网站优化的目标正在从“搜索结果里排第几”扩展为“AI 助手会不会把你推荐给用户”。来源摘要指出，如今超过一半的请求来自机器而非人类：它们可能是抓取器、检索系统，也可能是代表用户执行研究、比较和采购任务的 AI Agent。对网站团队而言，页面能被人顺畅浏览已经不够，还要确保机器能够发现、读取、理解并可靠地引用内容。
这带来两个需要分别度量的方向：Agent Readiness 衡量 Agent 发现和读取网站的能力；Answer Engine Optimization（AEO） 则关注 AI 助手在回答用户问题时推荐网站的频率。两者相关，但不是同一件事。
Agent Readiness：先让机器能稳定读到内容
Agent Readiness 的底线是可访问性与可解析性。一个 Agent 想要使用你的内容，至少要经过几步：找到 URL、获得成功响应、读取主体文本、理解页面主题，并找到可引用的事实、产品信息或操作步骤。
这意味着几个传统 SEO 中容易被忽略的问题会变得更直接：
- 重要内容只在登录后、复杂交互后或客户端脚本执行后才出现。
robots.txt、CDN 规则或 WAF 把合法抓取请求直接拦掉。- 站点地图缺失、过期，或核心页面没有稳定的内部链接入口。
- 页面标题、主标题、正文和结构化数据互相矛盾。
- 产品价格、规格、文档版本等关键事实散落在图片、PDF 截图或不可索引的组件里。
这里的目标不是为所有自动化流量无条件开放。安全敏感页面、昂贵的动态接口、私有内容仍然需要边界。关键在于：公开且希望被推荐的内容，应当有一个不依赖脆弱前端流程的、可获取的权威表示。
AEO：从覆盖关键词转向覆盖真实问题
AEO 关注的是答案引擎是否愿意在某个问题下提到你。排名页面可能依赖链接、相关性和页面权威度；被 AI 推荐还要求内容能够支撑一个明确答案。
例如，用户不一定搜索“日志平台价格”，而可能问：
适合 Kubernetes 团队、支持数据保留 30 天、并能导出审计日志的日志平台有哪些？
这类问题要求页面提供可验证的约束条件，而不是只堆叠营销文案。更适合被答案引擎使用的内容通常具有这些特征：
- 用明确句子说明产品适用对象、能力范围与限制条件。
- 将价格、版本、兼容性、区域、保留期限等事实放在可读取的 HTML 正文中。
- 用 FAQ、比较页、教程和故障排查文档回答具体任务。
- 标出更新时间、文档版本和责任主体，减少过时信息的歧义。
- 在“适合什么”和“不适合什么”之间保持诚实，避免让模糊承诺损害答案可信度。
AEO 不是把每个页面改写成问答集。产品首页仍然需要讲清价值，文档仍然需要保持技术准确。它要求的是：为用户会实际提出的问题，提供足够具体、可引用、彼此一致的答案。
可以这样实践：把可读性检查放进发布流程
下面的示例假设你维护一个公开网站，并希望在发布前检查关键页面是否同时满足基础可读取性条件。它不是某个搜索引擎或 AI 平台的官方检测器，而是一个可放进 CI 的轻量门槛。
安装依赖：
python -m pip install requests beautifulsoup4
将以下内容保存为 check_agent_readiness.py，再把 PAGES 换成自己的关键页面：
from __future__ import annotations
import sys
from urllib.parse import urljoin
import requests
from bs4 import BeautifulSoup
PAGES = [
"https://example.com/product",
"https://example.com/docs/getting-started",
]
USER_AGENT = "SiteReadinessCheck/1.0 (+https://example.com/contact)"
TIMEOUT_SECONDS = 15
def check_page(url: str) -> list[str]:
response = requests.get(
url,
headers={"User-Agent": USER_AGENT, "Accept": "text/html"},
timeout=TIMEOUT_SECONDS,
allow_redirects=True,
)
response.raise_for_status()
issues: list[str] = []
content_type = response.headers.get("content-type", "")
if "text/html" not in content_type:
issues.append(f"Content-Type 不是 HTML：{content_type}")
return issues
