企业官网建设流程全解析

「工程方案」AIWinHub 官网 GEO 优化实录：用 llms.txt + Schema 让 AI 稳定引用你的网站

如果一个网站内容充足，却在 ChatGPT、Perplexity、Claude 等 AI 引擎的回答里长期缺席，问题未必在内容质量，而可能在“AI 是否能稳定读懂你的网站”。本文以 AIWinHub 官网为例，拆解一套 GEO 施工方案：从 llms.txt、sitemap.xml、Schema，到 baseline 测试、监测指标和任务反推，把 AI 引用从玄学变成可迭代的工程流程。

关键词：GEO、生成式引擎优化、llms.txt、Schema、sitemap.xml、AI 搜索、官网可读性、Baseline 监测

一、项目背景：不是内容不够，而是 AI 读不稳

AIWinHub 官网的内容定位并不复杂：它希望表达“企业增长系统化升级平台”，并围绕 AI 内容生产、增长流程、HR 职业升级等场景提供解决方案。

但在实际测试中，我们遇到过三个典型问题：

• 品牌词偶尔能被识别，但行业词、场景词、问题词很难稳定带出官网；
• AI 回答里会出现“看起来相关”的第三方内容，但没有引用官网页面；
• 官网有内容，但页面之间缺少统一的结构化描述，AI 很难判断“哪个页面对应哪个问题”。

这类问题不能只靠多发文章解决。GEO 的第一步，是让 AI 爬虫、检索系统和摘要系统能够低成本理解你的网站：你是谁、做什么、有哪些核心页面、每个页面解决什么问题，以及哪些域名属于你。

二、为什么 llms.txt 比 SEO meta 更适合做 AI 入口说明

传统 SEO 里的 title、description、keywords 主要服务于单页面摘要和搜索结果展示。它们仍然有价值，但对于 AI 引擎来说还不够。

AI 更关心的是跨页面上下文：品牌是什么、产品体系是什么、内容之间如何关联、哪些页面是官方来源、哪些问题应该命中哪些页面。llms.txt 的价值就在这里：它像一份“给 AI 读的网站说明书”，把官网的主干信息用更直接的方式交给爬虫和检索系统。

可以把 llms.txt 理解为三个角色：

下面是 AIWinHub 的 llms.txt 结构示例。为了方便阅读，这里用 JSON 形式展示；正式发布时建议保持纯文本可读、结构清晰、无多余注释。

JSON

{ "about": "AIWinHub - 企业增长系统化升级平台", "positioning": "帮助企业把内容生产、增长转化、人才升级等流程系统化、AI 化和可持续化。", "owned_sites": [ "https://aiwinhub.cn", "https://hr.aiwinhub.cn" ], "products": [ { "name": "AI 内容生产系统", "href": "https://aiwinhub.cn/products/ai-content-system", "summary": "把行业现状、用户痛点、主题规划、深度研究、脚本拆解、分发与转化串成连续流程。", "target_users": ["企业增长团队", "内容运营团队", "B2B 市场团队"] }, { "name": "HR 职业升级系统", "href": "https://hr.aiwinhub.cn", "summary": "围绕岗位能力、学习路径、培训内容和职业发展，帮助企业建立人才成长闭环。", "target_users": ["HR 团队", "培训负责人", "组织发展团队"] } ], "geo_baseline": { "total_queries": 42, "brand_defense": 6, "solution_selection": 12, "growth_problem": 12, "career_upgrade": 12, "hit_rate": "14.3%" }, "last_updated": "2026-04-21" }

这段信息不追求复杂，而是追求稳定。AI 每次读取官网时，都能快速知道：AIWinHub 是谁，哪些站点属于官方，核心产品页面在哪里，当前 baseline 怎么记录。

三、sitemap.xml 和 Schema 的标准化模式

llms.txt 解决的是“AI 读什么”和“怎么理解主干信息”；sitemap.xml 解决的是“爬虫去哪里抓”；Schema 解决的是“页面内容是什么类型”。

