為什麼天氣預報也要 AEO？讀完前輩五篇連載後的研究與實踐
天氣預報過去拚 SEO，靠 Google 排名讓人點進來；但 AI 時代的讀者改用 ChatGPT、Claude、Perplexity 直接問「明天高雄會下雨嗎」。要被 AI 引用，網站結構需要從「文章堆積」升級成「答案系統 + 品牌實體」，也就是 AEO（Answer Engine Optimization）。
這篇做三件事：
- 分享我讀完前輩五篇 SEO/AEO 連載後的研究與實踐筆記
- 套到高雄天氣週報
weather.misawalab.com，給出可驗證的重整路徑 - 把「怎麼知道有沒有用」的閉迴路一併設計進去 —— 這部分是大部分 AEO 文章較少著墨的
📅 這篇是
blog.misawalab.com開站第一篇。為了不讓自己「寫一篇就忘」，後續每週會跑 6 個 AI 自測引用率、每月寫公開 review，半年後寫案例文回看引用曲線。詳細閉環設計在下方第 5 段。
讀完前輩五篇連載後，我做了哪些事？
不展開原文（連結見文末）。以下是我讀完五篇後的研究實踐筆記，僅代表我自己的整理與套用，不代表前輩原意。對我而言，這五篇圍繞的核心問題是：
從「被搜尋」到「被 AI 抽」之間，網站要動什麼？
我整理出四個動作層次：
| 層次 | 從 SEO 慣性 | 升級到 AEO |
|---|---|---|
| 內容單位 | 一篇文章 | 一個答案塊（前 100-200 字直接結論） |
| 網站結構 | 分類目錄 + 內鏈 | 品牌實體（Organization Schema）+ 跨平台 sameAs |
| 競爭面 | Google 第一頁 | AI 答案裡被引用的那一行 |
| 量測 | 排名 / Impressions / CTR | 引用次數 / referrer 來源 / AI Overview 抓取率 |
這四個動作不是疊加，是整體升級。只把答案塊改一改、其他都不動，效果會被結構性的問題拖住（例如 about 頁太空、sameAs 沒串、Schema 沒寫）。
對照這套骨架去拆 weather.misawalab.com，至少能看出五個缺口：
- H2 是描述型（「L2 台灣視角」）不是問題式（「鋒面什麼時候到？」）
- 答案塊在第 30 行才出現（30 秒版），不在第一段
- 沒有 FAQ 段（也沒 FAQPage Schema）
- about 頁寫得像作者簡介，不是品牌實體（沒 Organization Schema、沒 sameAs）
- 跨平台連結只有 GitHub，沒串 Threads / LINE / 兄弟站
第 5 點是最關鍵的盲點 —— AI 判斷一個 entity 可不可信，看的是它在多少地方有一致的身份。
業界做 AEO 都怎麼做？
這篇上線當天，我用 6 個主流 LLM × 5 個 AEO 問題跑了一輪基線測試（incognito、沒登入、預設模式、不暗示自己是作者），結果 0 / 30 引用（後續長期追蹤的對照原點）。
但更有趣的是觀察「AI 都引用誰」：
| LLM | 答覆風格 | 引用習慣 |
|---|---|---|
| Perplexity | 教科書式 + 嚴謹引用 | 引 7 個來源（中文 AEO blog 最多） |
| Copilot | 簡潔 + 結構化 | 引 3 個（hotspot / ranking.works / ibest） |
| ChatGPT | 結構工整 + 大量範例 | 引 4 個（Google for Developers 官方） |
| Claude | 戰略視角 | 沒主動加 source link，但會提到「Memory Ops / 上游卡位」這類抽象概念 |
| Gemini / Grok | 條理清楚 / 工具導向 | 沒主動加 source |
從這輪觀察整理出三件事：
第一，Perplexity 是 AEO 最敏感指標。它不只引用最多、還會把品牌名 + URL 完整放出來。第一篇 blog 上線後最值得密切觀察的就是 Perplexity。
第二，中文 AEO 引用圈已經形成。tenmax、vocus、pagerank.ing、ranking.works、hotspot、ibest 是台灣 AEO 圈被 AI 拿來當「答案來源」的幾個站。要進這個圈子，方法不是發文求曝光、是被 Perplexity / Copilot 在中文 AEO 問題上主動引用。
