AEO 是 GEO 的下一道題：5 件套升級從 65 推到 88 (2.25h partial)
先講重點
30 天 GEO(生成式引擎優化)sprint 後我跑 AEO(答案引擎優化)專屬 audit,4 軸發現整體 AEO 達成度 65/100,缺 4 個 quick win:Speakable 0 篇、Workflow HowTo 0/9、quick_answer 對 PAA 偏長、對照表沒 ItemList。5 件套升級(Speakable / Workflow HowTo / info_gain ItemList / PAA TL;DR 30 字 / Table scope),都是 partial 改一處全站套用,2.25h 從 65 推到 88。
1. GEO 之後還有 AEO 這道題
#22 30 天 GEO sprint 收尾後我把 entity / FAQ / quick_answer / info_gain / HowTo(pitfalls only)/ breadcrumb 打到 8/10,自以為 GEO 已收。但 AEO(Answer Engine Optimization — 對 Google Assistant 語音、Featured Snippet、PAA、AI Overviews 直接回答的優化)是更細的一層,GEO 通用框架不會自動覆蓋。
跑了一輪 AEO 專屬 audit,結果是 65/100 — 真正缺口剩 4 個 quick win:Speakable schema 0 篇、Workflows HowTo 0/9 篇、quick_answer 對 PAA snippet 偏長(156-205 字而 PAA 規格 40-60 字)、對照表沒 Table / ItemList schema。一輪 partial 升級就能推到 88。
這篇紀錄這 5 件套怎麼做、為什麼這樣設計,以及一個關鍵心法:AEO 升級全部 partial 改一處全站套用,沒寫新內容。內容寫作量為 0,純結構工程。
2. AEO #1:Speakable schema 全站注入 (30 分鐘)
Speakable 是給 Google Assistant / Alexa 等語音助理回讀的 cssSelector 標記。Lab 既有 #quick-answer + #lab-quick-answer 區塊 48 頁已建立、結構乾淨,完全符合 Google Speakable spec — 但全站 0 個 SpeakableSpecification,語音助理完全抓不到「該唸哪段」。
lib/schemas.py 新增 _speakable() helper + SPEAKABLE_SELECTORS constant,然後 website_schema() + article_schema() 各自加一個 speakable 屬性。一個 helper 改 2 處,全站 48+ 頁一次升級。
SPEAKABLE_SELECTORS = ["#tldr-oneliner", "#quick-answer p", "#lab-quick-answer p"]
def _speakable() -> dict:
return {
"@type": "SpeakableSpecification",
"cssSelector": SPEAKABLE_SELECTORS,
}3. AEO #2:Workflow HowTo schema (45 分鐘)
Pitfalls 16/21 篇有 HowTo schema(auto-detect ol 'Step N' 開頭),Workflows 9/9 篇 0 HowTo。但每篇 workflow spec 已有 coffee_unlock_items 7-10 條 SOP step — 這就是現成的 HowTo step 來源,只是 build_workflow_article 沒接。
build.py:1382 加 howto_schema() call,從 spec['coffee_unlock_items'] 直接抽 step:用「(」切點當 name(多數 item 是「X 名稱(細節)」格式)、整段當 text。9 篇 workflow 補上 HowTo 結構,讓 AI / 爬蟲識別為「教學文」。(注意:Google 已於 2023 年停止顯示 HowTo 的 SERP rich result,所以這裡的價值是機器理解,不是 SERP 步驟外觀。)
4. AEO #3:info_gain ItemList schema (1 小時)
info_gain 三欄(適合 / 不適合 / 最常踩)對 Featured Snippet 友善 — 結構是天然的 list。但全站 21+ 頁 info_gain 沒掛 Table / ItemList schema,Google 不知道「這是 list 不是散段」。
lib/schemas.py 新增 itemlist_schemas(article_url, fits, not_fits, traps) helper,回 3 個 ItemList dict(每欄一個)。每個 ItemList 有 itemListOrder + numberOfItems + itemListElement 含 ListItem 含 position + name。build_pitfall_article + build_workflow_article 各自接 helper,21+ pitfalls + 9 workflows 每篇自動掛 3 個 ItemList(全站約 90+ 個 ItemList schema)。Featured Snippet「適合 / 不適合」list 命中率提升。
5. AEO #4:PAA TL;DR 30 字 partial + 8 篇 (1.5 小時)
PAA(People Also Ask)的答案通常偏短(觀察大約 40-60 字,Google 沒有公布字數規格),Lab 既有 quick_answer 實測 4 篇平均 156-205 字 — 對 AI Overviews 整段抓取已優化,但對 PAA 偏長,塞進 PAA snippet 會被腰斬到不該斷的地方。
build.py:614 新增 tldr_oneliner_block(prefix, text) partial — 渲染 <p id='tldr-oneliner' class='tldr-oneliner'> 純 30-55 字單句答案,放在 quick_answer 之前當「最短答」層。spec 加 optional tldr_oneliner 欄位(沒填跳過),沒破壞既有 spec。
8 篇 PAA 高頻文章補 30-55 字精準直答:claude-code-what-is / what-is-ai-agent / claude-code-vs-cursor / ai-agent-vs-chatgpt / what-is-ai-workflow / no-code-can-i-build / non-engineer-can-i-learn-ai / which-ai-tool-to-start。每篇 spec 多一行 tldr_oneliner,渲染後 8 篇 PAA snippet 直接抓取率提升。
順手把 #tldr-oneliner 加進 SPEAKABLE_SELECTORS — Voice Assistant 也吃這層。Voice + PAA + AI Overviews 三方都吃 tldr-oneliner。
6. AEO #5:Table scope='col' (5 分鐘)
Lab 8+ 篇對照表(Claude Code vs Cursor / vs ChatGPT / AI Agent vs ChatGPT 等)適合被 Featured Snippet 抓,但既有 <th> 沒加 scope='col'。scope='col' 是 spec 定義的 column header 標記(無障礙正確做法),well-formed <table> 對機器擷取也較友善;至於能不能進 Featured Snippet,沒有官方倍數保證。
build.py:1553 table render 自動加 scope='col' 到每個 <th>。一處改全站對照表自動升級 + a11y screen reader 宣告 column 用途。
7. 預期效應 65 → 88
| 指標 | 起始 | AEO sprint 後 |
|---|---|---|
| Speakable schema 覆蓋 page | 0 | 48+ |
| Workflow HowTo schema | 0/9 | 9/9 |
| ItemList schema 全站 | 0 | ~90+ 個(30 文章 × 3) |
| PAA tldr 30 字 | 0 | 8 篇 |
| Table scope (a11y) | 0% | 100% |
| AEO 整體 audit | 65 | 88(audit 預測) |
5 件套全部 partial 改一處全站套用,2.25h 工時。Voice Assistant 抓 #tldr-oneliner / PAA 抓 #tldr-oneliner / AI Overviews 抓 #quick-answer,三層覆蓋同一份內容。
▸ 常見問題
Q1:AEO 跟 GEO 差在哪?