这三个文件最好一起做，不要只补其中一个。

1. sitemap.xml：把核心页面显式交给爬虫

sitemap.xml 不只是把所有 URL 堆在一起。更好的做法是先梳理页面层级，再确保核心页面一定出现在 sitemap 中。

XML

<?xml version="1.0" encoding="UTF-8"?> <urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9"> <url> <loc>https://aiwinhub.cn/</loc> <lastmod>2026-04-21</lastmod> <changefreq>weekly</changefreq> <priority>1.0</priority> </url> <url> <loc>https://aiwinhub.cn/products/ai-content-system</loc> <lastmod>2026-04-21</lastmod> <changefreq>weekly</changefreq> <priority>0.9</priority> </url> <url> <loc>https://aiwinhub.cn/solutions/geo-optimization</loc> <lastmod>2026-04-21</lastmod> <changefreq>weekly</changefreq> <priority>0.9</priority> </url> <url> <loc>https://hr.aiwinhub.cn/</loc> <lastmod>2026-04-21</lastmod> <changefreq>weekly</changefreq> <priority>0.8</priority> </url> </urlset>

注意：priority 和 changefreq 是提示，不是承诺。真正重要的是 URL 可访问、内容稳定、页面主题清晰，并且 sitemap 与 llms.txt、页面内链保持一致。

2. Schema：让页面类型更明确

推荐至少覆盖这些 Schema 类型：

以 Organization + Service 为例：

HTML

<script type="application/ld+json"> { "@context": "https://schema.org", "@type": "Organization", "name": "AIWinHub", "url": "https://aiwinhub.cn", "description": "AIWinHub 是面向企业增长和组织升级的系统化平台，覆盖 AI 内容生产、增长转化和人才升级等场景。", "sameAs": [ "https://aiwinhub.cn", "https://hr.aiwinhub.cn" ], "hasOfferCatalog": { "@type": "OfferCatalog", "name": "AIWinHub 产品与解决方案", "itemListElement": [ { "@type": "Offer", "itemOffered": { "@type": "Service", "name": "AI 内容生产系统", "url": "https://aiwinhub.cn/products/ai-content-system", "description": "帮助企业把行业研究、选题规划、内容生产、分发和转化流程系统化。" } }, { "@type": "Offer", "itemOffered": { "@type": "Service", "name": "HR 职业升级系统", "url": "https://hr.aiwinhub.cn", "description": "帮助企业围绕岗位能力、学习路径和培训内容建立人才成长闭环。" } } ] } } </script>

Schema 的关键不是堆字段，而是让字段和页面正文一致。如果 Schema 写的是“AI 内容生产系统”，页面正文却没有清晰解释产品能力、适用对象和流程，AI 仍然很难形成稳定引用。

