Key Takeaways
- Chunk 是 AI 檢索與引用的基本單位，只要是語意完整的段落就是好 Chunk，沒有標準字數。
- AI 往往優先選擇標題下的段落，最好每段開門見山、單獨抽出也能成立。
- GEO 建立在 SEO 基本功之上：Title、URL、Meta、Schema 先做對，再談 Chunk 優化。
- 自然語言 URL 的引用率是 89.78%，參數式網址只有 81.11%——建議用小寫英文撰寫 URL slug，避免中文編碼問題。
- GPT 每次引用的文章不一定相同，不需要追求過度優化，有價值的好文章才能穩定提升引用機率。
Chunk 是什麼？資訊自給自足的完整語塊
Chunk 是「完整語意的段落單位」，沒有一定的字數。
以方便但不完整的定義，你可以說這就是「文章的一個完整段落」。
對 LLM（大型語言模型，ChatGPT、Gemini、Claude 背後的核心技術）而言，Chunk 是 AI 搜尋系統撈資料、引資料的單位，它不會整篇文章讀完才引用，通常只會打包被切好的那一段。
AI 搜尋、GEO 都與 Chunk 息息相關，GEO 是 LLM 搜尋資料的引用優化方式，而 Chunk 則是 LLM 處理資料的引用單位。
只要跟 AI 找資料有關的內容，都勢必會碰到 Chunk 的處理技術。
用生活化的比喻來說：團訂餐點。
餐廳的套餐由複數單品組成，一個套餐就是完整的餐點，可能包含炸雞、薯條、可樂，有不同規模的套餐可以選擇。
- 套餐本身自足（Chunk 內語意自足）
- 套餐只是菜單上的一部份商品（Chunk 是全文的一個段落）
- 套餐品質與單品類型 → 店家處理（如何撰寫資訊）
- 套餐上架的文字描述長度 → 外送平台決定（Chunk 切分技術與後台系統相關）
- 套餐的銷售狀況 → 消費者決定（要不要買單是 LLM 的事）
將 LLM 想像成日理萬機的秘書，它超忙、事情超多，還要負責團訂餐點，需要快速解決訂餐問題。
A 店家：拿到幾十道散裝餐點，要自己核對有沒有缺單、自己拼成一餐。
B 店家：拿到的是包裝好的套餐，內容完整、可以直接外帶。
兩家的菜單它都會看到，但真正被端上桌（被引用）的，幾乎都是 B 店家的套餐。
Chunk 的由來與心理學名詞挪用
Chunk 在 AI 工程中是第三手用語，原本是心理學用詞，中文翻譯成「組塊」或「語塊」。
在劍橋字典裡最原始的用法是「一大塊、厚塊」，例如 a chunk of meat 就是一大塊有厚度的肉塊（薄片不算）、a chunk of text 就是一大段文字。
1956 年，心理學家 Miller 發表了一篇經典研究，發現人腦短期記憶一次只能裝 7±2 個東西，也就是五到九個。
當你在記東西的時候，即使嘴上唸唸有詞，也會轉身就忘記剛剛在唸什麼，又要回去看資料——這就是因為人腦記憶容量有限。
可是人的大腦有個聰明的辦法解決：只要把零散的小東西打包成一組，當成一個東西記，就不再是五到九個字，而是五到九「 組 」字。
電話號碼就是最好的例子，沒有人把十個數字一顆一顆背，多數是背成「0912」、「345」、「678」三組，你在唸電話號碼的時候，嘴巴就會很自然找到適配的停頓點。
當十個數字變三組韻律，腦袋就能裝得下了——這種分組的動作，心理學就稱為 Chunking。
幾十年後，工程師要讓機器讀文章，也遇到一模一樣的難題：機器一次也吞不下整篇，得先切成一塊一塊處理。
因此幫這個動作命名的時候，工程師直接借走了現有的心理學用詞。
而且對話用 AI 被要求的 KPI 也是有效的自然語言，因此 AI 必須按照人類的習慣去切 Chunk，這樣產出的每一塊內容，才具備完整的前因後果。
