2026 年 8 月的多方獨立觀測指向同一個方向。ChatGPT 5.6 上線後，搜尋前的 fan-out 查詢變多也變窄，用 site: 限縮範圍、指名官方與高信任來源的檢索大量增加，被引用的網域反而更集中。看起來像一套信任過濾，但 OpenAI 官方沒有證實，成本與速度也同樣可能是原因。
對經營內容網站的人，這直接改變「讓 ChatGPT 引用」的難度。你的頁面可能照樣被機器抓走，卻連答案的門都摸不到；想被點名，品牌與官方訊號的分量比以前更重。觀測怎麼讀、圈內圈外怎麼分、站長能做什麼，一次講清楚。
重點先看
多方獨立觀測同方向。5.6 之後 fan-out 查詢變多、變窄，site: 與官方來源查詢大增，引用網域更集中，像信任過濾，但 OpenAI 未證實。
site: 出現率從約 0.3% 升到 23%，出自 Peec AI 在 5.6 成為預設當天的介面觀測；走 API 的 Nectiv 量到更高。
檢索更拚命、引用更集中。一邊量到檢索來源數翻倍，另一邊量到每個回應引用的唯一網域變少，時間基準一個是 5.6 當天、一個是 5.3 之後。
品牌被點名的頁面引用率 68.9%，只被抓取而未點名的 2.1%。單一帳號側錄，相關不等於因果。
GSC 從 8 月中起的下滑是 logging 問題，Google 已官方確認，不是懲罰。
今天就能做兩件事。花 15 分鐘在 GSC 效能報表查 site: 曝光，再花 10 分鐘把一個核心 prompt 連跑五次，看品牌在不在它自己發出的查詢裡。
文章目錄
2026 年 8 月前後，ChatGPT 的搜尋行為變了什麼
ChatGPT 的搜尋不是「查一個詞、回一個答案」。OpenAI 官方說明過，它會把你的問題改寫成一個或多個更有針對性的查詢，看過初步結果後，視需要再追加。這種拆開、多路發送的行為就是 fan-out，名詞與例子的完整拆解可以看什麼是 Query Fan-out。平常你看到的只有答案，點開回應上方的查詢清單，才看得到它實際跑了哪些字。拿一個示意場景看，你問適合小團隊的專案管理工具，它可能一邊查工具比較文，一邊查各家官方定價頁，再一邊查使用者的真實評論，幾路結果合成一個回答。這份清單後面會一再用到，信任圈的故事，全部寫在那些查詢字串裡。
變化發生在 5.6 這波。OpenAI 在 8 月讓 5.6 的 Sol 成為標準版預設模型，同時間還有一顆更便宜的 Luna，8 月初成為免費與 Go 用戶的預設，模型細節看OpenAI 的更新說明，整體用法可以翻ChatGPT 完整教學。
Peec AI 的 David Konitzny 在 5.6 成為預設當天的量測，數字很直接。只有單一 fan-out 查詢的 prompt 從 94.0% 掉到 43.5%，平均檢索來源數從約 12 個升到 24 個，需要第二輪 fan-out 的 prompt 從約 5% 升到 33.5%，site: 運算子的出現率從約 0.3% 跳到 23%。他還有一組限定交易型 prompts 檢索樣本的分析，產品頁在該分析中成為最常被檢索的頁面類型，占 16.39%、超過 listicle，listicle 從 15.47% 掉到 8.19%，產品頁每日檢索量增加 119%。做電商或產品內容的人，交易意圖的檢索明顯變多了。
Nectiv 的 Chris Long 走另一條路，直接從 OpenAI API 拉 fan-out 紀錄，約 4,000 個 prompts，拿 5.6 Sol 跟自家 2025 年的 baseline 比。Nectiv 的資料研究量到平均每個 prompt 的 fan-out 查詢數從 2.17 升到 7.61，最長的查詢鏈從 4 次拉到 29 次，site: 出現在 64% 的查詢裡。
這不只是付費層的事。Search Engine Land 上 Resoneo 團隊的拆解指出，ChatGPT 逾 90% 週活用戶在免費方案，而 Luna 正是免費與 Go 的預設。Lily Ray 的判斷是這些行為「看來也延伸到免費層用戶」，Luna 本身還沒有獨立量測，這句要當她的推論讀。
