docs.example.com/articles/go-context/): 取消訊號、逾時與請求範圍資料
- [可觀測性:日誌、指標、追蹤](https://docs.example.com/articles/observability-logs-metrics-tracing/): slog、Prometheus、OpenTelemetry

## API
- [訂單 API 參考](https://docs.example.com/api/orders/): POST /orders、GET /orders/{id} 的請求與回應格式

相較之下,robots.txt 是有長期慣例、並在 2022 年成為 RFC 9309 的機制,主要的搜尋引擎與 AI 公司都公布了各自爬蟲的名稱(User-Agent token)。這讓你可以分別決定:要不要被搜尋引擎索引、要不要被用於 AI 模型訓練、要不要出現在 AI 搜尋的回答中。常見的 token 包括:

Token所屬用途(依各家公開文件)
GooglebotGoogle搜尋索引;Google 搜尋的 AI 摘要也依賴它
Google-ExtendedGoogle不是獨立爬蟲,而是控制內容能否用於 Gemini 等模型的訓練與 grounding;不影響搜尋排名
GPTBotOpenAI模型訓練
OAI-SearchBotOpenAIChatGPT 搜尋功能的索引
ClaudeBotAnthropic模型訓練
PerplexityBotPerplexityPerplexity 搜尋的索引
CCBotCommon Crawl公開網頁資料集,常被用於訓練
BingbotMicrosoftBing 搜尋索引,Copilot 的搜尋結果也建立在它之上

一個「歡迎搜尋與 AI 搜尋引用、但不提供內容做模型訓練」的設定可能長這樣:

# 搜尋引擎:允許
User-agent: Googlebot
User-agent: Bingbot
Allow: /

# AI 搜尋與引用:允許
User-agent: OAI-SearchBot
User-agent: PerplexityBot
Allow: /

# 模型訓練:不允許
User-agent: GPTBot
User-agent: ClaudeBot
User-agent: CCBot
User-agent: Google-Extended
Disallow: /

# 其他爬蟲:允許公開內容,排除內部路徑
User-agent: *
Disallow: /admin/
Disallow: /debug/

Sitemap: https://docs.example.com/sitemap.xml

幾個要注意的地方:robots.txt 是「請求」而不是存取控制,遵守與否取決於爬蟲本身;部分由使用者即時觸發的抓取工具(例如使用者在對話中貼上網址時的抓取),其文件說明可能不完全適用 robots.txt 規則。真正不能公開的東西(例如〈效能調校:pprof 與 benchmark〉提到的 /debug/pprof/)要靠網路與驗證保護,而不是寫在 robots.txt 裡,那樣反而是告訴所有人它的位置。此外,爬蟲名稱與用途會隨時間增加或改變,設定前以各家最新的官方文件為準。最後,Disallow 只阻止抓取,不保證不被索引;若要確保某頁不出現在搜尋結果中,應允許抓取並在頁面加上 noindex。

第 8 步:頁面速度、Core Web Vitals 與量測

Core Web Vitals 是 Google 用來衡量使用者體驗的三個指標,也是其頁面體驗評估的一部分,Google 公布的「良好」門檻如下:

指標衡量什麼良好門檻
LCP(Largest Contentful Paint)主要內容多快出現2.5 秒以內
INP(Interaction to Next Paint)互動後多快有反應(2024 年取代 FID)200 毫秒以內
CLS(Cumulative Layout Shift)版面是否突然跳動0.1 以下

門檻以實際使用者資料的第 75 百分位數評估。對技術文章與文件頁,常見的改善方向是:伺服器端渲染讓正文直接出現在 HTML 裡、圖片指定寬高避免版面跳動、減少首頁載入的 JavaScript、善用 CDN 快取靜態資源。如果文件網站由 Go 服務提供,〈可觀測性:日誌、指標、追蹤〉的 RED 指標同樣適用:首位元組時間(TTFB)太慢時,前端怎麼最佳化都追不回來。頁面速度很少是排名的決定性因素,但慢的頁面會讓使用者離開,也會讓爬蟲在同樣的時間內抓得更少。

最後,做了這些事之後要能量測,否則無法知道哪些有效:

