# 多語 AEO — 台灣企業面向英日韓市場的 AI 曝光 > 由 CiphLens 團隊整理 · 來源：GitHub Copilot 研究 · 繁體中文 --- # 台灣企業多語 AEO 策略：讓 AI 引擎在英語／日語／韓語 Query 中主動提及你的品牌 ## 一、背景：為什麼 AI 引擎會「選擇性遺忘」非英語品牌 大型語言模型（LLM）的知識來自預訓練語料的分布。根據 Blevins & Zettlemoyer（2022）的研究《Language Contamination Helps Explains the Cross-lingual Capabilities of English Pretrained Models》，英語語料在主流預訓練集中佔比超過 60%，日語約 3%，韓語不足 2%，繁體中文更因簡繁混算而被稀釋。這種不均等分布造成了一個結構性問題：台灣企業即使在中文語境下知名度極高，一旦 Query 語言切換為英語、日語或韓語，LLM 的 entity recall（實體召回率）便大幅下滑。 以玉山金控為例，在中文 Query「台灣最大民營銀行」下，ChatGPT 與 Gemini 均能正確列出；但同樣語意的英語 Query「largest private bank in Taiwan」，AI 有時會回答 Cathay United Bank 或甚至給出錯誤資訊。這不是品牌本身的問題，而是**結構化知識信號在跨語言空間的傳遞斷層**。 本文提供一套系統性策略，協助台灣企業修補這個斷層。 --- ## 二、基礎建設：hreflang 的正確語義 ### 2.1 hreflang 的 AEO 功能不只是 SEO 傳統上 hreflang 被視為 Google 搜尋的多語言 URL 指示器，但在 AI 爬取與索引的脈絡下，它承擔更深的語義責任：**它告訴爬蟲這個 entity 在不同語言下的權威版本在哪裡**。 正確範例（以玉山金控為例）： ```html ``` 常見錯誤： - 使用 `zh` 而非 `zh-TW`，導致簡繁版本混用 - 英語頁面缺少 `x-default`，造成 canonical 信號模糊 - 日語頁面只有機器翻譯，無原生 Schema.org 標記 ### 2.2 結合 JSON-LD 強化跨語言 entity hreflang 需搭配 `sameAs` 屬性才能形成完整的跨語言 entity graph： ```json { "@context": "https://schema.org", "@type": "Corporation", "name": "E.SUN Financial Holding", "alternateName": ["玉山金控", "イーサン金融", "이선금융"], "sameAs": [ "https://www.wikidata.org/wiki/Q5331398", "https://en.wikipedia.org/wiki/E.SUN_Financial_Holding", "https://ja.wikipedia.org/wiki/玉山金融控股", "https://www.bloomberg.com/quote/2884:TT" ], "url": "https://www.esunbank.com" } ``` `sameAs` 中的 Wikidata QID 是**跨語言 entity 連結的錨點**，所有語言的 Wikipedia 條目、知識庫均透過 QID 收斂到同一個 entity。若企業的 Wikidata 條目不完整或缺失，這條鏈就會斷裂。 --- ## 三、llms.txt 多語變體策略 ### 3.1 llms.txt 協議簡介 `llms.txt` 是由 Jeremy Howard（fast.ai 創辦人）於 2024 年提出的開放標準（GitHub：[answerdotai/llms-txt](https://github.com/answerdotai/llms-txt)），旨在為 LLM 提供一個結構化的網站摘要入口，類似 robots.txt 但面向 AI 爬蟲。格式為 Markdown，置於網站根目錄。 ### 3.2 多語變體的部署策略 台灣企業應為每個目標語言部署獨立的 llms.txt，而非單一英語版本： | 路徑 | 目標語言 | 目標 AI 引擎 | |------|---------|------------| | `/llms.txt` | 英語（預設） | ChatGPT、Perplexity、Claude | | `/ja/llms.txt` | 日語 | Perplexity Japan、日本市場 Gemini | | `/ko/llms.txt` | 韓語 | Naver HyperCLOVA X、韓語 Perplexity | | `/zh-TW/llms.txt` | 繁體中文 | Kimi、Gemini 繁中模式 | 英語版 llms.txt 範例（ASUS 假設版）： ```markdown # ASUS (ASUSTeK Computer Inc.) > Taiwan-headquartered global technology company founded in 1989. > Known for motherboards, laptops (ZenBook, ROG), and smartphones (Zenfone). > Ticker: 