Athens SEO 2026：全球頂級 SEO 大會 – 鸭老师SEO

2026年5月22-23日，雅典 The Ellinikon Experience Centre。

十幾位全球頂級 SEO 從業者——Aleyda Solís、Lily Ray、Mark Williams-Cook、Dan Taylor、Judith Lewis、Jonathan Moore、Simone De Palma、Frank van Dijk——從不同角度、不同專業背景出發，最後都走向了同一個結論。

這篇文章把他們兩天的演講和 Panel 討論串在一起，提煉出五個核心主題。如果你只記住一句話，那就是 Judith Lewis 的那句：

“It’s SEO. It’s not GEO. It’s not AEO.”

一、行業共識已經形成：GEO/AEO 就是穿了紅裙子的 SEO

Judith Lewis 用《黑客帝國》裡紅裙女人的比喻開場——GEO 和 AEO 看起來性感，回頭一看，本質就是 SEO。她從 LLM 的工作原理切入：大語言模型通過 tokenization 把內容拆碎，放進多維向量空間，需要時重新組裝來”推斷”答案。它儲存的不是事實，而是分散式表徵。幻覺不是 bug，是架構的固有特性。

這意味著什麼？LLM 必須依賴外部檢索來獲取可靠資訊。而它檢索的主要來源，就是傳統搜尋引擎的索引。

Judith 展示了證據：ChatGPT（尤其是 Plus 版本）使用 SerpApi 抓取 Google 搜尋結果作為實時資訊來源。當 Bing 索引中找不到某個 URL 時，ChatGPT 會回退到 Google 的索引。前 Google 工程師的測試也證實了這一點。

結論很簡單：Rank well on Google, surface well in AI。

這個判斷在 Panel 討論中被集體確認。Lily Ray 用 Accuranker 對比了 ChatGPT 引用率和 Google 排名，發現兩者”非常非常相似”。她更進一步，直接把 GEO 的 listicle 操縱手法定性為”gray hat scaled content”——等同於 Google 2024 年建立的 scaled content abuse 分類。一個真實案例：某品牌過去一年在 Google 和 ChatGPT 上大量使用 AI 內容，Panel 舉辦前兩天剛被 Google 懲罰，整個部落格從搜尋結果中消失。

更值得注意的是 OpenAI 的態度。他們沒有把 GEO 式的 SEO 操縱僅僅當作 spam，而是歸類為 prompt injection attacks——安全威脅級別的定性。

Mark Williams-Cook 則用一個絕妙的實驗徹底拆穿了行業裡”低證據門檻”的問題。他建立了一個 cats.txt “標準”——一個描述公司貓咪資訊的檔案，包含名字、品種、PurrLevel 等欄位。結果：Anthropic、OpenAI、Google、Perplexity 的爬蟲全部爬取了它，每天數百次；朋友把它放到網站後，Google AI Overview 直接從中抽取貓咪資訊返回；ChatGPT 被問”cats.txt 能幫排名嗎”時回答”Yes”並給出一堆理由。

論證鏈條完美閉合：用 llms.txt 支持者完全相同的邏輯——”被爬了所以有用””被索引了所以影響排名””ChatGPT 說有效”——他”證明”了 cats.txt 的價值。如果 cats.txt 的證據不成立，llms.txt 的也不成立。

一個彩蛋：搜 catstxt 排名第一的 catstxt.org 不是 Mark 做的，經調查發現是 Google Earth 團隊工程師做的——Google 內部也在玩這個梗。

這就是整個行業需要面對的現實：GEO/AEO 有了一個 sexy new name，從業者可以利用這個熱度推動工作，但不能假裝這是全新的服務然後加價收費。 正如 Judith 所說：”It’s a difficult, difficult tightrope to walk.”

