让 AI 读懂你的门店：一份最小可用清单

很多人以为，让 AI 认识自己的方式是「多写文章」。这话只对了一半。

文章是给 AI「读」的，但 AI 在读之前，先要做一件事：确认你是一个什么样的实体。这活儿靠的不是文采，是结构化数据。

一、一份最小可用清单

不需要一上来就搞懂 schema.org 的全部。对本地商家来说，真正有用的是下面这几块。

LocalBusiness（必做）：店名、地址、电话、坐标、营业时间、价格区间、评分，以及 sameAs——把你各个平台的主页串起来。餐饮用 Restaurant，医疗用 MedicalBusiness，法律用 LegalService，别都塞进通用类型。

FAQ（性价比最高）：问句按「用户会怎么问 AI」来写，答句结论前置。这一块最容易被忽略，也最容易被 AI 直接摘用。

站点级机器资产：llms.txt、llms-full.txt、ai.txt、agent.json，以及按用途分治的 robots.txt——常规搜索引擎和 AI 爬虫各走各的，不互相干扰。

这里必须说清一条：这套标记不会提升传统搜索引擎的排名，它服务的是 AI 检索与实体识别。做它的收益是「被读懂的概率上升」，不是「排名上升」。

二、内容怎么写，AI 更愿意引用

标记解决「你是谁」，内容解决「凭什么引你」。Princeton 的 GEO 研究（KDD 2024）给出了四个可测量的增量。

专家引述 41%：给判断配上可查的人或机构，比自己喊口号有用。

具体统计 33%：把形容词换成有名字的数字。「平均响应 28 分钟」比「响应迅速」强得多。

流畅结构 29%：结论放段首，别让 AI 在第三段才找到答案。

权威引用 28%：关键判断给出处。

还有一条反向的：关键词堆砌会让 AI 可见度下降约 8%，且不增加任何信任。一句话总结——写给人看，结构化写给机器看。

三、难点不在写一遍，在别让它烂掉

结构化数据最常见的失败方式不是没做，是做完就没人管了：营业时间过时、电话号码换了没改、分店关了页面还在。

AI 对「信息不一致」非常敏感。同一家店在三个平台三个名字，模型宁可不推荐，也不会冒险推荐一个它没法确认的实体。这也是为什么这件事必须做成系统能力，而不是一次性交付。

L1 注入：JSON-LD 在首页与内容页注入，跨页型保持一致契约。

L2 机器资产：llms.txt、llms-full.txt、ai.txt、agent.json 自动生成，不靠手工维护。

L3 新鲜度：端点带 ETag 与 304，内容一改立刻失效刷新。

L4 归因与校验：referer UTM 双通道归因算真实引荐；AI 爬虫命中必须做 IP 反查——自称是 AI 爬虫，不等于它真是。

四、两条我们不越的线

不宣称提升 Google 可见性。机器资产服务的是 AI 检索场景，与传统 SEO 是两条线。把它们混为一谈去卖，是行业里最常见的误导。

零虚构。宁可少被引用一次，也不让 AI 替你编一句假话。对门店来说，一个错误的地址或营业时间带来的差评，比不被推荐贵得多。

把这些做完，你未必立刻出现在 AI 的答案里。但你能确定的是：当 AI 开始找本地商家时，它读得懂你、找不到理由跳过你。在一件本来就只有 1.2% 通过率的事情上，这已经是很大的进步。

本文引用的 Princeton GEO 研究（KDD 2024）、schema.org 标记规范为公开外部事实源；会英商务相关能力描述以源码与规范分册 11_GEO 为准。