版本之間也有差異。Lily 自己測過，ChatGPT 5.4 Thinking 對單一 prompt 可以跑 10 次以上搜尋，裡面含多個 site: 查詢；5.3 Instant 常常只跑 2 到 3 次 fan-out。同一個問題在不同模型上得到不同結論，很多時候只是版本不同。
第二輪 fan-out 也值得看一眼。第一輪搜尋跑完，模型看了結果，覺得不夠，就自己追加新查詢再搜一次，Peec AI 量到的正是這個比例大幅上升。對站長的含義是，你的頁面可能出現在第一輪，可能出現在第二輪，也可能兩輪都缺席，而每一輪的查詢字串都不一樣。所以單次測試看到的結果別當定論，多跑幾次再下判斷。
查詢變多對使用者是好事，對平台的帳本不一定是。每一條 fan-out 都是真實的檢索與運算，答案還得壓在同樣幾秒內生完，規模一大，成本就壓不下來。免費用戶又占了大宗，這個組合讓「把查詢收窄」變成產品端合理的槓桿，先去便宜又快的地方找。這段是我把幾份觀測放在一起讀出來的推論，Lily 後面那句成本與延遲，講的是同一件事。
site: 是什麼，出現在查詢裡代表什麼
白話講。site: 是搜尋引擎的老運算子，在 Google 打 site: 加上一個網址，結果就只會來自那個網站，等於告訴搜尋引擎「只去這裡找」。
所以當 fan-out 裡出現 site:va.gov 這種查詢，意思是模型自己決定把檢索範圍限縮到特定網域。Nectiv 的單字統計裡，site:、official、gov 都是最高頻單字群，official 明列第二，整套查詢語言往「找官方、找特定站」傾斜。問美國退伍軍人的法律補助，fan-out 可能整排都是 .gov 站內查詢，一般內容站根本不在候選池裡。
四組研究對照，數字怎麼量、能證明什麼
這波討論最危險的地方，是幾組數字常被剪貼成一句「研究一致顯示」。不行。方法、時間基準、量測位置都不一樣，先攤開再談。
| 研究 | 方法 | 時間基準 | 關鍵數字 | 能證明什麼 | 不能證明什麼 |
|---|---|---|---|---|---|
| Peec AI（David Konitzny） | ChatGPT 介面擷取 | 5.6 成為預設當天 | 單一查詢 prompt 94.0%→43.5%；來源數約 12→24；site: 0.3%→23%；第二輪 fan-out 5%→33.5% | 介面行為在當天劇變 | 不能推到 API 端，也未必是長期穩態 |
| Nectiv（Chris Long） | OpenAI API，約 4,000 個 prompts | 5.6 Sol vs 自家 2025 baseline | 查詢數 2.17→7.61；最長鏈 4→29；site: 占 64% | 查詢變多變窄在可重現環境成立 | 不等於消費者介面的實際行為 |
| Resoneo（de Segonzac 團隊） | 回應端引用分析 | 5.3 更新後 | 每回應引用唯一網域 19→15 | 引用廣度在變窄 | 基準是 5.3，不是 5.6 |
| Suganthan Mohanadasan | 單一帳號側錄，57 個對話 | 2026 年 7 月 | 27 個初始查詢中 21 個出現未點名品牌；點名頁引用率 68.9%、未點名 2.1% | 品牌點名與引用率強相關 | 單帳號、偏軟體類，因果與推廣都受限 |
兩個 site: 占比差很大，先別急著挑一邊站。Lily Ray 在整理時講明，Nectiv 從 OpenAI API 拉 fan-out，乾淨、可重現；從介面擷取的工具，比較接近真實用戶拿到的行為。一個量 API、一個量介面，講的是同一件事的兩個面，不是誰錯。
這張表還有一個用法，讀任何新數字前先問三件事。量測位置在哪，介面還是 API；時間基準落在哪個版本；樣本是誰的，真人流量還是研究者自己的 prompts。三個答案都對得上，數字才能進你的判斷，對不上就先擺著。八月這波的消息量很大，剪貼的速度遠快於查證，這張表就是擋在中間的濾網。