  • Google Search Console:索引涵蓋範圍(哪些頁面被索引、為什麼沒有)、搜尋成效(查詢字詞、曝光、點擊、平均排名)、Core Web Vitals 報告、結構化資料的錯誤。Google 搜尋中 AI 功能帶來的曝光與點擊會計入網頁搜尋的成效資料,目前無法完整拆分。
  • Bing Webmaster Tools:Bing 的索引與成效資料,可以提交 sitemap,也支援 IndexNow 協定讓 Bing 等搜尋引擎即時得知網址更新。由於多個 AI 服務會使用 Bing 的搜尋結果,這裡的資料也很值得關注。
  • 來自 AI 助理的轉介流量:在網站分析工具中,觀察來源(referrer)為 ChatGPT、Perplexity、Gemini、Copilot 等網域的造訪,有些服務也會在連結上加上 utm_source 參數。這是目前少數能直接觀察 GEO 成效的方法,但並不完整:許多 AI 回答使用者看完就離開,根本不會點擊。
  • 伺服器日誌:從存取日誌中依 User-Agent 統計各爬蟲的抓取頻率與狀態碼,確認它們抓到的是 200 而不是錯誤頁。要注意 User-Agent 可以偽造,重要的判斷要搭配各家公布的 IP 範圍或反查 DNS 驗證。
  • 定期手動檢查:用幾個目標問題實際詢問各 AI 服務,記錄是否引用、引用是否正確。這種結果每次都可能不同,只能當作趨勢參考。

常見陷阱

  • 只追新名詞,忽略基礎。頁面抓不到、渲染不出、沒有被索引時,任何 AEO 或 GEO 技巧都沒有作用。
  • 內容只在 JavaScript 裡。用戶端渲染的頁面對許多爬蟲來說是空白的。內容頁使用伺服器端渲染或靜態產生。
  • 結構化資料與可見內容不一致。標記頁面上不存在的問答或資訊,可能被視為違反指南。
  • 期待 FAQPage 一定帶來展開的問答結果。這類複合式結果已大幅限縮,標記仍有描述作用,但不要以此為主要目標。
  • 把 llms.txt 當成標準。它是提案,主要搜尋引擎並未使用。可以提供,但不要把資源押在它身上。
  • 用 robots.txt 隱藏敏感路徑。robots.txt 是公開檔案,只對守規矩的爬蟲有效。機密內容要靠驗證與網路隔離。
  • 誤擋搜尋引擎。WAF、機器人防護或一條過寬的 Disallow 規則,可能讓整個網站從搜尋結果消失。每次調整後用 Search Console 的網址檢查工具確認。
  • canonical、sitemap 與內部連結的網址形式不一致。有沒有結尾斜線、www 與否,都會分散訊號。
  • 寫出無法查證的數字與宣稱。AI 系統與讀者都越來越重視來源;誇大或無來源的數字會損害可信度。
  • lastmod 與日期造假。每次建置都把日期改成今天,長期會讓搜尋引擎忽略這個訊號。

重點整理

  • SEO 讓頁面被抓取、索引與排序;AEO 讓內容成為直接答案;GEO 讓生成式 AI 引用你;AIO 的意思因人而異,使用時要說清楚。
  • 四者共用同一個地基:可抓取、可渲染、可索引、內容清楚可信。先把地基做好,再談其他。
  • 內容頁用伺服器端渲染或靜態產生,狀態碼誠實,內部連結使用一般的 <a href>。
  • sitemap 的 lastmod 要真實;canonical、sitemap 與內部連結用同一種網址形式;每頁有獨立的 title 與 description。
  • 用 JSON-LD 標記 Article/TechArticle、Person、FAQPage、BreadcrumbList,內容必須與頁面一致。
  • 問題式標題、答案在前、段落可獨立成立、附上可查證的事實與來源,是對讀者、答案引擎與 AI 都有效的寫法。
  • llms.txt 是提案而非標準;robots.txt 可以依爬蟲名稱區分搜尋、AI 搜尋與模型訓練,但它不是存取控制。
  • 用 Search Console、Bing Webmaster Tools、AI 轉介流量與伺服器日誌量測成效,並接受 GEO 目前難以完整量測的事實。

系列結語

這個系列從一個線上商店的訂單服務出發,一路走到可以上線、可以維運的微服務系統:

每一部分都建立在前一部分之上:沒有扎實的 Go 基礎,服務寫不穩;沒有清楚的單一服務,拆分只會放大混亂;沒有可靠性設計,分散式系統會在失敗時出錯;沒有可觀測性與部署能力,問題發生了也看不見、修不了。希望這個系列能當成一張地圖,讓你在自己的專案裡知道下一步該往哪裡走。