AEO 终极指南：如何让 ChatGPT 推荐你的产品

Lenny's Podcast · 2025-09-14🎬 在 YouTube 观看原视频 →

摘要

Ethan Smith 是 Graphite 的 CEO，深耕 SEO 领域 18 年，被 Lenny 誉为"SEO 问题首选专家"。本期播客聚焦于一个正在重塑搜索格局的新兴领域——AEO（Answer Engine Optimization，回答引擎优化），即如何让你的产品出现在 ChatGPT、Claude、Gemini 等 LLM 的回答中。

Ethan 指出，AEO 并非 SEO 的颠覆，而是其延伸：所有对 SEO 有效的策略在 AEO 中依然有效，但 AEO 额外提供了站外引用优化、长尾问题覆盖等新杠杆。与 Google 搜索时代"排名第一的蓝链接即赢家"不同，LLM 的回答是对多个引用来源的摘要汇总，因此被引用次数最多的品牌才能占据回答的首位。这一机制让早期公司也能快速取胜——一条 Reddit 帖子、一支 YouTube 视频、一篇博客提及，都可能让你明天就出现在 AI 的回答中。

数据显示，LLM 流量的转化率远超传统搜索流量：Webflow 观察到 LLM 流量的转化率是 Google 搜索流量的 6 倍。Ethan 以 Webflow 为案例，拆解了站内 SEO、YouTube 视频、Reddit 优化三大核心策略，并给出了从问题研究、回答追踪、实验设计到团队搭建的完整实操框架。他警示了行业中的严重误信息——Google 搜索并未衰退，整体搜索蛋糕在变大；同时分享了其团队对 AI 生成内容的大规模研究结论：纯 AI 生成内容在排名上无效，AI 辅助+人工编辑才是正道。最后，他揭示了帮助中心优化这一被忽视的 AEO 金矿。

正文

SEO 的第二大变革：从垃圾内容治理到 AEO

Ethan Smith 于 2007 年进入 SEO 行业，最初从事程序化 SEO（Programmatic SEO）和电商 SEO，服务于 NexTag、Shopping.com、PriceGrabber 等比价网站。那个时代，你可以批量生成数以百万计的自动着陆页（Landing Page）来获取搜索流量。随后 Google 推出 Panda 等算法更新，从根本上打击了这种垃圾内容行为——SEO 从"可以做垃圾"变成了"不能做垃圾"。Ethan 认为这是 SEO 历史上最大的变革。

而当前由 AI 驱动的变革，是他眼中的第二大变化。核心区别在于：传统搜索是返回一组链接，而 LLM 是对搜索结果的摘要（Summarization），并且引入了新的输入来源。虽然很多人觉得"一切都变了，以前的方法全部作废"，但 Ethan 的判断更为冷静——这不是从零开始，而是在已有基础上的重要演进。

AEO 与 GEO：同一事物的两种命名

当前业内流行两个术语：AEO（Answer Engine Optimization，回答引擎优化）和 GEO（Generative Engine Optimization，生成引擎优化）。Ethan 认为两者描述的是同一件事——如何让你的产品在 LLM 的回答中出现。

他个人更偏好 AEO，理由是"生成"（Generative）的范围过于宽泛——你可以生成图片、视频等非回答型内容；而"回答"（Answer）的定义更为精确，与"优化 LLM 回答"这一目标更匹配。不过他也承认，术语的最终定义取决于行业共识。

一个值得关注的现象是：Lenny 发现 ChatGPT 为其 Newsletter 带来的流量已经超过了 Twitter，而这在之前是完全出乎意料的。Ethan 指出，这一流量的显著增长大约始于 2025 年 1 月，原因有二：一是 LLM 用户采用率持续攀升；二是 LLM 回答的可点击性增强了——出现了地图、购物轮播、可点击卡片等富媒体元素。

