在六大 AI 引擎裡，Claude 是最難靠篇幅和關鍵字硬灌進去的那一個。它傾向只引用自己有把握、對得起來的內容：定義清楚、事實可查、來源說得出名字。想被 Claude 引用，你要做的不是寫更多，而是把每一句主張都變得可以被驗證。
為什麼 Claude 特別難被「唬過去」
Claude 的對齊方向偏向謹慎，它被設計成寧可回一句「我無法確認」，也不願意編一個聽起來合理卻查無此人的來源。這個性格直接改變了它挑內容的標準。當你的主張含糊、數字沒有出處、名詞定義飄忽，Claude 通常會直接略過，轉而引用一個把話講死、把來源交代清楚的競品。
我們幫客戶跑 Brand Radar 能見度追蹤時，反覆看到同一個模式：同一個問題，ChatGPT 可能一口氣提到五、六個品牌，Claude 卻只留下兩、三個。留下來的，往往是內容最敢下定義、也最願意標明出處的那幾家。這不是運氣，是可以被準備出來的結果。
第一件事，把定義寫死
每一個你希望被引用的名詞，都要在內容裡有一段獨立、完整的定義，不要假設模型已經知道你在講什麼。如果你賣的是一套「合約審閱軟體」，就要有一段話清楚說明它是什麼、解決誰的什麼問題、和一般文件管理工具差在哪。模型抽出這一段時，它必須自己就能成立，不依賴前後文。定義寫得夠死，也讓 Claude 更容易把你的品牌和一個明確的實體綁在一起。
第二件事，讓事實可以被查證
含糊的主張是 Claude 過濾器最先丟掉的東西。「大幅提升成效」對它幾乎沒有引用價值，但「三個月內，目標提問的答案佔有率從 12% 升到 34%」就不一樣：有數字、有時間範圍、有明確的衡量對象。重點不是把數字寫得漂亮，而是讓它可以被追溯回一個誰、在什麼情境下量出來的來源。
- 有明確的時間點或區間，不用「最近」「近年來」這種模糊說法。
- 有可辨識的來源或執行者，讀者知道這個數字是誰量出來的。
- 有清楚的計算範圍與基期，避免「成長 300%」卻不說從多少算起。
- 用字精確，不用「幾乎所有」「絕大多數」取代具體比例。
第三件事，llms.txt 到底該放什麼
llms.txt 是一個放在網站根目錄的純文字檔（/llms.txt），用 Markdown 寫成，作用是給 AI 一份你親手整理的網站導覽：哪些頁面最重要、每個頁面在講什麼、該從哪裡讀起。它不是魔法開關，目前也沒有任何一家引擎公開保證一定會讀它，但它把「你希望模型優先理解的內容」整理成機器最好抽取的樣子。
實務上，我把 llms.txt 當成一份精選目錄，而不是網站地圖的翻版。開頭一段話交代品牌是誰、做什麼；接著用連結列出核心頁面，每個連結後面補一句話說明內容重點。把定義頁、方法論頁、定價頁這類「回答明確問題」的內容放前面，把純導流的行銷頁往後放，或乾脆不放。
把內容拆成可乾淨抽取的區塊
就算定義和事實都到位，埋在一段東拉西扯的長文裡，模型也很難乾淨地抽出來。理想的段落是自足的：一段回答一個問題，主張擺在開頭，證據緊跟在後。問答式結構在這裡特別有效，把讀者真正會問的問題當成小標，底下用一段話直接回答，不繞路、不鋪陳。這種寫法對人友善，對抽取答案的模型更友善，幾乎是把可引用的片段直接遞到它手上。
跨網路的一致性，才是長期的信任
單一頁面做得再好，也只是起點。Claude 對一個實體的信心，來自它在整個網路上看到的一致訊號：你的官網、介紹頁、第三方報導、目錄收錄裡，品牌名稱、一句話定位、核心事實有沒有對得上。訊號一致，信任累積得快；到處說法不一，模型只會更謹慎地不引用你。
ChatGPT 願意為了給出答案而稍微冒險，Claude 更像一個嚴謹的編輯。你給它查得到、對得起來的材料，它才願意署名引用你。— Tenten GEO
把這三件事做完，定義寫死、事實可查、llms.txt 整理好，你的內容在 Claude 眼裡就從「不確定的來源」變成「可以放心引用的來源」。如果你想知道自己目前卡在哪一關，我們的 30 分鐘 GEO 診斷會用你的實際提問，直接示範 Claude 現在引用了誰、又為什麼跳過你。
