信息架构完整指南：8步从设计到落地+5大失败原因排查

一句话结论：看到对手某个词排第一，就写一篇更长更全的同题文章去盖它，这套打法早就不灵了，原因是搜索引擎和AI评估一个页面时，越来越不看你覆盖了多少，而看你相对于它已经见过的所有内容，多贡献了什么别处没有的东西。覆盖度是有上限的公共品，前十名加起来早把常识讲完了，你再讲一遍只是第N份拷贝，边际价值接近零。真正能让一个页面被排上、被AI引用并署名的，是它提供了结果集里别人没有的那一块——第一手数据、反常识结论、更强的可落地性、被系统性忽略的边界。这篇把信息增益的机制讲清楚，告诉你增量从哪几个真实维度产生、动笔前怎么盘、怎么别把它做成又一个能刷的指标。

有个动作几乎每个做内容的人都干过：盯上一个有价值的关键词，把当前排在前面的几篇挨个看一遍，然后写一篇“集大成”的——他们讲了的我都讲，再多加几个小标题、补一段常见问答、配一张目录，争取在篇幅和全面性上压过所有人。发出去，等。结果常常是石沉大海，或者短暂动一下又掉回去。这不是执行不到位，是这套以“更全更长”取胜的逻辑，本身已经和现在搜索引擎、AI的评估方式对不上了。要把这件事讲明白，得先搞清楚一个被很多人挂在嘴边、却很少有人讲透的机制：信息增益。

信息增益到底指什么，又不该被理解成什么？

先去掉神秘感。信息增益不是某个藏在算法里、有个具体数值、你优化几下就能拉高的“分数”。把它当成一个可以单独去刷的指标，方向从一开始就错了。它更准确的样子，是搜索引擎和AI在判断一个页面值不值得排上去、值不值得被引用时，背后那一组机制的统称——这组机制做的事情，是衡量你这个页面相对于系统已经索引过、已经见过的海量内容，多带来了什么。

换个角度说，系统看你的页面，不是孤立地看它写得好不好，而是把它放进“关于这个查询，我已经知道的一切”这个背景里看：你说的这些，是已经被前面十篇讲烂了的，还是有它们都没有的东西？一个把前十名观点重新组织、换种说法复述一遍、没有任何新增的页面，写得再流畅、结构再漂亮，对系统而言的边际价值也接近于零，因为它没有让“关于这个问题人类已有的答案”变得更完整一点。理解这一点，是理解后面所有结论的地基。

为什么“写得更全更长”会越来越不灵？

这套打法曾经管用，是因为早期搜索更看重覆盖度和篇幅的代理信号。但它有个根本的天花板，现在被几股力量同时压下来了。

覆盖度是有上限的公共品

对任何一个成熟话题，排在前面的那些页面合起来，已经把常识性的内容覆盖得差不多了。覆盖度这种东西像公共品——第一个把它讲全的人贡献很大，第十个再讲一遍贡献几乎为零，因为那些信息已经在结果集里了。你以为自己写了一篇“最全的”，系统看到的是“第十一份大同小异的全”。它要的从来不是十一份雷同的完整，而是这个查询的结果集里，观点、事实、视角的多样性。

去重与有用内容机制在主动压制复述

这些年搜索方对“把别人说过的话重新包装一遍”的内容越来越不客气。系统性地复述、缺乏第一手经验、为覆盖而覆盖的页面，本来就是有用内容这类评估要打压的典型。你那篇“更全的”如果实质是高质量的复述，恰好命中的就是被压制的特征，篇幅越长，反而越像在堆。

AI摘要时代把这件事放大到极致

这是最关键的一股力量。当用户的问题被AI一句话答完，雷同的来源之间是互相抵消的——十篇内容讲的是同一套，AI综合完只需要其中能讲清楚的一两篇，剩下八九篇连被点开的机会都没有，更别说被署名引用。在这种格局下，一个页面能不能被单独拎出来引用，几乎完全取决于它有没有提供别处答不出来的那一块。没有增量的内容，在纯搜索时代还能靠覆盖度蹭点流量，在AI答案时代是直接出局。

这也解释了开头那个常见现象——发出去石沉大海，或者短暂动一下又掉回去。短暂上去，常常是新内容有过一段被试探性给量的窗口；掉回去，是系统在那段时间里比对了它和已有结果集，发现它没贡献新东西，于是把临时给的位置收了回去。很多人把这解读成“可能是没做外链”“可能是更新频率不够”，反复在这些末端信号上加码，却始终没回答那个根上的问题：相对结果集，这一篇到底多了什么。绕开这个问题做的所有努力，都是在给一篇注定被追平的复述续命。

