先講結論：AI 引擎讀你的網頁時，第一步不是欣賞你寫得多好，而是把 HTML 拆成一棵樹，丟掉它判定為雜訊的部分，再把剩下的內容轉成純文字或 Markdown。如果你的頁面是幾十層 div 疊出來的，標題只是放大的粗體字，那在這一步你就已經被切碎、被誤認成側欄，根本擠不進它引用的候選名單。乾淨 HTML 不是工程潔癖，是能不能被 AI 引用的門檻。
關鍵在於，多數 AI 引擎不會像瀏覽器那樣把你的頁面完整渲染出來。它們跑的是一套接近 readability 的擷取流程：找出主內容區、剝掉導覽列與頁尾、把 h1 到 h3 當成骨架、把段落與清單當成血肉。你在 CSS 裡精心排的視覺層級，它一律看不到，它只認 HTML 標籤本身透露的結構。這也是為什麼兩個在螢幕上看起來一模一樣的頁面，一個被反覆引用，另一個怎麼改文案都進不了答案。
div 巢狀太深，擷取器會迷路
現代前端框架很容易長出「div 湯」：每個元件都用一層包裝 div 裹起來，一段本該是完整說明的文字，最後被埋在八到十層沒有任何語意的 div 底下。擷取器判斷「哪裡才是主內容」靠的是文字密度與標籤類型的啟發式規則，巢狀一深、又夾雜著按鈕與標籤這類短文字碎片，它的信心分數就掉下來，可能挑錯區域，也可能把你連續的一段話拆成三段不相關的碎片各自處理。
解法不玄：用語意標籤把主內容包起來。<main> 裝整頁最重要的內容、<article> 裝一篇可以獨立閱讀的文章、<section> 分章節、<figure> 裝圖與說明。這些標籤等於直接對擷取器說「這裡才是重點」。框架產生的包裝層沒辦法全數清掉，但你至少要保證主內容的最外層是 <main> 或 <article>，而不是第十二個 class 叫 wrapper 的 div。能用一層語意標籤解決的事，就別用三層 div 硬堆。
標題階層，是你幫 AI 做好的目錄
擷取器把 h1 到 h6 當成整篇的目錄，拿它來切段（chunking）。切得乾淨，AI 就能精準引用某一段去回答某個問題；切得亂，整篇會被揉成一團，引用時失去脈絡。真正要守的原則其實只有三條。
- 一頁只放一個 h1，通常就是文章標題；其餘章節一律從 h2 往下展開。
- 階層不要跳級：h2 底下接 h3，不要直接跳到 h4；跳級會讓擷取器誤判段落的從屬關係。
- 標題是結構，不是樣式：想放大某行字就用 CSS，別為了字大而硬套 h2，也別為了 SEO 塞一堆同級標題。
最常見的錯誤，是整頁只有一個 h1，其餘全用 div 加粗體做成看起來像標題的「假標題」。在擷取器眼裡，這篇文章沒有章節，只有一大段連續文字，於是它只能整段抓或整段丟。把假標題換回真正的 h2、h3，等於親手把一份目錄交到 AI 手上，它才知道該從哪裡下刀。
語意標籤與屬性：讓意義不靠 CSS 也讀得懂
結構解決「抽得乾淨」，屬性解決「抽出來還看得懂」。圖片補上 alt，它在純文字世界裡才有內容；日期用 <time datetime>，才不會被讀成一串沒有意義的字元；表格用 <table> 搭配 <th>，轉成 Markdown 時欄位關係才留得住；名詞與定義用 <dl>、<dt>、<dd> 成對包起來，模型抽出來就是一組乾淨的問答。ARIA 屬性（aria-label、aria-labelledby）本來是為無障礙而生，但它同時也替沒有可見文字的元素補上機器讀得懂的意義。
資料屬性怎麼用才對，別指望它變魔法
這裡要講一句實話：你自訂的 data-* 屬性，多數 AI 擷取器根本不會讀，它們不是為你的私有命名而設計的。真正被廣泛支援的「資料屬性」只有那幾種有標準的——微資料（microdata）的 itemprop、data-nosnippet（告訴引擎這段別拿去當摘要），以及最可靠的機器可讀層 JSON-LD。與其發明一堆 data-geo-* 期待 AI 讀懂，不如把可被引用的關鍵事實，例如作者、發布日期、價格、常見問題，寫進 JSON-LD，讓擷取結果有一份不依賴版面的真相。
data-* 當然還是有用，只是用在別的地方。你可以拿它在自己的分析或內部工具裡標記哪些段落是可引用的、追蹤哪幾塊內容真的被 AI 拿走。它是給你自己看的座標，不是給 AI 的指令。把這兩件事分清楚，你才不會把力氣花在沒有人讀的屬性上。
一份可以照著做的清理清單
- 主內容用 <main> 或 <article> 包起來，確保它是明確、單一的區域。
- 砍掉純粹為了排版而存在的巢狀 div，能用語意標籤就用語意標籤。
- 一頁一個 h1，h2、h3 不跳級，假標題全部換成真標題。
- 圖片補 alt、日期用 <time>、表格用 <th>、名詞定義用 <dl>。
- 關鍵事實寫進 JSON-LD，別只靠自訂的 data-* 屬性。
- 完稿後用網頁轉 Markdown 檢查一次，那份輸出才是 AI 的視角。
AI 不會因為你的頁面在瀏覽器裡好看就引用你；它引用的，是它抽得乾淨、讀得懂的那一個版本。— Tenten GEO
乾淨 HTML 是整套 GEO 裡投報率最高、卻最常被跳過的一段。它不必重寫內容，只是把既有內容整理成機器讀得懂的樣子，成本低、見效快。如果你想知道自己的關鍵頁面在 AI 擷取器眼裡到底缺了哪幾塊，我們在 GEO 審計裡會實際跑一遍它們的擷取結果；也可以先預約 30 分鐘 GEO 診斷，用你自己的頁面當場看一次落差在哪。
