搜索排名还在,官网点击却在减少。Google AI 答案正把 SEO 从排名竞争,改成入口分配竞争。这篇文章拆解流量变化,并给出官网内容与 Agent 入口的调整方法。
RevScope 发布的 “Google's AI answers reducing search traffic by 40%” 聚焦 2026 年 SEO 与 GEO(生成式引擎优化)。相关报道登上 Hacker News 首页,获得 148 分和 104 条评论,讨论链接是 HN 50540178。
先别急着把 40% 当成行业平均值。更值得看的,是 Google 正在改变流量从“搜索结果”流向“AI 答案”的路径。
40% 下降意味着什么
“搜索流量下降 40%”不是所有网站、所有关键词的固定降幅。它更可能来自特定样本、特定时间窗口和特定统计口径。
需要拆成三个指标:
- 搜索曝光量:网站是否仍出现在结果页
- 平均排名:网站在结果页中的位置
- 自然点击量:用户看到结果后是否继续点击
AI 答案可能没有让前 10 名消失,却把答案直接放在结果上方。用户得到时间、定义或对比结果后,没有继续打开链接的动力。
所以,排名仍在,不等于商业流量仍在。
SEO 过去优化的是“被找到”。现在还要优化“被引用”。后者关系到网站能否进入 AI 答案,以及答案是否愿意给官网带来后续访问。
AI 答案截走的是哪类点击
受影响最大的,通常不是必须进入官网才能完成的查询。
定义型查询
例如:
- 什么是 GEO
- MCP 和传统 API 有什么区别
- RAG 是否会取代向量检索
这类问题适合在 SERP 中直接回答。Google AI Overviews 和 AI Mode 可以摘取定义、列出差异,再附上来源。
对比型查询
例如:
- Claude vs Gemini:写代码谁更强
- LangChain vs LangGraph:复杂 Agent 怎么选
- MCP server 应该自己写还是使用现成方案
Google 可以直接生成对比表格。官网文章如果只是把同样的话重新写一遍,就很容易被折叠。
步骤型查询
例如:
- 如何申请 Google Search Console
- 如何给 Claude Code 接 MCP
- 如何排查 AI Agent 进入死循环
如果答案只有通用步骤,点击会继续减少。
工具选择型查询
例如:
- 2026 年最好的 AI Agent 框架
- 企业部署 RAG 选什么向量数据库
- 团队做 Prompt 评测用哪套工具
这类查询商业价值高,但 Google 更倾向于直接给“推荐名单”。官网要拿回点击,不能只复述结论,需要提供测试环境、数据和边界条件。
被截走的主要是“看完就走”的点击。深度案例、原始数据、故障复现和可下载资源,仍可能成为高意图入口。
SEO 失效了吗
我的判断:SEO 没失效。单纯堆关键词、批量生成解释型文章的策略失效了。
关键词仍然影响抓取与索引。但 LLM 引用、GEO 和结构化内容,正在成为新的曝光层。
网站进入 AI 答案,通常需要同时满足四件事:
- 内容能直接回答问题
- 关键结论有上下文和证据
- 页面结构便于机器抽取
- 来源身份稳定,事实可交叉验证
“原创”不再是附加项。AI 回答大量内容后,最稀缺的是可以核验的原始材料。
比如,一篇“10 款 AI Agent 框架对比”很泛。另一个页面如果公开以下内容,价值完全不同:
- 测试版本和日期
- 硬件环境
- 任务集
- 成功率和失败样本
- 延迟、Token 消耗
- 原始运行日志
前者可能出现在搜索摘要里。后者更可能成为 LLM 和 AI Agent 引用的证据来源。
这也是 SEO 与 GEO 的区别:SEO 争取结果页位置,GEO 争取进入答案、成为引用对象,并给用户一个继续访问的理由。
官网该提供什么内容
别把官网改造成“更长的问答页”。建议按下面 5 类内容建设。
1. 产品实测
写明版本、环境、输入和结果。
不要写:
Claude Code 处理复杂仓库时表现优秀。
要写成:
测试使用 Claude Code 0.6.0,仓库 1,240 个 TypeScript 文件,任务包含 3 次跨目录重构。首次运行修改 17 个文件,其中 2 个测试失败;第二次运行根据报错修复通过。
具体数字比形容词更难被 AI 摘要抹掉。
2. 更新日志
AI 很难稳定抓取散落在社交媒体里的信息。官网维护结构化 changelog,能降低事实过时和引用错误。
可以记录:
{
"date": "2026-01-15",
"product": "Example MCP Server",
"version": "1.4.0",
"change": "Add OAuth token refresh",
"breaking_change": false,
