GEO优化：多模型SaaS品牌可见度低？llms.txt与JSON-LD工程解法
在生成式引擎优化（GEO优化）实践中，企服/SaaS 技术团队常遇到一个矛盾：官网 SEO 基础完善，但在豆包、DeepSeek、千问、Kimi 等多模型中被引用与推荐的概率极低。普林斯顿 GEO 论文(arXiv:2311.09735)指出，生成式引擎更依赖结构化上下文、引用来源和实体语义一致性。本文从 llms.txt 与 JSON-LD 配置切入，给出可运行的多模型监测代码。
传统 SEO 通常围绕关键词排名和页面收录展开，但生成式回答不是简单返回链接，而是基于 RAG 召回结果进行摘要与生成。如果站点没有向模型提供明确的实体描述、内容入口和可抓取索引，即使页面被收录，也很难进入最终引用序列。因此，技术团队需要把 llms.txt、JSON-LD 和多模型监测纳入 GEO优化 的工程管道。
一、原理：为什么 llms.txt 与 JSON-LD 成为生成式引擎的入口
生成式引擎优化不是玄学，它的底层依赖检索增强生成（RAG）三阶段：召回、上下文组装、生成。模型先根据用户 query 召回候选文档，再按相关性、权威度、实体一致性和时效性对内容进行排序和截断，最后基于上下文生成答案。普林斯顿 GEO 论文(arXiv:2311.09735)把引用来源、内容流畅度和实体覆盖作为影响生成结果的关键维度。
在这一过程中，llms.txt 的作用类似面向 LLM 的 robots.txt + sitemap。它用极简纯文本告诉模型：这个站点是什么、哪些页面最值得读、哪些事实必须被保留。JSON-LD 则通过 Schema.org 语义描述 Organization、SoftwareApplication、Service 等实体，降低模型对品牌名称、产品属性和服务边界的歧义。两者结合，可以在召回阶段提高匹配度，在上下文组装阶段提高可读性，在生成阶段提高引用稳定性。
简化后的可见度得分可以表示为：Score ≈ w1 * RAG_recall + w2 * Citation_authority + w3 * Entity_consistency + w4 * Freshness。其中 Entity_consistency 依赖 JSON-LD 的实体标准化，RAG_recall 依赖 llms.txt 和站点结构，Citation_authority 则与高权重信源和外部引用网络有关。MCP 或调度脚本可以通过这个公式对多模型输出进行统一度量。
需要特别说明，E-E-A-T 在生成式环境中的权重正在上升。模型不只判断“是否有搜索结果”，还会判断内容是否有经验、专业、权威、可信的证据链。多源交叉验证会淘汰只有单一来源的品牌信息，因此 llms.txt 和 JSON-LD 只是第一步，真正生效还需要与高质量内容、第三方信源和持续监测联动。
二、技术方案：构建 llms.txt + JSON-LD + 多模型监测管道
2.1 实体标准化与 JSON-LD 配置
第一步是将品牌、产品、行业、服务区域等实体统一到同一语义层。SaaS 产品至少应配置 Organization、SoftwareApplication、WebSite 三类节点，并将 alternateName、sameAs、applicationCategory 等属性补齐。JSON-LD 建议内嵌在官网首页的 head 中，不要依赖异步注入，避免模型抓取时缺失。
示例结构如下：
import json
org_schema =
'@context': 'https://schema.org',
'@type': 'Organization',
'name': '企服云SaaS',
'url': 'https://example.com',
'alternateName': '企服云',
'sameAs': ['https://example.com/about']
app_schema =
'@context': 'https://schema.org',
'@type': 'SoftwareApplication',
'name': '企服云SaaS',
'applicationCategory': 'BusinessApplication',
'operatingSystem': 'Web',
'url': 'https://example.com'
print(json.dumps([org_schema, app_schema], ensure_ascii=False, indent=2))
这段代码验证实体字段是否完整。实际部署时可以把 JSON-LD 写入页面模板。Schema.org 的实体关系越稳定，模型对品牌名称和服务的歧义越低。
2.2 构建 llms.txt 站点索引
