2022 年，Google 在 E-A-T 中加入了一个位于首位的 E，即 Experience（一手经验），形成 E-E-A-T。这并不是文字游戏。当 ChatGPT、Perplexity 或 Google AI Overviews 需要从大量内容中组织答案时，相比换一种说法复述百科知识，它们更倾向于选择包含真实操作细节、确实踩过坑的来源。你的文章里有没有“只有亲自做过的人才写得出来”的内容，决定了它是否有机会被提取和引用。
为什么 AI 引擎更偏爱一手经验
AI 引擎生成答案时，需要尽量降低出错风险。泛泛而谈的理论往往高度雷同，引用哪篇都没有区别，因此模型更倾向于选择独特且可以核验的段落，例如具体数字、时间、失败经历和操作步骤。这些细节更直观，也更难凭空编造，相当于为内容增加了一层可信度。经验信号还能帮助模型确认信息归属。如果文章写道：“我们在审查一家 B2B SaaS 客户时发现，80% 的产品页面从未被 AI 答案引用”，模型就能判断这是一条来源明确、可以归因的观察；如果只写“产品页面的 AI 曝光很重要”，任何人都能这么说，也就没有明确的引用价值。
AI 能够识别的六类一手经验信号
- 具体数量：例如“过去一年里，我们检查了 30 多个网站”。
- 时间与过程：说明什么时候做、用了多久、修改了多少个版本。
- 失败与意外：写清楚哪里没有按预期发展、你如何发现问题，以及后来怎样修复。
- 第一人称的操作视角：“我们实际进入后台查看”比“根据观察”更可信。
- 原始材料：亲自截取的后台画面和真实对比，而不是素材库图片或泛化图表。
- 可被反驳的判断：敢于说明“这种方法在某些情况下无效”，通常意味着你确实用过。
这六类信号有一个共同点：很难外包给从未做过这件事的人。没有执行过 GEO 审查的写作者可以整理出一般性观点，却写不出“直到第三版才发现 sitemap 漏掉了整个目录”这样的细节。读者能据此判断作者究竟是内行还是旁观者，模型也会做出类似判断——关键就在于细节密度。
实例：把空泛表述改写成经验型内容
改写前
“结构化数据可以帮助搜索引擎理解内容，提高内容被 AI 答案引用的机会。建议所有页面都添加适当的 Schema 标记。”这段话没有错，但它可以出现在任何一篇同类文章里，模型没有理由优先选择它。
改写后（加入一手经验）
“我们为一家 SaaS 客户的价格页面添加了 FAQPage 和 Product。大约到第六周，Perplexity 开始在回答‘这款工具的预估费用是多少’时直接引用该页面的价格区间。真正的关键并不只是添加标记：我们先把页面上的图片价格改成纯文本，因为模型读不到图片时，相关描述就是空白。”主题没有变，但后一版补充了时间、平台、操作顺序，以及一个容易被忽视的因果关系——这才是能够被提取的内容。
经验信号不是形容词，而是名称和数字。与其写“我们经验丰富”，不如交代你做了什么、过程中发生了什么，以及最终得到了什么结果。
让经验有据可查：把内容与作者关联起来
文章里的经验不仅要写出来，还要让读者和模型知道是谁做的。这意味着内容需要有记录清晰的背景，作者身份在网站内外也应保持一致，包括作者页面、内容页面和外部平台个人资料。AI 引擎判断可信度时，会交叉核对这些信号。实际操作中，在作者简介里写明具体项目，远比堆砌头衔有效。“曾为 30 多个 B2B 网站开展 GEO 审查”描述的是实际经验；“资深数字营销专家”则只是自我评价。
常见的伪经验：读者和模型都看得出来
- 以“根据我们的经验”开头，后面却没有任何具体事实。
- 给出看似精确的数字，却不交代背景：哪位客户、什么时候、如何得出。
- 拿素材库图片冒充亲自操作的截图。
- 整页都是成功故事，没有任何意外、妥协或失败。
用三个问题自检
- 没做过这件事的人，仅靠查资料也能写出同样的内容吗？如果能，这就不算经验。
- 删掉所有形容词后，还剩下事实、数字或步骤吗？
- 读者能否回答：“是谁、在什么情况下做了什么，结果如何？”
大多数内容连第一个问题都经不起检验。还有一条底线：不要为了制造经验信号而编造数字。虚构的“三倍增长”一经追问就会露馅，真实的小数字反而比漂亮的大数字更有说服力。如果你想了解自己的页面在 AI 引擎看来缺少哪些经验信号、为什么完全没有被引用，可以预约一次 30 分钟的 GEO 咨询，我们会直接用你的页面进行分析。