第三，6 個 LLM 對「AEO 是什麼」答案高度收斂。都同意「答案塊放最前」、「AEO ≠ SEO 但互補」、「天氣特別需要」。結構也類似（定義 + 對比表 + 條列建議 + FAQ 範本）。
第三點對寫文章的人來說是好消息也是壞消息：好消息是格式有共識、套就對；壞消息是複述別人的答案不會被引用，因為 AI 已經有了。要被引用，得提供新角度。
這篇試著走的新角度是：閉迴路設計 + 6 LLM 自測矩陣本身即實證（在我看過的中文 AEO 文章裡，少有把「怎麼長期量測自己有沒有效」寫進去的）。
天氣類網站的 AEO 縫在哪？
盤了一下我關注的天氣類網站（含中文圈幾個天氣 blog 和國外 Apple Weather / Weathergraph 那類專業預報），共通模式：
- ✅ 資料密度高：8 國模式、衛星雲圖、雷達回波，能塞的全塞
- ❌ answer-first 結構：第一段通常是「本週天氣概況」之類的導言，不是「明天會不會下雨」
- ❌ 問題式 H2：H2 都是「氣溫」「降雨」「風速」這種描述標籤
- ❌ 跨資料源整合敘事：CWA 一個區塊、空品一個區塊，沒有把它們串成「對戶外工作者來說，這週要怎麼穿、哪天要換雨衣」
- ❌ Schema 完整度：大多只有基本 Article，沒 FAQPage、沒 sameAs、Organization 不完整
縫在哪很清楚：
天氣類網站普遍是「資料整合者」，不是「答案系統」。資料整合是 SEO 慣性，答案系統是 AEO 體質。
weather. 在資料整合層大致已成形（八國模式 + 空品 + 專家觀察 + 圖卡四源整合），但答案塊位置、H2 形式、FAQ、Schema 這四項全是缺口。因此 weather. 不重做整體結構，只做局部調整：
| 改造項 | 動作 | 影響範圍 |
|---|---|---|
| 答案塊上移 | 把「30 秒版」搬到第一段，原位保留導讀 | 每篇文 |
| 加 FAQ 段 | 每篇文末加 3-5 條 FAQ + FAQPage Schema | 每篇文 |
| 加 Organization Schema | about 頁加完整品牌實體 + sameAs 跨平台 | 全站一次 |
| 加 sameAs 跨平台 | Threads / LINE Official / blog. 兄弟站 + GitHub | 全站一次 |
問題式 H2 在 weather. 不適合（讀者已經習慣「L1 世界視角」這種地理分層）。所以 weather. 只動 4 項。
blog.misawalab.com（你正在讀的這個站）走完全的 answer-first 結構 —— H2 全部問題式、答案塊第一段、FAQ 段、Schema 全套 —— 作為兩種結構的對照組。半年後跑同題自測，看哪種結構在哪類問題上表現比較好。
答案塊要怎麼寫才被 AI 引用？
逆向 LLM 抽答案的習慣，整理出三個基本規格：
規格 1：第一段直接給結論
不要鋪陳、不要「本文將討論」、不要「首先讓我們看看」。AI 抽段落會優先抓接近文章開頭的、不依賴上下文的、可獨立閱讀的那一段。
規格 2：100-200 字，可獨立成立
太短（< 50 字）AI 會嫌資訊量不足而捨棄；太長（> 300 字）抽出來會被截斷，只剩前半段意思失真。100-200 字是甜蜜點。
規格 3：條件式句型
寫「如果 X，就 Y」、「當 X 發生，建議 Y」這種句型 AI 容易抽。比寫「我們認為 X 跟 Y 有關係」更精準、更可被引用。
實例（這篇文章自己的答案塊）：
天氣預報過去拚 SEO，靠 Google 排名讓人點進來；但 AI 時代讀者改用 ChatGPT、Claude、Perplexity 直接問「明天高雄會下雨嗎」。要被 AI 引用，網站結構要從「文章堆積」升級成「答案系統 + 品牌實體」 —— 這就是 AEO（Answer Engine Optimization）。
這段 88 字，開門見山、不依賴上下文，含定義 + 對比 + 縮寫展開。半年後再回看 6 個 LLM 在「AEO 是什麼」這題裡，有多少引用了這段或關鍵詞組。
