用 Claude Code 做 SEO 和 GEO，不用为 AI 单独做一套
结论前置、事实可核、结构清楚、来源写明，这几条对普通搜索和 AI 问答同时有效，所以不用为 AI 单独做一套内容。Claude Code 在这里的价值不是替你写，而是替你查：哪些页面没有直接回答标题提出的问题、哪些缺结构化数据、哪些事实没有具体数字。为 AI 单独准备一份和用户看到的不一样的内容，是风险动作，不要做。
结论前置、事实可核、结构清楚、来源写明，这几条对普通搜索和 AI 问答同时有效，所以不用为 AI 单独做一套内容。Claude Code 在这里的价值不是替你写，而是替你查：哪些页面没有直接回答标题提出的问题、哪些缺结构化数据、哪些事实没有具体数字。为 AI 单独准备一份和用户看到的不一样的内容，是风险动作，不要做。
「现在要不要专门为 AI 搜索再做一套内容」，这是最近被问得最多的问题之一。
答案是不用。
把 AI 问答需要的东西列出来，你会发现它们和「一篇写得好的页面」几乎是同一份清单：
这四条对普通搜索同样成立。真正的差别只有程度：普通搜索里写得含糊只是效果打折，AI 问答里写得含糊就是直接不被采用——因为它需要的是能被引用的具体内容，一段「品质卓越、值得信赖」对它毫无用处。
所以正确的做法不是做两套，而是把一套做扎实。这篇讲 Claude Code 在这件事上能干什么。
先明确分工。
内容本身还是要人来定：你的产品有什么、和别人差在哪、客户真正在问什么。这些是业务判断，不是写作技巧。
Claude Code 的位置在检查和补齐——那些你知道该做、但量大到懒得做的事：
这些活单个都不难，难的是几百个页面挨个查。
这是最有价值的一项检查，也最容易被忽略。
检查方法很简单：拿页面的标题，看正文前两段有没有直接回答它。标题问「这个尺寸适合多大的房间」，正文前两段还在讲品牌故事，那这个页面对搜索和 AI 都是低效的。
让它把不合格的页面列成一张表，标出标题、问题类型和建议的修改方向。人再决定哪些值得改。
结构化数据是少数「机器读了确实有用、而人工做起来纯粹是体力活」的东西。
商品页的价格、库存状态、评分，FAQ 页的问答对，文章页的作者和发布时间——这些标注清楚，机器能更准确地理解页面在讲什么。
Claude Code 可以扫出哪些页面缺、哪些写错了字段类型、哪些标注的价格和页面上显示的不一致。最后一项特别重要：结构化数据和页面实际内容对不上，比不写更糟。
这两种形态是 AI 问答最容易直接引用的。
原因很直白：买家的问题往往是比较型的（「A 和 B 有什么区别」）或者具体型的（「能不能用在户外」），而对比表和 FAQ 正好是这两类问题的现成答案。
但有个前提——内容必须是真的。FAQ 要写客户真正在问的问题，不是你编出来凑数的问题。真问题从哪里来：商品页的问答区、客服邮件、退货理由、搜索词报告。这些数据你都有，让它去归纳就行。
---
name: seo-check
description: 对页面做发布前的 SEO 和 AI 可读性检查，输出不合格项清单和修改建议。当用户要检查页面质量、优化 SEO、准备发布内容时使用。
argument-hint: [文件或目录]
allowed-tools: Read Write Bash(python3 *)
---
## 检查项
对 $ARGUMENTS 下的每个页面执行：
### 结论前置
- 标题提出的问题，正文前两段有没有直接回答
- 前两段里有没有出现具体信息，还是只有铺垫
### 事实密度
- 全文有没有可核对的具体数字、参数、条件
- 出现的每个数字，页面里能不能看出它的来源或口径
- 标出「优质、领先、卓越、高效」这类没有信息量的形容词，统计出现次数
### 结构
- 小标题是不是可扫描的，有没有纯编号标题
- 有没有超过 6 行还不分段的段落
- 表格和列表是否用在了该用的地方
### 元信息
- 标题长度、Meta Description 长度
- 是否与站内其他页面重复
- 结构化数据是否存在、字段是否与页面内容一致
### 内链
- 这个页面有没有链出到相关页面
- 站内有没有页面链接到它
## 输出
生成一份检查报告，按「必须改 / 建议改 / 可以不改」三档分类。
每一项写清楚：问题在哪一段、为什么是问题、怎么改。
不要直接改文件，只输出建议。
## 禁止动作
- 不修改任何页面文件
- 不建议关键词堆砌类的改法
- 不建议为搜索引擎或 AI 单独准备与用户所见不同的内容
最后那条禁止项，下面单独说。
这个想法很容易冒出来：既然 AI 需要更结构化、更密集的事实，那能不能在页面里藏一段专门给它看的内容，用户看不到？
不要做。
理由有两层。
第一层是风险：给爬虫看的内容和给用户看的内容不一致，这在搜索引擎的规则里是明确禁止的，被判定之后的代价远大于收益。
第二层更本质：如果一段内容值得给 AI 看，它通常也值得给用户看。「这个产品适合什么场景、不适合什么场景」「参数具体是多少」——用户比 AI 更需要这些。把它们藏起来，等于放弃了转化。
真正该做的是反过来：把原本藏在客服话术里、藏在业务员脑子里的信息，放到页面上。
做这些检查之前，先问一句：这个页面值得优化吗？
站内经常有一批页面，流量长期为零、也没有转化、内容本身也没什么信息量。对这些页面做 SEO 检查，是把时间花在错的地方。
更合理的顺序是：
Claude Code 可以帮你做第一步的分档——读流量导出和订单数据，把页面按象限分好。这一步做完，后面优化谁不优化谁就清楚了。
这一篇讲的是把现有页面做好。下一篇讲一件更有诱惑也更危险的事：批量生成页面。能生成一千个页面很容易，让这一千个页面不变成负债才是难点。
大部分团队用 AI 还停在翻译、写文案和生成图，AI 只参与了工作中间一小段。Claude Code 的区别在于它能读本地文件、通过 MCP 接外部数据、把流程写成 Skill 反复执行，也就是能自己动手而不只是给建议。但对外发送、改价、改库存这类动作必须留人工确认；能批量生成不等于该批量生成。建议先挑一个每周都要重复、规则写得出来、结果能验证的动作跑通，再往外扩。
能批量生成一千个页面，不代表该发一千个页面。分界线很清楚：每个页面有没有别处拿不到的独立信息。只换地名或型号名、正文几乎相同的页面，短期可能有量，长期是负债。做法是给生成流程加五道闸门——数据完整性、信息独立性、重复度、事实可核性、内链合理性，不过闸门的页面不允许发布，并且分批上线，每批之后看数据再决定继不继续。
同样是批量改商品，CSV 导出改完再导回、写 Admin API 脚本直接改、用官方 MCP 查数据，三条路的风险完全不同。原则是读操作可以放开，写操作一律先出预演清单再人工确认，并且任何批量改动都要能回滚。低库存盘点、找出售价低于成本的商品、补齐缺失的 Meta Description，这三件事收益最直接，适合先做。
作者
大阪烧鸟
大阪烧鸟，关注 AI 在跨境电商运营中的实际应用、Shopify 独立站与日本商业观察，偏爱把复杂问题拆成可执行的方法。
如果这篇内容对你有帮助，可以继续浏览 zens.osaka 的文章列表，按主题顺着看相关问题。
转载或引用请保留 zens.osaka 的原文链接与标题。