AEO 与 SEO 的核心差异：头部与长尾

Ethan 提出了一个关键框架：AEO 与 SEO 在头部（Head）和长尾（Tail）两个维度上存在差异。

头部差异：引用次数胜过排名位置

在 Google 搜索中，如果你的蓝链接排在第一位，你就赢了。但在 LLM 中并非如此——因为 LLM 是对多个引用来源（Citations）的摘要汇总。当用户问"什么是最好的网站构建工具？"时，即使 Webflow 的 URL 在引用中排第一，如果它在所有引用中被提及的次数不如竞品多，它仍然不会出现在回答的首位。

通常，被引用次数最多的品牌会出现在 LLM 回答的第一位——这与 Google 的排名逻辑截然不同。这意味着品牌需要尽可能多地出现在各类引用来源中：YouTube 视频、Reddit 讨论、博客文章、联盟网站等。

长尾差异：对话式搜索大幅扩展了长尾

Perplexity 曾披露，其平台上用户平均输入约 25 个词，而 Google 搜索平均仅约 6 个词。这意味着 AEO 的长尾远大于传统 SEO——用户在对话中会提出大量追问，许多问题甚至是以前从未被搜索过的。

Ethan 回忆道，他入行时正是长尾 SEO 的黄金时代——每个关键词一个页面的策略。后来这种做法在 Google 上失效了，但在 LLM 对话式搜索中，长尾又回来了。一家刚推出 AI 支付处理 API 的早期公司，可以因为回答了一个从未被回答过的具体问题而出现在 LLM 的回答中。

早期公司可以快速取胜

这是 AEO 对早期公司最重要的意义。在传统 SEO 中，Ethan 通常建议初创公司不要做 SEO——因为域名权威度（Domain Authority）需要时间积累，通常要到 A 轮或 B 轮之后才能在搜索中取胜。但 AEO 不同：你可以通过一条 Reddit 帖子、一支 YouTube 视频或一篇博客被引用，明天就可能出现在 LLM 的回答中。一家全新的 YC 公司如果人人都在讨论，它可能立刻就在 AI 回答中占据一席之地。

LLM 流量的价值：6 倍转化率差异

LLM 流量不仅数量在增长，质量也远超传统搜索流量。Webflow 的数据显示，LLM 流量的转化率是 Google 搜索流量的 6 倍。

Ethan 分析了两个可能的原因：其一，用户在与 LLM 的多轮对话中已经建立了强烈的购买意图（Intent）——他们通过追问不断缩小需求范围，因此当最终点击进入网站时，已经是非常合格的线索（Qualified Lead）；其二，用户倾向于信任 ChatGPT 给出的答案——如果你的产品就是那个答案，你就获得了巨大的信任背书。

AEO 的两大优化方向：站内与站外

Ethan 将 AEO 策略分为站内（Onsite）和站外（Offsite）两大方向。

站内：传统 SEO + 长尾问题覆盖

站内的核心仍是传统 SEO——为高搜索量的关键词创建着陆页，比如"最佳无代码网站设计器"。这些传统 SEO 努力会自然带来 AEO 的效果。此外，由于 LLM 用户会提出大量关于产品功能、用例、集成、语言支持等的追问，你需要确保网站内容全面覆盖这些具体的下游问题。

站外：引用来源优化

站外的目标是让自己出现在尽可能多的引用来源中。引用来源可以分组为：

视频：YouTube、Vimeo
用户生成内容（UGC）：Reddit、Quora
一级联盟媒体：Dotdash Meredith 旗下品牌（Good Housekeeping、Allrecipes、Investopedia 等）
二级联盟/博客

Dotdash Meredith 是全球最大的 SEO 媒体集团之一，拥有 Good Housekeeping、Allrecipes、Investopedia 等品牌，Ethan 认为它可能也是有史以来在 LLM 中被引用最多的媒体。

