AI 友好度 / GEO 检测报告
adgine.ai
GEO 综合评分
84
/ 100
技术
77A
内容
88A
GEO = 技术×0.4 + 内容×0.6
技术检测通过 13 / 20 项
检测于 2026/7/22 13:19:52
技术检测（77 · A）
llms-txt-exists通过在 https://adgine.ai/llms.txt 找到 llms.txt
llms-txt-valid通过llms.txt 遵循建议结构（H1、引用块、按标题分隔的链接章节）
llms-txt-size通过llms.txt 为 3,057 字符（低于 50,000 阈值）
llms-txt-links-resolve警告全部 7 个同源 链接 可解析（共 9 个链接） (2 external links also failed; may be bot-detection or rate-limiting)
llms-txt-links-markdown通过7/7 个同源 链接 指向 Markdown 内容（100%） (2 external links excluded)
llms-txt-directive-html未通过在全部 7 个页面的 HTML 中均未找到 llms.txt 指引
llms-txt-directive-md未通过在全部 7 个页面的 Markdown 中均未找到 llms.txt 指引
markdown-url-support未通过没有页面支持 .md URL（已测 0/7）
content-negotiation通过7/7 个页面支持内容协商（100%）
rendering-strategy通过全部 7 个页面包含服务端渲染内容
page-size-markdown通过全部 7 个页面低于 50K 字符（中位数 11K，最大 23K）
page-size-html通过全部 7 个页面低于 50K 字符（中位数 86K HTML → 10K Markdown（93% 样板））
content-start-position警告3/7 个页面正文起始于 10%–50%（最差 22%）
tabbed-content-serialization通过在 7 个页面中未检测到标签页内容
section-header-quality通过未发现标签页内容；标题质量检查不适用
markdown-code-fence-validity通过全部 7 个代码围栏在 8 个页面中正确闭合
http-status-codes通过全部 7 个页面对错误 URL 返回正确状态码
redirect-behavior未通过在 7 个页面中检测到 7 个 JavaScript 重定向
llms-txt-coverage未通过llms.txt 覆盖 1/64 个 sitemap 文档页（2%）；缺少 63
markdown-content-parity警告2/7 个页面的 Markdown 与 HTML 存在轻微内容差异
cache-header-hygiene未通过8/8 个端点缓存过于激进或缺少缓存头
auth-gate-detection通过全部 7 个页面可公开访问
auth-alternative-access跳过所有文档页均可公开访问；无需替代访问路径
改善建议（6 项）
在全部 7 个页面的 HTML 中均未找到 llms.txt 指引
在任何测试页面的 HTML 中都未检测到指向 llms.txt 的智能体可见指引。请在每页顶部附近添加视觉隐藏元素（例如带 CSS clip-rect 的 div）并链接到 llms.txt。若站点提供 Markdown 版本，也请在指引中说明，以便智能体请求。
llms-txt-directive-html · content-discoverability在全部 7 个页面的 Markdown 中均未找到 llms.txt 指引
在任何测试页面的 Markdown 中都未检测到 llms.txt 指引。请在每个 Markdown 页顶部附近添加引用块（例如 “> 完整文档索引见 [llms.txt](/llms.txt)”）。
llms-txt-directive-md · content-discoverability没有页面支持 .md URL（已测 0/7）
页面在 URL 追加 .md 时不返回 Markdown。请配置文档平台为所有文档页提供 .md 变体。
markdown-url-support · markdown-availability在 7 个页面中检测到 7 个 JavaScript 重定向
在 7 个页面检测到基于 JavaScript 的重定向。智能体不执行 JavaScript，不会跟随。请改用 HTTP 301/302。
redirect-behavior · url-stabilityllms.txt 覆盖 1/64 个 sitemap 文档页（2%）；缺少 63
llms.txt 覆盖站点页面的 2%（低于 80% 阈值）。有 63 个在线页面缺失。若非有意，请从 sitemap 或构建流水线重新生成；若有意，可降低阈值或设为 0 使检查仅供参考。
llms-txt-coverage · observability8/8 个端点缓存过于激进或缺少缓存头
8 个端点缓存过于激进（>24h）或缺少缓存头。请将 max-age 设为低于 3600，或配合 ETag/Last-Modified 使用 must-revalidate，使更新及时到达智能体。
cache-header-hygiene · observability内容 / GEO 评估（内容分 88 · A）
内容维度分项
首页标题、元描述及核心文案完全锁定'GEO'与'AI可见性'话题，FAQ直接解释了与通用AI写作工具的差异，无话题偏移。
JSON-LD 覆盖了 Organization、WebSite、WebPage、Service（含定价、受众、产出）以及 FAQPage，实体丰富且与页面内容高度一致。