搜索引擎和AI是怎么“看见”雷同与增量的？

不必把内部算法说得神乎其神，但机制层面的大致样子值得讲清楚，因为它能解释为什么有些操作根本没用。现代搜索和AI处理内容，很大程度上是在一个语义空间里看的——意思相近的内容，在这个空间里会挤在一起。十篇讲同一套观点的文章，哪怕用词不同、排版各异，在这个空间里也彼此高度靠近，系统能很轻松地认出它们说的是一回事，于是其中大部分对“回答这个问题”的边际贡献趋近于零。这就是为什么换个说法复述、调整段落顺序、把同义词替换一遍这类操作完全没用：它们在表面上变了，在语义空间里还是原地踏步。

反过来，一篇内容如果带着别处没有的事实或判断，它在这个空间里就会落在一个相对孤立、别人覆盖不到的位置。系统在组织结果集、或者在拼一个AI答案时，是有意要覆盖到不同位置以保证答案完整和多样的，于是那个占据独特位置的内容，会因为不可替代而被选中、被引用。专利文档里描述的那种对“信息增益”的评分，更多是在已经召回的一批内容里做的一种排序后处理——先有候选，再看谁带来了别人没有的增量——这进一步印证了一件事：你得先有那块别人没有的东西，机制才有东西可识别，没有的话，再怎么优化排序信号也轮不到你。

真正的增量信息，能从哪几个维度产生？

关键问题来了：不靠注水、不靠生造，实质的增量到底从哪来。这里不是玄学，是有具体维度的，每一个都对应一种系统确实看重、别人确实难复制的东西。下面七个维度逐个说清机制，以及怎么判断自己这篇到底有没有摸到它。

第一手数据与实测

你自己跑出来的数字、亲手测过的结果、真实环境里观察到的现象，是最硬的一种增量，因为在你做这件事之前，这些数据在全网根本不存在，谁也复述不走、AI也合成不出来。它的稀缺性是结构性的——别人想要，只能自己再去做一遍。自查的方法很简单：把文章里的关键数字逐个圈出来，问每一个是不是来自你自己的测量或观察，如果全是从别处搬来的二手数字，这一维度你就是空的。

反常识结论与失败案例

绝大多数内容只敢讲“应该怎么做”，极少有人老实写“我们就这么做了，结果翻车了，根因是什么”。失败的细节、踩坑的代价、和主流说法相反却被验证过的结论，是结果集里最稀缺的视角，因为它有讲出来的成本，多数人不愿付。自查方法：通篇找一下，有没有至少一处是和排在前面那几篇的主流结论相左、且你能拿出依据的；一处都没有，说明你只是在和声，没有提供新的判断。

新的综合与判断

单点信息往往别处都有，但把分散在很多地方的碎片，第一次组织成一个能拿来做决定的判断框架，这个连接和取舍是你的增量。系统看重的不只是信息本身，还有“把它们串成可用判断”这层加工，这恰恰是纯复述给不出来的。自查方法：问自己这篇有没有一个别人没提出过的框架或判断主线，还是只是把已有观点按目录摆了一遍。

被系统性忽略的边界与例外

所有人都在讲主线场景顺利时怎么做，几乎没人讲边界条件、例外情况、这套方法什么时候会失效、什么前提下结论会反转。补上这块，等于补上了整个结果集的盲区，而盲区往往正是用户真正卡住、最想找答案的地方。自查方法：看文章里有没有明确的“什么情况下这条不成立”，只有正面结论、没有边界，说明你停在了所有人都停的地方。

可落地性的跃升

别人停在“是什么、为什么”，你给出能照着一步步复现的“具体怎么做、中途会遇到什么、怎么验证对没对”。从知道到能做之间那段，绝大多数内容是空的，把它填实就是实打实的增量，而且这种增量很难被泛泛复述抄走，因为它要求作者真做过完整一遍。自查方法：把你的步骤交给一个没做过的人，他能不能照着走通，走不通说明你写的还是概念不是做法。

时效性的真实跟进

别人的内容停在某个旧版本、旧规则、旧数据上，而你跟进了真实发生的变化，并讲清楚这个变化对原来结论的影响。这是一种会随时间不断再生的增量——只要世界在变，旧内容就在持续过期，谁先认真跟进谁就有新东西。自查方法：确认你写的是“截至现在的真实情况和它和过去的差异”，而不是把一篇旧文换个日期。

