优化 Google AI Overviews：2025 实操指南

上周二我刷新一个 B2B 客户的 Search Console，看到了让我得读两遍的数据。

他们的核心商业关键词排在 #1。9 个月稳定不动。精选摘要（Featured Snippet）。People-Also-Ask 框。该有的全有。

Google 在 30 天前开始为这个查询展示 AI Overviews，他们的点击量掉了 41%。 展示量没变。排名没变。点击量掉进了悬崖。

这就是 SERP 的新形态：排在 #1 已经不是过去那个意思了。在 #1 自然结果之上，Google 现在有时会投放一个 AI Overview，展开后占 1,700 像素的高度——把蓝色链接往下推 140%。用户拿到一个综合性的答案和几个引用链接，往往一个都不点，直接走人。

如果你 2025 年还在做 SEO 但没有专门为 AI Overviews 做优化，你其实在为一个正在被悄悄替换掉的搜索体验做优化。这篇文章是我目前给客户用的实操指南——7 个步骤，按顺序来，把你从"排名好但不可见"带到"被 AI 框引用"。

2025 年的 AI Overviews 到底是什么（不是什么）

在讲战术之前先把概念对齐，因为现在还很多人分不清。

AI Overviews 是 Google 在 SERP 顶部展示的 AI 生成摘要。 它会从多个网页源综合一个答案，引用它用到的来源，并让用户继续追问。它由 Gemini 加检索增强生成（RAG）驱动——Google 从索引里检索段落，评分，然后让 Gemini 写出一段连贯的回答。

2025 年中的现状：

• 覆盖范围： AI Overviews 月活用户已达 15 亿，出现在约 15% 的 Google 搜索中。触发概率因查询类型而异——信息型查询最惨，商业型查询相对少。
• 像素占用： 展开后，AI Overview 把自然结果往下推超过 140%。用户必须主动滚动才能看到蓝色链接。
• 点击率影响： Ahrefs 对 30 万个关键词的研究显示，AI Overview 出现时，平均自然点击率（CTR）下降 34.5%。对于排名靠前的页面，冲击往往更大，因为 AI 框正好盖在它们上面。
• 点击集中度： AI Overview 里的引用链接拿到绝大多数点击。每个概览通常引用 3–8 个来源，它们分到了（缩小后的）点击池里的大部分。不被引用 = 不可见。

这不是趋势。这是 2025 年 Google 搜索的量产现实。

AI Overviews 如何挑选引用源

想要被引用，你得理解筛选机制。AI Overviews 走三个阶段，你的内容得过三关：

1. 资格筛选。 Google 从主索引里拉，但会加额外的门槛——高 E-E-A-T（经验、专业性、权威性、可信度）信号、结构化数据、主题权威性、内容时效性。过不了这关的页面根本没机会被引用。

2. 检索。 对合格的候选集，Google 检索那些语义匹配问题的段落（不是整页）。向量嵌入做匹配，意思是你的精确关键词没那么重要，段落的语义完整性更重要。

3. 引用评分。 检索到的段落会按权威性、事实具体性、归因清晰度、独立成答案的能力打分。只有评分最高的 3–8 个段落在文中被引用。

两个实际含义：

• 你不一定要自然排 #1 才能被 AI Overview 引用。 排在第二页的页面有时反而被引用，因为它的段落恰好是某个子问题的最佳匹配。反过来，#1 排名也不保证被引用——如果你的段落很泛。
• 被引用 ≠ 被点击。 被引用的页面分到了剩下点击的大头，但整体点击池小得多。先优化引用，把点击当下游的bonus。

7 步实操指南

这些是有顺序的。跳着做第 6 步不先做第 1 步不会有效果。后果自负。

步骤 1：在前 100 词内先给答案

这是杠杆最大的单一改动。大多数文章都把答案藏起来。AI Overviews 不会等你。

能用的模式： 开篇用 1-3 句话直接回答 H2 的问题，然后再展开。不要铺垫。不要"建立上下文"。直接给答案。

举个例子，目标是"如何用 AI 做关键词研究"的文章：

AI 关键词研究是用大语言模型把种子词扩展成几百个语义相关查询，再按搜索意图聚类。 2025 年最快的方法：给 Claude 或 ChatGPT 一个 20 词的种子词列表加一个清晰的用户画像，让它做按意图分组的扩展，再用 Ahrefs 或 Semrush 数据验证结果。

