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。
這篇的步驟
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 |
|---|---|---|---|
| SEO | Search 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 |
| AEO | Answer 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 |
| GEO | Generative 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:
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 | SEO | AEO | GEO |
|---|---|---|---|
| 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。
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) |
|---|---|---|
Googlebot | 搜尋索引;Google 搜尋的 AI 摘要也依賴它 | |
Google-Extended | 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 | |
GPTBot | OpenAI | 模型訓練 |
OAI-SearchBot | OpenAI | ChatGPT 搜尋功能的索引 |
ClaudeBot | Anthropic | 模型訓練 |
PerplexityBot | Perplexity | Perplexity 搜尋的索引 |
CCBot | Common Crawl | 公開網頁資料集,常被用於訓練 |
Bingbot | Microsoft | Bing 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:
- 一、Go 地基:〈工程結構與 Go Modules〉、錯誤處理、並發模式與 context,建立寫好 Go 程式的基本功。
- 二、寫一個服務:從〈net/http 與中介層〉開始,經過分層架構與依賴注入、database/sql 與交易,到測試,把訂單服務寫成結構清楚、可測試的單一服務。
- 三、拆成微服務:從〈什麼時候該拆:邊界與拆分策略〉出發,用 gRPC、API Gateway、服務發現與負載平衡,把系統拆成
api-gateway、order、payment、inventory。 - 四、可靠性:〈逾時、重試與熔斷〉、冪等與分散式鎖、訊息佇列與 Saga/Outbox,讓分散的服務在失敗時依然正確。
- 五、上線與維運:〈可觀測性:日誌、指標、追蹤〉、設定與優雅關閉、單一服務的容器化與 Kubernetes 部署,以及效能調校。
- 六、實戰部署:〈用 Docker Compose 部署整套微服務〉與〈在 Kubernetes 部署整套微服務〉,把整套系統真正跑起來,再用〈從單體到微服務:十萬、百萬、千萬級的架構怎麼演進〉看系統怎麼隨著規模長大,以及〈正確加索引:大型資料表上線不出事〉與〈冷熱資料與分庫分表:資料長大之後怎麼拆〉處理長大之後的資料。
- 七、實戰踩坑:〈併發常見問題:從資料競爭到超賣〉、支付常見問題、〈支付防重複與事故應變:從按鈕到金流商,出事時怎麼止血〉、〈對帳:金流對帳單怎麼對才可靠〉與 Go 的金額處理,整理最容易出事的地方。
- 八、安全與 AI 協作:〈微服務的安全性〉,以及如何讓 AI 參與開發、接進團隊的審查與 CI 流程、協助部署與排查、在專案裡 debug、做安全性檢查,最後用 MCP 接上專案管理工具 OpenProject。
- 九、RAG 與工具:〈用 Go 建 RAG 流程:切塊、向量檢索與 tool calling〉讓模型先查團隊文件再回答,〈寫一個自動引用來源的 Claude Code skill〉再要求每個說法都附上來源。
- 番外:也就是這一篇,讓你寫下的文件與文章被人與 AI 找到。
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。