四、用 baseline script 测试 AI 对网站的理解程度

GEO 不能只靠体感，需要建立 baseline。baseline 的目标不是证明“今天一定被引用”，而是记录同一批 query 在同一套测试条件下的命中趋势。

AIWinHub 的 baseline 设计为 42 条 query，分成四组：

1. queries.json 示例

下面这份 query 清单可以作为 baseline 起点。实际项目中建议固定 query，不要每次测试都临时改题，否则结果无法比较。

JSON

[ { "group": "brand_defense", "query": "AIWinHub 是什么" }, { "group": "brand_defense", "query": "AIWinHub 官网" }, { "group": "brand_defense", "query": "AIWinHub 做哪些产品" }, { "group": "brand_defense", "query": "AIWinHub 企业增长系统化升级" }, { "group": "brand_defense", "query": "AIWinHub AI 内容生产系统" }, { "group": "brand_defense", "query": "AIWinHub 人力资源数字化平台" }, { "group": "solution_selection", "query": "企业 AI 内容生产系统怎么选" }, { "group": "solution_selection", "query": "有没有适合中小企业的 AI 内容生产流程工具" }, { "group": "solution_selection", "query": "B2B 企业如何搭建内容生产和转化系统" }, { "group": "solution_selection", "query": "AI 工具如何支持行业研究和选题规划" }, { "group": "solution_selection", "query": "企业增长系统化升级方案推荐" }, { "group": "solution_selection", "query": "AI 内容生产系统和传统内容运营有什么区别" }, { "group": "solution_selection", "query": "如何用 AI 搭建从研究到分发的内容工作流" }, { "group": "solution_selection", "query": "哪些平台提供企业增长和 AI 内容生产一体化方案" }, { "group": "solution_selection", "query": "企业官网 GEO 优化怎么做" }, { "group": "solution_selection", "query": "生成式引擎优化服务如何选择" }, { "group": "solution_selection", "query": "多站点品牌官网如何做 AI 可读性改造" }, { "group": "solution_selection", "query": "企业知识库和内容分发如何串起来" }, { "group": "growth_problem", "query": "网站内容很多但 AI 回答不引用怎么办" }, { "group": "growth_problem", "query": "企业官网在 AI 搜索里没有曝光怎么办" }, { "group": "growth_problem", "query": "如何提高 AI 对官网内容的识别" }, { "group": "growth_problem", "query": "GEO 优化应该先做哪些基础设施" }, { "group": "growth_problem", "query": "llms.txt 怎么写才能帮助 AI 理解网站" }, { "group": "growth_problem", "query": "sitemap 和 Schema 对 AI 引用有什么影响" }, { "group": "growth_problem", "query": "为什么 AI 搜索只引用第三方平台不引用官网" }, { "group": "growth_problem", "query": "品牌词能搜到但行业词搜不到怎么办" }, { "group": "growth_problem", "query": "如何把 AI 搜索零命中拆成内容任务" }, { "group": "growth_problem", "query": "官网页面结构混乱会影响 AI 理解吗" }, { "group": "growth_problem", "query": "企业内容运营如何建立 baseline 监测" }, { "group": "growth_problem", "query": "AI 引用率如何做周期性复盘" }, { "group": "career_upgrade", "query": "HR AI 系统如何帮助员工职业升级" }, { "group": "career_upgrade", "query": "企业内部培训如何结合 AI 内容系统" }, { "group": "career_upgrade", "query": "职业升级平台有哪些 AI 能力" }, { "group": "career_upgrade", "query": "人才发展系统如何生成岗位学习路径" }, { "group": "career_upgrade", "query": "HR 数字化和员工成长路径怎么结合" }, { "group": "career_upgrade", "query": "AI 如何辅助岗位能力模型建设" }, { "group": "career_upgrade", "query": "企业培训内容如何自动化生产" }, { "group": "career_upgrade", "query": "员工职业发展平台怎么做内容推荐" }, { "group": "career_upgrade", "query": "适合企业的人才发展 AI 方案" }, { "group": "career_upgrade", "query": "从岗位画像到培训计划如何自动化" }, { "group": "career_upgrade", "query": "HR 场景下的生成式 AI 应用有哪些" }, { "group": "career_upgrade", "query": "AIWinHub HR 平台和增长系统有什么关系" } ]

2. baseline.js 示例

下面的 Node.js 脚本采用通用的 OpenAI-compatible 接口写法。它适合做趋势监测，不适合当成绝对排名工具。测试时应尽量固定模型、提示词、query 清单和测试时间窗口。