時間基準也要盯緊。Peec AI 是 5.6 當天，Nectiv 是 5.6 Sol 對 2025 年 baseline，Resoneo 是 5.3 更新後，Suganthan 是 7 月，後面的 Netcraft 品牌研究甚至是 2025 年的。Conductor 也畫出 site: 與 official 查詢上升的圖，但只有圖沒有數字，能說的是趨勢一致，不能替它編數字。
還有一個小地方容易漏看，研究者的量測位置本身就是視角。Peec AI 量介面，Nectiv 量 API，Suganthan 量他自己一個帳號，Resoneo 量回應端的引用。四種位置四種視角，剛好拼出一個立體的圖，但也代表任何單一引用都是切片。看懂切片的形狀，比背下切片的數字重要，轉述別人的二手結論時更是如此。
為什麼有人說 site: 像 spam filter
把整波觀測兜起來的人，是 amsive 的 SEO 總監 Lily Ray。她在 2026 年 8 月 17 日於 Substack 發布的What We Can Learn from Evolving ChatGPT Fan-Out Queries，彙整 Peec AI、Nectiv、Resoneo、Conductor、Ahrefs、Suganthan Mohanadasan、Malte Landwehr 等多方獨立觀測，再給她自己的推論。
她的原話定位得很保守，通篇是 I think 與 appears。她的推論是，site: 運算子至少有一部分在當 spam filter 用；與其判斷一個陌生頁面可不可信，模型看起來直接繞過這個問題，只去它已經信任的地方找資料。她說這讓她想到 Google 測過的 E-E-A-T，一套衡量內容可信度的訊號，只是換成 ChatGPT 版。差別在節奏，Google 那套讓權威與經驗隨時間慢慢被看見，她眼裡的 ChatGPT 版不等你證明自己，先把檢索範圍畫小，一個是慢慢評分，一個是先畫圈再找。
這個推論有它的經濟學。即時評估開放網路上的任意頁面，又貴又難；把 fan-out 收窄到 .gov、既有評測平台、大品牌、官方來源，是花更少力氣拿到相近效果的便宜做法。連鎖超市的採購不會每家小店都試吃，直接跟大盤進貨，快、便宜，出事機率也低，巷仔內的好店就這樣被跳過。這個比喻有個極限要講明，超市採購是白紙黑字的政策，查詢收窄只是外部觀測推出來的行為，OpenAI 從沒說這是政策。
她同時寫了一句容易被剪掉的話，這種收窄可能跟成本與延遲有關，程度不下於品質。就算觀測全對，動機也可能不是品質過濾，而是省錢與跑快，兩種解讀目前都排除不了。
推論要能被檢驗才有價值。這個 spam filter 假說至少有三個可以盯的檢驗點，同類查詢在不同版本上的圈內名單有沒有換；不同領域的圈是不是同一批，法律圈了 .gov，3C 購物圈了誰；免費與付費層的行為有沒有分流。這三個目前都還沒有系統性量測，誰先補上，誰就把討論往前推一步。
對小站來說，這套邏輯不算友善。開放網路原本的公平假設是內容夠好就有機會被讀到，收窄之後變成先被信任、才被讀。你可以不喜歡這個方向，但應對很清楚，被信任的證據要自己做出來，內容好只是入場條件之一。
順著推，誰得利、誰受傷也清楚。得利的是既有品牌、官方來源、政府站，以及本來就有聲量的平台；受傷的是新品牌與長尾內容站，特別是還沒被任何權威來源引用過的那些。過去小站還能靠內容品質在開放網路裡慢慢往上爬，現在的第一關變成「你被信任嗎」，而這一關沒有公開的評分標準，也沒有申訴管道。
她也明說，沒有官方的 ChatGPT Search Console，這一切都是推測。OpenAI 對 fan-out 收窄或 site: 過濾，零證實。講白了，外部證據只撐得到「看起來像」，撐不到「OpenAI 就是這樣設計」，把推論寫成機制的轉述，都超出了證據。
誰在信任圈裡，誰被大量抓又大量丟
圈內名單可以從幾個觀測拼出來。Lily 跑了一批法律類 prompt，約 20 個，每一個回應都只引用 .gov 網域，問退伍軍人的法律補助，fan-out 全部限定在特定 .gov 站內。政府網域難操縱，出錯的問責成本高，被當成預設的安全區很合理。