GEO 是對生成式 AI(ChatGPT/Perplexity)引用的通用優化,範圍廣;AEO 是對 Answer Engine(語音助理/Featured Snippet/PAA/AI Overviews)直接回答的優化,更細更 targeted。GEO 解 entity + 結構 + freshness,AEO 解 selector + 短答 + schema-specific。GEO 是地基 AEO 是裝修。
Q2:Speakable schema 真的有用嗎?
對 Google Assistant 語音搜尋有用 — 它優先選有 SpeakableSpecification 的內容回讀。但目前 Lab 流量級別語音搜尋 referral 不會立即顯著。長期看是「未來語音搜尋成熟時站台已準備好」的 forward-looking 動作,成本低(30 分鐘)所以做。
Q3:PAA tldr 30 字會跟 quick_answer 200 字衝突嗎?
不會。tldr 30 字放在 quick_answer 之前,當「最短答」層;quick_answer 是「完整 Answer-First 段」。我準備長短兩層,期望分別命中 PAA(短)跟 AI Overviews(整段) — 但 Google 實際是不是這樣分流抓取,我無法確認,這是我的假設。
Q4:為什麼不順手抽 faq_block partial?
build_pitfall_article 跟 build_workflow_article 已內建 spec.faq 機制(發現 #20 沒留意),抽 partial 重複實作。SEO Journey article 用 inline FAQ HTML(本篇也是),要等專屬 partial 已存 spec 機制的好處 vs 又一個 partial 維護成本,目前 inline 夠用。
AEO 是 GEO 的下一道題,5 件套 2.25h partial 改一處全站套用,65→88。內容寫作量為 0 純結構工程 — 證明 AEO 升級 ROI 極高,個人站台 GEO 跑完都該接著做。下篇 #24 講同天另一個重構:首頁 lab-summary 改 details/summary 摺疊 — 視覺收乾淨 vs 內容完整怎麼取捨,不踩 cloaking 紅線。
名詞解釋
- AEO（答案引擎優化）
- 把內容寫成「搜尋引擎跟 AI 能直接抽走當答案」的格式：先給答案、再給支撐、附上來源。跟 GEO 高度重疊。
- GEO（生成式引擎優化）
- 讓 ChatGPT、Perplexity 這類 AI 在回答問題時引用你網站內容的優化方法，是 SEO 在 AI 時代的延伸戰場。
- 結構化資料（Schema / JSON-LD）
- 用機器看得懂的格式跟搜尋引擎說明「這頁是文章、作者是誰、何時更新」，有機會換到更豐富的搜尋結果外觀。
- AI Overviews
- Google 搜尋結果頂部由 AI 生成的摘要區塊，會引用來源網站。被它引用是 GEO 的主要戰場之一。
- 搜尋結果頁（SERP）
- 在 Google 搜一個詞之後出現的那一整頁結果，包含一般結果、精選摘要、AI 摘要等版位。
- 無障礙（accessibility / a11y）
- 讓視力不佳、不便操作的人也能順利使用網站的設計標準。WCAG AA 是國際標準的中間等級，要求文字與背景對比度 ≥ 4.5:1。
看完這篇之前先確認:
- GEO sprint 已收尾、想做下一階段 AEO 細部優化
- 在意 Google Assistant 語音搜尋 / Featured Snippet / PAA 命中率
- 想用 partial / helper 一處改全站套用,不想手改數十篇
- 還沒 GEO 通用框架(entity + schema + freshness)— 先做 GEO 再做 AEO
- CMS 站架構難改 partial(WordPress 等)— 改動成本高
- 完全不在乎 AI / 語音引用,只看 organic SERP 排名
- Speakable cssSelector 寫錯導致 Google Assistant 抓空 — 用既有 #quick-answer 等 id 最安全
- HowTo schema 把 description 寫太長(spec 限 300 字)— Google 會 ignore
- PAA tldr 30 字塞太多術語 — 失去精準直答的目的,Voice 唸不順
如果內容對你有用就太好了
隨喜斗內
相關閱讀
這篇背後的真實開發過程記錄在 Build Log。
搜尋標籤：aeo、speakable、howto、itemlist、paa、schema-org、build-in-public。
本篇為個人實驗紀錄。AEO 分數來自第三方工具預測,實際引用率需 deploy 後 1-3 個月觀察。本文做法不保證在你的網站產生相同結果,請依自身狀況驗證。教育研究用途,不構成投資建議。