🌑

Hi Folks.

首页 作品 关于 友链 邮箱

从第一性原理理解 SEO —— 一次博客全面改造的深度复盘

Read in English

大多数 SEO 指南都是清单式的：加这个 meta 标签、装那个插件、改这个配置。但清单无法帮你理解 为什么 ——不理解为什么，你永远不知道自己遗漏了什么。

最近我对这个博客做了一次全面的 SEO 改造。比起逐条记录”发现了什么、修了什么”，我更想分享的是背后的思维模型。一旦用这个视角看 SEO，所有优化都变得显而易见。

第一性原理：搜索引擎是程序

这是唯一需要记住的事。Google、Bing、Baidu——它们本质上都是程序，做三件事：

  1. 发现你的页面（爬取）
  2. 解析并理解页面内容（索引）
  3. 根据相关性和质量排序（排名）

SEO 不是在玩弄算法，而是让你的内容的数据结构显式化、机器可读。搜索引擎的爬虫本质上是一个 parser——和所有 parser 一样，输入的结构越清晰，它工作得越好。

从这个原理出发，我们可以把所有 SEO 工作分成三个层次：

1
2
3
第三层：分发层 — 你的内容在社交平台上如何呈现？
第二层：理解层 — 搜索引擎能否理解你的页面在说什么？
第一层：发现层 — 搜索引擎能否找到你的内容？

每一层都依赖下面一层。我们自底向上来看。

第一层：发现（Discoverability）

搜索引擎在排名你的内容之前，首先得找到它。有几个机制协同工作来实现这一点。

Sitemap：站点的目录

Sitemap 是一个 XML 文件，告诉爬虫你站点上的每个 URL，以及每个页面最后修改的时间。可以类比为一本书的目录——爬虫当然可以通过跟随链接找到你的页面，但 sitemap 把这件事变得显式而完整。

1
2
3
4
<url>
  <loc>https://your-site.com/2024/04/10/my-post/</loc>
  <lastmod>2024-04-10</lastmod>
</url>

但光生成 sitemap 不够——你还需要告诉爬虫去哪里找它。有两个位置：

  1. robots.txt ——任何爬虫访问站点时读取的第一个文件：

    1
    Sitemap: https://your-site.com/sitemap.xml

  2. HTML <head> ——给从页面本身开始爬取的爬虫：

    1
    <link rel="sitemap" type="application/xml" href="/sitemap.xml" />

这里有一个容易忽略的细节：lastmod 字段的数据源。如果用文件修改时间（mtime）作为来源，每次 git clone 或 CI 重新构建都会重置所有时间戳——爬虫会以为你整个站点都刚更新过，这反而是一个负面信号。我把 Hexo 配置从 updated_option: 'mtime' 改为 updated_option: 'date'，让日期来自文章 front-matter——确定性的、版本控制的。

RSS Feed：被遗忘的发现渠道

RSS/Atom 订阅源经常被认为是早期 Web 的遗物。但对技术博客来说，它有两个重要用途：

  1. 内容聚合器（Feedly、dev.to 等）通过 feed 发现和索引你的内容。
  2. 搜索引擎把 feed 作为补充的内容发现机制，特别是对新鲜内容。

HTML <head> 中需要声明 feed，这样浏览器和爬虫才能自动发现：

1
<link rel="alternate" type="application/atom+xml" title="Your Blog" href="/atom.xml">

我的博客之前完全没有 feed。加上 hexo-generator-feed 插件并配置好之后，内容多了一个完全独立的被发现渠道。

URL 结构：每个页面的唯一身份

每个页面需要且只需要一个 canonical URL。同一内容的多个 URL 会稀释排名信号，让爬虫困惑。

Hexo 中一个常见的错误：trailing_index: true 会生成类似 /2024/04/10/my-post/index.html 的 URL。而”干净版” /2024/04/10/my-post/ 是同一个内容、不同的 URL——瞬间产生了重复内容问题。修复很简单：

