语义化HTML如何决定内容能否被搜索段落排名和AI答案抽取

摘要：页面排版美观，不代表内容能被机器干净地抽出来。搜索引擎的段落级排名和AI答案引擎抽取的对象，是页面里最能回答问题的那一段内容块，而非整页。这段内容能否被抽出来，取决于你的HTML有没有用结构标明哪一段是答案、哪一段是论据、哪一段是题外话，和你写得多深关系不大。靠div嵌套div、只靠视觉传达层级的页面，人读着顺，机器抽出来却混成一团。可提取性可以工程化，它同时影响搜索段落排名和AI引用，是当下投入产出比最高的on-page动作之一，但多数人还没有重视。

做内容的人多半遇到过这种情况：你写了一篇明显比对手详尽、专业的长文，对手那篇又短又浅，精选摘要和AI答案引用的却偏偏是它。你反复检查内容质量、关键词、外链，找不出原因，最后归结为“算法玄学”。

这通常与玄学无关，更可能的原因是：你的内容很好，但机器抽不干净。机器想从你的文章里找出能直接回答用户问题的那段话，结果答案埋在第六段中间、要依赖前文才说得通、被一张图拆成两半、外面还套了五层没有任何语义的div。对手那篇虽然浅，答案却就在小标题下第一句，能独立成立，结构清楚。机器做的是“抽取”，不是“阅读理解”，在抽取这件事上，结构清晰胜过内容深厚是常态。

本文要讲清楚“内容可提取性”这个常被低估的问题：机器怎样读你的页面、为什么它抽的是“块”而非“页”、让内容可被抽取的几条结构原则、哪些常见写法在不知不觉中破坏可提取性、语义HTML和结构化数据是什么关系、它和可访问性与性能又是什么关系，以及怎样把可提取性做成流程，而不是靠某个人临时想到。这件事不要求你写得更多，只要求把已经写好的内容组织成机器能读懂的结构。

先明确定位：可提取性不属于“锦上添花的优化项”，它和内容质量相互独立，同样决定成败。你可以内容很好、可提取性很差，也可以内容一般、可提取性极好；在“被搜索段落排名选中”和“被AI答案引用”这两件事上，后者经常胜出。本文唯一希望你接受的前提，是把它当作和写好内容同等重要的事；接受这一点后，剩下的都是可操作的工程动作。

内容质量与内容可提取性为什么要分开评估？

原因在于，人和机器读页面依据的是两套完全不同的东西。人读的是渲染后的视觉结果：字号大的是标题，加粗的是重点，空一行表示换了个意思，图文并排时会自动把两者关联起来。这些理解依赖视觉呈现，和底层用什么标签写几乎无关。

机器不看渲染结果，只看结构本身。你用视觉手段表达的层级和关系，比如这是标题、这是重点、这一段和上一段是并列还是递进，如果没有同时用结构表达出来，机器就拿不到。用大号粗体文字冒充的“标题”，人一眼就能认出，机器只看到一段加粗的普通文字，不知道这里开始了一个新章节。视觉和语义在你这边是统一的，因为大脑会自动补全；在机器那边两者是分开的，你没用结构表达的信息，对机器来说等于没有。

因此，“内容写得好”保证的是“人读了有收获”，完全不保证“机器能定位并抽出其中能回答问题的那一块”。后者是一个独立维度，可以单独做好，也可能单独做砸。很多专业内容在搜索和AI里吃亏，问题出在这个维度，而不在内容本身：作者默认“写好了机器自然懂”，而机器从来不按这种方式工作。

举一个具体场景。针对同一个问题，你写了一篇两千字的深度长文，正确答案在第六段第三句，前五段是行业背景、历史沿革和概念辨析，这句答案还带着“基于上面的分析”这样的前缀。对手只写了三百字，小标题就是这个问题，标题下第一句直接给出结论，干净利落。

