当AI悄然成为内容的选择者，产品经理们面临一场从UX到MX的范式转移。本文作者通过亲身经历揭示了一个残酷事实：精心设计的UI与功能可能在AI眼中一文不值，而老旧竞品却能频频被引用。从服务器端渲染到llms.txt标准，从语义差距优化到多模态融合，作者系统解构了如何让产品在机器眼中更具吸引力。这场关于机器体验的革命，正在重塑数字产品的底层逻辑。

从”用户体验”到”机器体验”的范式转移

去年年中的时候，我负责的产品接入了某大厂的AI搜索接口。当时团队所有人都挺兴奋的，觉得终于搭上了AI的快车。结果上线后我看了眼数据报告，整个人都愣在那——我们的产品在AI生成的回答里，出现频率几乎为零。反而是那个界面设计老旧、交互逻辑也很一般的竞品，被AI引用的次数远超我们

那段时间我一直在想，问题到底出在哪。论视觉设计，我们的UI绝对碾压对手；论功能完整度，我们也毫不逊色。可AI就是不选我们。后来跟算法团队的朋友聊了很久，我才慢慢意识到一件事——我们做产品太久了，脑子里只装着一个指标，那就是用户体验，英文叫UX。我们把所有精力都放在怎么让人类用户看着舒服、用着顺手，却完全忽略了一个正在崛起的访客群体：机器

这些机器不会看你的横幅广告，不会被精美的动效打动，也不会因为你的品牌调性高级就多停留两秒。它们只是冷静地读取、分析、判断、提取。如果你的页面让它们读得费劲，它们就会毫不犹豫地跳过你。这就是我想说的机器体验，也就是MX。产品经理的职责正在发生一次深刻的转移——我们不仅要讨好人类的眼睛，更要降低机器理解内容的门槛

这个转变听起来可能有点抽象。但你可以想象一下未来的购物场景。一个用户对着手机说，帮我找一款适合新手用的机械键盘。AI助手不会打开淘宝慢慢逛，它会直接去调用已经训练好的模型能力，在海量信息中瞬间抓取最相关、最可信的答案，然后告诉用户结论。在这个过程中，你的产品页面根本没有被人类用户看到，它只被机器读取了一次，就决定了一切

这让我开始重新审视自己做产品的整个方法论

基础架构建设——构建”零难度”的机器溶解环境

聊回刚才的困境。当我发现AI不引用我们之后，做的第一件事就是去看自己产品的技术架构。不看不打紧，一看全是坑

我们当时用的是纯客户端渲染，页面全靠JavaScript动态加载。这种做法在用户体验上确实有很多好处，加载速度快、交互流畅。可问题是，AI爬虫来抓页面的时候，看到的基本都是空壳。它们拿不到实质内容，自然就无法理解你的产品到底是什么。再加上我们在一些关键节点上还加了验证码墙，本意是防恶意爬虫，结果把AI机器人也一并挡在了门外

这件事给我上了重要的一课。如果你的产品从底层架构上就不对AI友好，那后面所有的内容优化都是白搭。服务器端渲染的重要性怎么强调都不为过。你必须确保AI机器人第一次访问你的页面时，就能拿到完整、干净、结构化的内容

后来我在调研过程中接触到了一个很有意思的新标准，叫做llms.txt。你可以把它理解为AI时代的robots.txt。做法很简单，在你的网站根目录下放一个基于Markdown格式的索引文件，里面用简洁清晰的语言概括你的产品核心价值、关键功能和数据概览。大语言模型在抓取你的网站时，会优先读取这个文件，快速建立对你产品的整体认知。相比于让AI在一堆HTML标签和CSS样式里艰难地提取信息，llms.txt相当于你给AI递了一张名片，让它一眼就知道你是谁

另一个容易被忽视但极其关键的点是结构化数据，也就是Schema标记。在传统SEO的语境里，JSON-LD这种标记是加分项，做不做都行。可在GEO也就是生成引擎优化的语境下，这东西已经成了必选项。我们团队专门做过一轮A/B测试，给产品页面配齐了FAQPage、HowTo、ImageObject和VideoObject等Schema标记后，AI引用我们内容的选择率提升了整整73个百分点。这个数字让我印象特别深，因为它直接说明了AI对结构化信息的饥渴程度。没有Schema，你的内容在AI眼里就是一团乱麻；有了Schema，你就等于给内容贴上了清晰的标签，AI一看就懂

工程内容化——基于”信息密度”的格式革新

架构问题解决了，接下来就是内容本身该怎么写。这里我踩过的坑可能比你想象的还多

我以前做内容，受传统SEO思维影响很深。总觉得文章越长越好，关键词堆得越多越好，最好写个五六千字，把方方面面都覆盖到。可GEO的逻辑完全不同。AI在提取信息时，最看重的是一个叫做语义差距的指标。相关性高达0点87，是所有GEO因素里排名第一的。什么意思呢？就是如果你的内容能够被AI完整理解、没有歧义、不需要猜测，那你就赢了

基于这个发现，我们彻底改变了内容的组织方式。不再追求长篇大论，而是把文章拆分成一个个独立的回答单元。每个单元只回答一个具体问题，不绕弯子，不铺垫。最适合被AI完整提取的段落长度，我们在内部测试中发现大概在134到167个英文单词之间。换算成中文的话，大概就是一个非常紧凑的核心段落，三四百字左右，直接把一件事说清楚