Chunking 實作：SEO 文章怎麼寫才容易被 AI 引用？
結論先行：
GEO 或 AEO 都建立在 SEO 之上，只要做好 SEO 基本功，並具備 EEAT 、獨特數據、深度觀點，就會增加引用機率，尤其是有憑有據又能協助讀者作判斷的中立內容。
開門見山、資訊完整
開門見山：直接在首段講出完整答案，AI 跟現代讀者沒有耐心讀包袱。
↑上面這句就是開門見山的範例。
每寫完一段，可以問自己一句：這段單獨拿出去，別人看得懂嗎？
這不是假設性的檢查，因為 AI 往往優先選擇標題下的段落，不一定會讀完整篇。
字數範圍會因為不同模型、不同時間而異，但基本原則通用：一段一個問題、一個完整的答案。
該有的名詞、條件、數字，段落裡自己要有，不依賴上一段才能成立。
舉例而言：
「這樣做之後，效果提升了不少」——單獨看，不知道誰做了什麼、提升了多少。
「網站改用自然語言網址後，引用率從 81.11% 提升到 89.78%」——單獨看，資訊完整。
前者只能活在原文的上下文裡，後者到哪裡抽出來都能當成答案。
AI 友善：SEO 標題、表格、清單
H2、H3 是索引記號，不是粗體跟大小寫的裝飾文字。
標題的工作有四個：
- 對應使用者意圖
- 讓讀者知道文章主題有哪些
- 提供讀者可跳轉的連結
- 將長篇內容分類、製造喘息空間
對 AI 而言，最重要的是的「使用者意圖」，其次是「文章主題」。
當搜尋工具可以快速匹配使用者的問題，並且描述底下那一區在講什麼時，機器可以瞬間定位，打包走已經裝好的 Chunk。
以人類的生活情境舉例，今天有位爸爸拿到了一張購物清單，上面寫：1 歲寶寶的奶粉 2 罐。
當他走進大賣場，首先他要找到頭上的標示吊牌「嬰幼用品」（H1），再來找到專門放奶粉的櫃子（H2），因為嬰幼用品也有奶嘴、奶瓶、尿布，如果這間大賣場沒有標籤，或是全部放在一起，爸爸就要找很久才找到奶粉。
優秀整齊的 H2 告示牌 ：適合 1 歲寶寶喝的奶粉
亂七八糟的 H2 告示牌 ：這裡有奶粉也有牛奶，但其實寶寶不適合喝動物奶！
「人類幼兒不適合動物奶」的資訊雖然正確，但它不該在賣場的指路標上。
對 AI 而言，友善的 SEO 標題（H1、H2、H3）與 Meta 標題、描述，就是這些大賣場的路標，寫得清楚它可以很順利進去找到要的奶粉——但如果標示寫得亂七八糟，AI 看不懂，它就轉身跑去下間大賣場了。
表格和清單也是天生的好 Chunk，符合人類與 AI 的閱讀方式。
它們本來就是切好的，一列就是一個資訊單位，抽取資訊最省力。
只要需要列舉三項以上、或每個項目有多個屬性要對照時，用表格或子彈式列點，不要串成一大段文字。
筆者自己曾撰寫過生活向的比較文章，就是以大量表格結構 x AI 資訊缺口去設計，皆有在 GEO 與 AIO 引用出現——單一案例雖不能當通則，但至少表格對引用的友善度已經驗證。
契訶夫之槍：哪些句子該留著？哪些該刪掉？
資訊量為零的句子，就不需要存在。
判斷標準：讀者讀完，有沒有立刻知道新的資訊。
「在現今數位時代，隨著科技快速發展」——讀完這一句，然後呢？
關鍵就在這個「然後呢？」——因為答案是零，實際上這就是一句廢話。
鋪墊在 SEO 與 AI 搜尋中沒有任何作用，反而會浪費爬蟲預算，因為 AI 不需要故事帶來的情緒高潮，它只要有用的資訊，越精準、越乾淨越好（方便理解的比喻或個人經驗除外）。
契訶夫之槍是一種文學手法，但被廣泛應用在各種創作中：「請將一切與故事無關的事物，都從故事中移除。如果你說第一幕中有把槍掛在牆上，那麼在第二幕或第三幕中，這把槍必須發射，不然就沒必要掛在那。」