特定人群或场景的纵深

通用内容满天飞，但“在某个非常具体的处境下，这件事到底该怎么办”往往没人愿意挖到底，因为受众窄、写起来费劲。把范围主动收窄、在窄场景里挖到别人没到的深度，对那批人来说，你这篇的价值高到无可替代，这本身就是强增量。自查方法：问这篇是不是真的为某个具体人群解决到底了，还是又一篇谁看都行、谁看都不解渴的通用稿。

这七个维度有个共同点：它们要么来自你真做过、真测过、真踩过，要么来自别人偷懒没做的深挖，没有一个是靠把文章拉长、把小标题加多能变出来的。这恰恰说明，增量是个生产问题，不是排版问题——这也决定了它没法靠收尾时的优化补救，只能在选题和素材阶段就解决。

动笔之前，怎么判断这篇到底有没有增量？

最省事也最该做的一步，是在写之前就把这件事问清楚，而不是写完发出去靠运气。方法很笨但很有效，可以叫它增量盘点。

把当前排在前面的那几篇认真读完，不是扫一眼，是把它们的核心论点、给出的事实、用的视角逐条列出来，拼成一张“关于这个查询，结果集里已经有的东西”的清单。然后问自己一个很硬的问题：我这篇能往这张清单上添加，而它们都没有的，具体是哪几条？把它逐条写下来。如果你能清清楚楚写出三条以上、属于前面那些真实增量维度的东西，这篇值得写；如果憋了半天只能写出“我会讲得更清楚”“我会更全面”这种话，那说明你没有增量，这时候正确的动作不是硬写，是要么换一个能产生增量的角度，要么干脆别写——硬写出来的，就是那篇会石沉大海的“第十一份全”。

这个判断和站内话题撞车时该合并还是另写是一脉相承的，区别在于那是站内层面的重复问题，而增量盘点针对的是你这一篇相对整个结果集的边际价值，是单页机制层的判断，动笔前就该过这一关。

篇幅和增量，到底是什么关系？

这里要把一个被绑了很多年的东西彻底解开：内容长度和内容价值，没有必然关系。

长本身不是问题，没有增量的长才是问题。一篇两千字、但通篇是别处没有的第一手实测和反常识结论的内容，可以稳稳赢过一篇一万字、却全是常识复述加目录加问答堆出来的“大全”。反过来也成立：如果一个话题确实需要很长才能讲透，而每一段都在贡献别处没有的东西，那它就该那么长。问题从来不是字数，是单位篇幅里的增量密度。用字数、小标题数量、目录深度这些去当全面性的KPI，是把代理指标当成了目标本身，最后写出来的是“看起来很全、读完什么新东西都没记住”的内容——这种内容现在不只是没用，是被用户和AI同时惩罚的，因为它浪费了所有人的时间。

增量会随时间被抹平吗，怎么维护？

这里有个很多人没意识到的性质：增量是相对的，不是绝对的。你今天写出一篇带着独有第一手结论的内容，它的增量是相对当下结果集而言的；一旦别人跟进、把你那块也讲了，甚至AI把它学进了通用回答里，你这篇相对结果集的增量就被慢慢抹平了，哪怕你一个字没改。这解释了一个常见困惑——为什么有些内容明明没动，排名和被引用却慢慢往下走。这不是单纯的流量自然衰退，那是另一套机制；这里是你的差异化优势被结果集追平了，是增量层面的衰减。

所以有增量的内容也需要维护，但维护的正确含义不是“定期加点字”，而是定期重新做一次增量盘点：现在再看这个查询的结果集，我这篇当初独有的那几条，还独有吗？哪几条已经被人追上、变成常识了，哪些新的空白又出现了。维护动作应该是补上新的增量、替换掉已经变common的部分，而不是机械地把篇幅再撑大。把这件事和内容资产的盘点、衰退分级放在一起做效率最高，但要清楚你盯的指标不一样——那套盯的是流量和价值衰退，这里盯的是“我相对结果集还剩多少别人没有的东西”。两条线一起看，才知道一篇内容到底是该补增量、该合并、还是该退役。

