AI 引用修复该先做哪一个？按影响面而非清单长度排序

多数团队跑完一次引用审计后的反应都一样：二十个问题，却不知道该先修哪个。审计报告会说你的商品页缺结构化数据、FAQ 区块太单薄、事实已过期、对比表格被埋在页底。这些都是真的。但全部修完要一个季度，那时答案早就变了。真正的本事不是找出引用缺口，而是给它们排序。

排序这个问题有固定的形状。你不是在抽象地让页面「更好」，而是想改变助手对某件商品说的话。这意味着唯一值得先做的修复，都挂在顾客已经在问的问题上，且你的页面是合理的来源，且正确事实目前缺失或错误。三条都满足的修复会改变一个答案；一条都不满足的记账式清理。

## 第一步：把事实和装饰分开

把所有发现分成两桶。事实是助手可能说错的断言：价格、库存、箱内清单、兼容性、保修时长、发货截单时间。装饰是其余全部：更漂亮的标题、更好看的表格、更长的引言。装饰只提升你心里的页面质量分；事实才改变模型生成的那句话。只有一个下午的时候，事实几乎总是赢。

一个有用的检验：竞品页面能不能写下相反的表述并让人相信？能，它就是事实，而且是可以被争夺的。

## 第二步：按问题频率给缺口打分

把事实清单和顾客真正在问的问题对应起来。不是你的头部关键词，而是追问。「电池含吗？」「能装 2021 款吗？」「退货窗口多长？」这些就是助手在寻找来源的 prompt，要么在你页面找到一句干净的话，要么在别处找到。

按这类问题在你品类里出现的频率排序。一个高频配件上缺失的兼容范围，可能比全站元数据清理优先级更高，因为它触及一个每天被问的问题。

## 第三步：先确认页面是否能被引用

优化一个模型读不到的页面上的事实毫无意义。投入措辞之前先确认三件事：事实以文本形式存在（不在 JS 小工具、图片或 PDF 里）、页面可索引且不是孤岛、事实与结构化数据一致。JSON-LD 和可见文案不一致，比两者单独存在任一情况都更糟——它给了助手偏好第三方来源的理由。

## 第四步：按影响面从大到小修

按一个修复覆盖多少页面，从上往下做。模板级修复——把价格、库存、发货截单时间以文本形式放进每个商品模板，并让 JSON-LD 与之匹配——一次改变很多答案。单页事实修复一次只改一个答案，排在后面。这个顺序感觉是反的，因为单页修复发版更有成就感，但真正推动引用率的是模板修复。

## 第五步：用同一组 prompt 复测

一次修复就是一个假设。用最初审计时的同一套问题重跑，比较的是哪些页面被引用，而不只是你的站点有没有出现。如果一个修复没有改变任何一个答案，那它是被误标成事实的装饰。保持 prompt 集合稳定，比较才有意义。

## 一个例子

一家卖替换滤芯的店有五十个 SKU，每个的兼容列表都埋在兼容性查询小工具里。审计把它列为「缺少兼容数据」。按优先级推理：兼容性是高频问题、小工具不可被引用（不是文本）、事实可被争夺。所以第一项修复不是逐 SKU 写文案，而是一个模板改动，把兼容列表渲染成纯文本并在结构化数据中镜像。这一改，五十个页面都变得可被回答。滤芯寿命的逐 SKU 补全——频率更低的问题——留给下一轮。

## 常见问题