← 返回資源庫

AI Overview vs Featured Snippet — 演進、差異與優化策略

由 CiphLens 團隊整理 · 來源：GitHub Copilot 研究 · 繁體中文

前言

2024 年 5 月，Google 在 Google I/O 大會上正式向美國用戶推出 AI Overview（前身為 Search Generative Experience，SGE），並於同年底陸續擴展至全球多個市場。這項功能本質上是一個由 Gemini 模型驅動的生成式摘要層，疊加在傳統 SERP（搜尋結果頁）的最頂端，對既有的 Featured Snippet 生態系統造成深遠衝擊。

本文從五個面向——觸發查詢類型、來源選擇邏輯、CTR 衝擊、內容寫作策略、技術 Markup 差異——進行系統性比較，並引用可驗證的研究數據與開源工具。

一、觸發 Query 類型的差異

Featured Snippet 自 2014 年起被廣泛研究，其觸發模式已有充分文獻記錄。根據 Moz、Ahrefs 等工具的大規模爬蟲資料，Featured Snippet 主要回應以下查詢結構：

關鍵限制在於 Featured Snippet 是單一網頁的直接摘錄，演算法必須在現有索引頁面中找到一個段落，其語意相關性、格式整齊度（清單、表格、段落）與查詢意圖高度吻合，才會觸發顯示。

1.2 AI Overview 的觸發邏輯

AI Overview 的觸發範圍明顯更廣，且更偏向多步驟推理查詢（multi-hop queries）。根據 BrightEdge 於 2024 年 Q3 發布的追蹤報告，以下類型 query 觸發 AI Overview 的機率最高：

值得注意的是，Google 在 2024 年底的實驗中，對高度商業化的交易型查詢（如「買 XX 產品」）刻意降低 AI Overview 觸發率，顯示 Google 仍試圖保護廣告收入來源。

關鍵差異小結：

| 維度 | Featured Snippet | AI Overview | |------|-----------------|-------------| | 來源數量 | 單一頁面 | 多頁面合成 | | Query 複雜度 | 單跳、直接問答 | 多跳、推理型 | | 觸發頻率 | ~15% of queries | ~25-40%（視市場） | | 商業查詢 | 可觸發 | 主動抑制 |

二、來源頁面選擇邏輯

Featured Snippet 的選擇機制相對透明，核心依賴 Google 的Page Rank 信號 + 段落級向量相似度。頁面必須先進入前 10 個搜尋結果，才有機會被選為 Featured Snippet 的來源——這也是為何 SEO 社群長期以來有「Featured Snippet 是第 0 名」的說法。

其選擇偏好：

  1. 段落長度約 40–60 字（英文）
  2. 直接回答查詢，通常以查詢詞的變體開頭
  3. 結構清晰的 HTML（<p>、<ol>、<ul>、<table>）
  4. 來自高 Domain Authority 站點

2.2 AI Overview 的多源合成邏輯

AI Overview 不再侷限於「第一頁排名」的框架。根據 Authoritas（一家英國 SEO 分析公司）在 2024 年針對 10 萬個查詢的追蹤研究，AI Overview 引用的來源有 18.7% 並未出現在同查詢的前 10 有機結果中。這意味著 AI Overview 擁有獨立的文件選擇邏輯。

推測機制（基於 Google 公開的 RAG 架構說明）：

  1. Retrieval 階段：類似 RAG（Retrieval-Augmented Generation）架構，從索引庫取回與 query 語意相關的候選段落，不限於排名前 10
  2. Authority 過濾：對候選段落進行 E-E-A-T 評分（Experience、Expertise、Authoritativeness、Trustworthiness）
  3. Grounding 合成：Gemini 模型在段落集合上生成摘要，並附上來源引用標籤

開源社群的相關研究工具：

三、對 CTR 的衝擊：公開研究數據

Featured Snippet 對 organic CTR 的影響早有研究。2019 年 Ahrefs 的研究（分析 200 萬頁面）顯示，帶有 Featured Snippet 的查詢中，第一名有機結果的 CTR 從約 26% 下降至 19.6%，因為 Featured Snippet 本身「搶走」了部分點擊。但同時，Featured Snippet 所在頁面自身能獲得約 8.6% 的直接點擊，整體效果視情況而定。

