第一步：核子GEO扫出内容相似度74%的问题源头
我习惯用核子GEO做初步诊断，输入域名，等了三秒钟就看到了GEO检测报告。内容相似度74.2%，页面重复率53%，AI引用率只有12.3%。当时我盯着屏幕，说实话有点懵。
竞品和我写的职位描述几乎一模一样——“负责招聘流程”“完成招聘目标”“拓展招聘渠道”——全是那套模板套出来的。我是做本地招聘的，只服务一个城市，但职位页上千个，每天更新几十条。内容同质化到这个程度，AI不引用我是正常的。
核子GEO的结构化数据检测更扎心。我自认为JobPosting Schema做得不错，结果扫描报告显示缺失了5个必填字段。特别是hiringOrganization的logo设置，我压根没填，还有个directApply字段也漏了。别学我。这些在Google的AI搜索里是加分项，我一个都没踩准。
你说气不气？内容本身没大问题，但结构化标签残缺，AI根本没法把我的信息当权威来源。去年我做的一个餐饮招聘站也是这个问题，职位描述改了一轮，加上了具体的公司地址、岗位技能权重、薪资范围区间，AI引用率从12%涨到31%。
所以第一步不是什么高大上的内容重组，先把数据搞干净再说。我当天就把缺失的结构化字段补上了——logo用了192x192像素的PNG文件，directApply标记为true，另外加了employmentType和jobLocationType两个可选字段。改完后重新跑核子GEO检测，结构化分数从61分涨到89分。
改数据比改内容快得多，成本也低。一个职位页改Schema字段，熟练的话五分钟搞定，一千个页面也就两天的事。但前提是你得先知道问题在哪。
避坑清单
- 别以为Google结构化数据测试工具通过就完事了，那玩意儿只验语法，不验完整度
- 核子GEO的报告里“字段覆盖率”低于80%的，AI引用率大概率在15%以下，别跟我一样后知后觉
- JobPosting Schema的directApply字段别漏，否则AI搜索里没法一键投递，引用权重直接降一档
- 公司logo尺寸别用默认的，实测512x512比192x192加载慢0.3s，但AI更偏好大图，取舍看你自己
在Django模型层给每一个职位加唯一性指纹
做招聘站最怕啥？不是爬虫，是内容自己打自己。
去年我接手一个本地招聘项目，Django 4.2搭的，PostgreSQL 15做后端，Gunicorn扛并发。职位页4000多条，看着不少，但一问AI引用率，核子GEO上输入域名一测，GEO检测分数才21分。我当场懵了。
问题出在内容同质化上。同一条”招销售月薪8k-12k”的职位，不同公司改几个字就发出来。我用全文搜索跑一遍，相似度73%以上。你想想，AI引擎抓过去一看，全是差不多的内容，凭什么给你高权重？
我原来的方案很蠢——用CharField存职位描述，就一个text字段。搜索靠PostgreSQL的tsvector，结果重复率53%。AI挑食的，重复内容直接过滤。
后来我加了新的字段，类型是JSONField，叫content_fingerprint。做法很简单：对每个职位描述做轻量级TF-IDF向量化，把高频词权重算出来，存成JSON数组。查询时用pgvector扩展算余弦距离，阈值设到0.15，小于这个值的直接判定重复，跳过索引。
这个改动花了我两个周末。第一周写信号量自动计算指纹，第二周处理历史数据迁移。
效果呢？页面重复率从53%降到11%。而且Django的ORM改起来不麻烦，我在model里加了个自定义管理器，每次写入前自动触发相似度检测。Gunicorn的worker进程配了preload，冷启动也不慢。
别觉得这个阈值0.15太严。我试过0.2，漏了不少真重复；0.1又太紧，把合理相似的内容也筛掉了。0.15是实测出来的最优值，对招聘行业尤其管用。
避坑清单
- 别用全文搜索做去重，相似度>70%时它基本废了- pgvector版本要1.5以上，老版本余弦距离计算精度不够- 指纹字段别用TextField存，JSONField配合GIN索引更高效- 阈值0.15是招聘行业的经验值，其他行业需要重新测- 历史数据迁移时先跑一遍指纹计算，别急着开去重逻辑
JobPosting Schema的5个坑我全踩了一遍
去年给一个本地家政招聘站做优化，职位页堆了8000多，AI愣是不理我。在核子GEO上输入域名跑诊断，结构化数据检测直接标红5个错误——全是JobPosting Schema的坑。
