AI不喜欢什么样的内容：7个常见"失分点

分类：GEO优化技巧 ｜ 阅读时长：约 14 分钟

核心结论（先给答案）

很多企业的困惑是：官网内容也发了不少，公众号、行业平台也在持续更新，为什么问豆包、DeepSeek、元宝、文心一言或 Kimi 相关问题时，被推荐的还是同行？先排除一个常见误判——这通常不是"投流不够""账号权重低"，而是内容本身在大模型的两个环节被拦了下来：第一关是"抓不到、读不懂"，第二关是"读到了却不敢采信"。

我们把日常审稿中反复出现的问题归纳为 7 个失分点：空话套话没有信息量、关键词堆砌、关键信息做成图片、依赖 JavaScript 动态渲染、标题党文不对题、多源事实互相矛盾、通篇无结构难以摘取。它们分别卡在语义、技术、信任、结构四个层面。

这 7 个点有一个共同特征：都不神秘，都可以在发布前用一份固定清单自查出来。 本文逐个给出"反例 → 为什么失分 → 正例改法"，文末附一张可直接使用的发布前自查表。

---

一、先看清机制：内容是在哪一步被"扣分"的

主流 AI 搜索和问答产品普遍采用"检索 + 生成"的方式（RAG，Retrieval-Augmented Generation，检索增强生成）：先理解用户问题，再从网页等信源中召回候选内容，经过筛选和多源交叉验证，最后组织成一段带出处的回答。对一篇内容来说，这条链路上有两道闸门。

第一道是"可检索闸门"：能不能被抓到、解析出来，并判断为与问题相关。 页面打不开、正文靠脚本事后注入、核心信息印在图片里，都会让内容在召回阶段缺席或残缺。

第二道是"可信闸门"：进入候选后，值不值得被引用。 大模型倾向于引用信息具体、结构清楚、能被多个独立信源互相印证的内容。通篇形容词、事实前后矛盾、标题承诺不兑现的页面，即使被召回，也容易在筛选阶段被放弃。

Qwairy 在 2025 年第三季度对 18 万余次查询、20 个模型的研究发现，约 99% 的 AI 回答使用了列表化表达。这组数据提示的不是"多写 bullet"，而是：大模型生成答案时，偏爱那些结论清楚、可以直接摘取成句成段的内容。内容形态决定了取用成本。

七个失分点与两道闸门的对应关系如下：

失分点	所属层面	主要卡住的环节
1. 空话套话、零信息密度	语义	相关性与可信度判断
2. 关键词堆砌	语义	相关性判断、质量判定
3. 关键信息做成图片	技术	抓取与解析
4. JS 动态渲染抓不到	技术	抓取与索引稳定性
5. 标题党、文不对题	语义/信任	主题信号失真、可信度折扣
6. 多源事实矛盾	信任	交叉验证失败
7. 无结构、难以摘取	结构	答案组装成本过高

二、语义层三个失分点：话没说在点上

失分点 1：空话套话，信息密度为零

反例。 这是企业官网最常见的开头：

"本公司实力雄厚，深耕行业多年，始终坚持客户至上、诚信经营，以卓越的品质和一流的服务，赢得了广大客户的信赖与好评，竭诚为您提供优质的解决方案。"

为什么失分。 这段话没有任何可核验的信息单位：没有年份、没有服务对象、没有交付方式、没有承诺条款、没有差异化事实。检索模型判断一段内容与问题是否相关，靠的是实体、属性、条件、数字这类"信息增益"；一段话删掉后读者没有任何损失，它在排序中就没有竞争力。更深一层，E-E-A-T（经验 Experience、专业 Expertise、权威 Authoritativeness、可信 Trustworthiness）中的"经验"和"专业"，必须由具体事实来体现——"实力雄厚"是自我评价，"承接过年产能某量级产线的搬迁项目（脱敏表述）"才是可供验证的经验。

正例改法。 把形容词逐句替换成可核验事实。同一段可以改成：

"公司成立于 20XX 年，服务对象以某类企业为主；标准项目分四步：现场勘测（1 个工作日内）、方案与报价、进场作业、验收回访；常规订单响应不超过 X 小时，主要服务区域为某市及周边。"

一个可操作的自检标准：每读完一段话，问自己"我多知道了什么"。 如果答不上来，这段就该删或改。理想状态是每段至少包含一个新信息单位——一个数字、一条定义、一个前提条件、一个步骤，或一组对比。

失分点 2：关键词堆砌

反例。 页脚或标题区常见这样的文本：

"广州 GEO 优化_广州 GEO 优化公司_广州 GEO 优化哪家专业_广州 GEO 优化推荐_广州 GEO 优化多少钱_广州 GEO 优化就找 XXX"