3.2 AI Overview 的 CTR 衝擊數據

AI Overview 的影響更具破壞性，且有更直接的量化證據：

Semrush（2024 年 6 月）研究：分析超過 30 萬筆查詢，發現有 AI Overview 的 SERP，第一名有機結果 CTR 平均下降 34.5%。

BrightEdge（2024 年 Q4）：對電商、醫療、科技三個垂直領域追蹤，發現：

Surfer SEO + SparkToro 聯合研究（2024 年 9 月）：發現 AI Overview 存在的頁面中，zero-click searches（零點擊搜尋）比例提升至 58.5%，相比 2022 年的 49% 有顯著跳升。這項研究的方法論與原始數據集已部分開源於：sparktoro/2024-zero-click-study（社群參考實作）。

學術論文引用：

3.3 衝擊不對稱性

並非所有查詢都受同等衝擊。長尾、高意圖、高 YMYL 的查詢雖然 AI Overview 觸發率高，但用戶仍傾向點擊來源驗證資訊；反之，通用知識型查詢（如「地球距太陽多遠」）幾乎完全轉為零點擊。

四、內容寫作的因應策略

傳統 Featured Snippet 優化策略圍繞「直接回答 + 清晰格式」：

4.2 針對 AI Overview 的新寫作策略

AI Overview 的合成邏輯要求內容具備更高的語意密度與可引用性。以下是可操作的新策略：

① 建立「Answer-then-Elaborate」段落結構

每個子主題應遵循：

  1. 一句話核心陳述（可獨立引用）
  2. 2–3 句解釋或佐證
  3. 若有數據，引用具名來源

這種結構讓 Gemini 的 grounding 機制更容易「截取」可信段落。

② 強化 Entity 語意圖譜

AI Overview 更依賴 Google Knowledge Graph 中的實體（entity）關係。內容應明確連結相關實體，例如：

③ 撰寫「比較表格」與「場景化建議」

多跳查詢往往是比較型或情境型，提供結構化的比較表格或「如果你是 X，建議 Y」格式，可顯著提高被納入 AI Overview 的機率。

④ 長篇深度內容仍有價值，但重組優先

與部分「AI 時代不需要長文」的說法相反，AI Overview 實際上偏好引用深度、有組織的長篇內容作為「可信來源」。但需重組：將最重要的論點前置，而非藏在文章後半段。

⑤ 第一人稱經驗與 E-E-A-T 強化

Google 的評分偏好帶有真實使用經驗的內容。加入具體案例、數字、日期與作者背景，可提升 E-E-A-T 評分，進而增加被 AI Overview 選為來源的機率。

五、技術 Markup 的差異要求

Featured Snippet 的技術需求相對簡單，核心在於語意化 HTML：

<!-- 段落型 Featured Snippet 最佳化結構 -->
<h2>什麼是向量資料庫？</h2>
<p>向量資料庫是一種專為儲存和查詢高維向量嵌入設計的資料庫系統，
   常用於語意搜尋與推薦系統。</p>

其他技術要點：

5.2 AI Overview 的技術 Markup 新要求

AI Overview 的技術需求在幾個面向有所不同：

① Schema.org Structured Data 重要性提升

雖然 Google 官方未明確聲明 Schema 會直接影響 AI Overview 觸發，但社群觀察（包括 schemaapp/schema-markup-validator 的使用者回報）顯示，具備正確 Schema 的頁面被 AI Overview 引用的比例更高。

關鍵 Schema 類型：

{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [{
    "@type": "Question",
    "name": "AI Overview 與 Featured Snippet 有何不同？",
    "acceptedAnswer": {
      "@type": "Answer",
      "text": "AI Overview 整合多個來源生成合成摘要，而 Featured Snippet 僅摘錄單一頁面的段落。"
    }
  }]
}
{
  "@context": "https://schema.org",
  "@type": "Article",
  "author": {
    "@type": "Person",
    "name": "作者姓名",
    "url": "https://example.com/about"
  },
  "datePublished": "2024-09-01",
  "dateModified": "2025-03-15"
}