机器要为这个问题找一段话，扫到对手的文章时，答案就在标题正下方，独立、完整，可以直接拿走；扫到你的文章时，它得先越过五段无关内容，才能找到那句残缺、依赖前文的答案。它会选哪一篇，结果很明显。你这次输掉的是“可被取用程度”，内容本身并没有输，而这两项能力可以分开训练。

搜索引擎和AI爬虫如何解析页面的DOM结构？

要做好可提取性，先要知道机器实际拿到的是什么。机器拿到的只是一棵结构树，不是你屏幕上看到的那个美观页面。

机器解析的是DOM结构树

机器解析的是文档的结构树，也就是DOM，即标签及其嵌套关系。它从这棵树里推断语义：遇到表示章节标题的标签，就知道这里开启了新主题；遇到表示列表的标签，就知道这是一组并列项；遇到表示主要内容区的标签，就知道这里才是正文，侧栏和页脚不算。CSS决定页面长什么样，机器基本不关心；它关心的是这棵树有没有表达出内容的角色和层级。

机器抽取内容前还有一个很多人不知道的步骤：先把“正文”和“模板噪声”分开。导航、侧栏、页脚、广告位、相关推荐、版权声明，这些每页都有、和本页主题无关的部分叫样板内容，机器会尽量剥掉它们，只在判定为正文主体的区域里找答案。它判定哪块是正文，很大程度上依靠语义结构。

如果你用明确表示“主内容区”的语义容器把正文包起来，机器剥离样板、定位正文就又快又准；如果整页从头到尾都是无差别的div，它只能靠启发式规则去猜哪块是正文，猜错的后果是：你真正的答案可能被当成噪声剥掉，或者一堆导航文字被当成正文混进它的理解里。用语义结构清楚地标出正文，能让机器在第一步就不出错。

在此之前还有一个更致命的问题：机器得先拿到这棵包含内容的树。如果关键内容是页面加载后由脚本注入的，而抓取程序没有执行脚本或执行得不充分，它拿到的就是一棵空树，内容根本不在里面，后面的结构优化都无从谈起。不同渲染方式决定了机器能否拿到内容，这是第一道门槛：AI搜索为什么会跳过你的站、不同渲染方式怎么决定段落级竞争讲的就是这个前提，内容不在初始树里，结构做得再好也没用。

标题树构成机器理解的文章大纲

在这棵树里，标题层级是机器理解文章结构最重要的线索。它会按层级抽出所有标题，拼成一份大纲，作为这篇文章的骨架。一级标题讲什么、下面分几个二级、每个二级又拆成几个三级，文章的主题和各部分的关系，机器主要依据这份大纲判断。

所以标题是交给机器的目录，不是排版装饰。如果标题层级是按“这里想要个大字”随手选的，比如该用下级却跳了级，或者只为好看把一句并非标题的话包进标题标签，你交给机器的就是一份错乱的目录。机器据此理解的文章结构和你真实想表达的结构对不上，后续所有内容定位都建立在这个错误的骨架上。把标题写对，是可提取性工作里性价比最高、也最常被敷衍的一步。

段落级排名和AI抽取为什么以内容块为单位？

传统理解中，搜索是“给页面排名”。但现在很大一部分场景，包括搜索的段落级排名、精选摘要和AI答案引擎，工作单位已经从“整页”变成“页面里的一个内容块”。系统要判断“用户这个具体问题由哪一段话回答最好”，再把那一段拿出来，可能展示成精选摘要，也可能合进AI答案并标注引用来源。

底层机制是，检索系统先把海量内容切成一个个块，再按块匹配和召回。切块按系统的规则进行，通常沿着结构边界（标题、段落、列表项）划分。所以块的边界实际上由你的结构画出：结构清晰，块就切得干净，一块对应一个完整意思；结构含糊，系统只能按长度硬切，常常把一个完整答案从中间截断，或把两个无关的意思放进同一块。

现代搜索甚至能把用户直接定位并高亮到页面里的具体段落，这种段落级深链同样要求那一段在结构上是能被精确指向的单元。怎么写才不会让深链失效，有专门的讲究：Google段落深链的最佳实践、前端怎么悄悄弄坏它，是“块要能被精确指向”这条原则的一个具体侧面。