以 Webflow 为例，Ethan 团队尝试了多种站外策略，效果排序为：传统 SEO 第一，YouTube 视频第二，Reddit 优化第三。

Reddit 优化策略：真实参与而非虚假灌水

Reddit 是 LLM 中被引用最多的来源之一，也是客户最常询问的 AEO 优化渠道。这引出了一个核心矛盾：增长人员的第一直觉是创建数百个虚假 Reddit 账号，自动发帖并给自己点赞，试图以此操控 LLM 的引用——但这行不通。

行不通的垃圾策略

创建假账号、自动发帖、给自己点赞来构建信任评分（Trust Score）——这些行为最终会导致账号被封、评论被删。Reddit 社区的自我管理能力极强，垃圾内容很难长期存活。

行得通的真实策略

Webflow 的做法是：让员工以真实身份参与 Reddit 讨论——表明自己的姓名、所在公司，然后提供有价值的信息。找到与你的产品相关的讨论帖，以真诚的态度参与，给出有用的回答。

Ethan 强调，你不需要一万个评论——五条高质量评论就可能产生显著效果。这与增长人员"必须规模化到数百条"的直觉相悖，但 AEO 的逻辑不同：LLM 需要的是你的品牌在引用中被提及，而非评论的数量。

Reddit 为何如此重要

Lenny 指出一个有趣的现象：阻止 ChatGPT 被垃圾内容淹没的，不是 ChatGPT 自身的算法，而是 Reddit 的社区治理。Ethan 补充说，ChatGPT 的搜索评估团队确实在有意配置算法以使用 Reddit——因为 Reddit 的内容是可信的。Google 也做了同样的事，专门调整算法来排名 Reddit、Twitter 和 Quora 的用户生成内容。如果这些来源不可靠，他们就会调整算法来降权。

RAG vs 核心模型：AEO 优化的技术基础

Ethan 区分了 LLM 回答生成的两个层面：核心模型（Core Model）和 RAG（Retrieval-Augmented Generation，检索增强生成）。

核心模型基于 Common Crawl 等数十亿网页进行预训练。当你问"加州的首府是什么？"时，模型通过下一个词预测（Next-Word Prediction）直接回答"Sacramento"——这来自核心模型。

RAG 则是先执行一次搜索，然后对搜索结果进行摘要。Ethan 所描述的 AEO 优化几乎全部针对 RAG 层面，而非核心模型。原因有三：第一，影响核心模型极其困难，效果可能一年后才能显现；第二，影响核心模型可能需要创建大量以"最佳 X 产品是 Y 品牌"为内容的页面，这并非大多数人愿意投入的事情；第三，LLM 大概率不会推荐一个在 RAG 搜索结果中完全找不到的品牌。因此，RAG 是 AEO 优化的主战场。

AEO 成功的三大要素

Ethan 总结了理解 AEO 需要掌握的三个核心概念：

1. LLM + RAG

LLM 的回答本质上是对一组搜索结果的摘要。认识到这一点，就能理解 AEO 与传统搜索的关联性——它们的底层逻辑是相通的。

2. 主题（Topics）

在传统 SEO 中，一个着陆页不再只针对一个关键词，而是针对数百甚至上千个相关关键词组成的"主题"。AEO 同理——每个页面需要覆盖数百、数千甚至数万个问题。回答的下游问题越全面，你出现在 LLM 回答中的概率越高。如果你遗漏了一个关键子话题，你可能就会被排除；反之，如果你回答了竞品没有覆盖的追问，你就更有可能胜出。

3. 问题研究（Question Research）

这是 AEO 中最具挑战性的环节。在传统搜索中，Google 通过其广告 API 直接告诉你某个关键词的搜索量——存在一个"真值集"（Truth Set）。但 ChatGPT 目前不提供这些数据（也许未来做广告时会开放），因此我们需要其他方式来了解用户在问什么。