一個很實用的職場策略：把以前一直催 CMO 要做但被忽視的 SEO ticket，重新標記為”AI 優化需要”提交。內容完全一樣，換個標籤突然就被優先處理了。

二、AI 搜尋的底層邏輯：它在”讀取”你，而不是”執行”你

Athens SEO 2026 最具技術深度的洞察之一，來自對 Google 內部兩套系統的區分。

Googlebot 和 Gemini 不是同一套基礎設施。

Google 傳統搜尋系統（Googlebot Crawling Infrastructure）會真正”跑你的前端應用”——批量抓取、Chromium 渲染、執行 JS、hydration、API 請求、完整 rendering pipeline。這是傳統 SEO 面對的系統。

但 Gemini 和 AI 搜尋用的是另一套：live fetch、使用者觸發、輕量基礎設施、不走正常 crawling pipeline、不經過 rendering infrastructure。Martin Splitt 基本已經半公開確認：”Gemini fetch 當前不 render。”

這意味著 AI 系統可能只讀取初始 HTML、SSR 內容、靜態 DOM、server-rendered text。而 hydration 後的內容、CSR 內容、lazy load、infinite scroll、delayed API content、React client state——AI 可能完全看不到。

Simone De Palma 的 TUI 實際資料驗證了這一點：JS 內容多的頁面被 ChatGPT-User 檢索得更少；JS 內容少、資訊自包含的頁面被檢索得更多。結論：Less JavaScript = More LLM Retrieval。

Judith Lewis 把這個判斷上升到了可執行層面：

- CDN 是否自動遮蔽了 AI 爬蟲（Cloudflare 等可能預設 block AI bots）

- 避免純客戶端渲染——AI 看不到

- 檢查是否有頁面被誤設 noindex

- 避免使用 nosnippet 規則——會阻止內容被 AI Overviews 和 AI Mode 引用

Serge Bezborodov（JetOctopus CTO）補充了一個關鍵警告：“I’m fine, we don’t block AI bots in robots.txt”這句話是危險的。 真正的阻斷往往發生在 WAF/CDN 層面，不是 robots.txt。需要與 DevOps/SRE 溝通，在防火牆層面白名單 AI 爬蟲的 IP。

還有一個更深層的技術問題：很多人認為”Google 能執行 JS，所以 SSR 沒用了”。但真正的問題不是”能不能 render”，而是”render 成本有多高”。CSR 會導致更多 network requests、更多 API calls、更多 hydration、更多 JS execution。尤其大型網站的 GraphQL、React hydration、chained requests，會讓 Googlebot 的處理成本暴漲。而 GraphQL 和 JSON RPC 預設使用 POST Requests（不可快取），每個頁面都重新請求 API，render 成本進一步放大。

現代 SEO 已經進入”渲染工程”時代。 最終結論：Google Search 可以”執行你的應用”，但 Gemini 更像”讀取你的 HTML”。

對於使用 WordPress + Astra + Elementor 這類服務端渲染技術棧的網站來說，這反而是天然優勢。

三、測量鴻溝：舊指標在坍塌，新指標是幻覺

Jonathan Moore 提出了一個自創概念：AI Measurement Chasm（AI 測量鴻溝）。

鴻溝左側：從 LLM 平臺拿不到第一方資料。只有極少量資料從 Bing 那邊滲透過來。傳統的資料測量體系像積木塔一樣在坍塌。

鴻溝右側：770+ 家公司湧入 prompt tracking / AI visibility 賽道，但 prompt tracking “far from perfect”——AI 回答高度不一致，每次 prompt 的回答都不一樣，你怎麼做穩定的 tracking？

Simone De Palma 的演講把這個問題拆解到了技術底層。他引用 Dawn Anderson 的觀點，做了一個關鍵概念澄清：Grounding queries 不是使用者搜尋，它們是 LLM 在 RAG 流程中自己生成的合成檢索查詢。 LLM 根據使用者的 prompt 做”最佳猜測”，生成查詢去檢索資訊，然後用檢索結果驗證和合成最終回答。Prompt tracking 實際上在測量一個空白點——追蹤的是 LLM 對使用者 prompt 的最佳猜測，不是 prompt 本身，也不是使用者真實意圖。