精准定位为面向GEO团队的AI可见性平台，明确指向SEO/内容/增长团队，并直接列出主要竞品AI引擎，品类卡位异常清晰。
文风高度结构化、专业且权威，使用了如 'Continuous Growth Engine' 等框架性术语，精准迎合了B2B技术受众的阅读偏好。
虽然 Schema 丰富且支持多语言，但 llms.txt 返回 301 跳转、/.md 文件返回 404，作为GEO平台缺乏这些基础AI信标是严重失分项。
分析过程
第一步：读取技术报告
技术总分77/100（A级），表明网站基础技术健康度良好，页面加载和元数据规范，但分值并未反映AI友好性文件（llms.txt、.md）的缺失。
第二步：读取 llms.txt
抓取结果显示 llms.txt 返回 301 跳转，无法提供有效内容。对于一个宣称赋能AI可见性的平台，缺失此关键信标是主要的失分原因。
第三步：读取首页内容
首页标题“Win More Buyer Discovery in AI Search”和正文深度阐述了GEO理念，包含“AI Visibility Score”、“Brand Mentions”、“Prompt Tracking”等具体指标，内容专业且直接面向目标客户痛点。
第四步：多品类问题分析
首页通过“Continuous Growth Engine”的四个阶段（Topic Planning、Content Creation、Performance Review、Optimization）全面覆盖了GEO工作流，FAQ部分进一步解答了品类认知中的典型问题，实现了从教育到转化的完整链路。
第五步：检查 Markdown 版本
/.md 文件返回 404（Not Found），页面内容是“Page Not Found | Adgine”。网站未提供 LLM 友好的结构化 Markdown 版本供直接抓取与摘要。
第六步：检查 Schema 结构化数据
JSON-LD 实现堪称典范，包含了 Organization、WebSite、WebPage、Service（含详细定价、用户画像、OfferCatalog及服务输出列表）以及 FAQPage，所有字段均精确匹配页面可视化内容，无冗余。
第七步：内容质量综合判断
内容质量极高，话题所有权、品类定位和 Schema 均为满分或接近满分。但作为一家GEO平台，缺少 llms.txt 和 Markdown 版本是严重的“言行不一”问题，直接削弱了产品在AI搜索中的可信度与可发现性。综合来看，这是一个内容策略优秀但 AI 基础设施有明显短板的站点。
内容改善建议（3 项）
立即创建并部署完整的 llms.txt 文件，包含品牌简介、核心页面链接（首页、产品、定价、关于、博客）、语言版本说明，这是建立 AI 基础信任的第一步。
开发 /.md 文件或为重要页面提供纯文本/Markdown 格式的等效内容，方便 LLM 直接抓取和理解网站的结构化知识。
在 FAQPage Schema 中增加关于平台自身数据安全、隐私处理及 AI 引用机制的问答，进一步增强专业权威性和用户信任度。
总体评价
GEO 综合分 84/100（A）表明该站点在内容侧已具备较强优势（88/100），但技术实现明显落后（77/100）。内容的话题所有权、Schema 与品类定位均接近满分，足见对 GEO 策略的理解；然而，技术侧的多个基础项密集失败——尤其是全站依赖 JavaScript 重定向、llms.txt 覆盖率仅 2% 且无页内指引——导致 AI Agent 无法稳定发现和消费内容，可观测性与 Markdown 可用性两项评分仅 F。当前最致命短板是：站点未能为 AI Agent 提供可信的 URL 到达路径和统一的资源索引入口，使高水准的内容难以被智能体有效触及。
提升建议
-
修复 JavaScript 重定向：所有检测页面均使用客户端 JS 重定向，AI Agent 不执行 JavaScript 因此无法跟随，直接导致 URL 不稳定。应将所有重定向改为 HTTP 301/302 服务器端重定向，确保 Agent 可直达目标页。
如何修复 -
在 HTML 中添加 llms.txt 指引：当前各页面的 HTML 中均无指向 llms.txt 的智能体可见标记，Agent 无法通过扫描页面发现该核心索引文件。应在每页顶部附近插入视觉隐藏的链接（如使用 CSS clip‑rect 的
<div>），注明 llms.txt 的路径。
如何修复 -
在 Markdown 中添加 llms.txt 指引：Markdown 版本同样缺少对 llms.txt 的引用，Agent 在请求 Markdown 内容时仍不知晓索引文件。应在每个 Markdown 页顶部插入引用块，例如
> 完整文档索引见 [llms.txt](/llms.txt)。
如何修复 -
大幅提升 llms.txt 覆盖率：现有 llms.txt 仅覆盖 sitemap 中 64 个文档页的 2%（1 页），Agent 依赖此文件高效发现内容，极低覆盖率意味着绝大多数文档无法被索引。应从构建流水线或 sitemap 自动生成完整的 llms.txt，覆盖所有公开文档页；若有意保留部分页面不收录，可调整阈值或在报告中标记。
如何修复 -
启用
.mdURL 支持：虽然已通过内容协商支持 Markdown 响应，但缺少直接.md后缀的 URL 变体会增加 Agent 的适配成本，部分智能体可能仅尝试 append.md而失败。应为每个文档页提供.md结尾的 URL 并返回纯净 Markdown 内容。
如何修复 -
优化缓存头策略：8/8 个检测端点存在过于激进（max‑age > 24h）或缺失缓存头的情况，Agent 可能长期使用陈旧内容，降低可观测性。应将 max‑age 设置为 3600 秒以内，并配合 ETag / Last‑Modified 与
must‑revalidate指令，使 Agent 及时获取更新。
如何修复