在AI和GEO的格局下，这件事被放大成了什么？

前面提过AI摘要会让雷同来源互相抵消，这里把这条机制讲到底，因为它正在重新定义“被看见”意味着什么。

检索增强式的回答，本质是把多篇内容里的信息抽出来、压成一个答案。在这个过程里，提供同一套信息的来源是高度可替换的——系统从十个说同样话的来源里挑一两个就够了，其余的贡献为零。唯一不可替换的，是那个提供了别人都没有的那一块的来源：当答案里某个关键事实、某个反常识结论只有你讲过，系统要给出这部分，就绕不开你，引用和署名自然落到你头上。所以在GEO语境下，“被引用”这件事可以被翻译成一句很朴素的话——你贡献了这个答案里别处没有的一块。这和单纯把主题权威做到位还不一样：权威做到位却仍然不被选，很多时候恰恰是因为你权威归权威，但这一篇没有提供增量，关于这个具体问题，别人已经把能说的说完了。主题权威是入场资格，单页增量才是被这一次答案选中的理由。

怎么系统性地生产增量，而不是靠碰运气？

如果增量是个生产问题，那它就不能靠某个作者灵光一现，得有让增量稳定流出来的机制。否则就是好的时候撞上一篇有增量，差的时候一连串复述，全凭运气。

第一件事是把选题的判断方向倒过来。常见做法是先看哪个词搜索量大、然后想办法写一篇，这套路天然导向复述，因为搜索量大的词早被覆盖透了。正确的方向是反过来从“我们手里有什么别人没有的”出发：哪些数据只有我们有、哪些复盘只有我们经历过、客户反复问而公开内容答不好的是什么——从这些地方倒推选题，增量是天生就带着的，不是事后硬挤的。第二件事是把第一手素材当成一条要专门运营的管线。实测结果、项目复盘、销售和客服对话、内部踩坑记录，这些是增量的原矿，但它们默认是散落、会蒸发的，得有人定期把它们收集、结构化、变成可写的素材，而不是等要写了才临时去翻。第三件事是改激励。如果团队考核的是发了多少篇，产出必然滑向高产量的复述；要让被引用、被独立提及、那几条独有结论的可见度，进到评价里，作者才有动力去做更难但有增量的内容。第四件事是把增量写进内容简报：每篇动工前，简报里就该有一栏明确写清这篇的增量是什么、来自哪个维度，写不出就别立项。这件事和内容简报、生产规范是同一套工程里的，区别是简报解决“怎么把要求传达清楚不返工”，这里强调的是简报里必须有“增量”这一必填项，否则规范做得再细，产出的也只是规范化的复述。

信息增益，怎么和几个长得像的概念区分开？

这个概念特别容易和另外几个混，混了就会拿错方法去解决问题。逐个划清楚。

用一句话串起来：可提取性保证你“能被读到”，重复内容处理保证你“不被当副本丢掉”，主题权威保证你“有资格进候选”，而信息增益决定的是“这一次到底选不选你、引不引用你”。前面几样都做好了却还是不行，问题往往就出在最后这一项——这一篇没有给出别人没有的东西。站内多页内耗那种情况，要走自相残杀的诊断与合并思路，可以参考关键词自相残杀那篇，那是另一类问题；机器抽不抽得到，是可提取性工程那篇的范畴；权威做到位仍不被选的更深原因，主题权威极限那篇讲得更透，本篇只补单页增量这一层。

认错的代价是实打实的，举个常见的误诊：一篇内容排不上，团队第一反应是“结构不够清晰、机器抽不干净”，于是花大力气改HTML语义、加标记、调层级，做完发现还是不动——因为它本来就抽得到，问题是抽出来的东西和别人一模一样，是增量缺失被误当成了可提取性问题。另一种误诊是把它当站内自相残杀，去做页面合并，合并完两篇变一篇，那一篇相对结果集还是没有增量，内耗解决了，没被选的根因一点没动。判断的口诀很简单：先确认抽得到、不是副本、站内不互相打架，这些都没问题却仍然不被选，几乎可以锁定是这一篇没有提供别人没有的东西——这时候唯一有效的动作是回到选题和素材去补增量，在结构和技术上再使劲都是南辕北辙。

为什么“伪增量”比没有增量更危险？

看懂了增量这么重要，有人会动一个危险的念头：那我编一个和大家不一样的结论不就行了。这是这套思路里最该被警告的歧路。没有增量，最坏不过是这篇被埋掉，是机会成本；伪增量是主动失实，代价完全不是一个量级。