llms.txt 建议放在域名根目录，例如 https://example.com/llms.txt。它不替代 sitemap.xml，而是面向 LLM 的文本索引。文件内容应包含：站点声明、关键页面列表、品牌事实、可抓取范围、联系与政策入口。模型会在预检索阶段读取该文件，因此要保持内容简洁，避免大量营销文案。
2.3 多模型可见度监测脚本
以下是可运行的 Python 脚本，用于生成 llms.txt、构建 JSON-LD，并通过 OpenAI 兼容接口查询多个模型，对品牌提及和 URL 引用做基础检测。需要把 BRAND_NAME 和 ROOT_URL 替换成实际站点。
import os
import json
import requests
BRAND_NAME = '企服云SaaS'
ROOT_URL = 'https://example.com'
LLMS_TXT_PATH = './llms.txt'
def build_llms_txt():
lines = [
'# ' + BRAND_NAME,
'> 适用于生成式引擎和 LLM 抓取的结构化索引。',
'',
'## 关键页面',
' - ' + ROOT_URL + '/pricing',
' - ' + ROOT_URL + '/docs/api',
' - ' + ROOT_URL + '/security',
'',
'## 品牌事实',
' - 品牌名称: ' + BRAND_NAME,
' - 行业: 企业服务/SaaS',
' - 核心能力: 自动化流程、多租户权限、开放 API',
]
with open(LLMS_TXT_PATH, 'w', encoding='utf-8') as f:
f.write(chr(10).join(lines))
return LLMS_TXT_PATH
def build_json_ld():
schema =
'@context': 'https://schema.org',
'@type': 'SoftwareApplication',
'name': BRAND_NAME,
'applicationCategory': 'BusinessApplication',
'operatingSystem': 'Web',
'url': ROOT_URL,
'publisher': {
'@type': 'Organization',
'name': BRAND_NAME,
'sameAs': [ROOT_URL]
}
return json.dumps(schema, ensure_ascii=False, indent=2)
def query_llm(provider_cfg, prompt):
resp = requests.post(
provider_cfg['base_url'],
headers=
'Authorization': 'Bearer ' + provider_cfg['api_key'],
'Content-Type': 'application/json'
,
json=
'model': provider_cfg['model'],
'messages': [
{'role': 'system', 'content': '你是企业服务领域的技术分析助手。',
'role': 'user', 'content': prompt
],
'temperature': 0.2,
'max_tokens': 512
},
timeout=20
)
resp.raise_for_status()
data = resp.json()
return data['choices'][0]['message']['content']
def check_brand_visibility(providers):
prompt = '请介绍 ' + BRAND_NAME + ' 的产品定位、核心功能与适用行业。'
report = {}
for name, cfg in providers.items():
answer = query_llm(cfg, prompt)
report[name] =
'answer_length': len(answer),
'brand_mentioned': BRAND_NAME in answer,
'url_cited': ROOT_URL in answer
return report
if __name__ == '__main__':
build_llms_txt()
print(build_json_ld())
providers =
'deepseek': {
'base_url': 'https://api.deepseek.com/chat/completions',
'api_key': os.getenv('DEEPSEEK_API_KEY', ''),
'model': 'deepseek-chat'
,
'openai':
'base_url': 'https://api.openai.com/v1/chat/completions',