为什么失分。 关键词堆砌是传统网页搜索早期的取巧手法，其前提是"词频影响排名"。今天的语义检索按实体和意图匹配：用户问"这家服务商靠谱吗"，模型需要的是资质、流程、口碑结构，而不是看见六遍"GEO 优化"。堆砌文本读起来不像自然语言，无法被转写成回答句，还可能被质量判定系统识别为垃圾内容（spam），拖累整个域名的信任评价。

正例改法。 坚持"一个页面回答一个核心问题"，核心词只自然出现在页面标题、首段和一两个小标题里；围绕同一个搜索意图，用客户的真实问法扩展长尾，而不是横向堆同义词。例如以"GEO 优化怎么收费"为主题的页面，自然展开为"收费方式有哪几种、分别对应什么服务范围、影响报价的变量、企业怎么估算预算"。每个问题独立成段，关键词不需要刻意重复。

失分点 5：标题党、文不对题

反例。

标题：《震惊！90% 的企业都不知道的 GEO 惊天秘密》
正文：泛泛介绍"GEO 很重要，要重视内容"，没有任何"秘密"，也没有数据出处。

为什么失分。 在 RAG 流程里，标题是判断页面主题的强信号。标题承诺了一个具体、强烈的预期，正文却不兑现，模型在"标题—正文一致性"核对时会判定主题松散或答非所问。引用场景下，AI 更偏好"标题即问题或结论、正文即论据"的页面——它可以直接把标题对应的问题与正文首段配对进答案。此外，夸大、猎奇式表达会触发可信度折扣，这与广告法对夸大宣传的约束方向也是一致的。

正例改法。 标题直接陈述问题或结论，让用户和模型一眼知道正文会兑现什么：

• 《GEO 优化多久能看到效果？影响周期的四个变量》
• 《同一问题 AI 每次回答不一样：品牌监测为什么要重复测》
• 《关键信息不要只放在图片里：企业官网内容自查的 8 个技术点》

标题确定后，检查正文前两三句话是否已经开始回答标题提出的问题——首段不兑现标题，等于标题在替你"反向举证"。

三、技术层两个失分点：内容在，机器却看不见

失分点 3：关键信息全部做成图片

反例。 服务项目与价格区间做成一张长条海报图；公司地址、电话、营业时间只存在于 banner 图里；服务流程是一张纯图片，页面上没有任何文字说明。

为什么失分。 多模态模型确实具备图像理解能力，但它对图片的识别是"概率性读取"：清晰度、排版、文字叠放都会影响识别结果，且不少 AI 抓取链路在处理图片时，主要依赖的是替代文本（alt 文本）和图片周边文字，而不是逐帧 OCR。对召回环节而言，只存在于图片中的文字，约等于不存在。图片在 AI 答案中越来越像"证据"——用来佐证周围文字，而不是承载事实的主体。（图片与视频的系统优化方法，见本系列多模态专篇，此处不展开。）

正例改法。 守住一条分工原则：关键事实用 HTML 文字承载，图片做补充与佐证。

• 服务清单、价格区间、地址电话、流程步骤：用文字、列表或表格写进正文；
• 每张信息类图片写描述性 alt 文本，说清"图里有什么、证明了什么"，并在图下加一句图注重述要点；
• 数据图表在正文中用文字复述核心数字，方便不能稳定读图的链路也能拿到结论；
• 纯装饰性图片交给 CSS 背景处理，不要占用信息位。

失分点 4：JavaScript 动态渲染，抓取不完整

反例。 网站由前端框架搭建，正文内容全部由 JavaScript 在浏览器里异步请求后注入；用不执行脚本的方式打开页面，正文区只有一个空的容器；更多内容藏在 tab 切换、折叠面板或登录之后。

为什么失分。 搜索引擎的爬虫多数已经具备渲染 JavaScript 的能力，但渲染需要额外资源，往往进入二次渲染队列，存在延迟和抓取不完整的可能；部分 AI 抓取服务的渲染能力更弱，甚至直接读取原始 HTML。结果就是：用户在浏览器里看到的是内容详实的页面，机器拿到的却是一个空壳——"人看到的版本"和"AI 看到的版本"是两个页面。索引时有时无，排名和引用自然不稳定。

正例改法。

1. 核心内容做到首屏 HTML 直出（服务端渲染 SSR、静态生成 SSG，或直接把文字写进页面源码），脚本只负责交互增强；
2. tab、折叠面板、分页里的内容尽量提供独立 URL，或在同一页面的源码中完整呈现；
3. 发布前做一次"机器视角"检查：用搜索引擎官方的网址检查工具查看渲染后的页面快照，确认正文、小标题、FAQ 都在；
4. 简单自测：在浏览器里禁用 JavaScript 后刷新，页面是否仍然保留完整的事实信息；
5. 图片懒加载要配好 alt 与尺寸占位，站点地图（sitemap）保持更新，给抓取明确的页面清单。