1
2
3
pretty_urls:
  trailing_index: false
  trailing_html: false

同时，每个页面应该包含一个 <link rel="canonical"> 标签指向它的权威 URL。这是给爬虫的明确信号：”如果你在多个 URL 找到了这个内容，这个才是算数的。”

第二层：理解（Understanding）

爬虫找到你的页面后，需要理解页面说的是什么、包含什么类型的内容、不同信息之间是什么关系。这是大多数博客最薄弱的环节——也是提升空间最大的地方。

语义化 HTML：用爬虫听得懂的语言说话

HTML5 引入语义元素是有原因的。<div> 告诉 parser 的信息量是零。<article> 告诉它”这是主要内容”。<nav> 说”这是导航”。<time> 说”这是一个日期”。

搜索引擎用这些元素来构建页面的内部表示。没有它们，爬虫只能基于启发式规则猜测——而启发式是有损的。

我的文章模板改造前后对比：

1
2
3
4
<!-- 改造前 -->
<h2>文章标题</h2>
<div>文章内容...</div>
<p>tag1, tag2 — Apr 10, 2024</p>
1
2
3
4
5
6
7
8
9
10
<!-- 改造后 -->
<article itemscope itemtype="https://schema.org/BlogPosting">
  <header>
    <h1 itemprop="headline">文章标题</h1>
    <time datetime="2024-04-10T00:00:00Z" itemprop="datePublished">Apr 10, 2024</time>
  </header>
  <div itemprop="articleBody">
    文章内容...
  </div>
</article>

这里有几个关键变化：

<article> 包裹 ——显式标记内容的边界。这在有导航、侧边栏、页脚的页面上尤其重要——爬虫需要分清哪部分是真正的内容，哪部分是页面装饰。

<h1> 替代 <h2> ——标题层级很重要。每个页面应该有且只有一个 <h1> 代表页面的主题。用 <h2> 做文章标题是层级违规——暗示文章标题从属于某个不存在的 <h1>。

<time> 及 datetime 属性 ——人类可读的日期 “Apr 10, 2024” 是有歧义的（月在前还是日在前？）。datetime 属性提供了一个无歧义的 ISO 8601 时间戳，任何 parser 都能可靠地解析。

导航的 <nav> 标签 ——我还把头部导航包在了 <nav aria-label="Main navigation"> 里。这同时服务于 SEO（爬虫可以识别并降权导航链接，在分析内容时不被干扰）和无障碍访问（屏幕阅读器可以直接跳到导航或跳过导航）。

JSON-LD 结构化数据：显式的数据契约

语义化 HTML 已经很好了，但它仍然是隐式的——爬虫需要推断关系。JSON-LD 把这些关系变成显式的。它是你和搜索引擎之间的契约：”这是这个页面的结构化数据，不需要推断。”

对于博客，两种 schema 最重要：

首页的 WebSite schema ——告诉搜索引擎你的站点叫什么、在哪里：

1
2
3
4
5
6
7
{
  "@context": "https://schema.org",
  "@type": "WebSite",
  "name": "博客名",
  "url": "https://your-site.com",
  "description": "博客描述"
}

每篇文章的 BlogPosting schema ——为单篇文章提供完整的元数据图：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
{
  "@context": "https://schema.org",
  "@type": "BlogPosting",
  "headline": "文章标题",
  "datePublished": "2024-04-10T00:00:00Z",
  "dateModified": "2024-04-10T00:00:00Z",
  "author": { "@type": "Person", "name": "作者名" },
  "publisher": {
    "@type": "Organization",
    "name": "博客名",
    "logo": { "@type": "ImageObject", "url": "https://.../logo.png" }
  },
  "keywords": ["标签1", "标签2"]
}

JSON-LD 的关键价值在于它让富媒体结果（Rich Results）成为可能。没有它，Google 只能把你的页面显示为一条普通的蓝色链接。有了它，Google 可以渲染富摘要——作者信息、发布日期、文章面包屑导航——显著提升搜索结果中的点击率。

