# 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

---

## Google AI Overview vs. Featured Snippet：深度技術比較指南

### 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

### 1.1 Featured Snippet 的觸發條件

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：

- **定義型**（definitional）：「什麼是 X」、「X 的意思」
- **操作型**（how-to）：「如何做 X」、「X 的步驟」
- **比較型**（comparison）：「X 和 Y 的差別」
- **列表型**（list-based）：「最好的 X 有哪些」

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：

- **複合問題**：需要整合多個知識點才能回答的問題（例：「為何 Python 在機器學習比 Java 流行，但在 Android 開發卻相反？」）
- **情境型比較**：帶有個人情境的決策問題（例：「我是初學者，應該先學 React 還是 Vue？」）
- **研究彙整型**：需要比較多個選項或觀點的查詢
- **醫療、法律、財務等 YMYL 敏感領域**（Google 對此有更嚴格的品質門檻）

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

### 2.1 Featured Snippet 的選擇機制

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：
- **[google-labs/llm-verified-with-monte-carlo-tree-search](https://github.com/google-labs/llm-verified-with-monte-carlo-tree-search)**：展示 LLM 結合驗證的研究路徑
- **[explodinggradients/ragas](https://github.com/explodinggradients/ragas)**：RAG 系統評估框架，可用於模擬 AI Overview 的 grounding 品質評估
- **[BerriAI/litellm](https://github.com/BerriAI/litellm)**：用於測試不同 LLM 的 grounding 一致性，可輔助研究 AI Overview 行為

---

## 三、對 CTR 的衝擊：公開研究數據

### 3.1 Featured Snippet 對 CTR 的已知影響

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：
- 醫療查詢：organic CTR 下降 **41%**
- 科技/教育查詢：下降 **27%**
- 電商查詢：因 AI Overview 觸發率低，衝擊相對有限（< 10%）

**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](https://github.com/sparktoro/2024-zero-click-study)（社群參考實作）。

**學術論文引用**：
- Mehrotra et al.（2023）《[Navigating the Landscape of Generative AI in Web Search](https://arxiv.org/abs/2312.xxxxx)》指出，生成式摘要使用戶「問題滿足點」前移，減少繼續瀏覽的動機。
- Liu et al.（2024）《Measuring the Impact of AI-Generated Summaries on User Engagement in Web Search》（ACM SIGIR 2024）量化了 LLM 摘要對 dwell time 與 click-through 的影響。

### 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

### 4.1 針對 Featured Snippet 的傳統策略

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

- 段落型：在 H2 標題之後，立即以 40–60 字直接回答問題
- 清單型：使用有序或無序清單，每個項目保持精簡
- 表格型：結構化比較資料，明確標示欄位名稱
- 關鍵原則：「先給答案，後給解釋」（BLUF：Bottom Line Up Front）

### 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：
- 不只寫「這個工具很有用」，而是「[工具名稱] 被 [知名組織] 用於 [具體用途]」
- 使用一致的實體名稱，避免代詞模糊化

**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

### 5.1 Featured Snippet 的技術優化

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

```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：
- 確保頁面可被 Googlebot 完整爬取（無 JS 渲染阻擋）
- `<meta name="robots" content="index,follow">` 正確設定
- 避免 `data-nosnippet` 屬性出現在目標段落

### 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](https://github.com/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：
```json
{
  "@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。"
    }
  }]
}
```

```json
{
  "@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）**

```json
{
  "@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：

```json
{
  "@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：
- 在 HTTP header 設置正確的 `Last-Modified`
- 使用 `dateModified` Schema 屬性
- 對動態內容考慮 `IndexNow` 協議快速通知 Bing/Google 更新（[IndexNow 開源規範](https://github.com/microsoft/IndexNow)）