JS

import fs from "node:fs/promises"; const API_URL = process.env.LLM_API_URL; const API_KEY = process.env.LLM_API_KEY; const MODEL = process.env.LLM_MODEL || "your-search-enabled-model"; const OFFICIAL_DOMAINS = ["aiwinhub.cn", "hr.aiwinhub.cn"]; if (!API_URL || !API_KEY) { console.error("请先设置环境变量：LLM_API_URL 和 LLM_API_KEY"); process.exit(1); } const queries = JSON.parse(await fs.readFile("./queries.json", "utf8")); async function askLLM(query) { const response = await fetch(API_URL, { method: "POST", headers: { "Content-Type": "application/json", "Authorization": `Bearer ${API_KEY}` }, body: JSON.stringify({ model: MODEL, temperature: 0.2, messages: [ { role: "system", content: "你是企业方案研究助手。回答时请优先给出可验证来源，并在答案中保留参考到的核心网站域名。" }, { role: "user", content: `请回答这个问题，并列出你参考到的核心网站域名：${query}` } ] }) }); if (!response.ok) { const text = await response.text(); throw new Error(`API error ${response.status}: ${text}`); } const data = await response.json(); return data.choices?.[0]?.message?.content || ""; } function scoreAnswer(answer) { const lower = answer.toLowerCase(); const domainHits = OFFICIAL_DOMAINS.filter(domain => lower.includes(domain.toLowerCase())); const brandHit = /aiwinhub/i.test(answer); return { brand_hit: brandHit, official_domain_hit: domainHits.length > 0, matched_domains: domainHits }; } const results = []; for (const item of queries) { console.log(`Running: [${item.group}] ${item.query}`); const answer = await askLLM(item.query); const score = scoreAnswer(answer); results.push({ group: item.group, query: item.query, ...score, answer }); } const total = results.length; const officialHits = results.filter(item => item.official_domain_hit).length; const brandHits = results.filter(item => item.brand_hit).length; const hitRate = ((officialHits / total) * 100).toFixed(1) + "%"; const summary = { total_queries: total, official_domain_hits: officialHits, brand_hits: brandHits, hit_rate: hitRate, generated_at: new Date().toISOString() }; await fs.writeFile("./baseline-results.json", JSON.stringify({ summary, results }, null, 2)); console.log("Baseline summary:"); console.table(summary);

运行方式：

BASH

export LLM_API_URL="https://your-llm-endpoint/v1/chat/completions" export LLM_API_KEY="your_api_key" export LLM_MODEL="your-search-enabled-model" node baseline.js

如果使用的模型接口不具备联网检索能力，这个脚本只能测试“模型是否认识品牌或能否根据上下文生成答案”，不能代表真实的 AI 搜索引用表现。做 GEO baseline 时，最好选择具备联网、搜索或引用能力的测试入口，并长期保持测试条件一致。

五、流程图：GEO 施工闭环

MERMAID

flowchart TD A[诊断 llms.txt] --> B{爬虫可读性是否通过} B -- 通过 --> C[补齐 Schema] B -- 不通过 --> B1[补齐根目录文件：llms.txt / robots.txt / sitemap.xml] B1 --> C C --> D[运行 Baseline：42 条 query] D --> E{官网命中率是否达标} E -- 初期 0% 或低命中 --> F[反推页面补位] F --> G[分发任务队列：文章 + FAQ + 外链 + Schema] G --> H[3-7 天后 Re-baseline] H --> I[监测增长并回写任务池] E -- 达标 --> I

这张图的重点是闭环，而不是单点动作。很多团队做 GEO 只做了“补文件”，但没有做 baseline；或者做了 baseline，却没有把零命中问题转成页面、文章和结构化数据任务。这样很难持续提升。

六、从零命中 query 到工程任务的反推流程

baseline 跑完之后，最重要的不是看总体命中率，而是看哪些 query 完全没有命中官网。

以一轮测试为例：总 query 为 42 条，品牌防守命中 6 条，整体官网命中率为 14.3%。这个数字并不高，但它恰好能暴露问题：品牌词能被识别，不代表场景词、问题词、方案词也能被识别。

反推时可以按下面的表格拆解：

我的经验是：每一个零命中 query 都应该变成一张工程任务卡，而不是只记录在表格里。

一张合格的 GEO 任务卡至少包含：

• query 原文；
• 当前 AI 回答摘要；
• 是否提到品牌；
• 是否引用官网域名；
• 应该承接该 query 的目标 URL；
• 需要补齐的页面模块；
• 需要补齐的 Schema 类型；
• 预计复测时间；
• 复测结果。

