SEO 从关键词匹配到数据库匹配的范式转变

在过去约二十年里,搜索一直运行在关键词对关键词的匹配模型上。用户输入一个关键词,网站围绕该关键词做优化,在外链与页面信号共同支撑下,匹配度最强的站点获得最靠前的排名。

当前可观察到的是一种逐渐偏离的趋势。搜索越来越不像关键词对关键词的匹配,而更像数据库对数据库的匹配。这一转变对基于位置的业务的影响,行业中大多数人尚未充分理解。

搜索者已携带一个数据库

这一转变中较少被讨论的一面,是用户侧发生的变化。当有人使用 AI 助手搜索时,他们不再只是在搜索框中输入一个关键词,而是带着一个塑造查询解读方式的个人上下文数据库进入搜索。

ChatGPT 的记忆功能会跨会话存储用户偏好、历史对话、已保存的事实与反复出现的主题。用户提问时,ChatGPT 会依据时效性、频次以及与存储记忆的上下文匹配度,对答案进行优先级排序。

Perplexity 的 AI Profiles 更进一步。用户会主动录入自己的位置、兴趣、饮食需求、偏好语言、沟通风格与个人背景。Perplexity 在搜索引擎启动之前,就已把这些上下文预加载进每一次查询。

ChatGPT 如今会共享实时位置以提供更精准的本地响应。Gemini 则接入了 Google 更广阔的用户信号生态。每一个 AI 搜索引擎都在每一次交互中积累一个更丰富、更个性化的用户数据库。

当查询发出时,AI 助手已经在基于一个结构化画像运作,其中包含用户是谁、用户在哪、以及用户通常在找什么。输入的不再是一个关键词,而是一个上下文数据集。

网站侧的等式

不对称正是在这里浮现。许多网站仍主要围绕关键词信号做优化:title 标签、meta description 与外链,这些在发现与信任建立中仍扮演一定角色。真正发育不足的,往往是 AI 系统用于理解并引用内容时所依赖的结构化数据层。

关键词表达的是:「本页面在讲停车场。」

数据库表达的是:「本场馆拥有 40 个停车位,位于纬度 41.9028、经度 12.4964。限高 2.1 米,每小时收费 3 欧元。最近的备选停车场位于东侧 200 米处。该物业步行 300 米内可达 12 家餐厅,位于 Trastevere 街区,步行 4 分钟可接入地铁 B 线。」

主题相同,但信号强度完全不同。

AI 搜索引擎越来越依赖实体抽取,而非单纯的文本模式匹配。它们从结构化数据中提取实体,并与用户上下文进行匹配。仅 Google 的知识图谱就包含约 1.6 万亿条关于 540 亿个实体的事实,由此可以大致感知 AI 系统匹配所面对的数据库规模。

当网站不以结构化、机器可读的形式暴露自身数据时,AI 难以将其纳入匹配流程。其后果并非排名下降,而是被纳入考虑的概率下降。

数据呈现的现象

关键词导向的内容与实体或结构化数据导向的内容之间,性能差异相当显著。一项针对 GPT-4 的研究显示,同一问题在有无结构化数据的情况下,正确响应率从 16% 提升至 54%。模型与问题保持一致,变化的是底层数据基础设施。

其他研究结论方向一致。Schema 标记与精选摘要出现率提升 677% 相关联;实体优化过的内容出现在精选摘要中的概率高出约 50%;对话式、结构化内容获得 AI 引用的比率约为传统关键词优化内容的 4 倍。

有一个数字尤其值得注意:AI Overview 引用中有 83.3% 来自传统自然搜索结果前 10 名以外的页面。

这表明传统自然排名与 AI 引用正在成为部分解耦的信号。在常规搜索中排名靠前的页面,不一定是被 AI 系统引用的页面。结构化且实体信息丰富的数据,在决定哪些页面被浮现方面的作用似乎正在扩大。

以实体优先策略为核心的案例研究记录到六个月内可见性提升高达 1400%,尽管这种量级的结果处于报告区间的高位端。

两个数据库对齐之时

当用户侧上下文与网站侧结构化数据高度对齐时,AI 无需过多推断或填补空白。它可以从网站中抽取结构化事实,与用户画像与意图进行比对,并以更高的置信度与准确性给出回答。

设想一位身在 Lisbon 的用户,其 Perplexity Profile 中包含偏好步行友好城市与户外咖啡馆的设置。他询问周末入住的安静街区推荐。

与其在文本中扫描「安静街区」这一短语,助手可以把已存储的偏好(步行性、户外座位、远程办公场景)与可用房源的结构化数据(等时步行距离、密度评分、周边咖啡馆数量、噪声水平、公交通达性)进行匹配。