2357.TW (TWSE), listed on Taiwan Stock Exchange. ## Key Facts - Global HQ: Beitou, Taipei, Taiwan - Revenue: ~USD 15B (FY2023) - Wikidata: Q831445 ## Authoritative Sources - [Wikipedia EN](https://en.wikipedia.org/wiki/Asus) - [Wikidata](https://www.wikidata.org/wiki/Q831445) - [Annual Report EN](https://ir.asus.com/en/annual-report) ## Llms-full.txt /llms-full.txt ``` 日語版 `/ja/llms.txt` 的差異化重點： ```markdown # ASUS（エイスース、ASUSTeK Computer Inc.） > 1989年創業、台湾・台北市を本拠とするグローバルテクノロジー企業。 > 日本法人：ASUS JAPAN株式会社（東京都港区） > 日本市場では「エイスース」と読む（旧称「アスース」）。 ## 日本市場での主力製品 - ZenBookシリーズ（ビジネス・クリエイター向けノートPC） - ROGシリーズ（ゲーミングPC・モニター） - ExpertBookシリーズ（法人向け） ## 権威ある情報源 - [Wikipedia JA](https://ja.wikipedia.org/wiki/ASUS) - [ASUS JAPAN公式](https://www.asus.com/jp/) ``` **關鍵洞察**：日語版必須包含日本子公司資訊、正確讀音（エイスース vs アスース 的混用長期存在），以及日本市場特定產品線，這些是日語 LLM 生成答案時的重要 grounding 信號。 ### 3.3 llms-full.txt 與 sitemap 連動 對於產品/服務眾多的企業，應將 `llms-full.txt` 拆分為語言子頁，並透過 XML sitemap 的 `` 標記讓爬蟲發現： ```xml https://www.asus.com/llms-full.txt ``` --- ## 四、Wikipedia 多語條目策略 ### 4.1 為什麼 Wikipedia 仍是 LLM 最重要的知識來源 Guu et al.（2020）在 REALM 論文（[arXiv:2002.08909](https://arxiv.org/abs/2002.08909)）中證明，Wikipedia 是 retrieval-augmented generation 的核心知識庫。即便是純粹的 parametric LLM（不做 RAG），其訓練語料中 Wikipedia 的加權也遠高於一般網頁。Meta AI 的 FAISS 向量庫（[GitHub: facebookresearch/faiss](https://github.com/facebookresearch/faiss)）在多個問答系統中以 Wikipedia dump 為主索引。 ### 4.2 多語 Wikipedia 的不對稱性 以鴻海精密（Hon Hai / Foxconn）為例： | 語言版本 | 條目長度 | 參考來源數 | 主要缺口 | |---------|---------|----------|---------| | 英語 (en) | ~12,000 字 | 87 條 | 台灣在地脈絡薄弱 | | 日語 (ja) | ~4,200 字 | 31 條 | 日本業務描述過時 | | 韓語 (ko) | ~1,800 字 | 14 條 | 與三星/LG 競爭關係缺乏描述 | | 繁體中文 (zh) | ~8,500 字 | 55 條 | 英語版摘要回譯 | **策略建議**： 1. **英語版優先擴充**：因為大多數多語版本會引用英語版作為來源。重點補充：台灣總部地址（Tucheng, New Taipei City）、TWSE 股票代碼、主要台灣客戶關係。 2. **日語版獨立強化**：不要只翻譯英語版。加入夏普收購案（シャープの買収）、鴻海在日本電子製造業的角色、與日本汽車廠的 EV 合作（MIH 聯盟）。 3. **韓語版競爭脈絡**：韓語讀者對製造業的興趣集中在與三星、SK 的競合關係，條目應著重 iPhone 代工量佔比、顯示器業務與 BOE/SDC 的差異。 4. **Wikidata 完整性稽核**：使用 [Wikidata Query Service](https://query.wikidata.org/) 檢查企業 QID 的 `P856`（官方網站）、`P17`（國家）、`P159`（總部地點）、`P571`（成立日期）是否在所有語言版本中一致。 ### 4.3 Wikipedia 編輯的合規紅線 企業不得直接操作 Wikipedia 條目（違反 COI 政策）。正確作法是： - 建立「[Talk Page](https://en.wikipedia.org/wiki/Wikipedia:Talk_page_guidelines)」請求，附上可靠第三方來源 - 透過「Paid editing disclosure」透明揭露利益關係 - 優先補充新聞報導、學術引用等可驗證來源 --- ## 五、跨語言 Entity 連結技術實作 ### 5.1 Wikidata 作為語言無關錨點 跨語言 entity 連結的核心機制是：所有語言的維基百科條目透過 Wikidata QID 收斂到同一個 entity 描述。