被忽略的變數太多：模型的 fine-tune 差異、隨機取樣、temperature、grounding 過程、偏見和啟發式規則、使用者位置、過往對話歷史……你追蹤到的只是模型的猜測，而這個猜測受十幾個你無法控制的變數影響。

更糟糕的是，GEO 追蹤工具本身就是資料汙染源。Simone 在資料中發現：這些工具會預設國家/語言修飾詞（如”in united kingdom, be sure to reply in english”）拼接到查詢後面，然後把修改過的合成查詢當成”真實搜尋資料”呈現。如果這些工具使用不夠可靠的 proxy，大量合成查詢就會直接汙染 GSC 和 Bing 的資料。

Bengü Sarica Dincer 從商業視角補充了另一層斷裂：傳統 SEO 的邏輯鏈（排名高 → 流量多 → 收入漲）已經斷了。她用 Designmodo 的例子證明：Google 搜”email builder”排第 3，但在 ChatGPT 裡問同樣的問題，前三名一個都沒出現。出現在 AI 結果裡也不等於被記住——Beehive 出現在 Gemini 推薦裡，但 Google Trends 反而在下降。網站的角色已經從”說服階段”轉變為”確認階段”——使用者到你網站之前決策已經完成了。

Jonathan Moore 用丹麥諺語開場：”You can’t fatten a pig by weighing it.”——稱豬不會讓豬變胖。行業一直在堆積資料，但從來沒有把資料轉化為客戶真正需要的成果。他的解法是蘇格拉底式思維：通過問對的問題來找到正確答案。

那應該問什麼問題？他給出了 3R 框架：

Revenue — 我們在賺錢嗎？不是 impressions、clicks、rankings，而是直接看 revenue。他用真實客戶資料展示：Total revenue 穩步上升，Organic revenue 平穩，LLM revenue 幾乎為零——用資料確定優先順序。同時檢查 revenue per session 有沒有下降（流量漲了但單次收入降了 = 流量品質下降）。引入 RFM 分析矩陣看 SEO 在給你帶來哪類客戶。

Recognition — 我們被正確認知了嗎？每個 prompt 跑 5-10 次（因為 AI 回答不一致），每次用新 chat 關閉 memory，兩週追蹤一次。三個核心問題：AI 認不認識我們？AI 認為我們以什麼著稱？在核心屬性查詢中 AI 會不會提到我們？

Recommendations — 我們被推薦了嗎？從”主動推薦”到”列為選項”到”順帶提及”到”完全沒出現”，分級追蹤。每個 AI 模型各做一份對照矩陣。

最實用的歸因方法反而是最簡單的：在詢盤表單里加一個”How did you find us?”欄位，包含 AI 工具選項。 既然 AI 平臺不給你第一方資料，就從使用者那端獲取。零成本 workaround。

四、該做什麼：迴歸基本面，但要用新的框架

如果 GEO/AEO 就是 SEO，那具體該做什麼？Athens SEO 2026 給出了從戰略到執行的完整路徑。

戰略層：站內打底，站外證實

Aleyda Solís 提出了 AI Readiness 的 10 項評估標準：Accessible（AI 爬蟲能否抓取）、Useful（內容是否比 AI 現有答案更有競爭力）、Recognizable（品牌/實體訊號是否清晰）、Extractable（核心賣點是否易於被提取）、Consistent（全網實體訊號是否統一）、Corroborated（是否有獨立第三方驗證）、Credible（背書來源是否權威）、Differentiated（定位是否不可替換）、Fresh（內容是否足夠新）、Transactable（是否清晰到 AI 能回答”哪款適合我”）。