Chunk 過度優化的常見錯誤
在碰到 Chunk 概念之後，最容易犯的錯是矯枉過正。
把完整的長句硬拆成碎片、同一個關鍵字一段塞五次——資訊量沒有變多，閱讀的節奏卻變得破破爛爛。
AI 檢索的評分核心是段落內的語意相關，不是關鍵字的出現次數。
該做的只有 3 件事：
- 讓人類方便閱讀，避免寫一大段擠在一起的長句
- 段落內容符合標題
- 資訊有用、自洽
Chunk 不是新技術：Google 段落排名的演進
Chunk 不是新時代用詞，也不是為 AI 發明的密技。
它就是 SEO 基本功——易讀性 x 清楚的段落 x 有用的資訊。
機器是照著人類的文本訓練：人類覺得好讀的，它就好切、好檢索、好引用。
SEO 一直以來的主要核心概念都只有一件事情：為了人類儲備正確的知識。
所有 Google 的演算法演變、AI 工程的出現，全都是為了服務使用者——只要理解這一點，剩下的內容都是錦上添花。
精選摘要是什麼？跟 AI 精選摘要不一樣嗎？
精選摘要（Featured Snippet）：文章直接抽取頁面中的一段內容，放在搜尋結果最上面。
因為使用者只想快速知道答案，簡單幾句話就好，不想看落落長的文章，希望搜尋引擎立刻找到準確答案。
從 2014 年就因應使用者習慣與需求出現了，只是以往是將文章原汁原味搬運，現在則大量被 AI overview （AI 精選摘要）取代。
AI 精選摘要會有兩個 SEO 相關欄位：引用的文章來源、引導你對話進入 AI mode 的對話框。
理論上使用者在開頭就能得到解答，想辦法擠進引用區的技術稱為 AEO（不是 AIO，很容易拼錯），不只文章，也包含圖片、影片、商家檔案等多元元素。
順帶一提，因應而生的被害狀況稱為零點擊搜尋，也就是原本那些在首頁的其他文章應該要有人點，但 Google 的 AI 摘要直接攔截走點擊……只給曝光。
也因此現在的 CTR 依據，已經不能用幾年前的 CTR 去當標準——大家 CTR 幾乎是全部一起下降的，連 YMYL 產業也遇到一樣的狀況。
Passage Ranking 段落排名是什麼？
以往搶首頁是在站點 vs 站點的基礎上，讓文章 vs 文章——現在多拉出一個比賽叫段落 vs 段落。
也就是 Chunk vs Chunk。
在2021 年，Google 上線了 Passage Ranking，中文翻譯是「段落排名」。
以前排名是整個網頁一起計算的：網頁整體表現好，才排得上去。
現在 Google 可以只抽網頁中間的某一段，就算整篇表現普通、站點偏小，但只要其中一段把某個問題答得特別好，那一段就能自己出來競爭長尾關鍵字。
寫好 Chunk 就有希望被人看見。
這對內容經營很友善，它代表一篇文章不必段段完美，但每一段的努力都有機會被單獨看見。
（附註：雖然 Google 否認，但業界普遍還是認為網站權重對 Chunk 排名會有影響）
Google 怎麼看 Chunk？
Google 的官方說法是：不用特地切 Chunk，對搜尋結果沒有幫助。
這句話可以分兩個層面來看：「Google 說的是真的嗎？」以及「那對 LLM 來說也是一樣嗎？」
簡單來說，對 Google 而言可能是這樣，在 SEO 上有其他的考量——但對 LLM，也就是對 GEO 而言，Chunk 仍非常重要。
所有 AI 技術都是黑箱，只能從原理、公開文件與運作邏輯去推斷。
Google 的意思「有可能」是指：不需要為了 Chunk 本末倒置，想辦法把文章切爛；只要本來寫好 SEO 就好，機器會自己去適配理解。
