RAG系统按语义边界切片（通常300-800 token），所以每个问答必须自包含：问题标题用H2/H3，答案第一句给完整结论且包含主体名称（不用"它"、"该产品"等指代），答案控制在150字内避免被切断。测试方法：直接问Perplexity相关问题，看是否引用你的站点。

模块化 FAQ 设计：针对 AI 搜索引擎（Perplexity / ChatGPT）优化

AI 搜索的检索机制和 Google 不同

Google 的逻辑：给页面整体打分，排名靠前的页面获得点击。

AI 搜索（RAG）的逻辑：

1. 把页面内容切成小块（chunk），通常 300–800 token
2. 把用户问题和每个 chunk 做语义相似度匹配
3. 取最相关的几个 chunk 作为上下文
4. LLM 基于这些 chunk 生成答案，并标注来源

关键差异：AI 搜索引用的是片段，不是整个页面。你的内容能否被引用，取决于单个片段是否自包含且信息完整。

自包含原则：最重要的规则

一个 chunk 被提取出来后，会脱离页面上下文单独进入 LLM 的处理。如果这个 chunk 依赖前文才能理解，LLM 就无法用它回答问题。

错误示范（依赖上下文）

## 最高工作温度是多少？

它的标准版本可以在 -20°C 到 120°C 之间运行。如果超过这个范围，
需要选择高温版本。

问题：

• “它”是谁？chunk 被单独提取后，LLM 不知道这在说 CP-100 还是 CP-200
• 无法用来回答“CP-100 的最高工作温度是多少”

正确示范（自包含）

## What is the maximum operating temperature of the CP-100 centrifugal pump?

The CP-100 centrifugal pump operates at temperatures from -20°C to 120°C
(-4°F to 248°F) in its standard configuration. For applications exceeding
120°C, the CP-100 HT high-temperature version with upgraded mechanical
seals is rated to 180°C (356°F).

为什么正确：

• 问题标题包含完整主体名（CP-100 centrifugal pump）
• 答案第一句重复主体名，不用指代词
• 给出双单位（°C 和 °F），覆盖不同市场的搜索
• 即使这个 chunk 被单独提取，信息也完整可用

Chunk 长度控制

RAG 系统的切片大小通常是 300–800 token（约 200–600 英文词）。如果你的一个问答超过这个长度，可能被切成两半——答案的关键数字可能落在第二片，而第一片被检索到时不包含答案。

规范：

• 每个 FAQ 的答案控制在 80–150 词
• 如果内容需要更长，拆成多个独立的问答
• 最关键的信息（数字、结论）放在第一句

示例：拆分过长的问答

❌ 一个过长的问答：
## How do I select materials for chemical transfer pumps?
[400 词的详细说明，覆盖 SS316、Hastelloy、PVDF 三种材料]

✅ 拆成三个自包含的问答：
## What material should I use for sulfuric acid transfer pumps?
[100 词，专门讲硫酸]

## When should I specify Hastelloy instead of SS316 for chemical pumps?
[100 词，专门讲两种材料的对比]

## Is PVDF suitable for high-temperature chemical transfer?
[100 词，专门讲 PVDF]

拆分后，每个问答都有更高的被精准检索概率。

标题层级和格式

用 <h2> 或 <h3> 标签作为问题，不要用加粗文字。

✅ 正确：
## What certifications does the CP-200S carry?

❌ 错误：
**What certifications does the CP-200S carry?**

原因：RAG 系统在切片时，会优先在标题边界处切分。用标题标记的问答会被切成独立的 chunk；用加粗文字的问答可能和前后内容混在一个 chunk 里，稀释相关性。

答案的开头格式

不同问题类型有最优的答案开头格式：

数值和单位的写法

工业品的技术参数是 AI 搜索最常被问的内容。写法要考虑不同市场的单位习惯：

✅ 双单位并列：
Flow rate: 5–120 m³/h (22–528 GPM)
Temperature: -20°C to 120°C (-4°F to 248°F)
Pressure: 16 bar (232 PSI)

❌ 只给一种单位：
Flow rate: 5–120 m³/h

给双单位的好处：北美工程师搜 “GPM” 时也能匹配到你的内容。

行业标准引用（增强权威性）

在答案里引用行业标准，能显著提升被 AI 引用的概率——因为 LLM 倾向于选择有权威依据的内容：

## What surface finish is required for food-grade pumps?

Food-grade pumps require a surface roughness of Ra ≤ 0.8 μm on all
product-contact surfaces. This requirement is specified in 3-A Sanitary
Standards 02-11 and EHEDG Document 8 for hygienic equipment design.
Electropolishing to Ra ≤ 0.4 μm is recommended for aseptic applications.

引用了 3-A 和 EHEDG，LLM 在生成答案时会认为这是有据可依的信息。

测试你的内容是否被 AI 引用

方法一：直接问 Perplexity

访问 perplexity.ai，输入你的目标问题：

测试问题示例：
"What is the maximum operating temperature of AquaFlow CP-100 pump?"
"What material is best for sulfuric acid transfer pumps?"
"centrifugal pump selection criteria for chemical transfer"

看回答里是否引用了你的网站（Perplexity 会在答案下方列出来源链接）。

方法二：ChatGPT 搜索模式

在 ChatGPT 里开启搜索功能，问同样的问题，观察引用来源。

方法三：追踪 Referral 流量

在 GA4 里查看 Referrals，如果有来自 perplexity.ai、chat.openai.com、claude.ai 的流量，说明你的内容正在被 AI 搜索引用。

GEO 优化 Checklist

每个 FAQ 检查项：
□ 问题用 <h2> 或 <h3> 标签，不用加粗文字
□ 问题标题包含完整主体名（型号名/产品名）
□ 答案第一句包含主体名，不用"它"、"该产品"等指代
□ 答案第一句给出核心结论或数值
□ 答案长度 80–150 词（超长则拆分）
□ 技术参数给双单位（公制 + 英制）
□ 如适用，引用相关行业标准

页面层面：
□ FAQPage Schema 已注入
□ 参数表用原生 HTML <table> + <caption>
□ 在 Perplexity 测试过至少3个目标问题

自包含之后，还差一层：谁是基准版本

上面的自包含原则是块级的规范——保证单个 chunk 被单独提取后信息完整。

页面多起来之后会出现块级规范管不了的问题：同一个“CP-100 最高多少度”，型号页、应用页、旧博客各写了一遍，三处数字还不完全一样。三个 chunk 都自包含、都合规，但 LLM 一次检索全拿到，结果是要么随便挑一个、要么含糊其辞、要么引了那个错的。

被引用但信息错误，比完全不被引用更该优先处理——因为它在替你散播错误参数。

解法是给每个问题指定一个主答块（精确到 slug + anchor），其余页面上的同一条答案作为复述块从它派生，不手写。这套索引和它的审计方法见：

• GEO 意图注册表设计：问题、答案块与一致复述约束
• GEO 审计升级：从「结构合规」到「有没有被引用」

→ 行业标准引用策略：锚定 IEC / UL / ISO 权威上下文