机制上它会连环出事。一旦那个为了不一样而硬造的结论被读者或同行识破，受损的不只是这一页——你这个作者、这个站点的整体可信度会被连带怀疑，读者会回头重新打量你别的内容是不是也在编，这种信任崩塌是很难修回来的。更隐蔽的一层是，如果这种失实内容真的被AI当作增量学了进去并对外引用，等于你借系统的嘴在传播一个错的东西，等它被发现并被纠偏，反噬会更重，因为你不再只是“没价值”，而是“被标记为不可信来源”。还有一种常见的软性伪增量也要警惕：把别人也讲过的东西，包装成“只有我发现了的独家洞察”，本质是复述穿了件差异化的外衣，这种自欺会让团队以为自己有增量，从而停止真正的深挖。真增量必须来自你真做过、真测过、真想清楚的东西，它的对立面不是“平庸”，是“失实”，而失实是这门手艺里唯一不能碰的红线。

一个真实的盘整过程长什么样？

有家做出海工业设备的公司，自建了内容站，主打各类设备的选型和应用指南。负责内容的人很拼，每篇选型指南都写得比同行长、参数列得比谁都全，可大半年下来核心词排名一直卡在第二三页上不去，团队的判断是“写得还不够全”，于是又往里加参数、加品牌、加目录。

把那批文章和排在前面的对手内容并排读一遍，问题一下就清楚了：他们那些“最全”的指南，本质是把各家厂商官网的参数和说明重新组织了一遍，逻辑通顺、排版整齐，但里面没有一句是“我们实际把这台设备用在某种工况下，结果如何、哪里和参数表对不上、什么情况下会出问题”。也就是说，相对于结果集，这些页面的增量接近于零——它们覆盖的东西，前面那几篇早覆盖完了。改的方向不是再加内容，是换内容的来源：基于真实工况的实测表现、按使用环境给出的选型取舍、明确写出某些设备在什么条件下会翻车的失败教训，把那些厂商参数表里永远不会写、用户却最想知道的东西补上。结构没大动，篇幅甚至比原来还短了一些，但每一段都在贡献别处没有的判断。

这个诊断本身就是前面那套方法的现场演示。当时做的第一件事不是改稿，是把他们那篇和排在前面的几篇并排，做了一次减法测试——把所有重合内容划掉，结果他们那篇几乎不剩什么能独立成立的东西，而对手那几篇划完还各自留着一块自己的判断。这一下就定了性：问题不在写得不够全，恰恰在于全部都是别人也有的全，增量留存比接近零。后续的重写，本质就是按那七个维度里他们真正能拿出来的两三个（第一手实测、失败工况、按环境的选型判断）去重建，而不是再往那张已经满了的覆盖度清单上加东西。方法不是事后总结出来好看的，是当时就这么一步步走的。

变化是逐步发生的：那批被重写的页面先是停止下滑，随后核心词开始往第一页爬，再往后团队注意到，有人在AI工具里问相关设备怎么选时，答案开始引用他们写的那些工况结论——因为那部分内容，AI在别处确实找不到。这里不报具体名次和涨幅，因为同期站点也在做别的事，把单一数字归因到这一项不诚实；但机制是确定的：内容从复述变成增量，系统才有理由选你。客户型上这是个出海B2B工业设备站，换个完全不同的型机制也一样——一个做户外装备测评的内容媒体，靠的是把装备真带去恶劣环境用到坏的实测数据建立增量；一个在线教育平台的知识内容，靠的是把大量学习者真实卡点和走过的弯路系统化，这些都是别人复述不走的东西，型不同，逻辑完全一致。

哪些是最容易踩、又听起来很合理的坑？

• 照搬摩天大楼打法——“比第一名更长更全”这套，在覆盖度已饱和、AI会去重的今天，产出的基本就是会石沉大海的复述。
• 拿字数和小标题数当全面性KPI——把代理指标当目标，写出“看着很全、读完没记住任何新东西”的内容，被用户和AI同时惩罚。
• 用AI大批量生成同题内容——规模化生成的同题内容增量天然趋零，还集中命中低质判定，是在反方向用力。
• 以为加目录加问答就叫增量——这些是结构和可读性改善，不是新信息，结果集里没多出任何别处没有的东西。
• 只盯单页不看结果集——评估自己内容时不去读前面那几篇，等于闭着眼判断有没有增量，多半是自我感觉良好。
• 为了差异化生造结论——这是最危险的一种。没有真实增量就编一个反常识结论出来，伪增量比没有增量更糟，因为它失实，一旦被识破，连带整页和品牌的可信度。