在此场景下,通常浮现出来的房源不一定是营销文案最强或评价数最高的那一个,而是其结构化数据与用户上下文最接近对齐的那一个。

对企业的实用考量

1. 把网站视作一个数据库。 可以把每一页看作一组记录,而非一份营销文案。在这一视角下,每一条 FAQ 答案都是一则机器可读的事实,每一个字段都对应一项结构化数据点。面向位置的 FAQ 是切换这种思维的一个良好起点。

2. JSON-LD 作为标准格式。 在实施结构化数据的网站中,约 70% 使用 JSON-LD,主要原因在于它是 AI 系统抽取摩擦最小的格式。JSON-LD 在 AI 识别方面也已被证明比 microdata 高出约 60% 的有效性。核心实体如企业、位置、服务、FAQ、产品与活动等,都能从用对应的 schema 包装中获益。字段级细节详见我们的指南:JSON-LD schema for local business AI citations。

3. 位置实体优先。 对基于位置的业务而言,JSON-LD schema 中的 geo 字段权重尤为突出。坐标、服务范围、营业时间、公交通达性与街区上下文,可把一个普通地址升级为机器可读的位置实体。MapAtlas GeoEnrich 生成填充这些字段所需的经核验周边数据,Geocoding 则可规模化将原始地址转换为精确坐标。

4. 跨平台数据一致性。 Google Business Profile、网站、Yelp 等来源之间的不一致,会降低 AI 系统中的置信度评分。跨平台的一致数据,其影响往往超过任何单一信号。NAP consistency for AI search 对此机制有更详细的拆解。

5. 审计当前的数据暴露情况。 先测量实际暴露给 AI 的是什么,通常是合适的起点。免费的 MapAtlas AEO Checker 会基于 29 项结构化信号评估一个房源页面,并高亮当前缺失的字段。

更宏观的转变

这一方向有一组一致的数据点作为支撑。AI 搜索流量同比增长约 721%。预计到 2026 年,约 30% 的搜索交互将通过 AI 完成。Gartner 预计传统搜索引擎的查询量可能下降约 25%,因为用户正逐步转向 AI 助手。

综合来看,这些趋势所指向的变化比新的 SEO 战术或 schema 实践的微调更具结构性。用户与企业之间的匹配机制,似乎正在更底层发生重构。

关键词 SEO 追求的是拿下某些具体查询,而实体级优化倾向于覆盖更广的主题范围。数据库对数据库的对齐作为一种新兴表述,关注的是用户上下文与企业结构化数据之间的完整对话。

对基于位置的业务而言,暴露干净的结构化数据,并让实体信息与 AI 系统阅读网页的方式对齐,将在未来几年成为发现战略中愈发关键的一环。

延伸阅读:

常见问题

「数据库对数据库」的 SEO 是什么意思?

它描述的是从传统搜索中的关键词对关键词匹配,向 AI 搜索中的实体对实体匹配的转变。用户通过 AI 助手发起查询时,已携带包含偏好、位置与上下文的结构化画像。网站则需要一层匹配的结构化数据,包括坐标、周边 POI、营业时间、街区上下文,AI 才能在生成答案时放心引用该网站。相关性的判定依据是两组数据集的对齐程度,而不是关键词在页面上出现的频次。

为什么只做关键词 SEO 的效果越来越差?

关键词 SEO 优化的是用户输入的某一短语。AI 助手不再基于单一短语运作,它会把存储记忆、画像数据、共享位置以及对话历史合并为一个上下文数据集。一个反复出现「安静街区」字样的页面,对 AI 提供的信息极为有限。而一个包含结构化步行性评分、噪声数据、公交通达性、周边咖啡馆距离的页面,则能在实体层面与用户上下文对齐,因而更可能被引用。

哪些结构化数据格式对 AI 引用最关键?

JSON-LD 是当前主导格式。已实施结构化数据的网站中约 70% 使用 JSON-LD,且在 AI 识别方面比 microdata 高出约 60% 的有效性。对于基于位置的业务,Schema.org 类型(如 LodgingBusiness、Hotel、Restaurant 与 LocalBusiness)中的 `geo`、`address`、`amenityFeature`、`nearbyAttraction` 和 `publicAccess` 等字段权重最高。

如何审计自有站点上的结构化数据?

可在 mapatlas.eu/aeo-checker 运行免费的 MapAtlas AEO Checker。它会基于 AI 系统用于引用决策的 29 项结构化信号对一个房源或门店页面进行评估,并指出哪些字段缺失、不完整,或与您的其他公开来源不一致。

对于基于位置的业务,影响最大的第一步是什么?

为每个门店或房源生成经过核验的周边清单。准确的周边 POI、公交距离与街区上下文,是 AI 助手将业务与对话式查询进行匹配时最常使用的字段,也是房源页面上最常缺失的字段。MapAtlas GeoEnrich 可规模化生成此类数据,便于直接嵌入 Schema.org 标记与页面文案中。