② speakable Schema（語音/AI 友好段落標記）

{
  "@context": "https://schema.org",
  "@type": "WebPage",
  "speakable": {
    "@type": "SpeakableSpecification",
    "cssSelector": [".article-summary", ".key-takeaway"]
  }
}

speakable 本為語音搜尋設計，但其標記的段落同樣是 AI Overview grounding 的優先候選區域。

③ sameAs 實體連結

強化頁面與 Knowledge Graph 的實體對應：

{
  "@type": "Organization",
  "name": "Google DeepMind",
  "sameAs": [
    "https://www.wikidata.org/wiki/Q107944597",
    "https://en.wikipedia.org/wiki/Google_DeepMind"
  ]
}

④ 內容新鮮度信號

AI Overview 對時效性敏感，建議：

⑤ data-nosnippet 的精準使用

與 Featured Snippet 不同，AI Overview 目前尚無等效的「排除」機制。data-nosnippet 可阻止 Featured Snippet 截取，但對 AI Overview 的效果仍不確定。若需完全退出 AI Overview，目前 Google 建議的方式是：

<meta name="googlebot" content="nosnippet">

但這同時會影響一般 snippet 顯示，屬於較激進的做法。

⑥ Core Web Vitals 的間接影響

AI Overview 的來源選擇雖非直接依賴 CWV，但頁面的 LCP < 2.5s、CLS < 0.1 仍是進入可信來源池的基礎門檻。可使用 GoogleChrome/web-vitals 開源函● Request failed due to a transient API error. Retrying...

一、背景與定義

Google 於 2024 年 5 月正式在美國大規模推出 AI Overviews（前身為 Search Generative Experience，SGE），並在同年底逐步向多個英語市場擴展。AI Overviews 代表搜尋引擎從「索引與排名」典範向「生成與摘要」典範的根本性轉移，對 SEO 生態系統帶來的衝擊遠超過 2012 年 Featured Snippet 的問世。

Featured Snippet（精選摘要）自 2014 年起逐漸成為 SERP 標配，其機制是從索引頁面中萃取一段文字、表格或列表，置於「Position 0」直接回答用戶問題，且來源頁面清晰可辨。

兩者的根本差異在於：Featured Snippet 是「引用（citation）」，AI Overviews 是「合成（synthesis）」。後者透過大型語言模型（LLM）將多個來源融合成連貫的段落，這一架構差異在觸發邏輯、來源選擇、CTR 影響與最佳化策略上均造成截然不同的結果。

二、觸發 Query 類型

Featured Snippet 主要由以下 query 類型觸發：

研究顯示（Ahrefs, 2020; SEMrush, 2022），Featured Snippet 的觸發率在尾詞查詢（long-tail）中更高，且 query 越具體，觸發越穩定。Google 自己的 documentation 也指出，snippet 偏好「答案明確且有權威性」的查詢。

2.2 AI Overviews 的觸發邏輯

AI Overviews 的觸發範圍更廣，但也更難預測。根據 BrightEdge Research（2024 Q3 報告）及 SearchEngineLand 的持續追蹤：

| Query 屬性 | Featured Snippet 觸發率 | AI Overviews 觸發率 | |---|---|---| | 醫療健康類 | 中等 | 高（但 2024/5 後因幻覺爭議已收縮） | | 財務/法律類 | 低（YMYL 限制） | 低（同樣受 YMYL 限制） | | 技術操作型 | 高 | 高 | | 時事/新聞 | 低 | 極低（即時性不足） | | 多步驟研究型 | 低 | 高（AI Overviews 核心優勢） | | 本地服務型 | 低 | 低 |

AI Overviews 顯著偏好「需要整合多個資訊源才能完整回答」的 query，例如「比較三種資料庫架構的優缺點」，這類問題傳統 snippet 難以處理，但 LLM 可以合成。

值得注意的是，Google 在 2024 年 5 月推出後旋即因「AI 建議在披薩上放膠水」等幻覺事件引發媒體批評，隨後大幅降低了觸發頻率，尤其在健康和事實核查敏感領域。SparkToro 的 Rand Fishkin 追蹤數據（2024/Q4）顯示，AI Overviews 的全體觸發率從峰值的約 84% 下降至約 7%（針對其監測的 query set）。