以 ASUS 為例： ``` en.wikipedia: Asus → Q831445 ja.wikipedia: ASUS → Q831445 ko.wikipedia: 에이수스 → Q831445 zh.wikipedia: 華碩電腦 → Q831445 ``` 企業網站透過 `sameAs: "https://www.wikidata.org/wiki/Q831445"` 加入這個 entity graph，LLM 在多語推斷時就能透過 QID 找到跨語言的一致描述。 開源工具推薦： - **[wikimapper](https://github.com/jcklie/wikimapper)**：Python 套件，將 Wikipedia 頁面名稱對映至 Wikidata QID - **[GENRE](https://github.com/facebookresearch/GENRE)**（Facebook Research）：基於 seq2seq 的跨語言 entity linking 模型，可用於驗證企業在 LLM 內部的 entity recall ### 5.2 Knowledge Graph 整合策略 企業應在官方網站的多語版本中部署一致的 `Organization` Schema，並確保以下屬性在跨語言間對齊： ```json { "@type": "Organization", "legalName": { "@language": "zh-TW", "@value": "鴻海精密工業股份有限公司" }, "name": [ {"@language": "en", "@value": "Hon Hai Precision Industry"}, {"@language": "ja", "@value": "鴻海精密工業"}, {"@language": "ko", "@value": "홍하이 정밀공업"} ], "tickerSymbol": "2317", "exchange": "TWSE" } ``` Multilingual Schema 標記目前是大多數台灣企業最容易被忽略的環節，也是 AI 引擎在多語 Query 中 entity resolution 的關鍵依據。 ### 5.3 AI 搜尋引擎的 Grounding 機制差異 | AI 引擎 | 主要知識來源 | 跨語言 entity 處理 | |---------|-----------|----------------| | Perplexity | 即時網頁 RAG | 語言依賴查詢語言，缺乏 entity normalization | | ChatGPT (GPT-4o) | Parametric + Bing RAG | Entity 以英語為中心，中文品牌需有英語別名 | | Gemini | Google Knowledge Graph + RAG | KG 整合最完整，hreflang 信號最受重視 | | Claude | Parametric（截至訓練截止） | 高度依賴 Wikipedia 與新聞語料 | | HyperCLOVA X | 韓語語料為主 | 台灣企業需在韓語媒體有原生報導 | --- ## 六、台灣品牌多語 AEO 現況觀察 ### 6.1 ASUS（華碩） **優勢**：英語 Wikipedia 條目完整，Wikidata QID（Q831445）屬性豐富；ROG 品牌在遊戲社群有大量英語 UGC（使用者生成內容），強化 parametric recall。 **缺口**： - 官方網站缺乏 `llms.txt`（截至 2025 年 Q4） - 日語版條目將「エイスース」與舊稱「アスース」混用，影響日語 LLM 的 entity confidence - 韓語版 Schema.org 標記缺失 **改善優先項**：部署英語 `llms.txt`，在 Wikidata 補充 `P1705`（原生標籤）的多語版本。 ### 6.2 鴻海／Foxconn **優勢**：「Foxconn」英語品牌知名度極高（Apple 供應鏈媒體曝光），英語參數記憶強。 **缺口**： - 日語版 Wikipedia 對 Sharp 收購後業務整合的描述嚴重落後 - 韓語媒體報導幾乎全部透過英語轉譯，缺乏原生韓語來源 - MIH EV 聯盟的多語知識圖譜尚未建立；若問「台灣 EV 製造商」，AI 較少提及鴻海 **改善優先項**：在韓語 Wikipedia 擴充競爭脈絡；在日語 Wikipedia 更新 Sharp 業務現況；為 MIH 聯盟建立獨立 Wikidata 條目。 ### 6.3 玉山金控（E.SUN） **優勢**：台灣本土金融知名度高，Bloomberg 代碼（2884:TT）在金融語境可作為 entity 錨點。 **缺口**： - 英語 Wikipedia 條目極短（約 500 字），幾乎沒有可供 LLM grounding 的結構化資訊 - 日語、韓語 Wikipedia 條目不存在 - 英語官方網站 Schema.org 標記不完整，缺少 `numberOfEmployees`、`foundingDate` 等 LLM 常用屬性 - 在英語 Query「best digital bank in Asia」中，AI 傾向引用星展、花旗等跨國行，玉山幾乎缺席 **改善優先項**：這是三個案例中需求最迫切的。