她的核心論斷：”AI search visibility for ecommerce is an off-site corroboration problem with an on-site quality floor.”——站內是門檻，站外才是關鍵。AI 模型通過全網第三方資料來判定品牌可信度。AI 引用份額最高的是綜合大賣場（Amazon 12.5%、Etsy 17.1%），因為全網到處都有它們的第三方提及。

內容層：創作 Gemini 無法生成的內容

Lily Ray 在 Panel 中給出了最精準的一句話：”你的內容策略應該是——如何創作 Gemini 無法生成的內容？”

模板化規模化內容，即使不是 AI 生成的，本質也是 commodity content，正在被系統性清除。差異化來自兩個維度：Experience（經驗） 和 Personality（個性）。Google 加第二個 E 的原因，和 Reddit 在搜尋中崛起是同一個邏輯——真實經歷過的人有 AI 永遠沒有的東西。

Wil Reynolds（Seer Interactive）的實踐案例：建了一個自動化流程——文章釋出前 AI 打電話給創始人，問他對話題的看法，然後融入內容。

Alpitour 案例（GA Agency 的 Alessia Mancini 和 Andrea Masoni）是整個大會最完整的實戰樣本。這家義大利最大的傳統旅行社做了三件事：大規模修剪幾十萬個低品質 programmatic 頁面（內容濃縮）；用 BuzzWatch 做語義詞簇重組（主題權威）；讓目的地經理真人署名、建立驗證作者頁面、深度整合 Schema.org（E-E-A-T 加碼）。14 周後的成績單：AI 整體引用量 +68.5%，交易型意圖提示詞中拿下 75% AI 可見度，35% 的引用直接指向產品落地頁。

他們還做了一個顛覆性的 Digital PR 策略調整：不再盲目看 DR 高低，而是逆向分析 AI 在回答目標問題時到底引用了哪些域名，把公關預算 100% 砸在這些”AI 信任水源地”上。

技術層：向量化 SEO

Frank van Dijk 展示了一套基於餘弦相似度（Cosine Similarity）的頁面關係判定框架：

- 相似度 < 0.70 → 不相關，不管它

- 0.70 – 0.95 → 語義相關但不重複，做內部連結（甜點區）

- > 0.95 → 語義高度重合，查重/合併（Cannibalization）

他引用 DOJ 反壟斷案披露的 Google 搜尋內部架構，將搜尋過程拆解為四層：Keyword matching（BM25 倒排索引）→ RankEmbed（語義向量匹配）→ DeepRank（深度神經網路）→ NavBoost（使用者點選訊號）。第一層是門檻，第二三層才是競爭力。

實操路線圖從零程式碼到工程化：Screaming Frog v20+ 已內建 Embedding 功能（填入 API Key 即可）→ Python 指令碼精細控制 → BigQuery 構建 Vector DB → 封裝為團隊工作流。

資料層：用現有工具構建 AI 可見性追蹤

Simone De Palma 的方案最具工程深度。核心思路：把搜尋行為資料（GSC 告訴你 what）和伺服器訊號（日誌告訴你 how）合併。

GSC 資料通過 BigQuery Bulk Data Export 突破 16 個月視窗和取樣限制；Bing 資料通過 API 拉取（92% 的 ChatGPT agents 使用 Bing API 獲取實時結果）；兩邊資料 UNION ALL 合併後，用 RegEx 做 Funnel Intent Mapping（Information / Consideration / Transactional 三層）。

伺服器日誌分析方面，ChatGPT-User 的 user-agent 有三個特性：按需訪問（使用者 prompt 觸發，不是全站爬取）、直接意圖訊號、只讀原始 HTML。但要注意 70-80% 的 LLM bot 流量是冒充者，必須做 IP 反查驗證。

他的 TUI 實際資料非常有說服力：被 ChatGPT-User 真實檢索最多的頁面全部是實用資訊型頁面（優惠、預算工具、天氣、行李規格），不是品牌首頁或導航頁。