Ahrefs 整理的最常被引網域榜是另一個參照，它講的是倖存者長什麼樣，要看趨勢得回到前面那四組研究。榜上常客是 Reddit、Wikipedia、Forbes、Merriam-Webster、Consumer Reports、Healthline、Walmart，既有聲量、品牌辨識加上現成的品質控管，都是信任的捷徑。
Reddit 的位置最特別。Dan Petrovic 的量測指出，ChatGPT 抓回來的 Reddit 頁面約 99% 被丟棄不用，先全抓再嚴挑。Wikipedia 則常駐在被引榜上，被抓也常被用。
換個比喻，ChatGPT 搜尋現在像一個只在自己信任的幾排書架找資料的圖書館員，不是每本書都翻開評分的審查者。書架的比喻停在這裡就好，真實機制裡沒有人在「決定」，只是模型行為看起來如此。
擠不進圈內，還有第二條路，被圈內的來源提到。出現在評測平台的比較裡、被媒體報導、被 Wikipedia 條目引用，這些間接訊號都在把信任往外傳。做數位公關的人對這件事不陌生，品牌曝光這門手藝做了十幾年，差別在於受益者從搜尋排名換成了 AI 引用，同一批功夫，現在多賣一次。
| 來源類型 | 誰觀測到 | 為什麼容易被信任 | 站長對應動作 |
|---|---|---|---|
| .gov 等政府網域 | Lily 的批次測試 | 難操縱、問責成本高 | 擠不進去，能做的是被這些站引用 |
| 官方頁（official） | Nectiv 單字統計、Malte Landwehr 的案例 | 品牌辨識明確、查驗便宜 | 把自己網域的官方訊號釘死 |
| 評測平台與大媒體 | Ahrefs 被引榜、Suganthan 的 fan-out 觀測 | 既有聲量、品質控管現成 | 爭取出現在比較與評測裡 |
| Dan Petrovic 的棄置量測、Reddit 自家的反 spam 量測 | 社群討論量、真人語氣 | 長期參與討論，不丟促銷連結 | |
| Wikipedia 等通用大站 | Ahrefs 被引榜 | 穩定、條目有把關 | 確保相關條目正確，不硬塞 |
表裡的動作欄比來源欄重要。圈內名單你改不了，但每一種來源對應的動作都在自己手上，被政府站引用、把官方訊號寫清楚、爭取進評測、在 Reddit 養名聲、讓 Wikipedia 條目正確。信任圈的牆很高，門沒有上鎖，只是每扇門都要排隊。
被檢索不等於被引用，漏斗每一層都在掉
一句話，抓更多、用更少。整條路可以想成四段，被點名、被檢索、被讀、被引用，每一段都在掉人。檢索端，Peec AI 量到平均來源數翻倍；引用端，Resoneo 對 ChatGPT 引用行為的分析量到每個回應引用的唯一網域從 19 掉到 15，時間基準是 5.3 更新後。兩個方向夾在一起，就是檢索量上升、引用廣度下降。
Suganthan Mohanadasan 的側錄分析把漏斗算得更細。57 個對話、3,554 個檢索頁面，終點只剩 110 個、約 3.1% 進入答案。他的標題下得很直白，ChatGPT 在搜尋之前就決定了。
他還觀測到更關鍵的一層。27 個初始查詢裡有 21 個，fan-out 出現使用者從沒提過的品牌名，橫跨 13 個產品類別中的 11 個。搜 the best AI note taking app，第一輪就含 Granola、Notion AI、Otter、Fireflies、Fathom、Mem、Limitless。被品牌點名的頁面引用率 68.9%，只被抓取而未點名的 2.1%。像試鏡，點名等於直接進決選名單，沒被點名的連台詞都拿不到。
這組對比要小心讀。它來自單一帳號（杜拜）的側錄，兩個引用率是同時出現的相關性，被點名的品牌頁面可能品質本來就高，觀測排除不了品質這層混淆。能講的是，差距跟點名同時出現，分岔看起來發生在查詢階段。樣本也偏軟體與 AI 類，推到其他產業要保守。
