从一次 Google 收录危机开始,我做了 IndexFlow-core

这个项目不是从一个“我想做一个 SEO 工具”的想法开始的。 它开始于一次真实的网站事故,以及一个后来一直困扰我的问题:我怎么知道一个 URL 到底有没有被搜索引擎正确理解、抓取和收录? 一个看起来进展顺利的网站 6 月中下旬,我上线了一个由 AI 构建的资源网站。网站的 URL 数量很多,同时提供多种语言版本,因此从一开始,我就知道搜索引擎流量会是它非常重要的一部分。 刚上线的时候,一切看起来都不错。Google 能够正常抓取页面,也开始逐步收录。到 7 月初,Google 给出的抓取预算一度达到每天大约 12 万次。对于一个刚上线不久的独立项目来说,这个信号相当令人兴奋:至少搜索引擎正在发现它、访问它。 但问题很快出现了。 从 Cloudflare Workers 的 500 错误开始 后来我发现,网站运行在 Cloudflare Workers 上时,受到了 50ms CPU 时间限制的影响。部分请求无法在限制内完成,最终产生了大量 500 错误。 这不只是一个普通的运行时问题。搜索引擎访问到的是错误页面,原本应该被稳定访问的 URL 变得不稳定。抓取预算、服务器响应和页面可用性之间开始互相影响。 我随后把网站迁移到了服务器上,希望先解决稳定性问题。服务器确实缓解了 Workers 的限制,但新的问题又出现了:前后端分离的维护复杂度很高。为了修复一个问题,往往要同时检查接口、渲染、部署和不同语言页面之间的关系。 在这段迁移和维护过程中,Google 的收录和曝光出现了断崖式下降,最后几乎接近 0。 我曾经以为是 Google 惩罚了网站 当一个网站的抓取和曝光突然归零时,人很容易先寻找一个简单的解释。 是不是被 Google 惩罚了?是不是被封禁了?是不是网站的某些内容触发了 Sandbox?是不是 AI 构建的网站天然不被信任? 我花了不少时间研究 SEO、Google Search Console 的数据、抓取行为、索引状态和各种可能的原因。这个过程没有一个立刻能让人安心的答案,因为“页面可以访问”“Google 抓取过页面”和“页面出现在搜索结果里”,其实是三件不同的事情。 这也是我后来反复确认的一点: 被抓取,不等于被收录;被收录,也不等于能够获得曝光。 如果只看服务器日志,知道 Googlebot 访问过某个 URL,可能会误以为这条 URL 已经完成了 SEO 工作。但实际情况可能是:页面返回过错误、质量检查没有通过、搜索引擎暂时没有把它加入索引,或者它已经收录却没有获得有效排名。 ...

2026年9月10日 · 2 分钟 · 张三疯的风
从用户问题到 AI 推荐和内容策略的 GEO 三步循环

如何让 AI 推荐你的产品?一个简单的三步方法论

很多人理解 GEO(Generative Engine Optimization)时,会把重点放在“怎样让 AI 记住我的产品”。但更实际的问题是:当用户把寻找产品的任务交给 AI 时,AI 会如何理解这个问题,又会如何找到产品? 围绕这个问题,可以用一个简单的三步方法开始。 一、反推用户会如何向 AI 提问 先不要从产品自己的关键词出发,而要站在用户的角度,想象他们会怎样描述需求。 他们可能不会直接搜索你的产品名,而是提出类似这样的问题: 我想解决某个具体问题,有哪些工具适合我? 哪些产品适合某类用户或某种使用场景? 这几款产品有什么区别,应该怎么选? 把这些问题按用户目标、使用场景和比较意图整理出来。它们比单独罗列产品特性更接近真实的 AI 对话,也更能帮助你判断应该创作什么内容。 二、真实提问,观察 AI 如何理解问题 有了问题清单之后,直接把问题交给 AI,而不是猜测它会怎样回答。 重点观察三件事: AI 如何理解用户真正想解决的问题; AI 会把哪些词当作搜索关键词,或者用哪些角度组织检索; AI 引用了哪些网页、产品和内容,它为什么认为这些结果相关。 这一步的价值不只是看自己的产品有没有被提到。即使没有被推荐,答案中的产品列表、引用来源和缺失信息,也能告诉你 AI 当前如何理解这个领域,以及用户还缺少哪些解释。 建议保存每次提问的完整问题、回答、引用链接和日期。不同模型、不同表述和不同时间可能会产生不同结果,记录下来才能进行比较。 三、整理结果,交给 AI 分析 把前面的提问记录整理成一份材料,再交给 AI 做结构化分析。可以让它回答: 哪些用户问题反复出现? 哪些关键词和使用场景值得覆盖? 被引用的页面有什么共同特点? 我们的内容缺少哪些定义、比较或事实说明? 接下来应该创作哪些页面,并在哪里发布? 分析结果最终应该落到具体行动上:补充产品页面中的解释,创建回答真实问题的文章,制作清晰的比较和使用指南,再选择用户会看到这些内容的渠道发布。 这不是一次性的优化,而是一个循环:反推、提问、总结,然后根据新的观察继续反推。 GEO 的核心并不是简单地堆砌关键词,也不是要求 AI 机械地推荐某个产品。它真正研究的是:当用户把寻找产品的任务交给 AI 之后,AI 如何理解需求、检索信息、判断相关性,并最终找到产品。理解这个过程,才能把内容和产品信息放到更可能被发现的位置。

2026年9月10日 · 1 分钟 · 张三疯的风