四、信任层失分点：自己的材料先"打起来了"

失分点 6：多源事实互相矛盾

反例。 同一家公司：官网写成立于 2012 年，某个行业目录写 2015 年；注册地址有三个版本、联系电话有四个尾号；一篇文章说"服务覆盖全国"，另一篇说"只承接本地及周边订单"；服务参数在新旧两篇文章里对不上。

为什么失分。 交叉验证是 RAG 降低"幻觉"的核心机制：模型会拿多个独立来源相互比对，信息一致才敢写进答案。当它发现同一个事实存在冲突版本时，常见处理不是"替你选一个"，而是降低置信度、绕开你，转向资料更一致的同行。Qwairy 在 2026 年 6 月的引擎信源重叠研究中发现，不同 AI 引擎对同一问题引用的域名重合度很低（杰卡德重叠度约在 4%–19% 之间，页面级重叠约 3%）——也就是说，各引擎看到的"你"本来就来自不同页面；如果企业自己的资料再互相打架，冲突几乎必然发生。此外，时效性也是一种隐性矛盾：Qwairy 对 10 万余条 AI 生成子查询的分析显示，约 28.1% 的子查询会被自动注入当前年份（第三方研究数据，供参考），多年不更新的旧参数会被当作过时信息压制。

正例改法。 建一张实体事实表，一次性锁定企业的标准表述，并在所有渠道统一：

• 工商全称与常用简称（明确哪些场合用全称）
• 成立时间、注册地址与实际经营地址
• 统一的联系电话、官网域名
• 业务边界：到底做哪些服务、服务到哪个区域
• 核心产品参数、价格口径与质保条款

官网、地图与本地目录、行业平台、企业自媒体全部按此表对齐；信息变更当天先改官网，随后改外部目录。旧文章至少每季度巡检一次，过时数据更新或加注说明时间。多门店、多校区、多分公司的主体，每个点位单独维护一套信息。

五、结构层失分点：AI 想引用，却"下不去嘴"

失分点 7：通篇无结构，难以摘取

反例。 一篇 3000 字的文章只有两三个自然段落，没有小标题，问答、定义、案例全部揉在一起，一个段落里同时讲背景、做法和注意事项。

为什么失分。 AI 生成答案的过程是"摘取—重组"：先在候选页面里定位与子问题匹配的句群，再改写成回答。面对段落墙，模型需要自己切分语义，取用成本高、遗漏概率大；而面对层级清晰的页面，它可以直接借用"一个小标题 + 首句结论 + 三条要点"。前述 Qwairy 研究中约 99% 的回答采用列表化表达，正是取用成本偏好的直接证据。

正例改法。 按"问题—结论—要点"重组页面：

1. 一个二级标题（H2）只回答一个问题，标题尽量用客户的问法；
2. 每个小节首句先给结论，后面再展开解释，不要铺垫半天才入题；
3. 步骤用有序列表，并列要素用无序列表，对比信息用表格；
4. 高频问答单独成区，4 组以上可配 FAQ 结构化标记；
5. 专业术语第一次出现时下一句立刻给定义；
6. 长文提供目录或锚点，帮助人和机器快速定位。

一个简单判断：把每个小标题连同其下前两句话单独抽出来，能不能独立成为一条完整回答？ 能，说明结构过关。

六、发布前快速自查表（建议打印或贴进审稿流程）

下面 12 项覆盖了上述 7 个失分点，正常一篇稿件 10 分钟内可以过完。任意一项不通过，建议修改后再发布。

序号	自查问题	通过判定标准
1	有没有空话段落？	每段至少含一个新信息单位（数字/定义/条件/步骤/对比）
2	关键词是否自然？	无连续重复堆砌，核心词只出现在标题、首段、小标题等自然位置
3	标题兑现了吗？	正文前两三句已开始回答标题提出的问题
4	关键信息是否文字化？	价格、地址、电话、流程、参数均以 HTML 文字或表格呈现
5	图片是否可读？	信息类图片均有描述性 alt 与图注，图表结论在正文有文字复述
6	禁用 JS 后还剩什么？	禁脚本或查看渲染快照，正文事实完整可见
7	tab/分页内容可达吗？	折叠与分页内容有独立 URL 或完整存在于页面源码
8	事实口径统一吗？	与实体事实表逐项核对：名称、时间、地址、电话、业务边界
9	外部渠道一致吗？	官网、地图目录、行业平台、自媒体信息无冲突版本
10	旧数据处理了吗？	引用数据标注年份，过时内容已更新或加注时间说明
11	结构能直接摘取吗？	每个 H2 + 首句可独立成一条完整回答
12	列表表格用足了吗？	步骤、并列要素、对比信息均已列表化或表格化