你可以用 Google 的 Rich Results Test 来验证结构化数据。如果测试结果显示零个合格的富媒体结果，说明你在白白浪费流量。

<title> 标签：搜索结果中的标题

<title> 标签是 SEO 中最显眼的部分——它就是用户在搜索结果中看到的可点击标题。两个规则：

  1. 每个页面必须唯一。 如果所有页面标题一样，Google 无法区分它们。
  2. 应该包含站点名称。 这有助于品牌识别，帮助用户在一堆搜索结果中认出你的内容。

我的博客之前文章页面只显示文章标题——“React Performance Optimization”。修改后变成 “React Performance Optimization | Koh Hom’s Blog”。每种页面类型都有描述性的、唯一的标题：

1
2
3
4
5
6
7
if (is_post()) {
  pageTitle = page.title + ' | ' + config.title;
} else if (is_archive()) {
  pageTitle = 'All Posts - ' + config.title;
} else if (is_tag()) {
  pageTitle = 'Posts about ' + page.tag + ' | ' + config.title;
}

页面级的 Meta Description 和 Keywords

Meta description 不直接影响排名，但它直接影响点击率——Google 经常把它用作搜索结果标题下面的摘要文本。好的 description 是一段 150-160 字符的总结，告诉读者点进来能得到什么。

Keywords 同理。虽然 Google 已经不看 <meta name="keywords">，但 Bing 和百度仍然参考。更重要的是，页面级别的关键词是主题相关性的信号。我的博客之前每个页面都用全站统一的关键词。修改后，文章页面用自己的标签生成关键词：

1
2
3
4
5
<!-- 文章页：使用文章标签 -->
<meta name="keywords" content="React, Frontend, Software Engineering">

<!-- 首页：使用全站关键词 -->
<meta name="keywords" content="frontend development, testing, software engineering">

第三层：分发（Distribution）

SEO 不仅仅是关于 Google。当有人在 Twitter、LinkedIn 或 Slack 分享你的文章时，这些平台也会爬取你的页面——它们用另一套 meta 标签来生成链接预览卡片。

Open Graph：社交媒体的数据契约

Open Graph（OG）标签是 Facebook 发明的协议，但现在被 Twitter、LinkedIn、Slack、Discord 和所有主流平台通用支持。它们控制链接预览卡片中显示什么内容。

我的博客中最常见的错误：**og:type 在所有页面都被设为 "article"**，包括首页和归档页。这在语义上是错的——首页是 website，不是 article。设错不会导致明显的错误，但会降低社交分享预览的质量，发送错误的信号。

更关键的是，博客文章应该包含时间元数据。没有 article:published_time 和 article:modified_time，平台无法展示内容的写作时间——而对于技术内容，时效性极其重要。读者会跳过看起来过时的文章。

1
2
3
4
5
6
7
8
9
<!-- 只在真正的博客文章页面 -->
<meta property="og:type" content="article" />
<meta property="article:published_time" content="2024-04-10T00:00:00Z" />
<meta property="article:modified_time" content="2024-04-10T00:00:00Z" />
<meta property="article:author" content="Author Name" />
<meta property="article:tag" content="React" />

<!-- 首页、归档页、标签页 -->
<meta property="og:type" content="website" />

Twitter Cards：平台定制化

Twitter (X) 有自己的卡片系统，叠加在 Open Graph 之上。大多数博客缺少的关键标签：twitter:site（把卡片和你的 Twitter 账号关联）和 twitter:creator（标注内容作者）。没有它们，分享链接时就失去了和个人主页的关联——白白错过涨粉和内容归属的机会。

性能维度

Google 的 Core Web Vitals 已经是确认的排名因素。我发现的两个性能相关的 SEO 问题值得展开讨论，因为它们体现了一个更广泛的原则。

资源提示（Resource Hints）：降低外部依赖的延迟

页面加载时，浏览器需要为每个外部域名解析 DNS、建立 TCP 连接、执行 TLS 握手。仅 Google Analytics 一项，就是 www.googletagmanager.com——在任何数据传输之前大约 100-300ms 的延迟。