一个观点如果埋在长段落中间，必须读完前面三句铺垫才说得通，切出来后就是残缺的，既匹配不上，也无法直接使用；一个观点如果是某个块的第一句，不依赖上下文也成立，切出来就是一个干净、可用、可引用的答案。同样的信息，前一种写法在“块”这个单位上几乎没有竞争力，后一种写法天然占优。

两种写法的差距，由整条排名流水线的运作方式决定。召回和段落定位发生在哪一层、为什么“能否被干净切块”会直接影响你能不能进入候选，可以顺着这条线理解：搜索排名的召回到重排四层流水线是怎么运转的。明确了“单位是块”，下面的结构原则就有了出发点：你要做的是制造一个个能独立成立、能被干净抽取的块，而不只是排版一篇文章。

提升内容可提取性的结构原则有哪些？

把“制造可被抽取的块”落实为可执行的原则，主要有以下几条。它们不要求改内容，只要求改组织方式。

答案先行，每个块的第一句能独立成立

每个小节的第一句，应当直接回答这一节的核心问题，并且脱离上下文也能读懂。先给结论，再展开论据、条件和例外。这样做既节省读者的时间，也把“最该被抽取的那句”放在机器最容易定位、切出来最完整的位置。把答案藏在层层铺垫之后、到最后才揭晓，在阅读上能制造悬念，在可提取性上却是灾难：机器切到的很可能只是你的铺垫。

一个内容块只回答一个问题，别把三个意思塞进一段

理想情况下，一个段落、一个小节只服务一个明确的问题。如果把“是什么、为什么、怎么做”三件事揉进同一大段，机器无论怎么切都切不干净：切出来的块要么混着三个半截意思，要么为了完整带上一大段无关内容。一节一意，块的边界才清晰，抽出来的才是完整且单一的答案。判断标准很简单：这一段能否用一句话概括它回答的那个问题？概括不出来，或者需要用“以及”“还有”，就应该拆开。

用语义标签表达内容角色，不靠样式

内容在页面里扮演的角色，例如正文主体、一段引用、补充说明、一组并列项、一个定义，要用对应语义的标签表达，不要用无语义容器加一套CSS去“看起来像”。下面的对比能说明区别：

<!-- 机器看不出角色：一堆无语义容器 -->
<div class="big">什么是可提取性</div>
<div class="text">它指内容能被机器干净抽取的程度。</div>

<!-- 机器一眼看懂角色：语义标签 -->
<h2>什么是可提取性</h2>
<p>它指内容能被机器干净抽取的程度。</p>

两段代码渲染出来可以完全一样，人看不出区别。但对上面那段，机器只看到两个不知道用途的盒子；对下面那段，机器明确知道这是一个章节标题和它的正文。语义标签是你和机器之间的共同语言，放弃它、只用样式表达角色，你想传达的结构信息机器一条也收不到。

标题是内容的语义延伸

接着前面的标题树来说：每个标题都应当真实概括它下面那块内容，层级要反映真实的从属关系，不能因为“这里需要一个醒目的字”就放一个标题。标题树写得对，只读标题就能复述全文脉络；写错了，标题之间逻辑断裂、层级混乱，机器拼出的大纲也是错的。检验方法很朴素：把全文标题单独列成一串，看它读起来是否是一份通顺、完整、不重不漏的提纲。如果是，结构就立住了；如果不是，先别管正文，回去修改标题。

用列表、表格、定义把隐含结构显性化

很多内容本身带有很强的结构，只是被写成了散文。“做这件事分三步，第一……第二……第三……”放在一个大段落里，人能看懂，对机器来说却只是一段连续文字，三个步骤的边界、顺序和并列关系都是隐含的。

同样的内容写成有序列表，机器就能直接得到“这是一个分先后的三步流程”这一结构事实，不用猜测。并列项用无序列表，对比维度用表格，术语和解释用语义上表示“定义”的结构。这样做与排版偏好无关，目的是把你脑中的结构关系，从“藏在文字里、要靠理解才能还原”变成“写在结构里、机器可以直接读到”。