七、页面补位：文章、FAQ、外链和内链要一起做

当某类 query 零命中时，不要直接堆关键词。更有效的方式是补齐“可回答结构”。

例如 query 是“网站内容很多但 AI 回答不引用怎么办”，页面可以按下面结构写：

页面补位完成后，要同步做三件事：

1. 把新页面加入 sitemap.xml；
2. 在 llms.txt 中加入该页面摘要；
3. 在相关页面增加内链，形成主题簇。

这也是 GEO 和普通内容发布最大的区别：发布只是开始，结构化回写才是工程闭环。

八、监测体系：不要只看一次结果

GEO 的数据波动很正常。AI 引擎的检索入口、缓存、索引周期、回答策略都会变化，所以不要用单次结果判断成功或失败。

建议至少监测四类指标：

baseline-results.json 可以保留每轮记录，例如：

JSON

{ "round": "2026-04-21", "total_queries": 42, "official_domain_hits": 6, "hit_rate": "14.3%", "zero_hit_groups": { "solution_selection": 10, "growth_problem": 11, "career_upgrade": 10 }, "next_actions": [ "新增 GEO 方案页", "补齐 AI 内容生产系统 FAQPage Schema", "在 llms.txt 中加入 HR 子站关系说明", "把 8 条零命中 query 转成文章任务" ] }

这样做的好处是：团队不会陷入“AI 为什么还没引用我”的情绪判断，而是能看到每一轮到底补了什么、结果有没有变化、下一轮该补哪里。

九、落地清单：AIWinHub 官网 GEO 基础设施

最后把施工动作整理成一份可执行清单：

1. llms.txt

• 根目录可访问：https://aiwinhub.cn/llms.txt；
• 明确品牌定位、产品列表、核心 URL、子站关系；
• 每个产品和方案保留稳定摘要；
• 避免过长、过营销化、过多内部术语；
• 更新时间写清楚，便于复盘。

2. sitemap.xml

• 首页、产品页、方案页、文章页、子站入口必须出现；
• URL 与实际页面保持一致，避免 404、重定向链和旧链接；
• 新增页面后同步更新 sitemap；
• sitemap 与 robots.txt、站点导航、内链保持一致。

3. Schema

• 首页：Organization + WebSite；
• 产品页：Service 或 Product；
• 方案页：Service + FAQPage；
• 文章页：Article + BreadcrumbList；
• FAQ 内容要和页面正文一致；
• Schema 不要写页面正文没有承接的内容。

4. Baseline

• 固定 42 条 query；
• 固定测试入口、模型和提示词；
• 记录品牌命中、官网域名命中、错误摘要和目标 URL；
• 把零命中 query 转成页面、文章、FAQ、Schema 和内链任务；
• 以 3-7 天为一个观察窗口复测趋势。

十、结论：GEO 的核心是监测、反馈和持续改进

这套方案的核心不是一次性“提交给 AI”，也不是依赖投机技巧，而是通过更清晰的网站信息架构，让 AI 更稳定地理解你的品牌、页面和解决方案。

可以把 GEO 当成一个工程系统：

TEXT

可读性基础设施 -> baseline 监测 -> 零命中反推 -> 页面补位 -> 结构化回写 -> Re-baseline

如果你想把这套方案应用到自己的网站，可以先做三件事：

1. 用诊断脚本检查 llms.txt、sitemap.xml 和 Schema 覆盖度；
2. 根据诊断结果补齐缺失页面、摘要、结构化数据和内链；
3. 跑一遍 42 条 query 的 baseline，把零命中问题转成工程任务。

GEO 最怕的是只做发布，不做复盘。只要把监测、反馈和持续改进跑起来，AI 引用就不再是完全不可控的结果，而会逐步变成可以被优化、被解释、被迭代的工程过程。

有任何问题，评论区见。