"source": "https://example.com/changelog/1.4.0"
}
字段可以自行调整。关键是日期、版本、变更和稳定 URL。
3. 原始数据
发布 benchmark 时,至少附测试方法、样本范围和原始结果。
一份可信数据页应包含:
- 数据采集日期
- 样本数量
- 排除规则
- 失败案例
- 下载链接
- 版本记录
如果数据只存在于图片里,LLM 很难安全引用。CSV、JSON、表格和可访问文本更实用。
4. 结构化案例
案例不要只写“客户效率提升 50%”。
更合适的结构是:
- 客户原始问题
- 原流程耗时
- 接入哪些组件
- 部署与权限边界
- 上线后数据
- 失败后的调整
真实流程比成功故事更有信息密度,也更适合被专业用户验证。
5. 可验证引用
每个关键结论附上来源。引用论文、文档、提交记录和官方公告。
对于变化快的主题,加上“最后核验日期”。对 LLM 来说,时间戳不是装饰。它决定一段旧结论是否仍然成立。
可以先用下面这段代码检查页面是否包含机器可读的更新时间与来源:
from datetime import date
from pathlib import Path
import re
page = Path("article.html").read_text(encoding="utf-8")
updated = re.search(
r'<meta\s+name="last-updated"\s+content="([^"]+)"',
page,
re.I,
)
sources = re.findall(r'<a\s+[^>]*href="https?://[^\"]+"', page, re.I)
assert updated, "missing last-updated metadata"
assert sources, "missing external source links"
print({
"last_updated": updated.group(1),
"source_link_count": len(sources),
"checked_on": date.today().isoformat(),
})
这不是 Google 官方评分器,只是基础检查。页面还应使用清晰标题、列表、表格和语义化 HTML。
Agent 正在接管搜索入口
SEO 面对的是 Google AI 答案。AI Agent 带来的变化更深:用户可能不再打开搜索结果页。
过去流程是:
用户 -> 搜索结果 -> 点击官网 -> 阅读 -> 填写表单
Agent 时代可能变成:
用户 -> LLM -> 调用搜索、文档与业务工具 -> 返回结果
MCP(Model Context Protocol)让模型连接外部工具和数据源。AI Agent 可以通过授权接口查询文档、订单、工单和内部知识库。官网内容也未必只由浏览器访问,而可能被当作工具结果、检索语料或结构化数据读取。
这里至少有三层变化:
搜索变成工具调用
Agent 的目标不是“排第几”,而是完成一个任务。它可能调用搜索 API、读取多个来源,再筛选答案。
权限决定曝光
用户授权后,Agent 才能访问更多数据。没有公开、可解析或授权友好的入口,内容可能根本不在候选集合中。
品牌身份影响工具选择
当 Agent 推荐 MCP server、数据库或评测平台时,会参考官方文档、GitHub 活跃度、安全记录和用户反馈。品牌开始通过 API 与工具生态被分发。
这不等于传统搜索消失。更现实的变化是:流量入口从“浏览器搜索结果”扩展到“模型生成答案”和“Agent 工具调用”。
对内容团队来说,下一步不该只是追排名表。还要问:
- 内容能否被 API 读取?
- 产品能否通过 MCP 被 Agent 调用?
- 文档能否被结构化检索?
- 用户授权后,Agent 能否完成任务?
编辑思考
40% 不该被当成全行业平均值。它可能受样本选择、关键词结构、统计周期和 AI 答案覆盖率影响。更关键的差异是:过去 SEO 争夺的是“答案终点”,现在官网需要成为“可验证来源”。
我的预测是,未来 12 个月,企业官网的页面数量增速会下降。内容预算会更多流向 benchmark、版本化文档、原始数据和可调用工具。能同时被搜索引擎抓取、被 LLM 引用、被 Agent 调用的页面,复利会更明显。
反向看,纯内容农场也不会立刻消失。Google 仍需要网页完成检索,LLM 也依赖公开语料。真正被压缩的是没有证据、没有更新、只换关键词的中间层内容。
不确定之处也很明确:目前公开数据很难把 AI 答案、算法更新、季节变化和品牌搜索增长拆开。40% 是一条警报,不是精确预测。团队应该先按查询类型记录曝光、点击和转化,再判断损失发生在哪里。