5. 引用信号

定义

引用信号是你的内容中提供的参考文献、来源和元数据，它们使AI系统能够验证主张、追溯出处，并增强引用你的内容的信心。

LLM越来越倾向于为其回答提供来源支撑。包含可验证参考文献的内容更容易被引用，因为AI可以将你的主张与其他来源交叉验证，从而增强对你内容准确性的信心。

正在生成答案的模型在寻找能够无风险引用的段落。一个嵌入了数字和具名来源的段落更容易被安全引用：模型将这个数字归因于你，你因此获得引用。

GEO论文（Aggarwal et al., KDD 2024）在10,000个查询的基准测试中测试了9种内容级变换，并按其在生成回答中的可见度提升对其进行排名：

结构性发现比任何单一数字都重要：传统SEO多年来衡量的杠杆（可读性、关键词密度、流畅度）几乎不影响LLM是否引用你。传统SEO忽视的杠杆（原始数字、可归因来源、领域词汇）才是被引用的关键。

论文本身通常在摘要中被省略的两点注意事项：

+115.1%是基准测试数据。 作者在Perplexity上进行的独立实测中，同一干预的效果接近**+37%**——仍然显著，但这是更诚实的”真实互联网”数字。2026年的多次重现通常发现效果真实存在但更小，约在+32%左右。
效果发生在段落层面，而非页面层面。 变换作用于段落，引用也落在段落上。埋在错误段落中的统计数据无助于正确的段落。

这个标题数字是跨越差异很大的内容类型的平均值。论文的分领域细分——通常很少被引用的部分——将指令从”添加统计数据”变为”为你的领域添加合适的内容”：

优化前先将信号与领域匹配。强行塞入操作指南页面的统计数据不会让”如何轮换我的API密钥”变得更容易回答。

最便宜、杠杆最高的编辑：找到一个形容词，用带来源的数字替换它。“明显更快”变为”快2.3倍，在n=14上测得”。“大多数技术栈都难以应对延迟”变为”在测量的5个技术栈中，只有2个保持在300ms以下”。

在提出主张时，直接链接到原始来源：

始终为内容标注日期。AI系统利用日期来：

对于技术内容、文档或持续演进的框架：

在适用的情况下，引用已确立的标准：

对于研究导向的内容，使用AI系统可解析的引用格式：

❌ 无引用：

研究表明，结构化数据能提升AI可发现性。

✅ 规范引用：

Aggarwal等人（2024）证明，结构化内容格式可将生成式搜索引擎中的可见度提升高达40%（GEO: Generative Engine Optimization, KDD 2024, arXiv:2311.09735）。

来自参考网站的两个单变量重现：

三个数字，一个段落，11天。 一篇公开四个月、AI引用记录为零的文章，仅对一个段落进行改写，将形容词替换为三个带来源的数字——页面其他部分不变。Perplexity在第11天引用了该文章，并在第14天前再次引用两次，逐字引用了新增的统计数据（完整记录，英文）。n=1，但这一机制经受住了与真实检索管道接触的考验。
领域分化是真实存在的。 在整个网站添加统计数据后，技术文章的AI引用增加，而操作指南页面毫无变化——相同的处理，不同的结果，与论文的分领域细分一致（完整记录，英文）。

这些是实测记录，而非定律：引用数量随模型和竞争对手的变化而漂移。持久不变的是逻辑——模型会寻找能让答案安全给出的内容，而什么是安全的取决于被问的是什么。