先说结论：AI 引擎读取网页时，第一步不是欣赏你的文案写得有多好，而是把 HTML 拆成树状结构，丢弃它判定为噪声的部分，再将剩余内容转换成纯文本或 Markdown。如果页面堆了几十层 div，标题也只是放大加粗的普通文本，那么内容在这一步就可能被切碎，甚至被误判为侧边栏，自然进不了 AI 的参考来源候选名单。干净 HTML 不是工程师的洁癖，而是内容能否被 AI 引用的一道门槛。
关键在于，大多数 AI 引擎不会像浏览器那样完整渲染页面。它们通常采用一套近似 Readability 的提取流程：定位主体内容，剥离导航栏和页脚，把 h1 至 h3 当作骨架，把段落和列表当作正文。你用 CSS 精心设计的视觉层级，它根本看不到；它识别的是 HTML 标签本身呈现出的结构。这也解释了为什么两个视觉效果完全相同的页面，一个反复被引用，另一个无论怎么改文案都进不了答案。
div 嵌套太深，检索器也会迷路
现代前端框架很容易生成“div 汤”：每个元素外面都包一层 div，原本应该连贯呈现的一段说明，最后被埋在八到十层毫无语义的 div 之下。提取器依靠文本密度、标签类型等启发式规则判断“主体内容在哪里”。嵌套越深，再混入按钮、标签等短文本片段，它的判断置信度就越低。结果可能是选错内容区域，也可能把连续段落拆成三个互不相关的片段分别处理。
解决办法并不复杂：用语义化标签包裹主体内容。<main> 表示整个页面最重要的内容，<article> 表示可以独立阅读的文章，<section> 用于划分章节，<figure> 则承载图片及其说明。这些标签相当于直接告诉提取器：“重点在这里。”框架生成的包装层不可能全部清除，但至少要确保主体内容的最外层是 <main> 或 <article>，而不是一个名为 wrapper 的第十二层 div。能用一层语义化标签解决，就不要再套三层 div。
标题层级，就是你替 AI 整理的目录
提取器会把 h1 至 h6 视为整篇内容的目录，并据此分块。分得清楚，AI 才能准确引用某个段落来回答特定问题；分得混乱，整篇文章就会被揉成一团，引用时也容易丢失上下文。真正需要遵守的原则只有三条。
- 每个页面只设置一个 h1，通常就是文章标题；其余章节从 h2 开始向下展开。
- 不要跳级：h2 下面应接 h3，不要直接跳到 h4；跳级会让提取器误判段落之间的从属关系。
- 标题承担的是结构功能，不是视觉样式：想放大某行文字，请使用 CSS。不要为了字号更大就使用 h2，也不要为了 SEO 堆放一批同级标题。
最常见的错误是：整个页面只有一个 h1，其余部分全靠 div 和粗体做成看似标题的“假标题”。在爬虫眼中，这篇文章没有章节，只有一整段连续文本，因此只能整段抓取或整段丢弃。把假标题换成真正的 h2 和 h3，就相当于给 AI 递上一份目录，让它知道每一部分从哪里开始。
语义化标签与属性：不依赖 CSS，也能让机器理解含义
结构解决的是“能否干净提取”，属性解决的是“提取之后能否看懂”。图片补充 alt，才能在纯文本环境中保留内容；日期使用 <time datetime>，才不会被当作一串含义不明的字符；表格配合 <table> 和 <th>，转换成 Markdown 后仍能保留字段关系；名词与定义用 <dl>、<dt> 和 <dd> 成对组织，模型便能将其提取为一组清晰的问答。ARIA 属性（aria-label、aria-labelledby）原本用于无障碍访问，也能为没有可见文字的元素提供机器可读的含义。
正确使用数据属性：别把它当成魔法
实话实说：大多数 AI 抓取器根本不会读取你自定义的 data-* 属性，因为这些工具并不是为你的私有命名规则设计的。真正得到广泛支持的“数据属性”，都是已有标准的方案，例如 Microdata 的 itemprop、data-nosnippet（用于告知引擎不要把这段内容用作摘要），以及最可靠的机器可读层 JSON-LD。与其发明一堆 data-geo-* 并期待 AI 自行理解，不如把作者、发布日期、价格、FAQ 等可引用的关键事实写入 JSON-LD，让检索结果获得一层不依赖页面布局的事实依据。
当然，data-* 依然有用，只是用途不同。你可以在自有分析系统或内部工具中，用它标记哪些段落适合引用，并追踪哪些内容真的被 AI 提取。它是供你查看的坐标，不是发给 AI 的指令。把这两件事分开，才不会把精力浪费在无人读取的属性上。
可直接执行的清理清单
- 使用 <main> 或 <article> 包裹主体内容，确保它是一个边界清晰、内容单一的区域。
- 删除仅为布局而存在的多余 div 嵌套，能用语义化标签就优先使用。
- 每个页面只保留一个 h1，h2 与 h3 不跳级，并把所有假标题替换成真正的标题标签。
- 图片使用 alt，日期使用 <time>，表格使用 <th>，名词定义使用 <dl>。
- 把关键事实写入 JSON-LD，不要只依赖自定义 data-* 属性。
- 内容完成后，将网页转换成 Markdown 检查一次。转换结果就是 AI 看到的页面。
AI 不会因为页面在浏览器里看起来漂亮就引用你；它引用的是那个被干净提取、并且能够理解的版本。— Tenten GEO
在整套 GEO 工作中，干净 HTML 往往是回报率最高、也最容易被跳过的一环。它不需要重写内容，只要把现有内容整理成机器可读的格式，成本低、见效快。如果你想知道关键页面在 AI 提取器眼中缺少什么，我们会在 GEO 审计中实际跑一遍提取结果；你也可以先预约一次 30 分钟的 GEO 诊断，直接用自己的页面现场查看差距在哪里。