七、从"不扣分"到"被优先引用"

需要说明的是，避开 7 个失分点只是拿到入场券，解决的是"别被淘汰"的问题；能不能稳定出现在答案里、排在什么位置，还取决于信源权威度、多渠道交叉印证和持续更新——这些是加分项，本系列会在结构化数据、多模态、本地实体、监测闭环等专篇分别展开。

但对大多数内容基础薄弱的企业来说，先把这 7 个坑填平，边际改善往往最明显：让机器抓得到、读得懂、信得过、摘得出，是一切高级技巧生效的前提。

常见疑问（FAQ）

问：文章里是不是完全不能用形容词？
答：不是。形容词可以用，但它要服务于事实，而不是替代事实。"响应很快"是空泛评价，"常规咨询 X 小时内回复、紧急情况 Y 小时到场"是事实；写清楚后者，前者甚至不需要出现。

问：关键词密度保持在多少比较好？
答：不建议再用"关键词密度"这个指标管理写作。语义检索按实体与意图匹配，没有安全的密度区间，刻意控密度反而容易写出别扭的句子。更可靠的检查是：一个页面是否聚焦回答了一个真实问题，以及读起来是否像正常的专业表达。

问：我们很多内容天生就是图片（如样板图、作品图），怎么办？
答：作品、案例类内容保留图片没有问题，但要给每张图配齐三样东西：描述性 alt、图下注释、正文中的文字说明（项目背景、做法、结果，敏感信息脱敏）。图片负责"展示"，文字负责"解释与被检索"。

问：AI 每次回答都不完全一样，怎么判断是不是内容问题？
答：单次结果不能作为判断依据，同一问题应在新会话中重复提问多次、跨多个引擎测试，看的是"出现的频率和位次"而不是某一次的运气。如果稳定不出现或稳定靠后，才回到内容与信源层面排查。具体的测试题集设计和记录方法，可参见本系列的 GEO 效果监测专篇。

问：发现旧文章里有过时或错误信息，删掉还是修改？
答：优先修改而不是删除。保留 URL、更新内容并注明修订时间，有助于积累页面的长期信任；直接删除会浪费已有的收录与链接。只有内容完全失效且无法更新时，才考虑下线并做好跳转。

问：自查表全部合格了，为什么还是没被引用？
答：自查表保证的是"不被扣分"，引用还受行业竞争强度、外部信源数量、抓取更新周期等因素影响。内容合格之后，下一步是补齐第三方一致信息、持续输出同主题深度内容，并以数周到数月为周期观察实测结果，不宜用"发布即上榜"的预期来管理。

---

八、行动建议

建议团队做一次存量内容回查：随机抽取官网和主要外部平台上各 10 篇内容，用第六节的 12 项自查表逐篇打分，你大概率会发现失分集中在固定两三项——通常是"空话开头""信息图片化"和"事实口径不一致"。优先修这三类高频问题，比平均用力更有效率。

广州腾信互动网络有限公司长期聚焦生成式引擎优化（GEO），提供 AI 友好型企业官网搭建与已有官网的 GEO 语义优化升级服务。如果你不确定自己的内容究竟卡在"抓不到"还是"不敢信"，可以从一次 AI 可见度诊断开始：基于主流大模型的实测回答，定位具体失分环节，再决定改什么、先改什么。

参考资料

1. Qwairy, We analyzed 184,128 queries on ChatGPT, Gemini, Perplexity and Claude（Q3 2025 研究），2025：https://www.qwairy.co/blog/184128-queries-llm-study-q3-2025
2. Qwairy, Same Question, Different Web: AI Engines Barely Cite the Same Sources，2026-06（引擎间信源重叠度 4%–19%）
3. Qwairy, AI 子查询时效性研究（102,018 条 AI 生成查询，约 28.1% 自动注入年份），2025–2026，第三方分析转引，数据供参考
4. Google Search Central, JavaScript SEO 基础与动态渲染官方文档，2024–2026 持续更新：https://developers.google.com/search/docs/crawling-indexing/javascript
5. Google, Search Quality Rater Guidelines（E-E-A-T 评估框架），2025 版
6. Schema.org, FAQPage / Article 结构化数据规范：https://schema.org/
7. 《中华人民共和国广告法》（2021 年修正），关于禁止使用绝对化用语的相关条款

合规说明：本文所引第三方数据均标注来源与年份；经验性判断已注明"供参考"；全文未使用绝对化表述，亦不承诺排名与生效时间。