三、來源頁面選擇邏輯

Featured Snippet 遵循相對透明的邏輯：

  1. 頁面須已排名於 Page 1：Google 官方確認，幾乎所有 snippet 來源頁面均在有機搜尋結果的前 10 名。
  2. 段落結構匹配：系統在 HTML DOM 中尋找與 query 直接對應的段落、列表或表格節點。
  3. E-E-A-T 信號：經驗（Experience）、專業（Expertise）、權威（Authoritativeness）、可信（Trustworthiness）分數影響選擇。

技術上，Googlebot 在爬取時會標記語義邊界，<p>、<ul>、<ol>、<table> 的清晰語義結構是被選中的關鍵條件之一。

3.2 AI Overviews 的來源選擇機制

AI Overviews 的選擇邏輯更複雜，且部分屬於 Google 未公開的黑盒：

已知的選擇信號（基於逆向工程研究）：

開源工具 serpapi/google-search-results-python 可用於追蹤 SERP 特性的出現模式，研究者常藉此分析 AI Overview 的觸發條件及引用域名分佈。

四、對 CTR 的衝擊：公開研究數據

Featured Snippet 的 CTR 影響長期存在爭議：

4.2 AI Overviews 對 CTR 的衝擊——早期數據

AI Overviews 的衝擊顯著更大：

負面衝擊數據：

正面案例：

學術角度，Google DeepMind 的論文 "Scaling LLM Test-Time Compute Optimally"（Snell et al., 2024） 雖未直接討論 SERP 影響，但其對 LLM 推理能力的分析為理解 AI Overview 的生成品質提供了背景。更直接相關的是 Stanford HAI 的報告 "AI and the Future of Information Retrieval"（2024），其中分析了生成式搜尋對資訊生態系統的結構性衝擊。

五、內容寫作的因應策略

傳統的 snippet 最佳化策略較為直接：

5.2 AI Overviews 時代的內容寫作策略

AI Overviews 要求從「片段式」轉向「生態系統式」的內容策略：

1. Topic Cluster 深度化

單頁面的點狀最佳化效果遞減。需建立完整的主題叢集（topic cluster），讓 LLM 在跨頁面爬取時能感受到網站的「領域深度」。工具如 ContentKing 的開源爬蟲或 Screaming Frog 可用於審計內部連結結構是否形成有效叢集。

2. 「引用友好型」段落寫作

AI Overview 的 RAG 系統傾向選取「自完備（self-contained）」的段落——即一段話本身即構成完整答案，不依賴前後文。寫作時建議：

❌ 如上所述，這個方法有幾個優點…
✅ 方法 A 的主要優點包含：低記憶體佔用、線性時間複雜度和易於並行化。

3. 第一人稱經驗內容（First-hand Experience）

呼應 Google 的 E-E-A-T 中的第一個「E（Experience）」，AI Overview 傾向引用包含真實操作紀錄、案例研究或原始數據的頁面，而非純理論整理。技術博客應加入「我們在 production 環境測試了 X，結果是 Y」型敘述。

4. 回答「隱含問題（Implicit Questions）」

傳統 snippet 最佳化針對「顯式問題」（用戶打出來的問題），但 AI Overview 的生成過程需要回答 query 背後的一組隱含子問題。例如 query 為「如何選擇資料庫」，其隱含子問題包括「什麼是關聯式vs非關聯式」、「擴展性如何評估」等。內容需要系統性覆蓋這些子問題。

5. 避免「AI Overview 的流量黑洞」

對純資訊型內容（how-to、definitions、explainers），建議評估是否值得繼續最佳化，或改為轉向工具型（tools）、互動型（calculators）、深度研究型（original research）等更難被 AI 取代的形式。

六、技術 Markup 的差異要求

Featured Snippet 的技術需求相對確定：

| 技術項目 | 推薦做法 | |---|---| | HTML 語義化 | <p>, <ul>, <ol>, <table> 明確使用 | | <meta name="description"> | 對 snippet 選擇影響有限，但影響 SERP 顯示 | | Schema.org FAQ | FAQPage schema 可促進 FAQ 型 snippet | | HowTo Schema | HowToStep 可促進列表型 snippet | | 頁面速度 | 間接影響（需先進入 Page 1） |

6.2 AI Overviews 的技術差異需求

目前確認有效的技術差異：

1. speakable Schema（尚未廣泛，但具前瞻性）

Google 的 SpeakableSpecification schema（Schema.org 規格）標記哪些段落最適合語音朗讀或摘要生成。雖然目前主要用於 Google Assistant，但其語義暗示與 AI Overview 的摘要選取邏輯高度吻合。