因為所有的資訊檢索勢必會碰到 Chunk 的技術限制，它是運行的基礎，不可能說車子開上路，有沒有輪胎都 OK。
只是差在有些人是輪胎有氣就好，有些人會連輪胎廠牌都有要求。
Chunk 的技術原理：AI 怎麼找資料？
AI 引用網頁的標準是什麼？
沒有任何一家模型公開過 AI 引用網頁的標準，所有坊間 GEO 相關數據都來自第三方機構的實驗設計。
但可以從已知的 SEO 理論推測方向：在單一 Chunk 內，至少滿足方便檢索、內容正確、有人背書的條件。
- 方便檢索：如果 AI 找不到網站，或看不懂段落主題，就不會引用 Chunk。
- 內容正確：AI 要對使用者負責，不小心講錯是一件事情，但它們不會找明擺錯誤的資訊。
- 有人背書：如果 AI 講錯話，至少生成來源有憑有據。
這大致上可以對應到 SEO 的「技術 SEO」、「內容 SEO」以及「E-E-A-T」。
理論上當今天網站正常可索引、內容正確（最好有數據證明）、有權威證書或強烈的實體訊號，就已經把 80% 被 AI 引用的可能性握在手上。
附註：所有保證 GEO 絕對引用的行銷公司都有問題，因為技術上不可能 100%，連 Ahrefs 都做不到。
關於背書，有一段 GPT 相關的 GEO 軼事分享。
免責聲明：這件事情沒有任何官方證據，也不能斷定後續模型開發確實受此影響，純屬筆者個人觀察與使用體驗。
Open AI 因為旗下產品 GPT 曾經很愛亂講話（俗稱 AI 幻覺），在美國打了非常多場官司。
從 4o 到現今 5.6 sol 的模型發展，可說少不了這些法律「助力」。
以往 AI 偏好張口就來，而在 GPT 5 系列開始出現「絕對不把話說死」跟「絕對要引用網站來背書，尤其是官方權威網站資料」的傾向。
推測是至少當 GPT 說錯話也有跡可循，使用者可以判斷是有人本來就在亂說話，還是 GPT 在黑白來。
其他公司是否借鑒同行慘況只能腦補，不過同在一個產業，對手的官司就是免費教材。
不只 GPT 出現過問題，Google 的 AI 產品 Bard（現已更名為 Gemini）也曾因為 AI 幻覺，使 Alphabet 股價當天跌約 8%，市值蒸發近千億美元。
——當時 Bard 在 Demo 宣傳影片中，將天文學事實講錯（「第一張系外行星照片」實際是歐洲南方天文台 2004 年拍的，不是韋伯望遠鏡）。
AI 幻覺一直是 AI 工程的大問題，引用來源可以有效降低（不是根絕）發生機率。
Query Fan-out 是什麼？
Query Fan-out 是 AI 搜尋機制之一：將主要問題像扇子一樣展開，延伸許多小問題（扇面），並形成支撐主問題的完整扇狀結構。
假設有人問「兔子可以吃蘋果嗎」，AI 會先判斷出相關的一連串小問題：兔子的消化系統怎麼運作、蘋果的糖分高不高、蘋果籽有沒有毒、一次建議吃多少？
然後 AI 再根據這些小問題分頭去查網路上的 Chunk，一題一題找答案，最後再組合成完整回覆。
整個運作過程雖然只需要幾秒鐘，但實際上卻在後台運行了數百次搜尋動作。
這對 SEO 的意義重大：當你想提升 GEO 機率，SEO 佈局不再是針對大型關鍵字，而是想辦法提升站內長尾關鍵字的覆蓋率、提升 Chunk 品質，並且盡量去滿足口語化與 PAA 的搜尋需求。
當一篇文章能回答的小問題越多，被撈到的入口就越多。
Title、URL
AI 撈搜尋結果的時候，第一眼看到的是標題、網址，還有一小段摘要——就像店鋪的自我介紹。
它會先看名稱，判斷這是哪個網站、Title 與 URL 在講什麼，再決定要不要進去撈資料。