资源提示让你提前启动这个过程：

1
2
<link rel="dns-prefetch" href="//www.googletagmanager.com">
<link rel="preconnect" href="https://www.googletagmanager.com" crossorigin>

dns-prefetch 只处理 DNS 解析。preconnect 更进一步——还建立 TCP 连接和 TLS 握手。原理和 Web 性能优化中的 prefetch 一样：把工作提前到时间线更早的位置，让它不再阻塞关键路径。

字体预加载：一个隐蔽的路径解析 Bug

我的博客的字体预加载链接使用了相对路径：../fonts/font.woff2。这在首页（/index.html → 解析为 /fonts/font.woff2）能正常工作，但在嵌套页面（/2024/04/10/post/index.html → 解析为 /2024/04/10/fonts/font.woff2，404）就挂了。

预加载失败时，浏览器回退到按需加载字体，造成 FOUT（Flash of Unstyled Text）并增加 CLS（Cumulative Layout Shift）——三个 Core Web Vitals 指标之一。

修复方法是通过 Hexo 的 config.root 使用绝对路径：

1
<link rel="preload" href="<%- config.root %>fonts/font.woff2" as="font" type="font/woff2" crossorigin>

这是一个通用教训：HTML <head> 中引用的资源永远使用绝对路径，因为 <head> 在每个嵌套层级的页面间是共享的。

第四层：AI 搜索就绪（GEO）

有一个新的层次是两年前不存在的。AI 驱动的搜索——Google AI Overviews、ChatGPT 网页搜索、Perplexity——正在从根本上改变内容被发现和引用的方式。这被称为生成式引擎优化（Generative Engine Optimization, GEO），它基于一套不同的原则运作。

llms.txt：给 AI 爬虫的 README

就像 robots.txt 告诉传统爬虫它们能访问什么一样，llms.txt 告诉 AI 爬虫你的站点是关于什么的。它是放在站点根目录的纯文本文件，提供一个结构化的、人类可读的摘要——针对 LLM 的上下文窗口优化，而非 HTML 解析器。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
# 你的博客名

> 站点的一句话描述

## 涵盖主题
- 主题 1（子主题）
- 主题 2（子主题）

## 近期文章
- [文章标题](https://your-site.com/post-url/)

## 链接
- 博客：https://your-site.com
- GitHub：https://github.com/username

AI 爬虫访问规则

默认情况下，许多站点会屏蔽 AI 爬虫。如果你希望你的内容被 AI 生成的回答引用，需要在 robots.txt 中显式允许它们：

1
2
3
4
5
6
7
8
User-agent: GPTBot
Allow: /

User-agent: ClaudeBot
Allow: /

User-agent: PerplexityBot
Allow: /

这是一个有意识的取舍。你在授权 AI 系统训练或引用你的内容。对于个人技术博客来说，可见性的收益远大于成本。

可引用性：为 AI 提取而写作

AI 搜索引擎不只是排名页面——它们提取并引用特定的段落。要被引用：

  1. 先给答案。 文章顶部的 TL;DR 不仅对读者友好——它给 AI 模型提供了一个干净的、自包含的可引用段落。
  2. 使用清晰的标题层级。 AI 模型按标题分割内容。模糊的标题如”讨论”或”更多信息”被引用的概率远低于具体的标题如”JSON-LD 如何实现富媒体结果”。
  3. 显式地结构化数据。 表格、有序列表和代码块比自由流动的段落更容易被模型提取。

用 Claude Code Skills 自动化 SEO 审计

在完成初始的手动改造之后，我发现了 claude-seo——一个社区构建的 Claude Code skill，能自动化全面的 SEO 审计。它是我在 Agent Skills 一文中讨论的 Skills 范式的完美案例。