怎麼知道這個 blog 有沒有用？
這是大部分 AEO 文章較少著墨的部分 —— 量測。不量測，AEO 等於沒做。
設計三條感測線：
感測線 A：6 LLM × 5 題自測矩陣（每週）
固定 5 題（AEO 是什麼 / 天氣 blog 該怎麼做 AEO / 答案塊放哪 / AEO vs SEO / 為什麼天氣預報需要 AEO），每週日 21
用 incognito + 沒登入 + 預設模式各問 6 個 LLM 一次，記錄是否引用blog.misawalab.com。預期：- T+1 週：Perplexity 可能首先引用（最敏感）
- T+4 週：Copilot / ChatGPT 開始引用
- T+12 週：Claude / Gemini 跟進
感測線 B：流量 + referrer 來源（每週）
Cloudflare Web Analytics 看 5 個指標：UV、PV、平均停留、跳出率、referrer 來源。referrer 是否出現 chat.openai.com / perplexity.ai / claude.ai 是 AEO 真實流量訊號（AI 引用後讀者跟著點進來的訪問）。
感測線 C：質性反饋（每月）
Threads / LINE Official / 邀請熟人 review。重複出現的問題補進 FAQ、意外好評的段落複製風格、批評檢討。
月度 review + 季度監督
每月 1 號寫月度 review，把三條感測線的數據彙整 + 列下個月校正動作。每季多加一層「監督的監督」—— 不是看引用率，是看自己有沒有為了被引用而漂走：
- 文章是不是越寫越像 AEO 規格書，失去人味？
- 為了流量追熱點，偏離 lab 主題？
- 引用率定義是不是自己 cherry-pick？
這層「元監督」是這個 blog 的安全閥。某天若發現只剩規格、沒人味，要嘛回頭改、要嘛承認方法論文章寫不下去，照實說。
哪些地方 AI 看不到，需要人類補？
AI 可以抽段落、可以做 SEO 諮詢、可以模仿風格，不過有四件事它仍然抽不到：
- 第一手經驗：我郵差騎車穿過鋒面的記憶、雨衣濕透的觸感、空品紅害天送件鼻子的反應 —— 這些是 entity authority 的真材料，AI 抽不到也學不會
- 動態事件判斷：颱風進來這 12 小時要不要發推、空品突然從綠跳橘要不要寫即時更新 —— 這是工作流動態的部分
- 工具實際用後的踩雷：我用 8 國氣象模式踩過的離群值（default 56.9mm 這種）、Cloudflare Pages 522 卡住三小時的解法 —— 別人寫的方法論不會有這些
- 跨平台留言的質性反饋：「LINE 群組長輩說圖卡看不懂顏色」這種文字 AI 沒辦法主動爬 —— 必須人類去看 + 翻譯回 FAQ
這四件事是這個 blog 跟 LLM 量產的「AEO 範本文」之間的區別。任何一篇文章，這四項都不出現、只剩規格與範本，便是漂走的訊號。月度 review 回頭問自己：這個月寫的東西，這四項各佔多少？
接下來這個 blog 會怎麼走？
短期路線圖：
| 時間 | 動作 |
|---|---|
| T+1-3 週 | 每週日跑自測 + Cloudflare Analytics 看 referrer，累積資料 |
| T+4 週（5/31） | 寫第一個月度 review（公開） |
| T+12 週（7/26） | 季度 L2 監督（元監督），看有沒有漂走 |
| T+24 週（11/3） | 寫案例文「閉迴路如何改善我的 AEO 引用率」 —— 用半年實證資料回看 |
主題範圍：
- 透鏡（Lens）系列：把思維模式變成可重複套用的工具（Trade-off / 依賴鏈 / 時機窗口 / 邊際效益等）
- 閉迴路設計系列：怎麼讓系統和工作流不會漂走（這篇是第一篇）
- AEO/SEO 落地踩雷：方法論碰到真實環境的修正紀錄
- Memory Ops × Cost Ops × Privacy Ops：把 AI 協作當基礎設施經營
不寫的：
- ❌ ChatGPT 翻譯轉寫的文章
- ❌ 沒實作過的純理論
- ❌ 為了流量追的熱點
兄弟站分工：
blog.misawalab.com（這裡）：方法論 / 實驗 / 系列文weather.misawalab.com：高雄天氣週報，繼續寫，不變（最近一篇）