如果名稱跟它手上的問題需求對不起來，內文寫得再好，這扇門都不會被打開。
就像是如果你今天想買五金配件，不會進便當店去找；想找在地美食推薦，也不會打開一篇標題寫著「0056 與 0050 投資比較」的文章，AI 也是如此。
因此現在流行在網站根目錄放一個 llms.txt，這份文件等同電子名片，AI 路過找資料就會先撈這個文件來看——不過目前沒有直接證據 llms.txt 一定會提高 AI 引用機率，但了勝於無。
Ahrefs 分析了 140 萬筆 ChatGPT 提問，根據數據：被引用頁面的標題與問題語意相似度是 0.602，沒被引用的是 0.484，差異極大。
網址是不是自然語言也有影響：自然語言網址（像 /dog-apple-guide）的引用率是 89.78%，參數式網址（像漢字或是 /p?id=8871）只有 81.11%。
光是 URL 的設計，就讓 GEO 引用差了 8 個百分點。
因此 GEO 的引用順序依然與 SEO 基礎一樣，先把 Title、URL、Meta 跟 Schema 處理完後，才考慮文章本身的架構與 Chunk 優化。
Embedding 與 RAG 檢索是什麼？
Embedding 是一種向量技術，將每段文字轉換成一個「語意座標」。
可以想像成一張巨大的地圖：意思相近的詞語，會住在地圖上相鄰的位置。
AI 的本質是機率模型，它逐 token 在眾多的方向中選擇「最常出現路徑」，再串成一系列文字——而在生成之前找資料、比對語意靠的就是 Embedding 與 RAG 檢索。
以諺語舉例，諺語是最強的語意向量，例如說第一句話是「An apple a day」，無論是人類或 AI ，都會基於知識訓練接上「keeps the doctor away」。
機器不懂中文也不懂英文，可是它會量距離——問題的座標離哪段文字最近，就把那段抓出來。
Embedding 就像是一張自己畫好的藏寶圖，使用者的問題解答就是寶藏。
而「查地圖→拿到資料→照資料回答」的過程叫做 RAG 。
RAG 拆開來是三個步驟：
- Retrieval：去外面抓資料（通常根據 Embedding 定義出的座標）
- Augmented：把抓到的內容塞給模型當參考
- Generation：模型照著參考生成回答
因此 AI 並不是把整個網路背下來，常見謬認是「AI 什麼都知道」，實際上更多情況它是開書考，直接現場連網路去找資料。
而 SEO 文章，就是它翻開的那本書裡的某一頁。
Chunking 有哪些切法？
工程師處理內容時，有四種主流的切法。
- Fixed-size：每固定字數切成一段，不管句子有沒有講完。最陽春，但成本最低
- Recursive：先照段落切，段落太大再照句子切，像先分大塊、再分小塊
- Semantic：先讀懂語意，在話題轉換的地方分段。最貼近人的閱讀，也最花運算
- Sliding window + overlap：讓每一塊的頭尾互相重疊一小段，避免前後文接不起來
每家系統採用的切法都不一樣，而且工程團隊為了節省成本、加快速度，隨時可能調整。
認識它們的目的，只是理解機器在做什麼，不建議研究模仿，因為成效太低。
今天猜中「某家每 500 個 token 切一段」，下個月它可能就換了做法。
如果把心力花在猜切法上，是一場永遠追不完的賽跑，坊間普遍共識是 150 ~ 300 字內就可以了，低於或超過也不要緊，真正重要的還是文章的整體內容品質。
不管從哪裡切開，只要文字段落本身有價值，內容精簡扼要、語意邊界清楚，這樣切出來的每一塊都是完整的 Chunk。
AI 工程中還有個名詞叫做 surprisal（驚訝值），意思是「下一個元素有多難預測」。