有个简单的判断方法：写一段话时，如果你心里在用“第一第二第三”“一方面另一方面”“A的话怎样、B的话怎样”这类结构组织内容，这段话本来就该写成列表或表格，压成散文等于亲手抹掉结构信息。该结构化的内容做结构化，比任何标签技巧都更直接地提升可提取性，因为这一步把隐含关系变成了显式事实。

哪些常见写法会破坏内容可提取性？

反过来看，有几类非常普遍的写法会系统性地破坏可提取性，而作者往往毫无察觉，因为它们在视觉上没有任何问题。

跳级标题与“伪标题”：靠视觉冒充层级

最常见的有两种。一种是标题跳级：为了视觉效果，该用下一级标题的地方直接跳过，机器拼出的大纲层级断裂，无法判断这一块到底从属于哪一部分。另一种是“伪标题”：本该是小节标题，却用加粗大字的普通段落代替，没有使用标题标签。人看来是标题，机器看来只是一段恰好很显眼的正文，根本不知道这里开始了新主题。这两种都属于“视觉上成立、结构上不存在”，危害大且极难察觉。

答案依赖上下文：代词、“前面说过”、“如下图”

专业作者最容易犯这类错误。“如上所述”“下面会讲到”“这个问题”“如下图”，这些表达让文章读起来连贯，但每一处都在给所在的块打上“离不开上下文”的标记。机器把这一块单独切出来后，“这个问题”指什么不清楚了，“如下图”的那张图也没有跟过来，整块答案就残缺了。专业内容在AI引用中吃亏，很大一部分原因在这里：写得太“连贯”，连贯到每一块都无法独立。解决方法是在每个块内部补全关键指代，让它被单独拿出来时信息仍然完整。

关键内容藏在交互后面：折叠、标签页、懒加载

把关键答案放进默认折叠的手风琴面板、需要点击的标签页，或者要滚动到位才加载的无限滚动后段，这些交互设计对人没有问题，点一下就能看到。但对抓取程序来说，这些内容可能根本不在它拿到的初始结构里，或者被判定为“非默认可见、权重存疑”。你最该被抽取的答案，恰恰成了机器最难拿到的内容。涉及核心内容时，别指望机器会去点开：重要答案不要放在任何需要交互才出现的位置。

关键信息只存在于图片或纯排版表格中

还有一类问题很隐蔽。把关键数据、流程或重要结论做成图片发布，看起来美观整齐，但图片里的文字对机器基本不可读，这些信息在机器眼里等于不存在：你以为发布了，实际上并没有发布给机器。同类问题是“拿表格当排版工具”：用表格的行列摆布局，里面放的根本不是结构化数据，机器按表格解析，得到的是一堆错乱的伪数据。

原则很简单：凡是你希望被搜索和AI使用的信息，其文本必须以可解析的结构真实存在于DOM中，图片、画布、纯排版表格都不算数。图片可以用来辅助说明，但承载关键信息的那份文本，必须另有一份机器能读到的版本。

结构化数据能否替代语义化HTML？

很多人一听到“让机器读懂”，第一反应是“加上结构化数据（schema/JSON-LD）就行了”。这是一个需要厘清的混淆：两者是互补的两层，不能互相替代。

结构化数据在正文之外，用约定格式显式告诉机器“这一页是一篇文章/一个产品/一组问答，它的标题是X、作者是Y”，它提供的是元信息标签。语义HTML让正文主体本身的结构可以被解析：哪里是标题、哪里是答案、哪里是论据、块的边界在哪，它解决的是内容本体的可读性。结构化数据告诉机器“这页是什么”，语义HTML决定机器“能否从这页的正文里干净地抽出它要的那段”。

