adiready AI 可引用性评分 Skill（汽车出口版）
核心认知
AI 语言模型只会引用满足特定结构标准的内容段落。研究（Princeton / Georgia Tech / IIT Delhi, 2024）发现：GEO 优化内容在 AI 回答中的可见性提升 30–115%。关键结论：AI 优先抽取并引用长度约 134–167 词、自包含（脱离上下文也能读懂）、数据密集（含具体数字、日期、实体名）、前 1–2 句直接回答问题的段落。
对汽车出口站而言，最值得优化的"可引用块"是：车型参数、FOB/CIF 报价与条款、出口流程、目的国准入规则、FAQ。
可引用性评分标准（0-100）
维度 1：答案块质量（占总分 30%）
衡量内容是否包含清晰、可被 AI 逐字摘录的答案段落。
| 分数 | 标准 |
|---|---|
| 90-100 | 每个主要小节开头都是 1–2 句直接答案；用"X 是…""X 指…"式定义；每节前 40–60 词可独立成答。 |
| 70-89 | 多数小节有清晰答案开头；部分定义句式；答案可辨识但需少量上下文。 |
| 50-69 | 部分小节有答案式开头，但多数把答案埋在段落中部/末尾；少有定义句式。 |
| 30-49 | 答案普遍埋在长段落里；无稳定定义句式；内容偏叙事而非"答问"。 |
| 0-29 | 无可辨识答案块；纯叙事/对话/碎片；AI 难以抽取任何可引用段落。 |
要看什么：
- 定义句式："FOB 指…""CIF 到岸价包含…""HS 编码 8703 涵盖…"
- 答问前置：先给答案，再补细节
- 量化答案："MG5 2026 款 FOB 报价约 USD XX" 而非 "价格视情况而定"
- 对比答案："右舵与左舵的区别在于…"
高可引用示例（汽车出口）：
MG5 2026 款是一款面向非洲与中东市场出口的紧凑型轿车，提供 1.5L 汽油与 1.5L 混动两种动力。其 FOB 中国港口报价约 USD 9,500 起，CIF 拉各斯约 USD 11,200，MOQ 为 2 辆（40HQ 集装箱）。车辆为左舵，标配自动变速箱，符合 HS 编码 8703.22。
词数约 76。自包含：是。数据点：4 个。定义/答问句式：是。
低可引用示例：
如果你一直想知道为什么有些车更适合出口，答案可能会让你惊讶。有一项很棒的技术已经存在很久了。它改变了我们对出口的看法。让我解释一下它是如何运作的，以及为什么你应该关心。
词数约 68。自包含：否。数据点：0。定义句式：无。
维度 2：段落自包含性（25%）
| 分数 | 标准 |
|---|---|
| 90-100 | 80%+ 内容块完全自包含；每个段落显式点名主体；无跨段代词依赖；段落内含具体数据。 |
| 70-89 | 60–79% 自包含；多数段落点名主体；偶有需上下文才能懂的代词。 |
| 50-69 | 40–59% 自包含；主体与代词混用；部分段落需读上文。 |
| 30-49 | 20–39% 自包含；高度依赖代词与上下文。 |
| 0-29 | <20% 自包含；整篇连续叙事，抽出任一段即失去意义。 |
段落自检清单：
- 是否显式点名主体（而非"它""这款"）？
- 只看这一段能否理解主旨？
- 是否至少含一个具体数据/参数/实体？
- 长度是否在 50–200 词（最优抽取长度）？
- 是否避免以连词开头（"但""然而""而且"）暗示上文？
维度 3：结构可读性（20%）
| 分数 | 标准 |
|---|---|
| 90-100 | H1>H2>H3 层级清晰；信息型内容用问句标题；短段落（2–4 句）；对比用表格；流程用有序列表；参数用无序列表。 |
| 70-89 | 层级良好，轻微跳级；部分问句标题；多为短段落；部分表格/列表。 |
| 50-69 | 有层级但不一致；少有问句标题；长短段混排；表格/列表少。 |
| 30-49 | 结构极少；无问句标题；长段为主；几乎无表格/列表。 |
| 0-29 | 无标题结构或严重错乱；整屏文字墙；无表格/列表。 |
汽车出口的结构最佳实践：
- 层级：H1（页标题）> H2（车型/报价/流程/FAQ）> H3（子参数）
- 问句标题："如何把二手车出口到尼日利亚？""FOB 与 CIF 有什么区别？"——直接匹配买家提问
- 车型参数用规格表（续航、马力、尺寸、价格）——AI 提取表格极准
- 出口流程用有序列表（询盘→验车→签约→装柜→报关→发运）
- 加粗关键术语首次出现（FOB、CIF、MOQ、HS 编码、右舵）
维度 4：数据密度（15%）
| 分数 | 标准 |
|---|---|
| 90-100 | 每 500 词 5+ 具体数据；所有论断有来源或日期；用精确数字；含百分比、金额、时间、命名研究。 |
| 70-89 | 每 500 词 3–4 个数据；多数论断有来源；以精确数字为主。 |
| 50-69 | 每 500 词 1–2 个数据；部分有来源；精确与模糊混用。 |