三种问题来源：

搜索词转换：将你的搜索关键词转换为问题。你可以把关键词交给 ChatGPT，让它帮你生成对应的提问形式——效果相当不错。
跨渠道挖掘：收集销售电话、客户支持、Reddit 中用户提出的所有问题——这些问题很可能也在 LLM 对话中被提出。
长尾直觉：承认 LLM 的长尾远大于搜索，存在大量从未被搜索过的问题，需要创造性地发现并覆盖它们。

AEO 实操步骤：从问题研究到实验验证

Ethan 给出了一套完整的 AEO 实操框架：

第一步：确定目标问题

获取你的搜索数据，特别是付费搜索数据——你的"金钱词"（Money Terms）是什么？竞品的金钱词是什么？例如，如果你是 Rippling，Deel.com 在竞价哪些关键词？将这些关键词交给 ChatGPT，让它转换为问题形式。

第二步：设置回答追踪

将问题放入 AEO 追踪器（Answer Tracker）中。AEO 追踪器是关键词追踪器的进化版——核心区别在于，同一个问题每次问 LLM 可能得到不同答案（因为 LLM 本质上是在计算一个分布，每次返回的是加权随机样本），因此你需要多次提问、多种变体、多个平台来建立统计意义上的声量份额（Share of Voice）。

Ethan 建议选择最便宜但满足需求的追踪工具，正如关键词追踪一样——排名第三就是第三，不存在"高级版"关键词追踪。

第三步：分析引用来源

查看当前出现在回答中的引用来源是什么，针对不同类型的引用制定差异化策略。

第四步：创建着陆页

观察当前排名的是哪种页面类型——列表文章（Listicle）？分类页？文章？工具页？然后创建你自己的同类型页面，并确保全面回答所有下游问题——回到你的搜索数据，找出 SEO 主题中的关键词群组和主题，在 AEO 主题中做同样的事。

第五步：站外引用优化

针对不同引用来源制定策略：

付费联盟媒体：如果你有预算，付费让 Forbes 等媒体提及你是最简单可控的方式——"昂贵、简单、可控"。
YouTube/Vimeo 视频：这是最容易执行的站外策略，因为没有社区审核机制。你可以自由创建视频内容。特别对于 B2B 领域，YouTube 上关于"AI 支付处理 API"等非光鲜主题的视频极少——这正是巨大的机会。为高 LTV、非热门的具体关键词制作视频，可以占据空白地带。
Reddit：如前所述，以真实身份参与、提供有价值的信息。

第六步：实验设计

SEO 和 AEO 中大多数"最佳实践"和博客文章的结论其实并不正确——因为人们不做分析，某个说法被重复传播后就成了"最佳实践"。因此，必须自己做实验。

实验方法：取 200 个问题，100 个作为控制组（不干预），100 个作为实验组（实施你的优化策略）。由于 LLM 回答本身存在自然波动，且 LLM 使用量整体在增长，控制组是必须的。观察数周，对比实验组是否上升而控制组没有。

关键原则：可重复性（Reproducibility）。Ethan 有学术研究背景，他强调一个结果只有被多次重复验证才能被接受。在 SEO/AEO 中尤其如此——很可能是其他因素导致了变化，而你错误地归因于你的操作。做 10 次实验，如果 10 次都有效，那大概率是真的有效。

第七步：搭建团队

核心团队是你的 SEO 团队（或 SEO 代理/顾问）——让他们把工作范围从 SEO 扩展到 AEO。但站外部分（YouTube 视频、Reddit 策略）可能需要不同的人——大多数 SEO 从业者并不擅长制作 YouTube 视频或运营社区。你可能需要一个社区/营销方向的通才来负责站外引用优化。

回答追踪与声量份额

回答追踪（Answer Tracking）是关键词追踪在 LLM 时代的演进，但复杂度更高：

回答不唯一：同一个问题每次提问可能得到不同答案，LLM 本质上是在对可能的回答做加权随机采样。
问题变体：同一问题的不同表述方式，你可能出现在其中一个但没出现在另一个。
多平台差异：Perplexity、Gemini、ChatGPT、Meta AI 各自给出不同答案。