surprisal 的高峰常常就是 Chunk 的邊界，因為 Chunk 內部的元素彼此高度可預測，所以 Chunk 內的 surprisal 很低；一跨到 Chunk 邊界，可預測性掉下來，surprisal 就突然升高。
嬰兒切分「詞」的方式也是使用 surprisal spike 找 Chunk 邊界。
換句話說，對 LLM 而言，它們會自己根據自然語言段落找到 Chunk 的切分方式——前提是文章寫得很好讀。
如果想找反面案例，可以去看看普魯斯特的《追憶似水年華》，他那個年代沒有 LLM，但他撰寫的方式非常 Anti-Chunking。
反而後人整理的「瑪德蓮時刻」成了經典 Chunking 案例。
Chunk 相關常見問題
文章加 FAQ 對 SEO 有用嗎？
Google 已停止顯示 FAQ rich results，一開始只保留給醫療與權威機構，後續也全數移除。
官方立場是文章內容本身清楚即可。
即使如此，FAQ 依然值得寫，因為每一題天生就是一個自足的 chunk：一個明確的問題，配一個完整的答案。
它同時對接搜尋引擎的 People Also Ask，也對接 AI fan-out 拆出來的小問題。
條件只有一個：答案要真的有資訊量，不能把問題換個說法重講一次。
至於 FAQ Schema 標記本身，Ahrefs 2026 年的對照研究追蹤了近兩千個加上 schema 的頁面，發現 AI 引用量沒有顯著變化。
不過業界普遍還是會加，理由很單純：因為加了不扣分，成本趨近於零，那就當保險。
Google 官方 SEO 指南可以信任嗎？
方向可信，細節不好說。
官方說法與市面實測滿常打架的，尤其是在操作層的細節，像是對 AI 內容的容忍度、連結權重的計算方式。
但「寫對人類有用的正確內容」這個方向，一直都是 SEO 核心。
從上個世紀剛出來的 Google 搜尋引擎就一直強調人本核心，而市面實測與任何行銷學也都一直支持「從使用者角度出發」的概念。
Chunk 剛好站在多者的交集上：官方跟消費者都需要好讀有用的簡單段落，第三方實測也顯示段落引用真的有效，理論上 LLM 也確實使用 Chunk 作為引用單位。
GEO／AI Search 流量真的很高嗎？
流量很低，價值很高。
Ahrefs 實測自家網站：AI 搜尋只佔總流量的 0.5%，卻貢獻了 12.1% 的註冊，換算下來轉化率是傳統搜尋的 23 倍。
原因是 AI 先替網站過濾掉隨便逛逛的訪客，會點進來的人，多半已經讀過摘要、帶著明確的意圖。
不過 23 倍是 B2B 的極端值：跨產業平均大約 4 到 5 倍，低考慮度的電商可能只有 1.3 倍。
另外筆者個人觀察與猜測：由於現代人交友模式改變，對 LLM 容易產生擬社會關係與情感依賴，因此會產生近似以往「朋友推薦肯定有效」的口碑盲推。
以前長輩會說：「我朋友推薦我這個保健食品！」
現代人只是換成：「GPT 推薦我這個保健食品！」
日本年輕社群甚至會暱稱 GPT 為 チャッピー（Chappy／恰比） ，當成生活中非常重要的好朋友——這種情感關係，可能也是為什麼 GEO 帶來的流量雖然低，變現價值卻如同網路黃金。
SEO 文章每段應該寫多長？
沒有標準數字，因為標準不是字數，而是語意完整：一段回答一個問題，脫離上下文仍然成立。
有些答案兩句就完整了，有些需要八句才說得清楚。
與其數字數，不如檢查段落裡的主詞、條件、數字有沒有到齊。
Chunking 跟 Passage Ranking 是同一件事嗎？
不是，但方向相同。