漏斗也給了站長一個診斷順序。品牌不在查詢裡，問題多半出在品牌與品類定位，改一百篇內容也不會動；品牌在查詢裡、頁面沒被引用，問題多半出在頁面本身，關鍵事實好不好讀、格式機器吃不吃得下；被引用了但流量沒動，問題多半出在呈現，讀者記不記得你的名字。三種情況三種藥，先判斷自己卡在哪一層再花力氣，比亂槍打鳥省得多。
漏斗裡「被讀」這一段最容易被忽略。抓回來的頁面要真的被讀完，關鍵事實才進得了答案，而定價鎖在圖片裡、規格藏在按鈕後面、整頁靠 client-side JS 才生出內容，機器讀到的都是空殼。這也是為什麼純 HTML 那件事在後面的清單裡排前面，它影響的不是排名，是你在漏斗中間那一關的直接存活率。
site: 指錯網域時會發生什麼事
收窄本身帶著風險，因為 site: 指錯路時，模型會很忠實地錯下去。Malte Landwehr 發現的案例是 ChatGPT 反覆用 site:census.com 找新創公司 Census，但那家公司的官方網站是 getcensus.com，census.com 是掛著出售的 parked domain。同型案例還有 lago.io、persona.id、lightfield.ai、mesa.com。
Lily 順著推了攻擊場景，買下那個 parked domain，放上 ChatGPT 正在找的內容，就能餵它錯的定價或假客服電話。這條路已經有人走過一半，Netcraft 2025 年的研究量過，LLM 生成的品牌登入連結約三分之一指向品牌不擁有的網域，約 29% 指向未註冊、停用或 parked 網域，小品牌暴露最大。原因不玄，模型對大品牌有足夠的交叉資料可以校對，官方網域、新聞報導、百科條目互相印證，猜錯的機率低；小品牌的線索本來就稀疏，名字對應哪個網域，一個近似網域就能帶偏。這也是為什麼官方訊號要自己釘，等別人幫你校正，等的時間會很長。
平台端也在反擊。Reddit 用自家 LLM 每天標記約 25,000 則 GEO spam 貼文與留言，想靠灌水進信任圈的路，兩邊都在堵。
對站長的啟示很具體。別人怎麼轉述你的網址、你歷史文件裡的舊網域，都可能把模型帶到錯的地方。網域整併或改版過的站，值得花半小時把自己的品牌名拿去問 ChatGPT，看它檢索的是哪個網域，對了再談其他。檢查時連變體一起查，公司名、產品名、縮寫、舊品牌名，機器不一定分得清楚哪個對應哪個網域，Census 正是品牌名與網域對不上的典型。看它引用的網址清單時，順便確認有沒有把別的網域當成你的官方站，發現錯置，至少能把自家頁面的官方訊號寫清楚，縮小它猜錯的空間。
Google 排名為什麼還是關鍵
有個問題容易被這波討論蓋過，ChatGPT 搜尋的資料到底從哪裡來。它歷史上跑在 Bing 上，這點沒有爭議。Lily 彙整的過去一年多方獨立測試顯示，它也拉 Google 索引，這條線索來自 SerpApi 的訴訟文件，而且越來越依賴自建索引，內部代號 Labrador，是經 Resoneo 的分析揭露的。
這也是她「SEO 仍關鍵」的立足點，排名餵檢索。你先要在 Google 與 Bing 排得上，fan-out 才碰得到你，信任圈再決定你會不會被引用。Google 那邊的訊號一致，副總裁公開講過 Good SEO is Good GEO，搜尋基本功的完整脈絡可以看 AI SEO 主題文。
排名本身是什麼構成的，同一天剛好有一份整理。Cyrus Shepard 整理的三大 ranking buckets來自反壟斷審判的蒐證資料。Topicality 是頁面與查詢的相關度，主要由 ABC 訊號決定，Anchors 是指向頁面的連結、Body 是頁面文字、Clicks 是點擊訊號；Navboost 用 13 個月的使用者點擊資料重排結果，Eric Lehman 的證詞說它不是機器學習，就是一張大表格；Quality（Q*）處理文件品質與站點權威，Panda、Helpful Content、spam 都在這一桶。