第二句就是你的"答案"。如果 AI Overview 爬虫只读到这一段，它就有一个可引用的、具体的、含具名来源的答案可以抓。

最常见的错误：文章开头先写三段背景，读者还不知道文章在讲什么，AI 检索系统也几乎不会读到第一段之后。藏起答案 = 丢引用。

步骤 2：把问题本身做成 H2

每个信息型小节的 H2 应该是用户（或 AI）会问的那个问题。不是什么聪明的改写。不是话题标签。就是问题本身。

有效的：

• "AI Overviews 如何挑选引用源？"
• "AI Overviews 和精选摘要有什么区别？"
• "结构化数据对 AI Overview 引用有帮助吗？"

无效的：

• "引用机制"（太笼统）
• "理解来源选择"（不是问题）
• "为什么 AI Overviews 对 SEO 重要"（在问问题，不在给答案）

这不只对 AI 有好处。Google 自己的质量评估指南强调，高质量页面应该"完整满足用户的查询"——最清晰的信号就是把用户真正问的问题原样做成标题。

额外动作： 在每个问题型 H2 下面放一行 TL;DR 或"关键要点"提示。AI Overviews 最爱这种，因为它们是预格式化的、可直接提取的答案。

步骤 3：写可引用的句子，不是泛泛的论断

泛泛的话不会被引用。具体、可归因的话才会。区别在哪：

泛泛（不会被引用）：

AI 正在改变人们搜索信息的方式。

可引用（会被引用）：

根据 SparkToro 2025 年对 120 万条查询的分析，零点击搜索现在占所有 Google 搜索的 60%——相比 2022 年的 50% 显著上升。

可引用的版本有：

• 具名来源（SparkToro）
• 具体数字（60%、120 万条查询、50%）
• 明确时间（2025、2022）
• 可验证的论断

这才是 AI Overviews 会抓的语言。泛泛的版本听起来对但只是观点；AI 没有理由引用它，因为自己就能写出同样的句子。

经验法则： 每个关键小节里，每 3-4 句话应该有一句"可引用句子"——含具名来源、数字、日期的论断。每篇长文 5-10 句就够了。

步骤 4：为目标查询建立主题权威集群

单篇文章很难独立赢得 AI Overview 引用。Google 检索系统会为主题权威性加权——围绕一个主题有多个互相链接的深度文章。

我给目标商业或信息型主题用的结构：

• 1 个支柱页面——全面、3000 字以上、瞄准头部词。充当权威锚点。
• 5-8 个集群文章——每个瞄准支柱下的一个具体长尾子问题。每篇都链接回支柱和两到三个兄弟集群文章。
• 支柱上加 FAQ schema——把每个常见子问题配一个 2-4 句的直接回答。

为什么对 AI Overviews 有效： Google 检索系统把集群当作"你的站点有深度可被引用"的信号。一篇单独回答"什么是 X"的文章可能是一次巧合。围绕"X"主题的 8 篇文章集群才是专业性。

具体案例：一个卖项目管理软件的客户原本没有围绕"敏捷项目管理"的内容集群。我们建了 7 篇覆盖子问题（方法论、工具、常见错误、怎么选等）的文章，互相链接到一个支柱。4 个月内，支柱文章在 4 个不同长尾查询的 AI Overviews 里被引用——不只是头部词。

步骤 5：加结构化数据，对齐 AI 检索

结构化数据（Schema.org 标记）本身不会直接带来引用，但它让你的内容以匹配 AI Overview 解析方式的形式变得机器可读。

2025 年对 AI Overview 引用最关键的三个 schema：

• FAQ schema——用于 Q&A 内容。AI Overviews 经常用 FAQ 结构的内容，因为 Q&A 格式正是它们的检索系统在找的。
• HowTo schema——用于步骤化内容。教程、流程、操作步骤。
• 带作者标记的 Article schema——把内容和带资质、sameAs 链接（LinkedIn、Google Scholar、Twitter）的具名作者绑定。AI Overviews 给作者权威性加权。

还有 Speakable schema（给语音搜索/AI 助手朗读答案用）和 Organization schema（用于实体合法性），但上面三个对 2025 年 AI Overview 引用的直接效果最明显。

实施注意： 用 JSON-LD 格式（Google 偏好），用 Google 的 Rich Results Test 验证，不要乱加。每个页面应该有真实描述其内容的 schema——给非 FAQ 页面加 FAQ schema 是质量违规。