可以用图书来类比：结构化数据相当于给一本书贴上规范的图书馆分类卡，书名、作者、类别一目了然，方便检索系统快速归类；语义HTML相当于这本书内部有没有清晰的目录、章节和段落划分。分类卡贴得再规范，如果书里是一整团没有分段、没有章节、没有标点的文字，读者（机器）想从中精确找到并摘出一段话来回答某个问题，仍然无从下手。

两者解决的是不同环节的问题，缺少任何一个，机器要么不知道这是什么书，要么知道了也翻不到那一页。把精力全部押在分类卡上、不管书的内部结构，是投入产出严重失衡的常见错配。

最常见的错误，是结构化数据做得很完整，正文却仍是div嵌套div，然后疑惑“标记都加了，为什么还是不被引用”。原因在于，结构化数据帮你拿到的只是“这页有资格被理解为某类内容”的入场资格，那段答案能否被精准找出来使用，仍由正文本体的语义结构决定。

这也是精选摘要这类“抽一段直接展示”的形态对正文结构如此敏感的原因，它的选取和丢失机制，考验的就是你的内容能否被干净抽取：精选摘要为什么会丢、它的选取机制和AI时代价值重估，可以和本文对照阅读，一篇讲机制，一篇讲你这边如何把结构做对。两层都做到，机器才既知道这页是什么，又能抽出其中的内容。

文档站与科普站如何通过调整结构改善可提取性？

下面是保哥经手的一个真实案例：一家出海开发者工具的官方文档站。它的内容客观来说相当扎实，由工程师编写，准确且详尽。但它有个长期想不通的问题：很多概念和用法的查询中，被引用、进入精选摘要、被AI答案采纳的，是几个内容明显不如它的第三方博客，官方文档反而不在其中。

分析结构后，问题很集中。第一，几乎全站用div加样式排版，章节标题是带样式的div，没用标题标签，机器拼不出文档大纲。第二，典型的一节是“先写两三段背景铺垫，再放一大段代码，结论性内容放在代码之后”，机器切到的块要么是铺垫、要么是代码，最该被抽取的那句结论位置最差。第三，大量使用“如前所述”“参见上一节”“见下方示例”，每一块都严重依赖上下文，单独拿出来全不完整。内容没有问题，是结构让内容的可抽取性几乎降到了零。

重构没有改动任何技术内容，只调整结构：每一节开头补一句不依赖上下文、直接回答“这个概念是什么/这个用法怎么用”的结论句，代码和铺垫移到结论之后作为支撑；所有章节标题改回真正的标题标签并理顺层级，让标题树本身就是一份可读的文档目录；概念定义改用语义上表示“术语—解释”的结构组织；逐块排查并补全指代，让每一节单独拿出来都信息完整。

机制上的变化是确定的：原本切出来残缺、匹配不上的块，变成了一个个能独立成立、可被直接引用的答案单元，在“块”这个竞争单位上重新具备了竞争力。这次调整没有做任何内容升级，只是把已有的好内容组织成了机器能抽取的形态。

这个文档站的案例里有个细节需要单独说明：工程师团队的第一反应是“补一套完整的结构化数据标记”。这正是前面提到的典型误区：元信息标记加得再全，正文仍是div嵌套div、答案仍埋在代码后面，机器还是抽不出那段结论。真正起作用的是修改正文本体的结构，结构化数据是在这之后补上的，属于锦上添花；顺序反了，就会先做一轮无用功，还搞不清“为什么没用”。

再看一个较短的对照案例。一个健康科普内容站，文章的医学内容经过专业人士审核，质量没有问题，但AI引用率长期偏低。根因几乎都在“答案依赖上下文”这一条：作者习惯写“如上文提到的这种情况”“这类人群（指前一段描述的人群）应当……”，专业、严谨、连贯，但每条建议单独被抽出来后，都看不出说的是谁。

后来的调整很轻：在每条结论性建议内部就地写清适用人群和前提条件，不依赖前文。内容深度没有任何增加，可被引用的块却一下子立住了。两个案例说明的是同一个问题：可提取性的瓶颈很少出在内容本身，几乎总是出在组织方式。这其实是好消息：组织方式完全在你的控制之内，改起来也不伤内容。

