Schema.org 与 RAG：结构化数据如何改变 LLM 检索

检索增强生成（RAG）驱动大多数 AI 搜索产品。当用户问「200 美元以内最佳防水徒步靴」时，系统检索文本块，再合成带引用的回答。

为何纯 HTML 表现不足

非结构化页面混杂导航、促销与规格。分块算法（固定长度、语义或基于标题）常把产品事实切到无关片段。Schema.org JSON-LD 位于可预测的 `<script type="application/ld+json">` 中——许多爬虫将其索引为高置信结构化证据。

商户可 leverage 的 Schema 类型（按引用影响排序）

1. Product + Offer（priceValidUntil、availability） 2. FAQPage（自然语言问答） 3. HowTo（安装、尺码、保养指南） 4. Review / AggregateRating（真实前提下） 5. BreadcrumbList（类目页上下文）

反模式

- 标记与可见内容矛盾（Google 与 AI 系统会惩罚不一致） - 虚假评论或刷 AggregateRating - 在类目页使用 Product Schema（应使用 ItemList）

研究注

Lewis 等人（2020）的 RAG 框架表明检索质量上限决定生成质量。对商户而言，*检索质量* increasingly 意味着*结构化事实质量*。Visora 审计 Schema 有效性、字段完整性与 HTML-JSON 一致性——无需 ML 专业知识即可控制的三个变量。