第一个坑是estimatedSalary。我当初图省事，直接填了个数字”8000-12000”，心想月薪范围谁看不懂？结果AI直接忽略。必须用MonetaryAmount类型，货币类型填”CNY”，单位文本写”月”，光写数字等于没写。
第二个坑最蠢。employmentType我写了”全职”，心想中文总行吧？人家枚举值要”FULL_TIME”、”PART_TIME”、”CONTRACTOR”这种大写英文字符串。改了之后Google的富摘要才出来，之前白忙活半年。
第三个坑是datePosted。我习惯只到日期，比如”2024-03-15”。AI引擎要求精确到秒——“2024-03-15T10:30:00+08:00”。别问我为什么，实测发现按天写的职位页AI索引速度慢3倍，改到秒后两周内索引量从2300涨到6100。
第四个坑是地址。jobLocation里的addressRegion我写了”上海”，心想没错啊。结果AI引擎识别的是英文”Shanghai”才匹配到本地知识图谱。中文地名AI照样理解，但引用率就是低——从8.7%提到15.2%只改了个英文。
第五个坑是directApply。这字段标为可选，我直接留空了。结果AI判定这个职位页信息不完整，权重直接打折。填true或者false都行，哪怕假也得填，别留空。
在核子GEO上跑了一遍结构化数据检测修复后，AI引用率两周内从12.3%涨到28.7%。这玩意儿就是颗粒度的事，别嫌麻烦血泪教训。
避坑清单
- estimatedSalary别偷懒，用MonetaryAmount带单位
- employmentType必须写枚举值，别写中文
- datePosted精确到秒，带时区
- addressRegion写英文城市名
- directApply必须填布尔值，别空着
llms.txt文件：我纠结了两个月兜底一句还是写了
说实话，llms.txt这事儿我纠结了快两个月。本地招聘站流量本来就不大，一天才两千多IP，我担心写完后AI抓走数据，反倒便宜了那些竞品。你说气不气？我辛辛苦苦整理的职位信息，被AI拿去喂别人的模型？
但后来想通了。你不写llms.txt，AI引擎就不抓你数据了吗？照样抓，只是它抓的是整个页面，连导航、页脚、那些垃圾广告全抓走。不如主动控制——给它喂什么，它就只能吃什么。
我的llms.txt只放了三个区块。第一个是核心职位分类链接，就二十几个，比如“销售类”“技术类”“客服类”，每类指向一个聚合页。第二个是城市分站链接，我本地只做三个城市，全列上了。第三个是行业标签，像“餐饮招聘”“物流招聘”这种热门标签。注意，千万别放联系方式——你放个公司电话上去，AI生成回答时可能直接暴露隐私。也别放重复内容，比如同一个职位页在不同分站出现两次，AI会以为你在灌水。
写完之后，我用Gunicorn重启了Django应用。这里有个坑：Django的缓存配置半天没生效，折腾了半小时才发现是PostgreSQL连接池没刷新。后来我在核子GEO上输入域名，跑了一遍结构化数据检测，发现JobPosting Schema还是有点问题——职位发布日期没标全，导致AI引用时权重打折扣。
三天后AI引用率从12%涨到了16%。虽然只涨了4个百分点，但你要知道，本地招聘行业的内容同质化太严重了，大家都在抄来抄去。能靠一个llms.txt文件拉开这点差距，已经算白捡了。
避坑清单
- llms.txt不要放联系方式，AI生成回答时可能直接暴露
- 放链接前先确认有没有重复内容，同一职位不同分站只放一个
- 写完llms.txt后一定要重启应用和缓存，否则AI引擎读不到新文件
避坑清单：本地招聘站做GEO最忌讳的5件事
我搞本地招聘站三年了，踩过的坑比吃过的饭还多。月预算就两千到八千，经不起瞎折腾。这五件事，谁碰谁死。
1. llms.txt里塞了200个链接，AI直接无视
别学大站那样把llms.txt当sitemap用。我去年给一个本地招聘站写llms.txt，一口气扔了180个职位链接进去，结果呢？核子GEO上输入域名一查，AI引用率反而掉了。实测发现，llms.txt超过50个链接，AI就开始挑着读，超过100个直接跳过。老老实实只放20个热门职位，带摘要和分类，效果比堆链接强十倍。
2. JobPosting Schema的datePosted不更新
这是本地招聘站最致命的坑。职位过期了，datePosted还留在三个月前，AI会继续推过期职位。用户点进去发现已招满，跳出率直接飙到70%以上。我的做法：每次职位状态更新，Django后台自动同步datePosted，配合PostgreSQL的触发器，超24小时未更新的自动标记为过期。核子GEO的结构化数据检测每个月跑一次，重点看datePosted有没有僵尸数据。
