在我们追踪的六个 AI 引擎中，Claude 最难靠堆篇幅和关键词进入答案。它往往只采用自己有把握的信息：定义是否明确、事实能否核查、来源是否清楚。想被 Claude 引用，重点不是写得更多，而是让每一项主张都经得起验证。
为什么 Claude 特别难“攻进去”
Claude 的对齐策略更为谨慎。遇到无法确认的信息，它倾向于明确表示“我无法确认”，而不是编造一个听起来合理、实际上没有来源的说法。这种特性改变了它选择引用对象的标准：当你的核心主张含糊、数字无处查证、关键名词界定不清时，Claude 通常会直接跳过，转而引用信息完整、表述明确的来源。
我们使用 Brand Radar 为客户追踪品牌曝光时，也观察到了同样的规律：面对同一个问题，ChatGPT 可能会提到五六个品牌，Claude 却只留下两三个。最终入选的，往往是定义写得最明确、也最愿意标注信息来源的品牌。这不是运气，而是可以提前准备的结果。
第一件事：把定义写到没有歧义
每一个你希望被引用的术语，都需要在内容中拥有独立、完整的定义，不能假设模型已经知道你在说什么。如果你销售的是合同审查软件，就要明确说明它是什么、解决什么问题，以及它与通用文档管理工具有何不同。模型提取这段定义后，即使脱离上文也应当能够独立成立。这样的完整定义更容易让 Claude 将你的品牌与一个具体实体建立关联。
第二件事：让事实可以验证
模糊表述通常最先被 Claude 过滤。“效果提升很多”对它几乎没有价值；“三个月内，问题回答率从 12% 提升至 34%”则完全不同，因为它包含数字、时间范围和明确的衡量指标。重点不只是把数字写出来，更要让人能够追溯：这是谁测得的，又是在什么条件下测得的。
- 给出明确的时间点或周期，避免使用“最近”“近几年”等模糊表述。
- 注明可识别的信息来源或执行方，让人知道这个数字由谁测得。
- 说明统计范围和基期，避免只写“增长 300%”却不交代从多少增长而来。
- 用具体比例替代“几乎全部”之类的笼统说法。
第三件事：llms.txt 应该放什么
llms.txt 是放在网站根目录下的纯文本文件（/llms.txt），使用 Markdown 编写，相当于一份由你亲自整理的 AI 网站指南：哪些页面最重要、每个页面讲什么、应该从哪里开始阅读。它不是一个神奇开关；截至目前，也没有任何引擎公开保证一定会读取它。但它能将“你最希望模型优先理解的内容”整理成更适合机器读取的范本。
实际使用中，我把 llms.txt 当作一份经过编辑的内容目录，而不是网站地图的翻版。第一段先说明品牌是谁、提供什么服务；随后用链接列出核心页面，并在每个链接后用一句话解释该页重点。应优先放置定义页、方法论页、价格页等能够“回答明确问题”的内容；纯引导型页面则往后排，或只保留真正必要的部分。
把内容拆成干净、独立的区块
即使定义和事实都准备齐全，如果它们被埋在一篇东拉西扯的长文里，模型仍然很难准确提取。理想的段落应当自成一体：一段回答一个问题，先给结论，再补证据。问答结构在这里尤其有效——直接把读者真正关心的问题写成标题或提示，下一行立刻作答，不绕弯，也不做冗长铺垫。这种写法既方便读者，也方便模型提取答案，几乎等于直接为它准备好了可引用的内容片段。
全网信息一致，才能积累长期信任
把单个页面做到完善，只是第一步。Claude 对一个实体的信心，来自它在全网看到的一致信号：官方网站、资料页、第三方报道、目录信息、品牌名称、所在地和核心事实。各处信息越一致，信任建立得越快；如果不同渠道各说各话，模型只会更加谨慎，更不愿意引用你。
ChatGPT 可能愿意承担一点风险来给出答案，Claude 则更像一位严格的编辑。只有当它能找到准确、可靠的素材时，才更愿意引用你。— Tenten GEO
完成这三项准备——写清定义、提供可验证事实、配置 llms.txt——你的内容在 Claude 眼中就能从“不确定的来源”变成“容易引用的来源”。如果你想知道目前卡在哪一层，我们的 30 分钟 GEO 诊断会用你的真实问题进行测试，展示 Claude 现在引用了谁，以及它为什么跳过了你。