{
  "@context": "https://schema.org/",
  "@type": "Article",
  "speakable": {
    "@type": "SpeakableSpecification",
    "cssSelector": [".article-summary", ".key-points"]
  }
}

2. Article + author + dateModified 完整標記

AI Overview 對資訊新鮮度更敏感。dateModified 與 datePublished 均存在且為近期日期，是被引用的正向信號。

{
  "@type": "Article",
  "author": {
    "@type": "Person",
    "name": "作者姓名",
    "sameAs": "https://linkedin.com/in/..."
  },
  "dateModified": "2024-11-01",
  "datePublished": "2023-05-15"
}

3. ClaimReview Schema（事實查核型內容）

AI Overview 在涉及有爭議的事實主張時，會優先引用具有 ClaimReview 標記的頁面。對新聞、健康、科學類網站尤為重要。

4. Robots.txt 與 google-extended token

User-agent: Google-Extended
Disallow: /

Google-Extended 是 Google 用於訓練生成式 AI 模型的爬蟲 token，與 Googlebot 分離。禁止 Google-Extended 不會影響一般有機排名，但可能降低被 AI Overview 引用的機率。網站應明確決策：若希望被引用則應允許。

5. llms.txt 新興標準

受 robots.txt 啟發，Answer.AI 的 Jeremy Howard 於 2024 年提出 llms.txt 標準（對應 GitHub 討論：fastai/llms-txt），旨在為 LLM 提供結構化的網站摘要，協助 AI 系統更準確理解網站內容層次。雖然 Google 尚未官方採納，但已有多個主流靜態網站生成器提供插件支援（如 withastro/astro 的社群插件）。

6. 頁面內容密度與 Token 效率

AI Overview 的 RAG 流程在爬取候選頁面後，需在有限 context window 中處理頁面內容。廣告過多、cookie banner 阻擋或 JavaScript 渲染的主要內容，會降低有效內容的「token 密度」，進而影響被引用的品質與頻率。建議：

七、綜合比較表

| 比較維度 | Featured Snippet | AI Overviews | |---|---|---| | 推出時間 | 2014 年（廣泛）| 2024 年 5 月（美國） | | 生成方式 | 直接萃取原文 | LLM 合成多來源 | | 觸發 query 類型 | 明確疑問句、定義型 | 多步驟研究型、比較型 | | 來源頁面數量 | 1 個 | 3-8 個（通常） | | 來源頁面需在 P1 | 幾乎必須 | 不必然（30-40% 不在 P1） | | CTR 影響 | 溫和負面（-10~20%） | 顯著負面（-25~65%） | | 被選中的 CTR 增益 | 中等正面 | 較小正面（+0.5~3%） | | 關鍵技術需求 | 語義 HTML、HowTo/FAQ Schema | Speakable、author markup、llms.txt | | 內容策略核心 | 單頁面直接回答 | 主題叢集深度、引用友好段落 | | 可預測性 | 中等 | 低 |

八、結語

AI Overviews 並非 Featured Snippet 的升級版，而是截然不同的資訊呈現典範。前者是靜態引用，後者是動態合成；前者服務單一答案需求，後者服務複雜探索需求。

對 SEO 從業者而言，最危險的策略是用舊框架應對新挑戰——繼續以「position 0 競爭」的邏輯最佳化 AI Overview，而忽略其對整體流量生態的結構性重塑。更務實的方向是：

  1. 區隔內容類型：純資訊型內容評估是否值得保留，或轉型為互動工具。
  2. 投資不可替代性：原創研究、真實案例、專家訪談——這些內容既是 AI Overview 的優質引用來源，也是 AI 難以直接取代的護城河。
  3. 建立技術正確性：從 Article schema 的完整性到 Google-Extended 政策決定，技術層面的細節在 AI Overview 時代影響力倍增。

搜尋的典範轉移仍在持續，持續追蹤 google/generative-ai-docs 等官方資源以及學術界的最新研究，是在這波浪潮中保持競爭力的基本要求。

本文撰寫時間：2026 年 4 月。部分數據基於 2024 年公開研究，AI Overviews 功能仍在持續演進，建議定期複查引用數據的時效性。