| 30-49 | 每 500 词 <1 个数据；少有来源；以模糊量词为主。 |
| 0-29 | 无数据；无来源；全是"很多""大量"式模糊词。 |
什么算数据（汽车出口）：
- 具体价格/金额：FOB USD 9,500；CIF Lagos USD 11,200
- 具体参数：续航 420km；马力 180hp；车龄 2022 款
- HS 编码：8703.22
- 数量/时效：MOQ 2 辆；海运 25–35 天
- 命名来源：如"按尼日利亚 NAC 2026 关税表"
不算数据："很多买家""价格有竞争力""大量订单""专家认为"。
维度 5：独特性与原创（10%）
| 分数 | 标准 |
|---|---|
| 90-100 | 含第一手数据、专有信息、原创调查或独有数据集；提供别处没有的分析。 |
| 70-89 | 含部分原创洞见或对现有数据的独到分析。 |
| 50-69 | 多为整合现有信息，但有独特评论或案例。 |
| 30-49 | 大幅复述常识，原创贡献极小。 |
| 0-29 | 完全衍生，信息在权威源上随处可见。 |
原创信号（汽车出口）："我们 2026 上半年发运 XX 柜到西非的实绩数据""经手 XX 台车的验车经验总结""自建的目的国准入规则表""真实装柜/验车实拍案例"。
分析流程
步骤 1：抓取并解析
用 WebFetch 或 fetch_page.py 抓取目标页；提取正文（剔除导航/页脚/侧栏）；保留标题层级、段落、列表、表格；计算正文字数。
步骤 2：切块
按 H2/H3 切分内容块，记录：标题、正文、词数、段落数、列表/表格数、数据点数、是否含定义句式、前 60 词是否成独立答案。
步骤 3：逐块打分
块可引用分 = 答案*0.30 + 自包含*0.25 + 结构*0.20 + 数据*0.15 + 独特*0.10
步骤 4：页面级分
- 取最高分 5 个块的平均（不足 5 则全取）为页面可引用分。
- 标出最高 3 块（优势）与最低 3 块（待改写）。
- 计算 >70 分的块占比（"可引用覆盖率"）。
步骤 5：生成改写建议
对 <60 分的块：指出主要弱点 → 给出"答案前置"改写句 → 建议补充的数据（如 FOB/CIF/参数）→ 建议结构改进（加规格表/列表/拆段）。
输出格式
生成 GEO-CITABILITY-SCORE.md：
# AI 可引用性分析：[页面标题]
**URL：** [URL]
**分析日期：** [日期]
**综合可引用性分：[X]/100**
**可引用覆盖率：** [X]% 的内容块 >70 分
---
## 分数明细
| 维度 | 分数 | 权重 | 加权 |
|---|---|---|---|
| 答案块质量 | [X]/100 | 30% | [X] |
| 段落自包含 | [X]/100 | 25% | [X] |
| 结构可读性 | [X]/100 | 20% | [X] |
| 数据密度 | [X]/100 | 15% | [X] |
| 独特性与原创 | [X]/100 | 10% | [X] |
| **综合** | | | **[X]/100** |
---
## 最强内容块
### 1. "[标题]" —— [X]/100
> [前 2 句]
**为何有效：** [说明]
---
## 最弱内容块（改写优先）
### 1. "[标题]" —— [X]/100
**现状：** > [前 2 句]
**问题：** [具体问题]
**建议改写：** > [答案前置 + 数据]
**其他改进：** - [加规格表/加数据/拆段]
---
## 快速改写建议
1. **[建议]** —— 预期提升 +[X] 分
---
## 分块分数
| 小节标题 | 词数 | 答案 | 自包含 | 结构 | 数据 | 独特 | 综合 |
|---|---|---|---|---|---|---|---|
参考数据
最优段落特征（GEO 研究）
- AI 引用最优长度：134–167 词
- 定义句式提升引用率：2.1x（Georgia Tech 2024）
- 加数据提升引用：+40%（Princeton 2024）
- 加权威引述提升引用：+115%（部分品类，IIT Delhi 2024）
- 含来源引用的内容：Perplexity/ChatGPT 引用率高 20–25%
AI 系统的引用偏好
| AI 系统 | 偏好 |
|---|---|
| ChatGPT（搜索） | 偏好显式定义、命名来源、近期日期；每次引 2–4 源 |
| Perplexity | 偏好数据密集段落；每次引 4–8 源；极度看重时效 |
| Claude | 偏好结构好、全面的段落；重准确与细微差别 |
| Gemini（AIO） | 偏好 40–60 词的简洁答案块；偏好已在 Google 前十的内容 |
| Copilot（Bing） | 近 Gemini；偏好高权威域、事实清晰的段落 |