结构化数据如何影响 AI 搜索推荐？我测了 Schema Markup 的真实效果

大家都知道 Schema Markup 对 Google 有用，但在 AI 搜索引擎里呢？我花了两周测试，结论出乎意料。

背景

做过 SEO 的都知道 Schema Markup（结构化数据标记）。给网页加上 JSON-LD 格式的结构化数据，Google 就能更好地理解你的内容，显示 Rich Snippets。

但 2026 年有个新问题：AI 搜索引擎（ChatGPT、Perplexity、DeepSeek）在爬取和推荐内容时，会不会参考 Schema Markup？

这个问题很少有人系统测试过。大多数 GEO（Generative Engine Optimization）文章都在讲"写好内容就行"，但作为工程师，我想要数据。

实验设计

测试方法

我选了自己的 SaaS 产品页面和博客，分三组做 A/B 测试：

• A 组：纯内容页面，无 Schema Markup
• B 组：添加基础 Schema（Organization、WebSite、Article）
• C 组：添加深度 Schema（Product、SoftwareApplication、FAQ、HowTo、Review）

每组 5 个页面，等待两周让 AI 引擎重新索引后测试。

Schema 示例

C 组的 SoftwareApplication Schema 长这样：

{
  "@context": "https://schema.org",
  "@type": "SoftwareApplication",
  "name": "GEO Boost",
  "applicationCategory": "BusinessApplication",
  "operatingSystem": "Web",
  "offers": {
    "@type": "Offer",
    "price": "49",
    "priceCurrency": "USD"
  },
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.7",
    "reviewCount": "128"
  },
  "featureList": [
    "AI search visibility tracking",
    "Multi-engine citation monitoring",
    "Competitor AI ranking analysis",
    "Automated GEO audit"
  ]
}

测试 Prompt

对每组页面，我用 50 个 Prompt 在 5 个 AI 引擎上查询：

"推荐一个 GEO 优化工具"
"有哪些工具可以监控品牌在 AI 搜索中的表现"
"SaaS 产品如何提高在 ChatGPT 中的曝光"

测试结果

被引用次数（50 次查询 × 5 个引擎 = 250 次查询/组）

分组	被引用次数	引用率
A 组（无 Schema）	12 次	4.8%
B 组（基础 Schema）	18 次	7.2%
C 组（深度 Schema）	31 次	12.4%

C 组的引用率是 A 组的 2.6 倍。

各引擎差异

AI 引擎	A 组	B 组	C 组	Schema 增益
ChatGPT-4o	3	4	8	+167%
Perplexity	4	6	10	+150%
DeepSeek	2	3	5	+150%
Google AI	2	3	5	+150%
Kimi	1	2	3	+200%

关键发现

1. FAQ Schema 效果最明显：带 FAQ 结构化数据的页面，在问答类 Prompt 中被引用的概率高 3 倍。AI 引擎天然偏爱 Q&A 格式。

2. Product/SoftwareApplication Schema 影响推荐列表：当用户问"推荐 XX 工具"时，有产品 Schema 的页面更容易被列入推荐清单。

3. Review + AggregateRating 增加可信度引用：AI 引擎倾向于引用有评分数据的产品。"4.7 分，128 条评价" 这种信息会被直接引用到回答中。

4. HowTo Schema 提升教程类引用：当用户问"如何做 XX"时，有 HowTo 结构化数据的页面更容易被选中。

为什么 Schema Markup 会影响 AI 搜索？

技术原理其实不复杂：

1. 降低解析成本

AI 引擎爬取网页后需要理解内容。结构化数据是机器可读的格式，省去了 NLP 解析的不确定性。比如：

纯文本："我们的工具售价 49 美元，有 128 个用户评价，平均评分 4.7"
Schema："price": "49", "reviewCount": "128", "ratingValue": "4.7"

后者零歧义，直接提取。

2. 信息密度更高

一个 SoftwareApplication Schema 包含名称、功能列表、价格、评分、系统要求等结构化字段。AI 引擎可以直接用这些数据构建推荐回答，不需要从长文本中挖掘。

3. 可验证性

结构化数据遵循 schema.org 标准，有明确的字段定义。AI 引擎可以交叉验证不同来源的数据一致性，提高引用置信度。

实操建议

基于测试结果，给出具体的实施优先级：

第一优先：FAQ Schema

{
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "GEO 优化是什么？",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "GEO（Generative Engine Optimization）是针对 AI 搜索引擎的优化策略..."
      }
    }
  ]
}

为什么：AI 引擎 60% 以上的查询是问答形式。FAQ 直接匹配这个模式。

第二优先：Product / SoftwareApplication Schema

让 AI 引擎知道你是谁、做什么、多少钱。这些信息在"推荐 XX 工具"类查询中至关重要。

第三优先：Article + Author Schema

{
  "@type": "Article",
  "author": {
    "@type": "Person",
    "name": "...",
    "url": "https://...",
    "sameAs": ["https://github.com/...", "https://twitter.com/..."]
  }
}

建立作者权威性。AI 引擎倾向于引用有明确作者信息的内容。

工具推荐

做 GEO 审计不只是加 Schema，还需要监控 AI 搜索引擎的引用变化。我自己用 GEO Boost 来追踪：

• 品牌在各 AI 引擎的被引用情况
• Schema 变更后的引用率变化
• 竞品的 AI 搜索表现对比

数据驱动，不猜。

总结

优化项	难度	效果	优先级
FAQ Schema	⭐⭐	⭐⭐⭐⭐⭐	P0
Product Schema	⭐⭐	⭐⭐⭐⭐	P1
Article + Author	⭐	⭐⭐⭐	P2
HowTo Schema	⭐⭐	⭐⭐⭐	P2
Review/Rating	⭐⭐⭐	⭐⭐⭐⭐	P1

关键结论：结构化数据不只是 Google SEO 的事。在 AI 搜索时代，Schema Markup 是被 AI 引擎"理解"和"推荐"的基础设施。投入产出比很高，建议每个做 GEO 的团队都把 Schema 优化列入必做项。

---

如果你对 GEO 优化感兴趣，可以看我之前的文章：

• 100 个 Prompt 测试 AI 搜索推荐逻辑
• AI 搜索竞品分析：传统工具的盲区