步骤 6：在网上赢得品牌提及和引用

这是慢的、不性感的、但会复利的一步。

AI Overviews 信任在更广的网络上被提及和引用的内容——即使那些站点没链向你。检索系统有一个"共识"检查：如果多个独立来源都提到你的品牌或你的数据，AI 会把你的内容视为更权威。

具体动作：

• 让你的原始数据被引用。 你发布调研、基准或分析后，把它推给行业媒体和 newsletter。越多第三方站点引用你的数据，AI Overviews 越可能引用原始来源。
• 给记者贡献专家语录。 HARO（Help A Reporter Out）、Qwoted、SourceBottle 这些平台把记者和专家对接起来。在 TechCrunch 或纽约时报的一处引用，能在长时间内产生几十次 AI Overview 引用。
• 被列入行业 roundup。 如果你的品牌稳定出现在权威站点的"最佳 X 工具"清单上，AI Overviews 会把它当作佐证信号。
• 如果够格，建一个 Wikipedia 词条。 Wikipedia 在 Google 知识图谱中权重很高。如果你的品牌或产品有知名度且符合显著性要求，Wikipedia 页面是个长期投资。

这不是一个月的项目。这是 6-12 个月的复利游戏。但它是 AI 时代搜索里最坚固的护城河。

步骤 7：衡量引用率，而不只是排名

你无法优化你不测量的东西，而传统排名追踪漏掉了最重要的指标：你有没有被 AI Overviews 引用？

我在 2025 年用的衡量栈：

• Google Search Console 的 AI Overview 过滤器。 截至 2025 年中，GSC 有了专门的 AI Overview 性能过滤器。它展示触发 AI Overview 的查询的展示量、点击量、CTR。用它。这是唯一的官方一手数据。
• 手动抽查。 每两周，把你的 20 个目标查询在无痕/隐私窗口的 Google 里跑一遍。记录哪些竞品被引用、哪些来源出现、哪些段落被拉出来。做成表格。一个月内规律就出来了。
• 第三方 AI 可见度工具。 Profound、Otterly、Semrush 的 AI Overview 追踪器都在快速成熟。不完美，但能把抽查扩展到几百个查询。
• 引荐流量监测。 在分析工具里看来自 google.com 且看起来像 AI Overview 引用的引荐流量（长 query string、没有明显广告参数）。这是方向性的，不是精确的，但它告诉你引用有没有转化为点击。

汇报节奏： 按月跟踪引用率（被引用查询数 / 总目标查询数），不要按周。上面这套打法的引用增长要 4-8 周才能在数据上显现。

这一周我会怎么做

如果你读到这里想从具体的事情开始，下面是接下来 7 天我会按这个优先级排的顺序。不是完整落地——只是 ROI 最高的前几步。

第 1-2 天： 找出你的 10 个核心商业和信息型目标查询。在隐私窗口的 Google 里跑一遍。记录哪些查询触发了 AI Overviews、谁被引用。这就是你的基线。

第 3-4 天： 选 3 篇在这些话题上价值最高的文章。把每篇的前 100 词改写成以直接、具体、含具名来源的答案开头。加点 TL;DR 提示框。这是最快能看见的收益。

第 5-7 天： 给这 3 篇文章加 FAQ schema。覆盖 5 个最常见的子问题，每个用 2-3 句直接回答。用 Google 的 Rich Results Test 验证。这给 AI 检索搭好了干净提取的结构。

之后：集群扩展（步骤 4）和品牌提及建设（步骤 6）是需要几个月时间复利的长期动作。

思维转变

这套指南最难的部分不是技术，是观念。

15 年来，SEO 的成功意味着"排名更高"。你优化位置。你庆祝 #1 排名。你把自然流量作为北极星指标。

2025 年，成功意味着 "成为 AI 引用的信源"。 这是一个规则不同的游戏。位置对引用链接的点击率仍然重要，但根本的优化目标变了——你的内容能否通过检索筛选和引用评分。

2025 年搞懂这一点的品牌，会在接下来几年占据 SERP 上最有价值的领地——AI Overview 引用块。还在只优化蓝色链接排名的品牌，会看着流量慢慢被 Google 的答案吸走，却找不到清晰的信号解释原因。

从前 100 词的答案开始。剩下的指南都建立在这个基础之上。