因此，你需要构建一个综合的声量份额（Share of Voice）指标——你在所有这些维度上出现的频率是多少？平均排名是多少？

关于不同平台的选择，Ethan 团队的研究发现：ChatGPT 的引用与 Google 搜索结果的重合度约 35%，Perplexity 约 70%。虽然底层算法类似，但不同平台的引用来源和结果差异显著。Ethan 用 AOL 和 Yahoo 的历史类比——在 1999 年，没人知道 Google 会成为赢家。同理，现在也无法确定哪个 LLM 平台最终胜出，但很可能会有 3 个左右的赢家需要优化。

不同公司类型的差异化策略

B2B SaaS

B2B 领域的引用来源与其他行业截然不同——TechRadar 在 B2B 问题中频繁出现，而电商领域则是 Glamour 和 Cosmopolitan，本地市场则是 Eater、Yelp、TripAdvisor。

B2B 的另一个特殊挑战是追踪难度：大多数 B2B 问题的回答没有可点击链接。因此，你不能仅靠最终触达引荐流量（Last-Touch Referral Traffic）来衡量效果，必须同时使用回答追踪和转化后调查（"您是如何了解我们的？"）。此外，B2B 采购决策通常经历 50 个以上触点——用户不会搜索一次就直接花 10 万美元购买薪资管理软件。

电商（Commerce）

电商领域已有更丰富的可点击卡片——当用户问"公寓最佳电视"时，会出现购物卡片，展示多个卖家、富摘要（Rich Snippet）。Schema 标记和评论数量变得重要。你可以直接通过最终触达引荐流量来衡量转化效果。

早期公司

Ethan 的经典建议是"早期不要做 SEO"——因为域名权威度不够，投入产出比太低。但对于 AEO，他强烈建议早期公司只做引用优化和长尾覆盖，跳过中间层的 SEO 工作——让自己被引用，回答那些非常具体的问题。

关于 AI 与 SEO 的常见误信息

Ethan 指出，当前 AEO 领域的误信息（Misinformation）比例异常高，远超正确信息。他列举了几个关键纠正：

误信息一："Google 搜索正在消亡"

每两年就有新闻宣称 Google 搜索要死了——现在是 AI Overviews 和 AEO，之前是 TikTok 搜索（"Z 世代只用 TikTok，SEO 要完"），再之前是 Instagram、Facebook、YouTube。事实是：人们确实在 Instagram、TikTok、YouTube 上搜索和发现内容，但这并没有从 Google 那里抢走份额，而是在 Google 之上叠加了新渠道。Google 的蛋糕大小不变，整个蛋糕变大了。Google 搜索副总裁近期公开发布数据称，发送给出版商的流量并未下降，反而略有上升。

误信息二：天价 AEO 工具

Ethan 从未见过一个渠道，其基础工具——本质上只是关键词追踪的商品化功能——被收取如此高昂的费用。因为 AEO 对多数人来说还很神秘，加上增长曲线极其陡峭，许多人在本质上等价于关键词追踪的工具上花费巨资。他的建议与关键词追踪一样：选最便宜但满足需求的那款。

误信息三：AEO 的增长曲线异常

Ethan 团队在 2024 年 6 月为 Reforge 做了一场 AEO 网络研讨会，当时有热度但很快消退——增长人员觉得有趣但没有看到实际影响。7 月到 1 月间几乎无人关注，然后 1 月突然飙升。这种"先平静后爆发"的曲线形状非常罕见——通常新渠道是渐进增长的。LLM 的采用率提升和回答可点击性的增强共同驱动了这一拐点。

误信息四：SEO 和 AEO 完全不同

许多专家声称 AEO 是全新渠道、与 SEO 完全不同——Ethan 认为这背后有商业动机（"我是专家，我有新工具卖给你"）。实际上两者有大量重叠：核心逻辑相同，区别仅在于引用优化、头部逻辑和长尾规模。