还有一个反直觉的发现。人类阅读习惯里，我们很喜欢铺垫。先讲背景、再讲原因、最后才给出结论。很多爆款文章都是这么写的，层层递进，吊足胃口。可AI不吃这一套。数据显示，高达90%的AI首选引用来源，会在前100个词内直接回答核心问题。也就是说，你的结论必须放在最前面。而且多达55%的AI引用来自页面的前30%部分。如果你把关键信息藏在文章后半段，AI大概率根本看不到

这让我想起新闻写作里的倒金字塔结构。原来最传统的写法，恰恰是最适合AI的写法。我们团队现在内部有个硬性要求，任何面向GEO的内容，前100个字必须包含核心答案。不要铺垫，不要修辞，直接给结论。这个改变听起来很小，但效果非常显著

另外一点是排版格式。AI引擎对特定的UI格式极端敏感。如果你还是一大段一大段的纯文本，AI提取起来很困难。可如果你大量使用网格列表、比较表格、FAQ问答块、步骤拆解这些格式，AI的理解和引用意愿会大幅提升。说白了，你要把内容设计成AI最喜欢的样子，就像你设计按钮时要考虑人类的点击习惯一样。这不是讨好，这是产品设计的本分

多模态内容的深度融合策略

说实话，前面讲的技术架构和内容格式，都只是基本功。真正让我觉得兴奋的，是多模态融合带来的可能性。这块是我个人觉得最有意思的部分

单一文本在今天已经没有什么优势了。我们的数据分析团队做过一个综合实验，把文本、图像、视频和结构化数据组合成一个完整体，然后观察AI的引用行为。结果让我大吃一惊——这种多模态融合的呈现方式，能够将AI引用选择率暴增317个百分点。这不是简单的加法效应，这是乘法效应，是核爆级别的增长

这个发现直接改变了我们产品的内容策略。以前做产品介绍，可能就是一篇图文混排的长文章。现在我们要求每个核心产品都必须配套一个60到90秒的高质量解释性短视频。特别是YouTube，在2026年的AI概述引用中，它是最常被引用的域名，增长率达到了34个百分点。这个数字已经说明了一切。如果你的产品还没有视频化，你在GEO的战场上就已经落后了一大截

但做视频不是简单录个屏就完事。字幕文件必须精心打磨，因为AI会读取字幕内容来理解视频讲了什么。元数据也要写清楚，标题、描述、标签都要包含精准的关键词。另外，产品图片也不能只是装饰。我们现在的做法是，所有截图都必须带注释，信息图表和数据可视化要设计得让AI也能读懂。每张图片的替代文本不能写成图片展示产品界面这种废话，必须写成包含自然关键词的精准描述，比如某SaaS产品的仪表盘界面展示了实时流量监控模块和转化漏斗分析功能。这样AI在交叉验证信息时，才能把你的图片内容和文字内容对上号

建立可信图谱——实体密度与实时事实机制

内容能被读懂还不够，还得能被信任。AI在生成回答时，有一个非常重要的机制叫做事实落地。它会试图验证自己引用的内容是否真实、是否权威、是否来自可信来源。如果你的内容过不了这一关，AI宁愿不引用你，也不会冒险给用户提供错误信息

这里有个概念叫实体知识图谱密度。以前我们做SEO，关键词密度是个核心指标。可在AI普及的今天，关键词频次已经没用了。AI判断内容关联性的方式完全不同，它看的是实体关系。什么是实体？人名、机构名、概念名、技术术语，这些都是实体。研究发现，每1000字中包含15到20个关联实体，被AI引用的概率能够提高4点8倍。所以我们在写内容时，会刻意地嵌入相关实体，不是堆砌，而是自然地让它们出现在合适的语境里。比如写一篇关于客服系统的产品文章，我们会自然提及自然语言处理、Transformer架构、多轮对话管理这些技术实体，让AI理解你的内容是站得住脚的

另一个关键点是实时性和权威性。大模型最怕的就是幻觉，所以它倾向于引用那些可以被实时验证的数据。我们在产品内容里会大量加入精确的统计数字，会引用真实的专家观点，更重要的是，我们会外链至顶级权威数据源。比如政府网站、教育机构、顶级行业报告。这些外链不是给用户点的，是给AI看的。当AI看到你引用的数据有权威出处时，它对你的信任度会直线上升。我们的测试数据显示，这种做法能让被引用的概率增加89个百分点

我经常跟团队说，做GEO的目的不是为了欺骗机器人，而是为了设计出高度结构化、透明可信的数字资产。你把事实摆清楚，把来源列明白，把结构做规范，AI自然会愿意引用你。这是一个正向循环

拥抱”大规模商业”的终局

写到这里，我想回应一下很多人心里的那个疑问——这一切真的值得投入吗？花这么大精力去优化机器体验，是不是有点本末倒置

我的答案是，这不是本末倒置，这是提前布局。业内有一家研究机构预测，到2030年，预计有25%的电商交易将由机器API直接发起。也就是说，四分之一的订单，人类用户根本不会看到你的页面，不会点击你的按钮，不会浏览你的商品详情。所有的交互都发生在机器和机器之间。你的产品好不好，完全取决于机器能不能理解你、信任你、选择你

这就是我说的机器竞争力。它不是一个营销噱头，而是未来在智能体网络中生存的入场券。我们今天在GEO上的每一分投入，都是在为那个机器主导交易的时代筑基

产品经理这个岗位一直在进化。从功能设计到交互设计，从用户体验到增长黑客，每一次范式转移都淘汰了一批固守旧方法的人。这一次也不例外。UX当然依然重要，人类用户永远是我们的终极目标。可在这个通往目标的链条上，多了一个新的关键环节——MX，机器体验。你只有先让机器读懂你，才有机会让人类用户最终看到你

这是我做产品五年多来，最深刻的一次认知升级。分享给你，希望对你也有启发