歸因要切乾淨。審判證據揭露的是 ABC 組成 Topicality、Q* 是文件品質、Navboost 的記憶長度與切分方式；但「三大 buckets」這個框架、把站點權威與 Panda 歸進 Q*，加上那句百分比的估計，都是 Cyrus 自己的詮釋。他的講法是，顧好這三桶大概涵蓋你 Google 可見度的 80 到 90%，受詞是 Google 可見度，不是 ChatGPT 的規則。要往源頭查，可以看 Search Engine Land 依 DOJ remedies 聽證寫的整理，Cyrus 自己在 Zyppy Signal 的文章也寫過 Google 稱 clicks 是三大基本訊號之一。
對內容站的意思很實在。連結、頁面文字、點擊，這三件事剛好都是站長自己能動的，外部連結慢慢累、內文把該講的講清楚、版面與標題讓人願意點進來也願意停。排名顧好了，檢索池才會有你。
Navboost 那桶還給老站一個提醒，點擊歷史是資產。一年多的互動資料一直在滾，站齡與穩定的點擊表現，新站短期追不上；相對地，靠一時話題衝起來的頁面，資料一淡就退。這個方向跟 AI 搜尋端看到的品牌慣性一致，信任靠時間累積，不靠單篇爆發。
站長看得到的訊號，GSC、Bing WMT 與自架觀測
官方沒有 ChatGPT Search Console，站長只能拿手上的儀表板反向拼湊。GSC 端最有感的訊號是 site: 查詢的異常曝光，Lily 轉述的案例裡，某站單一 site: 查詢帶來約 197,000 次曝光、恰好 1 次點擊。她的讀法是，CTR 低到這個程度很難用真人搜尋者解釋，幾乎可以確定是機器。注意是幾乎，不是鐵證。
操作不難。打開 GSC 的成效報表，在查詢報表用篩選器，包含字詞填 site: 加你的網域，機器查你家的頻率與時間點就會現形；再看這批查詢有沒有帶來點擊，幾乎全是曝光而沒有點擊，就符合 bot 的指紋。這個檢查不需要任何新工具，現有帳號就能做。
GSC 與 BWT 之外，其實還有一條自己能掌握的線。這個站在邊緣跑了一個 AI 爬蟲觀測層，長期記錄進站的 AI 爬蟲請求，每週量到一萬兩千次以上，細節在 AI 爬蟲觀測報告。GSC 與 BWT 看的是查詢字串，自架觀測看的是實際造訪，兩條線互相印證，比單看報表踏實。
三條線各答一個問題。GSC 告訴你機器在查什麼，BWT 告訴你被引用時的原始查詢，自架觀測告訴你哪些爬蟲真的來過。三個答案對起來，比任何單一報表都接近全貌，缺的那一角，往往就是你誤判的來源。
觀測的節奏也值得先定下來。site: 曝光與爬蟲量每週掃一眼就夠，有異常再往深查；五次測試每月重跑一輪，版本會換，上個月不在圈內不代表這個月不在；BWT 的 AI 報表月底看一次，看引用有沒有跟著查詢成長。頻率拉太高只會放大雜訊，這些數字本來就會抖。
GSC 從 8 月中開始下滑，是懲罰嗎
不是，Google 已經說了。Barry Schwartz 在 Search Engine Roundtable 的整理列出多站回報 Performance 報表與生成式 AI 成效報表在 8 月中前後下滑，AI 報表本身沒有 clicks 欄位。Glenn Gabe 最早在 X 提醒 clicks 出現奇怪下滑、可能是 bug，他的 visibility 報告穩定、analytics 沒有下滑；Juan 在 Bluesky 回報 AI 報表同步下滑；Meenka Pandita 在 LinkedIn 也回報；Google Webmaster Forums 的討論串裡，Product Expert Dave Smart 表示多個資源出現同型模式，已往上呈報。
日期要對齊。社群約 8 月 12 日起回報，Google 官方 data anomalies 頁記錄的是自 8 月 13 日起，原因是 logging error，只影響資料記錄。John Mueller 8 月 17 日在 Bluesky 確認，團隊知道這個問題、在處理，只是 logging 問題，不代表搜尋能見度變化，會在 Search Console 加註記。截至同日，官方措辭仍是 is ongoing，還沒有已修復或回填的消息。