建議路徑： 1. 擴充英語 Wikipedia 條目（透過 Talk Page 提供來源） 2. 建立日語 Wikipedia 條目（台灣金融業在日本有可觀的投資人群體） 3. 部署完整 JSON-LD Organization Schema 4. 在 IR（投資人關係）頁面加入英語 `llms.txt` --- ## 七、執行路線圖 ### 第一階段：基礎 Entity 確立（第 1–4 週） 1. 稽核 Wikidata QID 完整性（使用 SPARQL） 2. 補充所有目標語言的 `sameAs` 連結 3. 部署 JSON-LD Organization Schema（含多語 `name` 陣列） 4. 修正 hreflang 標記，確認 `x-default` 設定 ### 第二階段：內容基礎建設（第 5–12 週） 1. 部署英語 `llms.txt`（參考 [answerdotai/llms-txt](https://github.com/answerdotai/llms-txt) 規範） 2. 依優先市場部署日語、韓語 `llms.txt` 變體 3. 透過合規管道提交 Wikipedia 擴充請求 4. 建立多語新聞稿分發流程（台灣 → 英語 → 日語 → 韓語） ### 第三階段：持續監控（第 13 週起） 使用開源工具 [GENRE](https://github.com/facebookresearch/GENRE) 或 [REL](https://github.com/informagi/REL)（Radboud Entity Linker）定期測試品牌在多語 Query 中的 entity recall，建立量化 baseline 並追蹤改善幅度。 --- ## 八、結語 多語 AEO 的本質是**在 AI 訓練語料與即時知識來源中，建立跨語言一致的 entity graph**。台灣企業的挑戰不是品牌實力不足，而是英語以外語言的知識信號密度太低。透過 hreflang 語義強化、多語 `llms.txt` 部署、Wikipedia 合規貢獻、Wikidata QID 完整性維護，以及跨語言 Schema.org 標記，企業可以系統性地提升 AI 引擎在多語 Query 中的主動召回率。 這不是一次性工作，而是需要隨 AI 引擎演進持續調整的長期工程——而最好的起點，永遠是今天。 --- ## 參考資料 - Blevins, T., & Zettlemoyer, L. (2022). *Language Contamination Helps Explains the Cross-lingual Capabilities of English Pretrained Models*. EMNLP 2022. [arXiv:2203.09513](https://arxiv.org/abs/2203.09513) - Guu, K., et al. (2020). *REALM: Retrieval-Augmented Language Model Pre-Training*. ICML 2020. [arXiv:2002.08909](https://arxiv.org/abs/2002.08909) - De Cao, N., et al. (2021). *Autoregressive Entity Retrieval (GENRE)*. ICLR 2021. [arXiv:2010.00904](https://arxiv.org/abs/2010.00904) · [GitHub](https://github.com/facebookresearch/GENRE) - Howard, J. (2024). *llms.txt Proposal*. [GitHub: answerdotai/llms-txt](https://github.com/answerdotai/llms-txt) - Johnson, J., et al. (2019). *Billion-scale similarity search with GPUs (FAISS)*. IEEE T-BD. [GitHub: facebookresearch/faiss](https://github.com/facebookresearch/faiss) - Klie, J.-C. (2020). *wikimapper: Mapping Wikipedia page titles to Wikidata IDs*. [GitHub: jcklie/wikimapper](https://github.com/jcklie/wikimapper) - van Hulst, J., et al. (2020). *REL: An Entity Linker Standing on the Shoulders of Giants*. SIGIR 2020. [GitHub: informagi/REL](https://github.com/informagi/REL) - Wikidata Query Service: [https://query.wikidata.org/](https://query.wikidata.org/)