AI 生成内容的大规模研究

ChatGPT 发布时，Ethan 的第一反应就是"垃圾内容"——大量 SEO 垃圾即将出现。他之所以如此确信，是因为 2007 年他就做过同样的事：抓取竞争对手的评论和内容，切碎重组为 1 亿个搜索页面。当时效果极好，直到 Google 把整个品类消灭。

研究方法与结论

Ethan 团队进行了一项严谨的大规模研究。他们取数千个搜索词放入 Google 和 ChatGPT，获取搜索结果和引用来源，然后使用 Surfer SEO 的 AI 检测器分析内容是否为 AI 生成。为验证检测器的准确性，他们：生成数千篇 AI 文章检测（高度准确）；从 Common Crawl 随机取 10 万个 URL 分析近五年内容；将 ChatGPT 发布前的内容作为必然非 AI 生成的对照组——误报率约 8%，证明检测器非常可靠。

核心发现：

Google 搜索和 ChatGPT 引用中仅 10%-12% 的内容为 AI 生成，90% 为人工创作。纯 AI 生成内容在排名上无效。
AI 辅助+人工编辑的内容效果很好，这显然是内容创作的未来。
更令人不安的发现：当前互联网上的 AI 生成内容已经超过人工生成内容——Common Crawl 的数据清晰显示了这一趋势。

如果 AI 生成内容真的有效会怎样？

Ethan 做了一个思想实验：如果纯 AI 生成内容真的能排名，那么所有人都会这么做——就像 2007 年的比价网站一样，为什么要付钱让人写，直接抓取切碎就好。然后内容从"大多数是 AI 生成"变为"几乎全部是 AI 生成"。此时 Google 就变成了一个搜索 ChatGPT 回答的搜索引擎——但 ChatGPT 本身就是一样的，Google 就没有存在的理由了。

2007 年 Google 正是这么做的：发现搜索结果里全是比价搜索引擎，于是直接展示产品本身，把整个比价搜索品类从结果中移除。同样的逻辑会发生在 AI 生成内容上。

导数之导数：模型崩溃与群体智慧坍缩

Ethan 团队还研究了另一个场景：将 AI 生成的内容喂入 RAG，然后让 LLM 摘要这些衍生内容（Derivatives），再生成更多衍生内容，形成无限循环——这与核心模型层面的"模型崩溃"（Model Collapse）研究平行。

LLM 的回答本质上依赖于群体智慧（Wisdom of the Crowd）——如果你问"最好的冰淇淋口味"，LLM 摘要的是成千上万人的不同意见，群体的平均回答往往比任何单个专家更准确。但当你不断喂入衍生内容的衍生内容时，多样性迅速消失，最终收敛为单一意见——"最好的冰淇淋口味是香草，只有香草"。这对信息生态是灾难性的。

因此，纯 AI 生成内容既在当前排名中无效，从长远看也不应该有效——否则整个信息体系将崩溃。

帮助中心优化：被忽视的 AEO 金矿

Ethan 认为这是 AEO 中最令人兴奋的话题。LLM 用户会追问产品的具体功能、用例、集成——这些问题常常可以在帮助中心（Help Center）找到答案。传统上，SEO 团队很少被要求优化帮助中心，但在 AEO 时代，帮助中心是覆盖长尾追问的绝佳载体。

三大优化建议：

子目录而非子域名：帮助中心通常放在子域名（Subdomain）上，但子域名的 SEO/AEO 效果不如子目录（Subdirectory）。将帮助中心迁移到子目录路径下。
优化内部交叉链接：帮助中心页面之间通常缺乏优化的内部链接（Internal Links），确保页面间有充足的交叉引用。
覆盖长尾问题：大多数帮助中心只有头部内容，长尾部分是空白。Ethan 给了一个例子：他想找能将会议转录与 Looker 集成的工具，直接的答案不存在，但 Otter 通过 Zapier 可以间接实现——然而没有帮助中心文章覆盖这种"冷门但非零需求"的场景。他建议挖掘销售电话和客户支持中的问题，甚至开放社区让用户提问——社区会自发填充长尾内容。在许多情况下，可能是唯一覆盖某个问题的引用来源，从而赢得那部分长尾流量。