別指望回填。上一波 logging error 的後續報導值得記，那波從 2025 年 5 月中拖到 2026 年 4 月底，約 50 週，Mueller 當時確認 only fixed going forward，舊資料不修正。所以現在該做的是把 GSC 跟 GA4、伺服器 log 交叉比對，確認流量真的沒掉，而不是急著改內容或加 schema。報表怎麼讀，可以看生成式 AI 成效報表怎麼看與Google Search Console 完整指南。
Bing 那邊走得前面一點。Bing Webmaster Tools 在 2026 年 2 月上線 AI Performance Report，區分 AI citations 與傳統搜尋，還揭露 grounding queries，也就是觸發引用的原始查詢。Google 端目前只能靠 GSC 的查詢字串反推，這正是社群自製工具會紅的原因。
Aleyda Solís 同一天宣布，在免費的 SEOFOMO GSC Looker Studio dashboard 新增 Potential AI Mode Conversational Queries 區段，用 JC Chouinard 的 RegEx 篩查詢維度，她的宣布在 X 與 LinkedIn 都有。那套規則的來頭不隨便，JC 依大型 LLM 第一手清理過 PII 的 prompts 常見模式產生這套 RegEx，抓 please、write、draft、generate、summarize、translate、explain、compare 這類對話式開頭，在 GSC 套用的步驟他也寫成了教學。限制要講，pattern 比對的是查詢字串的形狀，不是流量來源，計數會混入一般長尾查詢，只能當方向性訊號。另一套十字以上長查詢的規則是 Chris Long 給的，兩套不要混用。同場加映，SEOFOMO 的 State of AI Search Optimization 問卷開到 8 月 27 日。
怎麼讓 ChatGPT 找到並引用你的網站：七個該做、兩個別做
把觀測換成動作。這些事在圈子裡被包成各種名詞，AISO，也有人叫 AEO，或GEO。名詞換來換去，動作是同一批。老實說，沒有一項是 5.6 才發明的，只是現在的證據讓它們更值錢。
先給一個執行順序。第二、三、五項最便宜也最快驗證，關鍵事實搬進 HTML 是幾小時的工程，官方訊號是幾個標籤的事，五次測試十分鐘；第一與第六項是長期工程，值得排進季度計畫；第七項設好就不用天天顧。資源有限就照這個順序走，不要第一天全鋪開。
- 把品牌做到類別代名詞，讓 ChatGPT 第一個想到你。被點名與只被抓取的頁面，引用率差了一個數量級，點名發生在查詢階段，品牌是入場券。類別代名詞講起來抽象，檢查法很具體，問一個不含你品牌名的類別問題，看你會不會出現在它自己發出的查詢裡。
- 關鍵事實放自己網域的純 HTML。定價、規格、支援資訊要讓機器直接讀得到，不鎖在圖片或 client-side JS 裡，檢索得到才讀得到。
- 釘死哪個網域是官方。title tag 與 meta description 可以考慮標 Official Site，別氾濫，site: 與 official 是它查詢語言裡的高頻詞，你要讓它容易猜對。
- 把 fan-out 聚合成核心關鍵字再追。個別 fan-out 查詢像流水，聚合起來才看得出核心詞，用傳統 rank-tracking 追那些詞就好，追蹤工具照舊用，只是關鍵字清單多了一批從 fan-out 長出來的變體可以挑。
- 定期檢查自己在不在查詢裡。同一個 prompt 連跑五次，搜尋跑完後回應上方會列出它實際跑的查詢字串，記那份清單，看品牌有沒有出現在初始搜尋。
- 認真看待 Reddit。它被大量檢索又被嚴格篩選，真人參與的討論有長期價值，經營的是社群名聲。參與的意思是真的回答問題，不是見縫插針貼連結，版規比你想的嚴，被抓走的是討論本身。
- 監看 GSC 與 BWT 的 site: 曝光。曝光暴增代表你進了它的檢索範圍，接著看引用有沒有跟著來，兩邊對照著讀。
