本文约 2,545 字，预计阅读 7 分钟。文中命令与配置均经过实测，可直接参考执行。
引言：排名没掉，点击却少了
最让人困惑的情况是这样的：Search Console 里排名曲线平稳，甚至略有上升，但点击量和 CTR 一起下滑。把关键词放进 Google 里手动搜一遍才发现问题——结果顶部多了一整块 AI Overviews，答案已经写完，用户没有点开的必要。这类「零点击」在信息型查询上尤其明显，教程类、定义类、对比类内容受冲击最大。恐慌没有意义，能做的是两件事：一是让内容有机会出现在引用来源里，二是让 AI 写不完的部分成为必须点开的理由。
原理分析：引用来源来自检索，不是模型记忆
AI Overviews 的基本流程是：对查询做查询扩展（query fan-out），把一个问题拆成若干子查询，分别检索网页，再由模型对检索结果做归纳，并在结果旁列出引用来源。这意味着两件事：
第一，能不能被引用，取决于你在拆出来的子查询上有没有排名。不是整篇大词的排名，而是那些更细碎的、被拆分后的长尾问题的排名。所以覆盖面比单篇深度更重要。
第二，引用链接是真实存在的流量入口。被列为来源的站点会获得点击，只是点击率低于普通自然结果。所以目标不是「避免被 AI 摘用」，而是「争取成为被引用的那几个来源之一」。
可选的干预手段有三档，代价各不相同：
| 手段 | 做法 | 代价 |
|---|---|---|
| 完全允许 | 默认行为 | 可能被摘用，换取曝光 |
| 限制摘要长度 | max-snippet:[n] |
控制被摘字数 |
| 完全禁止 | nosnippet / data-nosnippet |
放弃摘要展示，通常也放弃 AI 引用 |
对绝大多数内容站来说，全面禁止等于主动退出，不建议。更合理的是对少量「转化页」限制摘要，对信息型内容主动优化以争取引用。
保姆级实操
步骤一：把内容改造成「可抽取单元」
模型抽取的是能独立成立的段落。每段开头给出明确结论，避免「如上所述」这类依赖上下文的写法。对比类内容用表格，步骤类内容用编号列表，定义类内容第一句就下定义。
步骤二：补齐子查询层面的覆盖
用 PAA 和「相关搜索」反推一个主词会被拆成哪些子问题，在主文里以 H2/H3 的形式逐一给出答案。这和 PAA 问答内容布局 是同一套动作，但目标从「进 PAA 框」变成「进引用列表」。
步骤三：只给关键页面加摘要限制
如果某些页面（如价格页、报价页）确实不希望被摘成摘要，用 X-Robots-Tag 精确控制，而不是全站 robots.txt 一刀切：
location = /pricing/ {
add_header X-Robots-Tag "max-snippet:60, max-image-preview:standard";
}
location ~* ^/blog/.*$ {
add_header X-Robots-Tag "max-snippet:-1, max-image-preview:large";
}
对正文中的某一小段不想被摘用，用 HTML 属性精确标注：
<p data-nosnippet>这段内部报价策略不希望出现在任何自动摘要里。</p>
步骤四：用 Search Console 分离出受影响词
在「效果」报告里按「查询」导出数据，筛选「展示量上升但点击量下降」且平均排名未恶化的词，这些就是被 AI Overviews 影响最直接的词。把它们导出成表，作为内容改造的优先级清单。
-- 在导出 CSV 导入本地库后，找出展示涨、点击跌、排名未恶化的词
SELECT query,
SUM(impressions) AS impr,
SUM(clicks) AS clicks,
AVG(position) AS avg_pos
FROM gsc_query_daily
WHERE date BETWEEN '2026-01-01' AND '2026-03-31'
GROUP BY query
HAVING impr > 500
AND clicks / impr < 0.02
AND avg_pos < 10
ORDER BY impr DESC
LIMIT 50;
步骤五：给「AI 写不完」的部分加码
能被摘走的是结论，摘不走的是过程：实测数据、截图、可执行代码、故障现场、对比表格、个人经验。这些要显著加厚，让点开有明确收益。
步骤六：验证结构化数据与索引状态
用 URL Inspection 确认页面已被正常索引，Article schema 的 headline/dateModified 与实际一致，避免因为标记错误导致连引用资格都没有。
常见踩坑
- 全站加
nosnippet想「保护内容」，结果自然摘要也一起消失，CTR 反而更低。 - 把 AI Overviews 当作新的排名因素去追，实际上它复用的是既有检索结果，没有独立的优化开关。
- 内容全是泛泛而谈的观点，没有任何可抽取的事实、数字、代码，模型自然无从引用。
- 只盯主词排名，不去覆盖拆分后的长尾子查询。
- 用 JS 延迟渲染正文，抓取与渲染两阶段拿到的内容不一致。
- 案例：某技术博客在 AI Overviews 上线后给整站加了
nosnippet，三个月内博客页自然点击下降 34%。撤掉后恢复原状，但期间损失的排名位置已被竞品占了两个月才追回。 - 判断依据只看总流量曲线，不做「展示涨、点击跌」的交叉筛选，导致误判成算法惩罚。
总结
面对 AI Overviews，判断标准是：这个词的信息能不能被一段话写完。能写完的，就争取进引用列表；写不完的（实测、代码、数据、流程），就把这部分做成必须点开的理由。执行顺序是先用 Search Console 的查询级数据定位受影响词，再改结构、补子查询覆盖，最后才考虑 max-snippet 这类限制手段，且只对转化页使用。不要为了「防摘用」牺牲自然摘要。内容分发层面还可以结合 Google Discover 流量获取 降低对单一搜索入口的依赖。
