用途：针对 AI 驱动的搜索体验做优化，包括 Answer Engine Optimization（AEO）与 Generative Engine Optimization（GEO），让内容可被 AI 发现、提取和引用。适用于优化 AI 概览与生成式答案引擎、编写或更新 llms.txt、让 AI 助手正确提取和引用内容、在搜索从蓝色链接转向 AI 答案时做前瞻布局、审计现有内容是否 AI 友好、添加可信来源信号。不适用于传统页面或技术 SEO、关键词研究、站外权威与链接建设，这些应使用对应的 SEO 技能，本技能叠加在其之上。
核心框架分五层：1）可提取的内容结构：章节开头用 1 至 3 句给出直接答案，用问题式 H2/H3，事实原子化并就近给出上下文，善用表格与列表，概念首次出现即定义，流程内容编号步骤。2）值得引用：原创数据、具体数字、具名专家与作者简介、可见且在 schema 中的发布与更新日期、方法说明及对外部权威来源的引用。3）结构化数据深度：使用贴合内容类型的 Schema.org 类型，填写必填与推荐属性，作者用 Person schema 并配 sameAs，首页用 Organization schema，真实问答用 FAQPage，流程用 HowTo，全站用 BreadcrumbList，并在 Schema.org Validator 与 Rich Results Test 中校验。4）AI 可读的可访问性：站点根目录放置 /llms.txt，可选 llms-full.txt；在 robots.txt 中明确允许或禁止 GPTBot、ClaudeBot、Google-Extended、PerplexityBot 等 AI 爬虫；保持 HTML 语义清晰；关键内容避免仅客户端渲染。5）真实世界实体信号：Wikipedia、Wikidata 条目，一致的 NAP，多权威来源的品牌提及，sameAs 关联社交资料，评价与声誉信号。
工作流：审计现状并逐层打分；确定 10 至 20 个优先查询；用优先问题测试主要 AI 产品的当前可见性；找出差距；制定分层计划（前 20 页结构修复、引用信号、schema、llms.txt、实体信号）；实施并每季度复测。
限制与失败模式：AI 搜索产品迭代快，应优化原则而非单一产品；强 AEO/GEO 需以扎实的基础 SEO 为前提；不要给无真实问答的页面堆 FAQ schema；不要用重度 JavaScript 隐藏关键内容；不应忽视实体强度或把 llms.txt 当作万能方案。默认输出为 aeo-geo-strategy.md 策略计划。若所需数据或工具不可得，应输出带缺口说明的交付物，说明需要什么、实际获得或验证了什么、哪些部分受影响，不得编造或估算数字。参考文件包括 references/llms-txt-guide.md 与 references/extraction-friendly-patterns.md。