AI搜索时代可提取性为什么成了被引用的前提？

过去，结构稍差影响的是精选摘要这类锦上添花的位置，丢了可惜但不致命，自然排名还在。现在情况变了：用户的问题越来越多地直接在AI答案里得到解决，能否成为被合成、被引用的来源，正在成为决定你能否被看见的主线，而不再是支线。

能否被AI引用，前提是能否在块的粒度上被干净地检索和抽取。一个无法切成清晰、自足内容块的页面，在AI这条链路上约等于不存在：它根本进不了被参考的候选集，谈不上排名先后。这是性质上的变化，可提取性从“做了更好”的加分项，变成了“没有就出局”的入场券。

可提取性和内容质量是两个相互独立的维度，但在AI时代，内容质量的上限被可提取性锁定：内容再好，抽不出来就等于没有。现在把可提取性放到和内容质量同等的优先级来投入，并不算超前，甚至已经有些晚了。

可提取性与可访问性、页面性能是什么关系？

三者是不同的事，但高度同源。理解它们之间的关系，可以少做重复工作，也便于在团队内部把这件事讲清楚。

可访问性，是让屏幕阅读器等辅助技术能把页面正确地读给视障用户。它依赖的同样是语义结构：屏幕阅读器依靠标题层级让用户跳读，依靠语义标签播报“这是导航、这是主内容、这是一组列表”。你为机器抽取所做的结构工作，几乎原样地改善了可访问性，反过来也一样。

对屏幕阅读器友好的页面，对搜索和AI的抽取大概率也友好，因为它们读取的是同一棵语义树。由此可以得到一个很实用的间接检验方法：用纯键盘加读屏的方式浏览一遍页面，哪里逻辑断裂、哪里读出来混乱，哪里大概率就是机器抽取会出问题的地方。

与性能的关系，体现在前面提到的“机器能否拿到内容”这道门槛上。渲染处理得当、首屏内容稳定可得的页面，机器拿到完整结构树的概率要高得多；把正文全部放在脚本执行之后、首屏空白的页面，性能差、可访问性差、可提取性也差，三者是同一个病根的三种症状。

所以不必把可提取性当成一项孤立的新工作单独立项，它和你原本就该做的语义化、可访问性、性能优化共用一套地基。把它们作为一件事推进，阻力小，收益还能叠加。保哥一直认为，语义结构属于少数“做对一次，搜索、AI、无障碍、性能一起受益”的高杠杆动作。

如何自查内容可提取性并纳入发布流程？

最后说执行。可提取性的优势是很容易自查，几个简单的测试就能发现大部分问题。

• 大纲测试：把全文标题单独抽出来连读，看它是否是一份通顺、完整、层级正确、不重不漏的提纲。如果不是，先修标题树。
• 独立成块测试：随机抽几个小节，假设它被单独拿出来，检查“脱离全文后，这段话是否还说得清楚、是否仍是一个完整答案”。如果不是，就补全指代、把结论提前。
• 去样式测试：设想去掉所有CSS，只剩裸结构。如果去掉样式后层级和角色全乱了，说明结构原本就靠样式冒充，机器看到的正是这个混乱的版本。
• 首句测试：逐节检查第一句，看它是否直接回答了这一节的问题、能否独立读懂。如果是铺垫，就调整顺序。

四个测试中，“去样式测试”最能直接暴露问题，值得多说几句。这个测试要实际操作，不能只靠想象：在浏览器里临时禁用页面的全部CSS，查看裸结构。

可提取性好的页面，去掉样式后仍是一份逻辑通顺的文档，标题是标题、列表是列表、正文是正文，层级清楚可辨。靠样式支撑的页面，去掉CSS后问题会全部显露：所谓的标题变回普通段落，精心排布的“表格”塌成一堆乱码，层级完全消失。机器看到的基本就是这个去掉样式后的版本。这个测试结果不留情面，但很准确，做一次比看十遍源码更有用。