它做什么

claude-seo 是一个 skill 生态系统，包含 13 个子 skill 和 7 个专业 subagent：

  • /seo-audit — 全站爬取，并行 subagent 委派
  • /seo-technical — 可爬取性、可索引性、Core Web Vitals、安全头
  • /seo-content — E-E-A-T 评估、可读性、薄内容检测
  • /seo-schema — JSON-LD 检测、验证和生成
  • /seo-hreflang — 国际化 SEO 验证
  • /seo-geo — AI 搜索就绪（GEO）、可引用性评分
  • /seo-page — 单页深度分析

安装

一行命令：

1
curl -fsSL https://raw.githubusercontent.com/AgriciDaniel/claude-seo/main/install.sh | bash

它安装到 ~/.claude/skills/seo/，为依赖设置 Python venv，可选安装 Playwright 用于视觉分析。

它在这个博客上发现了什么

对我的博客运行 /seo-audit https://clean99.github.io 后，它确认并扩展了我手动审计的发现。关键收获：skill 驱动的审计能发现你手动检查永远想不到的问题——AI 爬虫可访问性、段落级可引用性、所有页面组合的 hreflang 验证等。

这个 skill 还验证了我之前所有的修复（JSON-LD、hreflang、og:type 等）都正确实现了——本质上为 SEO 提供了自动化回归测试。

为什么 Skills 适合 SEO

SEO 是 Skills 的完美用例，因为：

  1. 它是固定流程。 审计过程每次都遵循相同的模式：爬取 → 分析 → 评分 → 建议。
  2. 它需要领域专业知识。 Skill 封装了 SEO 知识（E-E-A-T 标准、schema 验证规则、GEO 最佳实践），否则你需要反复查阅。
  3. 它是可组合的。 单独的子 skill（/seo-schema、/seo-hreflang）可以在修改后独立调用进行定向检查。

这完全符合 Skill 的设计原则：单一职责、清晰接口、可复用性。claude-seo 本质上就是这篇文章中的 SEO 思维模型，被操作化为可执行代码。

全貌

自底向上看完整的心智模型：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
┌──────────────────────────────────────────────────┐
│  第四层：AI 搜索就绪 (GEO)                         │
│  llms.txt, AI 爬虫规则, 可引用性                    │
│  → 确保 AI 搜索引擎能引用你的内容                    │
├──────────────────────────────────────────────────┤
│  第三层：分发                                      │
│  Open Graph, Twitter Cards, 文章时间元数据          │
│  → 控制你的内容在社交平台上如何呈现                   │
├──────────────────────────────────────────────────┤
│  第二层：理解                                      │
│  JSON-LD, 语义化 HTML, <title>, meta 标签          │
│  → 告诉搜索引擎你的内容是什么意思                     │
├──────────────────────────────────────────────────┤
│  第一层：发现                                      │
│  Sitemap, robots.txt, RSS Feed, Canonical URL     │
│  → 确保搜索引擎能找到你的内容                        │
├──────────────────────────────────────────────────┤
│  基础：性能                                        │
│  Core Web Vitals, 资源提示, 预加载                  │
│  → 通过页面体验影响排名                              │
└──────────────────────────────────────────────────┘

每一项 SEO 优化都落在这些层中的某一个。当你遇到新的 SEO 建议时，问自己：这属于哪一层？它是帮助爬虫发现我的内容、理解它、分发它、还是让 AI 能引用它？这个框架把一堆看似随机的最佳实践变成了一个连贯的系统。

根本性的收获：SEO 就是面向机器的数据结构设计。你的 HTML 是搜索引擎消费的 API。Meta 标签是响应头。JSON-LD 是响应体。语义元素是 schema 定义。llms.txt 是 API 文档。你把这个 API 设计得越好，机器——无论是传统爬虫还是 AI 模型——就越能理解和呈现你的内容。

而有了 claude-seo 这样的工具，你可以自动化验证整个技术栈。思维模型给你理解力；skill 给你执行力。

用 ❤ 和 Hexo.js 制作于 Earth.

English GitHub LinkedIn Instagram