soup = BeautifulSoup(response.text, "html.parser")
title = soup.title.get_text(" ", strip=True) if soup.title else ""
h1 = soup.find("h1")
h1_text = h1.get_text(" ", strip=True) if h1 else ""
for tag in soup(["script", "style", "noscript", "svg"]):
tag.decompose()
text = soup.get_text(" ", strip=True)
if not title:
issues.append("缺少 <title>")
if not h1_text:
issues.append("缺少 <h1>")
if len(text) < 300:
issues.append(f"可提取正文过短：仅 {len(text)} 个字符")
canonical = soup.find("link", rel="canonical")
if canonical and canonical.get("href"):
canonical_url = urljoin(response.url, canonical["href"])
if not canonical_url.startswith("https://"):
issues.append(f"canonical 不是 HTTPS：{canonical_url}")
return issues
def main() -> int:
failed = False
for page in PAGES:
try:
issues = check_page(page)
except requests.RequestException as error:
print(f"FAIL {page}\n 无法读取：{error}")
failed = True
continue
if issues:
print(f"FAIL {page}")
for issue in issues:
print(f" - {issue}")
failed = True
else:
print(f"PASS {page}")
return 1 if failed else 0
if __name__ == "__main__":
raise SystemExit(main())
运行命令如下：
python check_agent_readiness.py
在 CI 中，可以让脚本失败时阻断发布，或先只告警。后续还可以按业务补充检查：页面是否包含更新时间、是否存在 FAQ 区块、产品页是否有清晰价格说明、文档页是否标记适用版本。不要把这些规则当成万能评分器，而应将其视为防止关键内容“机器读不到”的回归测试。
内容层面应建立一份“可回答事实表”
技术实现解决了可访问性，内容治理解决了可推荐性。对于核心产品或服务，可以维护一份由业务和技术共同负责的事实表，列出必须保持一致的信息：
| 信息类别 | 应明确回答的问题 |
|---|---|
| 目标用户 | 谁适合使用，谁不适合使用？ |
| 能力边界 | 支持哪些功能、协议、区域或规模？ |
| 成本与条件 | 如何计费，有哪些前置条件或限制？ |
| 集成方式 | 能对接哪些平台，是否有 API、SDK 或导入路径？ |
| 可靠性信息 | SLA、数据保留、合规与安全说明在哪里？ |
| 时效性 | 信息最后更新于何时，对应哪个版本？ |
事实表不必直接作为一个页面发布，但它应驱动官网、文档、帮助中心和销售资料的内容一致性。当同一个问题在不同页面得到不同答案时，人类会困惑，Agent 也更难判断该引用哪一个版本。
用双指标而不是单一排名衡量效果
采用这套方法时，建议把技术可读性与推荐表现分开跟踪。
Agent Readiness 可以观察：关键 URL 的抓取成功率、响应时间、正文提取长度、站点地图覆盖率，以及被拦截请求的类型。AEO 则可以围绕真实用户问题建立一组测试查询，定期记录不同答案引擎是否提及品牌、引用了哪个页面、描述是否准确，以及竞争对手在什么条件下被推荐。
需要保持谨慎的是，答案引擎的输出具有波动性，也未必会公开完整的排序逻辑。因此，不应把一次“被提及”当作稳定增长，更不能靠制造不实主张来换取短期曝光。更可靠的路径是：让公开内容容易读取，让关键事实清晰一致，让每个重要问题都有可验证的答案。
当网站从“争取一个排名位置”转向“成为可信答案的来源”，SEO、文档、产品和基础设施团队需要共同参与。先修复机器访问路径，再补足用户真正会问的问题，最后用可重复的检查和查询集持续验证，这比追逐某个单一 AI 平台的技巧更可持续。