Passage Ranking 是 Google 的排名機制：讓網頁中的單一段落，可以獨立參與排名。
Chunking 是檢索系統的處理動作：把內容切成小塊，方便計算與抽取。
一個發生在排名端，一個發生在檢索端。
對 SEO 而言，兩者要求的是同一件事—— 每個段落，都要能被獨立理解 。
圖片、影片也能被 AI 引用嗎？
可以，而且是趨勢，但路徑和文字不一樣。
圖片跟影片也是 Chunk，因為 Chunk 的本質是「引用單位」，多媒體只是換了一種分組方式。
圖片靠 Alt 與圖說這些文字描述被切進檢索系統；
圖片依賴 ALT 文字，影片則是仰賴語音轉文字檔技術（或 SRT 字幕外掛），當影片被引用時，抓的是逐字稿的某一段——這就是影片版的 Chunk，這也是為什麼字幕檔比影片畫質會更影響引用狀況。
另外，由於資訊轉檔的科技進步，以往無法引用的媒體內容，現在都會在搜尋頁面上出現。
甚至 GSC 本身已經追加數據追蹤的功能，可以在同個介面新增 Youtube/IG/Threads 等來源，追蹤 Google 的多媒體引用次數。
Meta 家也在 2025 年年底開放了爬蟲引用，社群媒體的聲量在台灣突飛猛進，社群 SEO 與實體品牌經營，儼然成為未來 SEO 的主要戰場之一。
Google 官方實際上也常將 Youtube 影片與圖片放到 SERP，尤其是教學類內容（像是怎麼織毛線），這種需要跟著操作的內容，特別容易出現在搜尋結果。
三件事加強影音引用機率：
- 替圖片寫具體的 alt 與圖說（描述畫面內容，不是塞關鍵字）
- 替影片提供完整字幕或逐字稿
- 上 ImageObject 和 VideoObject 結構化資料。
Chunk、Snippet 與段落差在哪裡？
- Chunk ： AI 系統切的，把整篇文章拆成固定大小的片段做向量檢索，讀者從頭到尾看不到它；
- Snippet ：搜尋引擎切的，從頁面挑出一小段顯示在搜尋結果上，讓人決定要不要點進來；
- 段落：作者切的，服務人類的閱讀節奏。
三者不一定相同，但也有可能相同。
你精心安排的段落，可能被 chunking 從中間截斷；一個 chunk 也可能橫跨兩個主題不同的段落，讓檢索到的內容前言不搭後語。
因此 GEO 寫作的實務建議仍是讓 Chunk 自足：讓每個段落語意完整（主詞寫清楚、不依賴上一段的代名詞、一段講完一件事）。
這樣不論系統在哪裡切分，被抓到的片段都能獨立成立。
AI 為什麼不引用我的文章？
可能性非常多，常見可能包含但不限於「架構亂七八糟」、「內容沒有新意」、「網站權威不夠」、「競品網站寫太強」。
但寫得好是提升引用機率，而非百發百中。
根據 Ahrefs 研究：ChatGPT 每次回答會撈回幾十個網址，最後只引用大約一半。
另一半被讀過、被參考過，然後安靜地留在資料庫，等 Web Search 工具跑完，連點開思考鏈都看不到引用了哪些網站。
最明顯的例子是 Reddit，雖然 ChatGPT 撈了超過 1,600 萬筆 Reddit 內容，用來理解話題、感受大家的共識。
但引用率只有 1.93%——一百筆裡面，被列出來的不到兩筆，它跟論壇學習，然後把引用留給機構網站。
另外瘋狂刷新同一篇文章的更新日期，卻沒改變文章品質也沒有用。
語意相關仍是最重要的決勝點。
在研究中，比較同一批撈取頁面的更新日期，實際被引用頁面的年齡中位數大約 500 天，等於一年四個月前的內容，與更新日期沒有強關聯。
但如果你的標題是「2024 父親節推薦十大禮物！」這類就另當別論……無論是使用者還是 AI，都對最新年份的資料比較有興趣。