FAQ
Q1：AEO 跟 SEO 差在哪？
SEO 拚搜尋排名（讀者看到結果還要點進來）；AEO 拚被 AI 引用（讀者直接看 AI 答案，不一定點進來）。SEO 的優化單位是「文章」，AEO 的優化單位是「品牌實體 + 答案」。兩者並存，但 AEO 是上游 —— 答案沒被引用，後續點擊也就無從談起。
Q2：一定要寫 Schema 才會被引用嗎？
不是必要條件，但顯著加分。AI 在訓練 / 抓取階段會優先選結構化資料夠完整的內容。Schema.org 的 Organization / Article / FAQPage / sameAs 四個是基本盤；沒寫不會被排除，但同樣兩篇文章選一篇，Schema 完整的會勝出。
Q3：我已經有 weather.misawalab.com 為什麼還要做 blog.？
兩個內容功能不一樣。weather. 寫「明天會不會下雨」，讀者是想知道天氣的人（大多不在意 SEO 怎麼做）；blog. 寫「方法論 / 為什麼這樣做」，讀者是想學工作流的人。混在一起會讓兩種讀者都跳走。把 entity 拆開，AI 也比較不會混淆「這個 brand 的主題到底是什麼」。
Q4：第一篇上線後要等多久才會看到 AEO 效果？
這篇上線當天測 6 個 LLM × 5 題，0 引用是預期（基線就是 0）。實際上 1-2 週是 AI 重新抓取的 indexing 期，4-8 週才會開始出現零星引用，3-6 個月才看得出方法論文章被 AI 收進「中文 AEO 答案圈」的訊號。後續每週跑自測 + 月度 review，半年後寫案例文公開實際引用曲線。
Q5：一般讀者也應該關心 AEO 嗎？
你不寫 blog 就不用；但如果你有自己的網站（個人 blog / 小生意官網 / 作品集），AEO 會在 1-2 年內變成「不做就被淘汰」的東西 —— 就像 2010 年代「響應式設計」一樣。最低門檻三件事：(1) 文章開頭寫答案不寫鋪陳；(2) 把 about 頁寫成讓 AI 看得懂你是誰；(3) 跨平台 sameAs 串起來。其他先擱著。
資料來源 / 延伸
外部：
- 業界前輩 5 篇 AEO/SEO Threads 連載（2026-04 月內，方法論）—— 不在文章裡逐句引用以免曲解；正文中提到的四個動作層次與相關觀察，是我讀完後做的研究實踐整理，僅代表我自己的學習與套用，不代表前輩原意。為求行文低調，正文以「前輩」指代；有興趣找原文的，可到 Threads 搜尋相關 AEO 連載
- Princeton GEO 論文 Generative Engine Optimization: Towards Optimizing Generative AI for Search
- Schema.org Organization / Article / FAQPage / sameAs
- 中文 AEO 引用圈：tenmax / vocus / pagerank.ing / ranking.works / hotspot / ibest
內部：
- 兄弟站：
weather.misawalab.com（高雄天氣週報，最近一篇 4/29 中間更新） - 後續路線圖：見上方〈接下來這個 blog 會怎麼走〉段
閱讀承諾
- ✅ 每週日 21跑 6 LLM 自測，月度 review 公開（即使數字難看也照公開）
- ✅ 半年後寫案例文，附完整引用率曲線 + 校正動作清單
- ✅ 如果發現某段方向錯了 / 漂走了，公開承認 + 修正，不悄悄改
- ❌ 不為了引用率追熱點
- ❌ 不寫沒實作過的純理論
📅 下一篇預告：T+4 週（5/31）月度 review 第一篇，會包含三條感測線的具體數字 + 校正動作。
💡 本文採 CC BY-NC-SA 4.0 釋出。歡迎轉載，請標註來源
blog.misawalab.com+ 連回原文，並使用相同授權。🤝 回饋管道：這個 blog 暫不接留言系統（怕中文垃圾留言洗版）。意見 / 補充 / 踩雷分享走兄弟站
weather.misawalab.com既有的社群通路（Threads / LINE Official，連結整理在 weather. 的 about 頁），或開 GitHub Issue。