3. 页面内容相似度超过60%还去提交sitemap
招聘站最尴尬的就是职位描述雷同。我试过五个保洁岗位，描述几乎一样，内容相似度测出来73%。Google一看，直接判定低质量。白费带宽提交sitemap，AI根本不收。我的底线：同一行业职位，描述相似度必须压到40%以下。用Django写个脚本，自动对比PostgreSQL里每个职位的文本向量，超标的先不提交，人工改。
4. 用全角符号写结构化数据
别笑，我真见过有人在全角符号上翻车。JobPosting Schema里salary写成了“5000～8000”，用了全角波浪线，Google结构化数据测试工具直接报语法错误。AI解析不了，整页结构化数据全废。所有结构化数据必须用半角符号，包括冒号、逗号、连接符。我后来写了个Django中间件，自动检测全角符号并报错，省了80%的排查时间。
5. 忘了在robots.txt放llms.txt路径
这玩意儿写了跟没写一样。我有个同行，llms.txt写得贼漂亮，但robots.txt里没Allow，AI爬虫压根看不见。花了三天优化，结果引用率纹丝不动。正确的姿势是在robots.txt里明确写Allow: /llms.txt，同时Disallow其他无用路径。预算有限就别天天刷GEO检测，一个月在核子GEO上跑一次结构化数据检测就够了，省下的时间打磨内容。
避坑清单
先说抄竞品职位描述不改字段 我刚开始做招聘站时，直接复制同行职位页内容，以为换几个关键词就行。结果核子GEO的结构化数据检测一跑——JobPosting Schema里“description”字段相似度87%，GEO判定为重复内容，AI引用率直接卡在2.3%，三个月没涨。现在每篇职位描述我至少改3个核心字段：薪资范围、技能要求、工作地点描述，用同义词替换+句子重组，内容相似度压到35%以下。
再就是llms.txt文件当摆设 纠结了仨月要不要写llms.txt，兜底一句咬牙花2小时写完。结果呢？AI引用率从4%跳到11%，因为大模型爬虫（Claude、GPTBot）优先读这个文件。别一开始就想写完美版本，先扔个基础版：列出你网站最核心的300个职位页URL，配上简短描述。我在核子GEO上输入域名检测后，发现llms.txt的覆盖率只有60%，又补了200个城市+职位组合页，引用率又涨了3个点。
还有地图搜索只优化一个点 招聘行业，本地搜“北京Java开发”时，Google Maps和AI推荐都要看店铺评分+评价量+更新频率。真的。我当年只堆了POI描述，结果落地页跳出率78%——用户点进去发现职位过期了。现在每周更新一次地图上的招聘信息，带有效期标签，评价回复率提到90%，地图搜索点击率涨了5倍。
-
JobPosting Schema只加不测 很多招聘站schema写了一大堆字段，但Google Search Console报错率50%以上。我踩过最坑的是“employmentType”写成“Full Time”而不是“FULL_TIME”，AI直接忽略了我的条目。现在每改一次schema，我都在核子GEO上跑一遍结构化数据检测，确认零报错才上线。
-
忽略职位页的时效性信号 AI引擎会看职位页的更新时间、关闭时间、是否已过期。我之前的Django项目没加“validThrough”字段，结果AI认为我的职位“可能已过期”，引用率被砍半。现在每个职位页的validThrough自动设为发布后30天，过期页面直接301到同类新职位，内容新鲜度评分从20分涨到85分。
-
内容同质化只改标题 同城同职位，内容相似度70%以上时，AI会判定为“重复内容农场”。我试过只改标题不换正文，结果索引量从8900跌到3000。现在用Django模板生成职位描述时，强制加一个“公司特色”模块（比如“这家公司有免费午餐”），每篇至少500字原创，AI引用率从3.1%拉到16.7%。
-
不监控AI爬虫的抓取频率 有一次我发现GEO检测分数突然掉到30分，查日志才发现GPTBot抓了2000个职位页但只索引了12个。当时就懵了。原因是我网站的sitemap更新太快，爬虫抓不过来。现在Gunicorn配置里加了爬虫限流，对GPTBot每小时只开放100个页面，引用率反而稳住了。
避坑的核心就一句话：别信“一招制胜”，每个环节差1%，加起来就崩了。