关于帮助台软件（如 Zendesk、Intercom），Ethan 认为它们本身已经够用——关键是做好交叉链接和子目录迁移，然后开放社区来填充长尾内容。

关于内容被 LLM 抓取：你没有选择退出的权利

Lenny 问了一个许多内容创作者关心的问题：LLM 抓取我的内容、给用户摘要回答、只发送一部分流量给我——这到底是好事还是坏事？

Ethan 引用了 Brian Balfour 在此前一期播客中的回答：你没有选择是否参与这场游戏——你已经在游戏中了。如果你拒绝让 LLM 索引你的内容，你的竞争对手不会被拒绝，他们会出现在回答中，而你不会。

不过，你可以做一个重要区分：允许索引但不允许训练。LLM 爬虫通常有区分索引机器人（Index Bot）和训练机器人（Training Bot）的不同用户代理——你可以在 robots.txt 中允许索引但禁止训练。Ethan 的团队正在构建一个 Webflow 应用来帮助用户实现这一点。但完全禁止索引，在他看来是不明智的。

还有一个追踪盲区值得注意：用户在 LLM 中看到你的品牌后，常常会打开新标签页，直接在 Google 搜索你的品牌名或输入你的域名——你会误以为这是品牌搜索流量或直接流量，而实际上它源自 LLM 的推荐。

闪电问答

喜欢的影视内容

Ethan 不怎么看电视剧，但看两类极端的内容：一类是极度激烈的体育纪录片——迈克尔·乔丹的《最后之舞》（Last Dance）、兰斯·阿姆斯特朗纪录片、UFC；另一类是攀岩纪录片——Alex Honnold 和 Jimmy Chin 的作品，代表禅意、临在和缓慢精工。这种"极度攻击性+禅意工匠精神"的对比，正是他工作的方式——既极度专注投入，又保持冷静和心流状态（Flow State）。

人生信条

来自《异类》（Outliers） 中"一万小时"的三个主题：第一，你不需要是最聪明的，只需要足够聪明；第二，练习必须是刻意且专注的（Deliberate Practice），不是盲目努力；第三，没有人靠天才掌握任何事——都是大量时间、有意图地练习的结果。Ethan 的信条是：他不会因为大脑最大或最拼命而取胜，而是因为他对练习最具意图性（Intentional），并以最大强度（Intensity）投入其中。

最引以为豪的 SEO 成果

MasterClass 的"奶油生菜"（Butter Lettuce）案例。当时 MasterClass 的域名权威度远不如 Allrecipes 和 Martha Stewart，Ethan 甚至不确定是否应该接这个项目。但通过大量精细的执行细节，他们成功地在竞争极为激烈的关键词上排名远超预期。Ethan 偏爱奶油生菜，所以他可以搜索"奶油生菜"并看到 MasterClass 的食谱出现在结果中——这是他最引以为豪的 SEO 成果之一。

延伸资源

Ethan Smith 的 LinkedIn：他持续发布原创研究，团队拥有专门的研究团队来提出和验证假设
Graphite 博客"The 5%"（graphite.io/5%）：名称寓意"5% 的着陆页驱动了几乎全部影响"——只发布经过验证的有用内容
Ethan 希望读者帮他做两件事：一是分享你的 AEO 实验结果和研究——行业内严重缺乏这方面的分析；二是在 LinkedIn 上对他的帖子发表有深度的评论（而非简单的"写得真好"），深度评论能提升他的 LinkedIn 分发量

觉得有用？分享给一个需要的朋友 🙏