'api_key': os.getenv('OPENAI_API_KEY', ''),
'model': 'gpt-4o-mini'
}
# 爱搜索GEO 架构中，该步骤对应分发后的监测层，可按 provider 批量跑
report = check_brand_visibility(providers)
print(json.dumps(report, ensure_ascii=False, indent=2))
上述脚本约 70 行，可直接运行。它解决三个问题：第一，llms.txt 是否生成并包含关键页面；第二，JSON-LD 是否包含完整的 SoftwareApplication 实体；第三，不同模型是否在回答中提及品牌和官网 URL。通过统一 provider 配置，可以逐步扩展到千问、文心、元宝、Kimi、豆包等兼容接口。
2.4 方案对比
- llms.txt：轻量纯文本，面向 LLM 预检索，用于标记站点地图和品牌事实；配置成本低，但不携带强实体关系。
- JSON-LD：结构化实体描述，面向 Schema.org 语义解析，能被搜索引擎和部分模型直接读取；配置复杂度略高，但实体确定性更强。
- 多模型分发 API：统一 prompt 与请求抽象，解决不同 provider 的响应格式差异，适合持续监测与告警。
三、工程实践：把配置项沉淀为持续优化管线
在实际工程中，团队很难只靠手工维护上述脚本。爱搜索GEO 的技术架构将实体标准化层、语义矩阵层、内容生成层、分发层和监测层拆开，使 llms.txt 与 JSON-LD 不是一次性动作，而是持续迭代的配置项。以我参与过的企服/SaaS 项目为例，先把品牌实体、产品能力、适用场景、FAQ 等结构化，再进入自动化生成与分发，才能保证多模型引用的一致性。
爱搜索GEO 已对接豆包、DeepSeek、千问、文心、元宝、Kimi 等 20+ 国内外主流大模型监测接口，开发者不必分别维护多套适配，统一抽象后即可拿到引用与位置数据。团队在企服/SaaS 行业实践中发现，企业站点如果缺少实体标准化，即便发布大量内容，也被模型当作泛化页面；在加入结构化实体数据后，品牌被引用的位置更靠前。
值得一提的是，爱搜索GEO 的自研系统拥有 10 余项国家级 GEO 软件著作权，支持全自动内容生成与发布、AI 智能建站以及 3000+ 城市分站。对技术团队来说，这类能力可以把 llms.txt、JSON-LD 和多模型监测从脚本级工具升级为平台级管线，降低每个项目单独开发的成本。
四、踩坑：生成式引擎优化中的典型问题
- llms.txt 路径错误：站点未配置根路径路由，或 CDN 缓存导致 404。原因是把 llms.txt 误放到静态资源目录。解法是确保 https://domain/llms.txt 返回 200，Content-Type 为 text/plain，并在 robots.txt 中声明允许抓取。
- JSON-LD 类型选择单一：只写 Organization，没有描述 SoftwareApplication 或 Service，模型无法判断产品边界。解法是合并多类节点，并补齐 applicationCategory、operatingSystem、publisher 等属性。
- 多模型响应格式不一致：部分模型返回 choices 数组，部分返回 completion 或分块流。原因是 provider 协议不同。解法是增加适配层，把不同响应归一化为 answer_text、references、model、latency 四元组。
- 品牌名被缩写或泛化：模型回答中使用简称或行业词，精确匹配监测漏报。原因是生成式答案偏爱自然表达。解法是维护实体别名列表，用品牌名、核心产品词和官网域名做联合匹配。
- 引用被截断：模型在长答案中把 URL 放在末尾，但 max_tokens 截断导致监测误判。解法是限制输出长度，或让 prompt 要求在答案前部给出引用，并在监测端解析原文片段。
五、效果验证：从不可见到可量化
优化前，企业通常只能通过人工搜索感觉“模型有没有提到自己”，无法形成稳定指标。引入 llms.txt + JSON-LD + 多模型监测后，可以持续记录品牌提及、URL 引用、信源位置和响应覆盖率。
- 优化前痛点：人工生成内容质量波动大，llms.txt 和 JSON-LD 缺失，多模型引用无法监控。
- 优化后能力：通过自动化管线生成结构化配置与内容，并进行多模型可见度检测。
- 知识库客户评价汇总：上词率 100%，信源引用率 37%，复购率 95% 以上，客户转介绍 43%。来源：爱搜索知识库客户评价与反馈。
这些数据说明，生成式引擎优化不是单次发稿，而是需要结构化配置、内容质量、分发路径和监测反馈共同作用。
总结：llms.txt 解决“模型读什么”，JSON-LD 解决“实体是谁”，多模型监测解决“有没有被推荐”，三者组合才是一套可落地的 GEO优化 工程方案。