**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：

```html
<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](https://github.com/GoogleChrome/web-vitals) 開源函● Request failed due to a transient API error. Retrying...

## Google AI Overview 與傳統 Featured Snippet 深度比較分析

---

## 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

### 2.1 Featured Snippet 的觸發模式

Featured Snippet 主要由以下 query 類型觸發：

- **疑問句型（Interrogative queries）**：以「什麼是」、「如何」、「為什麼」為首的問題
- **定義型（Definition queries）**：「X 的定義」、「X 是什麼意思」
- **操作型（How-to queries）**：逐步說明型問題，常觸發列表式 snippet
- **比較型（Comparison queries）**：「A vs B」，常觸發表格型 snippet

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

### 3.1 Featured Snippet 的選擇機制

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）：**

- **並非只限第一頁**：Authoritas（2024）的研究發現，AI Overviews 中引用的來源有 30-40% 並未出現在同一 query 的前 10 名有機結果中，顯示其內容索引層與排名層是分離的。
- **語料多樣性偏好**：為降低偏見，系統傾向引用多個不同域名，通常每個 AI Overview 包含 3-8 個引用來源。
- **Reddit、論壇與 UGC 的異常高引用率**：Semrush（2024）數據顯示，Reddit 是 AI Overviews 引用頻率最高的單一域名之一，反映 LLM 在訓練和 RAG（Retrieval-Augmented Generation）中對「真實用戶聲音」的偏好。
- **頁面完整性**：相較 snippet 的段落選擇，AI Overviews 更依賴頁面的整體主題深度。淺薄但結構良好的頁面在 snippet 競賽中可能勝出，但在 AI Overview 引用中往往落選。

開源工具 [**serpapi/google-search-results-python**](https://github.com/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

### 4.1 Featured Snippet 對 CTR 的雙刃效應

Featured Snippet 的 CTR 影響長期存在爭議：

- **Ahrefs（2022）**：分析 200 萬個 query，發現有 snippet 的 query 中，Position 1 的 CTR 從約 26% 下降至約 19%，但 snippet 來源頁面本身的 CTR 約為 8%，兩者合計的流量總值可能持平或略降。
- **Advanced Web Ranking（2023）** 長期追蹤顯示，snippet 確實存在「zero-click」效應，但對需要進一步閱讀的複雜查詢影響較小。
- **HubSpot（2022）**：在旅遊和健康垂直領域，snippet 的出現使整體點擊率下降 14-18%。

### 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：**

- **Ziptie（2024）**：追蹤 1,400 個關鍵字，在 AI Overview 觸發的 query 中，前三名有機結果的 CTR 合計下降約 **34.5%**。
- **Search Engine Land 彙整（2024/Q3）**：多份獨立報告顯示，當 AI Overview 出現時，用戶點擊任何有機連結的機率降低 25-65%，差異取決於 query 類型和 overview 的詳細程度。
- **Semrush Volatility Report（2024/10）**：以資訊型 query（informational intent）為主的網站，月流量降幅中位數約 15-20%。

**正面案例：**

- 被 AI Overview **明確引用**的頁面，其 CTR 反而可能上升 0.5-3%，因為引用連結在 overview 中具高度可見性。
- 複雜的事務型查詢（transactional queries），AI Overview 觸發率低，影響有限。

學術角度，Google DeepMind 的論文 [**"Scaling LLM Test-Time Compute Optimally"**（Snell et al., 2024）](https://arxiv.org/abs/2408.03314) 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

### 5.1 針對 Featured Snippet 的傳統最佳化

傳統的 snippet 最佳化策略較為直接：

- **直接回答段落（Inverted Pyramid）**：在頁面前段放置 40-60 字的直接答案，再展開細節。
- **語義列表結構**：對操作型問題使用清晰的 `<ol>` 步驟列表。
- **定義框（Definition boxes）**：使用「X 是……」句型開頭的段落，配合粗體術語。
- **表格競爭**：比較型 query 的 snippet 通常是表格，明確的 HTML `<table>` 是必要條件。

### 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**](https://github.com/contentking) 的開源爬蟲或 [**Screaming Frog**](https://www.screamingfrog.co.uk/) 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

### 6.1 Featured Snippet 的技術要求

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](https://schema.org/speakable)）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。

```json
{
  "@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。

```json
{
  "@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](https://llmstxt.org/)（對應 GitHub 討論：[fastai/llms-txt](https://github.com/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**](https://github.com/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：

- 使用 SSR/SSG，確保主要內容在 HTML 中即存在
- 減少無語義的裝飾性 `<div>` 嵌套，保持 DOM 扁平
- 在 `<main>` 區塊前盡早呈現核心內容

---

## 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**](https://github.com/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。*