不靠流量，怎么判断一篇的增量到底立没立住？

用总流量判断一篇内容的增量行不行，会严重误导，因为流量受太多别的因素影响，且反馈很慢，等流量给出信号，黄花菜都凉了。要换一组更直接、更早的信号。

第一个是被引用与被署名：拿这篇覆盖的那几个核心问题去问主流AI，看答案里会不会引用到你，尤其是那几条只有你讲过的结论有没有被原样采纳。如果AI在讲到那块时绕不开你，说明你的增量是实打实立住了的。第二个是被他人主动引用和提及：有没有别的内容在讨论这个话题时，把你那篇当作某个结论的出处来引，这是结果集里其他人对你增量的投票。第三个是独有结论的可见度：你那几条独有判断里的特征说法，在搜索里是不是能定位回你，能，说明这块在结果集里仍是你的。第四个是减法测试的留存比：定期把这篇和当下排在前面的几篇重新比对，划掉所有重合内容后还剩多少独立成立的东西，这个比例如果在下降，说明你的增量正在被结果集追平，该补新的了。这四个信号合起来，能让你在流量给出反馈之前，就判断这篇到底有没有真正贡献别处没有的东西，以及它还能撑多久。

怎么把增量这件事变成可执行的工序？

光懂机制没用，得能落到每一篇的流程里。三个动作，前中后各一个。

动笔前，做增量盘点：读完结果集前几名，列出已有清单，写下自己能新增的三条以上实质增量，写不出就换角度或不写。写作中，每写完一个核心段落，停一下问一句：这段讲的东西，前面那几篇里有没有？有，就要么删掉，要么改写成你独有的视角，别让复述占据篇幅。评审时，做一个减法测试：假设把这篇里所有和前十名重复的内容都划掉，剩下的还能不能独立成立、还有没有价值。剩得下扎实的一块，这篇就有底气；划完几乎不剩，说明它本质是复述，再改结构也救不回来。把这三个动作固定进流程，比记住一百条写作技巧都管用，因为它直接卡在价值的源头，而不是末端的修饰。

最后收束成一句话：在覆盖度早已饱和、AI会把雷同来源互相抵消的今天，决定一篇内容命运的不再是它讲得多全，而是它相对于这个世界已有的答案，多贡献了哪一块别处没有、又站得住的东西。把这件事想清楚、并且把它前置到选题和素材环节，比在文末做任何优化都重要——因为增量是没法在收尾时补出来的，它要么在你动笔之前就有，要么这篇从一开始就注定是结果集里第N份多余的拷贝。这不是又一条技巧，是这门手艺现在的地基。

常见问题解答

信息增益是不是Google某个可以优化的具体排名分数？

不该这么理解。它不是一个能单独去刷的数值，而是搜索引擎和AI评估页面相对已有内容贡献了多少新东西的一组机制统称。把它当可调指标，方向就错了，正确做法是真的去产生别处没有的内容。

那是不是文章越短越好，长内容已经没意义了？

不是。长短和价值没必然关系，没增量的长才是问题。话题确实需要很长才能讲透、且每段都在贡献新东西，它就该那么长。要盯的是单位篇幅里的增量密度，不是字数本身。

我没有第一手数据，是不是就没法做出增量？

第一手数据是最硬的一种，但不是唯一。反常识结论、失败案例、新的判断框架、被忽略的边界、可落地性跃升、时效跟进、特定场景纵深，都是真实增量来源。没数据就从这些没人愿意深挖的方向切。

动笔前怎么快速判断一个选题有没有增量？

把排在前面的几篇读完，逐条列出他们已有的论点和事实，再写下你能新增、他们都没有的具体几条。能写出三条以上扎实增量就值得做，只能写出“我会更全更清楚”就说明没有，该换角度或放弃。

用AI辅助写作，会不会天然没有信息增益？

用AI复述公开内容，几乎必然零增量还容易踩低质判定。但AI用来帮你整理自己的第一手数据、梳理失败复盘、组织独有判断是另一回事，关键不在用不用AI，在最终内容里有没有别处不存在的那一块。

为了和别人不一样，故意写个反常识结论行不行？

不行，这是最危险的做法。没有真实依据硬造的反常识结论是伪增量，比没有增量更糟，因为它失实。一旦被识破，整页和品牌的可信度一起赔进去。增量必须来自真实的东西，不能是为差异化生造的。