兩件事別做。別打 fan-out 地鼠，為個別 fan-out 查詢量產頁面，在 Google 那邊會踩 scaled content abuse，救一個查詢賠上整站，不划算。別丟 GEO spam 上 Reddit，會被 ban，而且 Reddit 正用自家模型每天標記上萬則這類貼文，硬丟只是加速進黑名單。
驗收的方式也要先講清楚。做了三個月，site: 曝光開始出現，代表檢索池裡有你；查詢清單裡品牌出現的次數變多，代表點名那一關在動；引用從無到有，哪怕一個月只有個位數，出口就是打通了。這條路的時間單位是月，中間的起伏別過度解讀，單週的變化多半是雜訊。
哪些是觀測，哪些是推論
觀測端，四組研究各自量到查詢變多、變窄、引用變集中，方法與時間基準都攤在對照表裡。推論端，spam filter、信任圈、品牌點名這些解釋，目前都建立在「看起來像」之上，OpenAI 零證實，成本與延遲也一樣是候選解釋。讀後續報導時，先把那些把推論寫成「官方就是這樣設計」的斷句，降級成「外部觀測顯示」再往下讀，多半是把推論當機制在轉述。版本還會改，5.4 與 5.3 的行為就已經不同，任何數字都要掛研究別與日期才有意義。會讓判斷翻盤的訊號也明確，OpenAI 出官方說明、下一版行為又變，或出現反向的量測，看到再更新，不用搶先。
三種過度反應先擋下來。看到 site: 暴增就衝去買一堆近似網域，錢花了，信任買不到，還可能養出新的錯置；看到 fan-out 查詢就為每個變體產一頁，在 Google 那邊是自找 scaled content abuse；看到 Reddit 被大量抓就狂丟連結，帳號先陣亡。焦慮驅動的動作，常常比不行動還貴。把觀測讀懂再動，慢的那一步就是省下的那些步。
下一步，兩個今天就能做的檢查
與其盯著別人的推文焦慮，把兩個檢查跑完比較實在。打開 GSC 效能報表，篩出 site: 開頭的查詢，看有沒有異常曝光，十五分鐘內做完。再挑一個你最想被引用的 prompt 連跑五次，記下回應上方的查詢清單，看品牌在不在裡面，十分鐘。跑完你會知道機器有沒有來、你有沒有被點名，這兩個答案決定接下來補品牌還是補檢索。本週再找半小時，把定價或規格頁的關鍵事實從圖片搬進純文字 HTML，不管機制是不是如推論所講，這件事都該做。之後每個月用同一份 prompt 清單重跑一輪，紀錄放同一張表，三個月後那張表告訴你的，比任何專家推文都多。
常見問題
怎麼讓 ChatGPT 引用我的網站？
把三件事做穩。品牌做到讓它在查詢階段就想到你、關鍵事實放在自己網域的純 HTML 裡、官方網域訊號釘死，三件事疊起來，檢索與信任兩端同時顧到。這些機制未被證實，但它們本來就是對的 SEO，做了不吃虧。時程上也有感，官方訊號與純 HTML 幾天內就能改完，品牌那關以季為單位累積，兩條線同時開工，不要等一個做完才做下一個。
site: 曝光暴增是壞事嗎？
多半只是機器來了。大額曝光配上個位數點擊，基本可判定是 bot 查詢，代表你進了它的檢索範圍。真正的題目是引用有沒有跟著來，被檢索而不被引用，回頭補品牌與官方訊號。回頭看的頻率一個月一次就夠，機器的檢索行為比想像中穩，天天盯只會自己嚇自己。
ChatGPT 搜尋背後用哪個搜尋引擎？
它歷史上跑在 Bing 上，多方獨立測試顯示也拉 Google 索引，而且越來越依賴自建索引，內部代號 Labrador。三邊的排名都餵檢索，Google 排名仍是地基，檢索池的入口沒有消失，只是出口變窄。
GSC 的報表 8 月下滑，要改內容嗎？
不用。Google 官方確認那是 logging 問題，只影響資料記錄，不影響搜尋能見度。跟 GA4 或伺服器 log 交叉比對，流量沒掉就等 Search Console 的註記。舊資料回填有前例，上一波拖了近一年，只往前修。這波處理完之後，報表上的斷層會留著，做月報時記得標出這段區間，免得未來的自己誤判。
該怎麼經營 Reddit？
把它當社群經營，不是連結投放區。ChatGPT 大量抓 Reddit 又大量丟棄，留下來的是被信任的真人討論。在你的領域認真回答問題，比丟一堆促銷連結有用，後者還會被自家的反 spam 模型盯上。節奏可以抓每週挑一兩個你領域的問題認真回，半年累積下來的帳號名聲，比任何一次性投放都值錢。
