当浏览器游戏只为AI搜索引擎优化，而非Google

传统SEO的攻略几乎都围绕一个受众展开——Google的爬虫。但搜索行为正在迁移到ChatGPT、Perplexity、Gemini和Copilot内部，这些引擎不做网页排名，而是提取并引用内容。一位开发者用免费HTML5游戏AgentSlash做了一次双轨优化实验，结果揭示了不少被忽视的细节。

传统SEO地基仍然有效

AgentSlash此前已经具备标准技术SEO配置：canonical标签、OG/Twitter卡片，以及VideoGame、FAQPage和BreadcrumbList结构化数据。这些是传统搜索多年奖励的基础设施，迁移到AI引擎时也几乎没有浪费。

据开发者观察，schema标记在AI引擎上的适配度接近一比一——因为它本身就是高度结构化的信息，AI爬虫可以干净地提取。这意味着已有的技术SEO投入并非沉没成本，而是新渠道的起点。

结构化数据（Schema Markup） 是一套由 Schema.org 定义的词汇表，通过 JSON-LD、Microdata 或 RDFa 嵌入网页，用机器可读的方式描述页面内容——例如这是一款游戏（VideoGame）、这些是问答对（FAQPage）、这条是面包屑路径（BreadcrumbList）。传统搜索引擎用它来生成富媒体摘要（如搜索结果的星级评分、FAQ 折叠面板），而 AI 引擎则更进一步，直接把这些结构化字段当作可信的事实来源抽取。原因在于 schema 本来就是「实体—属性—值」的干净三元组，无需经过语义解析或叙事推理，模型可以直接映射到答案槽位。这也是为什么 VideoGame、FAQPage 这类标记在迁移到 AI 搜索时几乎零损耗，而依赖上下文推断的营销文案则容易被忽略。

AI搜索额外要求的三件事

页面文案层面有三处调整被证明关键。

直接给出答案。每个章节现在都以一句话答案开头，然后才展开细节。比如"AgentSlash是一款免费浏览器游戏，你将失控的AI代理从空中斩落"这一句被前置，而不是埋在场景铺垫之后。AI引擎倾向于抓取明确的陈述句，而不是需要推理的叙事。

疑问句格式的标题。"什么是AgentSlash？""怎么玩AgentSlash？"被直接写成H2，匹配用户在ChatGPT和Perplexity中的真实提问方式。标题即问题，答案紧随其后，这种结构对提取式引擎非常友好。

/llms.txt文件与robots.txt检查。GPTBot、OAI-SearchBot、ClaudeBot、PerplexityBot、Google-Extended都需要被显式允许访问。不少默认的robots.txt配置会意外屏蔽这些爬虫，导致内容根本进不了AI索引。

/llms.txt 是 2024 年由 Jeremy Howard 等人提出的一项约定，放在网站根目录，用 Markdown 格式为大型语言模型提供一份精简的站点说明与关键链接索引，类似 robots.txt 面向爬虫、sitemap.xml 面向搜索引擎的定位。它不控制访问权限，而是主动向模型「投喂」最有价值的页面摘要，减少模型在杂乱 HTML 中迷失的概率。与之配合的 robots.txt 走的是相反逻辑：通过 User-agent 指令显式禁止或允许某个爬虫。GPTBot（OpenAI 训练与检索）、OAI-SearchBot（ChatGPT 搜索）、ClaudeBot、PerplexityBot、Google-Extended（Google 的 AI 训练，独立于 Googlebot）是当前最关键的几个标识。许多托管平台或模板生成的默认 robots.txt 会一刀切地 Disallow 所有爬虫，结果内容对 Googlebot 可见却对 AI 引擎完全隐形。

FAQ schema的意外作用

最令开发者意外的是FAQ schema对AI提取的价值远超预期。它本质上就是结构化的问答对，恰好是AI答案引擎想要提取和引用的形态。

更重要的是，页面上可见的FAQ文本与schema内容保持一致——而非只有schema没有对应文字——似乎能赢得这些引擎更高的信任。两者缺一不可，单独使用schema或单独铺文字，效果都不如组合。

答案引擎与排名引擎的核心差异在于输出形态：Google 返回十个蓝色链接，让用户自己点进去找答案；ChatGPT、Perplexity 则直接生成一段话，并附上引用来源。这种「提取—合成—归因」的流程决定了它们偏好自包含、可验证、粒度小的内容单元。一段需要跨段落推理才能得出结论的叙述，在提取阶段容易被截断或误读；而一句「X 是 Y，因为 Z」的独立陈述则可以被整块搬运。可见文本与 schema 一致之所以能建立信任，原理在于它提供了交叉验证信号：模型同时从渲染文本和结构化字段读到相同信息，冲突概率低，引用风险小。反之，如果 schema 声称有 FAQ 而页面看不见对应文字，会被视为「标记欺诈」，不仅不提升引用率，还可能降低整站可信度。

如何衡量AI搜索表现

目前还没有"ChatGPT是否提到我"的Search Console等价物，所以开发者采用手动追踪：列出10个玩家可能向AI助手提出的问题，每月在ChatGPT、Perplexity、Gemini和Copilot中各跑一遍，记录AgentSlash是否出现。如果不想手动操作，Otterly.AI等免费工具可以自动完成这一过程。

这套方法虽然原始，但至少提供了一个可对比的基线。对于想在AI搜索渠道建立可见性的开发者来说，这种手动追踪可能是现阶段唯一可行的起点。

完整页面可参考：instantgames.in/games/agentslash/

生成引擎优化（GEO，Generative Engine Optimization） 是 2023 年后逐渐成形的新领域，专门研究如何让内容被 LLM 驱动的答案引擎引用。它与传统 SEO 的关键指标差异明显：传统 SEO 看排名位置、点击率、展现量，GEO 目前只能看「是否被提及」「被引用时的上下文是否正面」「引用频次」。由于 ChatGPT 等产品不公开检索日志，也没有类似 Google Search Console 的官方后台，追踪手段只能依赖黑盒探测——用固定 prompt 反复查询、对比不同月份的输出差异。Otterly.AI、Peec AI、Profound 等工具正是把这一过程自动化，按品牌词批量跑 prompt 并记录出现率。方法的局限也很明显：模型版本更新、检索索引刷新、甚至同一 prompt 的随机采样都会造成结果波动，所以基线对比需要控制变量并长期观察。