決策層：用 EV 思維選擇策略

Mark Williams-Cook 用撲克思維給出了決策框架：Expected Value = 潛在收益 × 成功概率 − 成本。

Cash Game = Black Hat SEO（輸了換域名繼續，最優策略是激進）；Tournament = White Hat SEO（只有一條命，最優策略是保守）。Grey Hat 是最差 EV——短期中等收益，長期負 EV（品牌域名被打，恢復代價巨大）。

他展示了一個知名 SaaS 品牌的案例：用 AI 做 programmatic SEO，流量從 2021 年爆發到 220K/月，然後被 Google 清洗歸零。恢復週期 1-2 年，而且 Google 在站點層面施加聲譽懲罰，連正常的商業頁面排名也受影響。

一個終極思維測試：“Would I be doing this if search engines didn’t exist?” 如果答案是 yes，說明你在創造真正的 business equity，不管演算法怎麼變價值都在。

五、對中國外貿 SEO 從業者的特別啟示

Athens SEO 2026 的討論有幾個點，對做英文 SEO 的中國外貿從業者尤其重要。

英文內容在 AI 時代的權重更大了。 Dan Taylor 在 Panel 中分享了技術細節：雖然 Common Crawl 原始資料中英文內容約佔 45%，但經過 C4（Colossal Clean Crawled Corpus）等過濾管道處理後，英文在主流 LLM 訓練資料中的佔比被大幅放大——C4 本身被設計為純英文語料庫，非英文內容在過濾階段被系統性排除。Dan Taylor 指出，C4 用內容語言判斷目標市場，而非內容實際服務的市場——這是 AI Overview 早期出現跨市場”亂排”的根本原因。AI 搜尋不看 hreflang，語言相同就可能跨市場引用。非主流語言進入訓練資料的門檻極高。

這意味著：如果你的目標客戶用英文搜尋、你的網站是英文內容、你在 Google 英文搜尋中排名靠前，那你在 AI 搜尋中被引用的概率天然就高於小語種競爭對手。對於中國外貿企業來說，做好英文 Google SEO 就是做好 AI 搜尋優化的最直接路徑。

WordPress 服務端渲染是天然優勢。 當 Gemini 不 render、ChatGPT-User 只讀原始 HTML 時，使用 WordPress + 傳統主題（Astra、GeneratePress 等）輸出的服務端渲染頁面，比 React SPA、Next.js 重度 hydration、GraphQL 驅動的現代前端架構更容易被 AI 系統讀取。這不是技術落後，是技術適配。

品牌實體建設是長期護城河。 Panel 中 Lily Ray 的最終建議是：品牌資訊在整個生態系統中的一致性比追蹤 prompt 更重要。Aleyda 的 Consistent 和 Corroborated 兩項標準也指向同一個方向。50-60 個目錄平臺的註冊、全平臺統一資訊、Schema 中的 Organization/Person 標記、知識圖譜訊號——這些”不性感”的基礎工作，在 AI 時代變成了最難被競爭對手複製的資產。

美國 80-85% 的人還沒用過 AI。 Panel 中提到的這個資料值得記住。AI 搜尋採用率遠低於行業從業者的感知。這意味著傳統 Google SEO 在相當長一段時間內仍然是流量主力。不要因為行業焦慮而放棄基本面。

結語

Athens SEO 2026 兩天的演講，可以濃縮為 Mark Williams-Cook 的最後一句話：

“Do things for the business, not for SEO/GEO. Would I be doing this if search engines didn’t exist?”

GEO 不是新學科，Technical SEO 是基礎，內容為人服務，retrievable 勝過 rankable，品牌實體勝過 prompt tracking。

沒有什麼單獨的 GEO/AEO 方法論。做好 Google SEO，就是做好”AI 優化”。

獨立Google SEO專家，ylsseo.com創始人，基於Google專利、IR與API Leak解讀排名機制，中文SEO啟蒙第一人。