靠人工逐篇自查，既应付不了数量，也难以长期坚持。更可靠的做法是把它纳入流程：把这几项测试列为内容质检清单里的硬性要求，写完没通过就不算完成；把语义结构固化到内容模板和CMS中，编辑能用的就是正确的标题层级和语义块，想写错都不容易；新人入职就按这套结构培训，让“答案先行、一块一意、用语义表达角色”成为默认做法。

部分检查还可以自动化：标题层级是否跳级、是否有空标题、是否用错误的容器冒充结构，这些都能写成规则，在发布前自动拦截，不依赖人工记忆。可提取性一旦成为模板、流程和自动校验的一部分，就不再取决于某个人是否记得，而是稳定地落实到每一篇内容上，它的杠杆作用也来自这里。

回到开头的场景：你写得更深，引用却被更浅的对手拿走。现在可以知道，原因多半在于内容没有被组织成机器能抽取的形态，内容本身并没有输。解决这个问题不需要重写内容，也不需要更高的写作天赋，只需要把“答案先行、一块一意、用结构而非样式表达、任何一块脱离上下文都不残缺”这几条，变成你和团队的习惯。

这些做法朴素、不起眼，容易被更花哨的优化手段盖过，但在搜索段落排名和AI引用同时成为主战场的今天，它可能是你手里回报最确定的一项工作。

常见问题解答

问：内容写得好，机器自然就能读懂，不需要专门做结构吗？

答：需要。人依靠渲染后的视觉理解内容，机器只读取底层结构，你没有用结构表达的层级和角色，机器拿不到。内容好只能保证人读了有收获，完全不能保证机器定位并抽出能回答问题的那一块，这是一个独立的维度。

问：为什么说机器抽取的是“块”而非“整页”？

答：搜索的段落级排名、精选摘要和AI答案，工作单位都是页面里的内容块。检索系统先把内容切块，再按块匹配。答案埋在长段中间、依赖上下文，切出来就残缺；答案位于块的开头、能独立成立，切出来就干净可用。

问：加了结构化数据（schema），还需要做语义HTML吗？

答：需要，两者不能互相替代。结构化数据在正文之外显式说明“这页是什么”，语义HTML让正文本体可以被解析、能定位到答案块。只做schema、正文却是一团div，照样抽不出内容，这是最常见的错误。

问：可提取性差，最典型的症状是什么？

答：你的内容明显比对手详尽专业，精选摘要和AI答案引用的却是更浅的对手。原因多半是你的答案埋在铺垫之后、依赖上下文、被图片或代码隔开、外面套满无语义容器，机器抽不干净，而对手的答案就在小标题下第一句。

问：把关键内容放进折叠面板或标签页，影响大吗？

答：影响大。藏在折叠面板、标签页或需要滚动才加载的内容，可能不在抓取程序拿到的初始结构里，或者被判定为非默认可见、权重存疑。你最该被抽取的答案，恰恰最难被机器拿到。核心答案不要放在任何需要交互才出现的位置。

问：专业作者写得很连贯，为什么反而不利于被引用？

答：这种连贯往往依赖“如上所述”“这个问题”“如下图”之类的上下文指代。读起来顺，但每一块被单独切出来后都会残缺：指代对象丢了，图也没跟过来。解决方法是在每个块内部补全关键指代，让它单独拿出来也信息完整，并不需要把文章写得割裂。

问：标题层级随便选，只要视觉醒目就可以吗？

答：不行。机器按层级把标题拼成文章大纲，这是它理解文章结构的主要依据。跳级或用大字冒充标题，会让机器拼出错乱的骨架，后续的内容定位都建立在错误的结构上。标题是交给机器的目录，不是排版装饰。

问：AI时代可提取性到底有多重要？

答：它已经从加分项变成入场券。能否被AI引用，前提是能否在块的粒度上被干净地检索和抽取。无法切成清晰、自足内容块的页面，在AI链路上约等于不存在，问题在于根本进不了被参考的候选集。可提取性不足时，内容再好，上限也会被它锁死。

权威参考资料