杭州科技媒体”AI科技前沿”主编老马的团队日更5篇，运营8个月，积累了大量内容。但老马在一次分析中发现了一个令人沮丧的规律：800字左右的短文几乎从不被AI搜索引用，而3000字以上的深度长文被引用的概率高出10倍以上。
“我们花了80%的时间写短文，但这些短文在AI搜索中几乎零价值。”老马决定做一个系统的对照实验：选同一个主题”大模型Agent”，写4个不同深度版本——800字、1500字、3000字、6000字。发布后追踪它们在ChatGPT、Kimi、Claude中的引用表现。
结果令人震惊：
– 800字版本：30天内引用次数 = 0
– 1500字版本：30天内引用次数 = 2
– 3000字版本：30天内引用次数 = 18
– 6000字版本：30天内引用次数 = 35
数据清晰地表明：内容深度是GEO的核心指标。但”多深才算深”？老马需要一套可量化的标准。
AI搜索引擎在决定是否引用一段内容时，会进行多维度的质量评估。深度不够的内容在多个维度上的得分都不够，最终综合评分无法达到被引用的阈值。这不是”偏袒”长文，而是因为短内容的”信息密度”通常不足以支撑AI生成有用的回答。
很多内容创作者知道”深度的内容好”，但什么是深度？字数？数据量？观点数量？没有量化标准导致内容团队无法精准控制输出质量。结果是”要么写得太浅不够专业，要么写得太多注水严重”。
AI搜索引擎在决定引用一段内容时，有一个隐性的”质量阈值”。内容的信息密度、实体覆盖度、观点多样性、数据支撑力度，只有全部超过这个阈值，才会被纳入引用候选池。深度不够的内容根本进不了”候选池”。
老马基于对照实验和数据分析，建立了一套内容深度的量化评分体系。这套体系的核心逻辑是：将”深度”从模糊概念转化为可量化、可操作的评分指标。
| 维度 | 满分 | 评分标准 |
|---|---|---|
| 实体覆盖度 | 20分 | 每覆盖5个核心实体得1分 |
| 观点数量 | 15分 | 每3个独立观点得1分 |
| 数据引用 | 20分 | 每引用1个权威数据源得2分 |
| 反方观点 | 15分 | 讨论对立面得5分/次 |
| 案例数量 | 15分 | 每增加1个案例得3分 |
| 外部链接 | 15分 | 每1个高质量外链得3分 |
import re
import json
class ContentDepthScorer:
"""内容深度评分器"""
def __init__(self):
self.weight = {
"entity_coverage": 20,
"viewpoints": 15,
"data_citations": 20,
"counter_arguments": 15,
"case_studies": 15,
"external_links": 15
}
def score_content(self, content):
scores = {}
# 1. 实体覆盖度评分
entities = self.extract_entities(content)
entity_score = min(20, len(entities) // 5)
scores["entity_coverage"] = entity_score
# 2. 观点数量评分
viewpoints = self.extract_viewpoints(content)
viewpoint_score = min(15, len(viewpoints) // 3)
scores["viewpoints"] = viewpoint_score
# 3. 数据引用评分
data_citations = self.extract_data_citations(content)
data_score = min(20, len(data_citations) * 2)
scores["data_citations"] = data_score
# 4. 反方观点评分
counter_args = self.extract_counter_arguments(content)
counter_score = min(15, counter_args * 5)
scores["counter_arguments"] = counter_score
# 5. 案例数量评分
cases = self.extract_cases(content)
case_score = min(15, cases * 3)
scores["case_studies"] = case_score
# 6. 外部链接评分
links = self.extract_high_quality_links(content)
link_score = min(15, links * 3)
scores["external_links"] = link_score
total = sum(scores.values())
return {"scores": scores, "total": total}
def extract_entities(self, content):
"""提取核心实体（技术名词、品牌名、人名等）"""
entity_patterns = [
r'[A-Z][a-z]+(?:LLM|GPT|API|AI)',
r'(?:大模型|Agent|RAG|微调|Prompt)',
r'(?:ChatGPT|Kimi|Claude|文心一言|通义千问)'
]
entities = set()
for pattern in entity_patterns:
entities.update(re.findall(pattern, content))
return list(entities)
# 使用示例
scorer = ContentDepthScorer()
result = scorer.score_content(existing_content)
print(f"内容深度评分: {result['total']}/100")
print(f"各维度得分: {result['scores']}")
基于评分结果，将现有内容分为三个等级：
| 评分范围 | 等级 | 处理策略 |
|---|---|---|
| ≤60分 | 浅度内容 | 需要深度扩写或合并 |
| 61-80分 | 中等深度 | 补充数据+案例即可 |
| >80分 | 高深度内容 | 保持维护，定期刷新数据 |
建议每周产出2-3篇深度评分超过80分的文章，同时将评分低于60分的文章标记为”待优化”，安排内容编辑逐一升级。
当发现一个高潜力主题但当前文章深度不足时，使用”深度扩写法”进行升级：
扩写模板：
1. 开头扩展（200→500字）
- 添加行业背景数据（1-2个数据引用）
- 添加用户痛点场景（1-2个具体案例）
2. 核心观点扩展（300→1000字）
- 将每个观点拆分为"定义+论证+案例+数据"
- 每300字观点的论证部分至少包含1个数据和1个案例
3. 对立方观点（新增500字）
- 讨论行业内对立的观点或争议
- 列举反对者的理由和数据
- 给出中立的评估
4. 案例研究（新增500-1000字）
- 至少3个具体的企业案例
- 每个案例包含：背景→执行→效果→经验
5. 数据聚合（新增500字）
- 引用行业报告数据
- 引用学术研究数据
- 项目自身的数据验证
使用5118的”话题关联度分析”功能，判断哪些实体和子话题需要补充：
# 用5118 API获取话题关联度
def get_topic_relations(keyword):
api_url = f"https://api.5118.com/topic/related?keyword={keyword}"
headers = {"API-Key": "YOUR_5118_API_KEY"}
response = requests.get(api_url, headers=headers)
related_topics = response.json()
# 筛选高关联度话题
high_relevance = [
topic for topic in related_topics
if topic["relevance_score"] > 0.7
]
print(f"发现{len(high_relevance)}个高关联度子话题")
for topic in high_relevance:
print(f" - {topic['name']} (关联度: {topic['relevance_score']})")
return high_relevance
用n8n搭建自动化报告系统：
# n8n工作流
触发器: 每周一上午8点
→ 步骤1: Python脚本扫描所有内容
→ 步骤2: 计算每篇文章的深度评分
→ 步骤3: 生成评分分布图（饼图+柱状图）
→ 步骤4: 标记"待深化"文章列表
→ 步骤5: 输出报告到飞书文档
→ 步骤6: 通过影刀RPA自动发送到企业微信群
报告中包含：
– 本周深度评分TOP10文章
– 新增内容的平均深度评分趋势
– 待深化文章清单（按优先级排序）
– AI搜索引用率与深度评分的相关性分析
经过3个月的系统化深度优化，”AI科技前沿”的数据：
写了5000字但核心观点只有2个、数据全靠推测的文章，AI搜索能识别为”注水内容”。深度不是字数堆砌，而是信息密度和实体覆盖度的体现。一篇3000字的文章如果有10个核心观点+15个数据引用+5个案例，比5000字但只有2个观点的文章”深”得多。
深度内容也需要讨论反方观点。如果一篇”AI Agent落地”的文章只讲成功案例不说失败教训，AI搜索引擎会认为它不够客观。讨论3个失败案例比10个成功案例更能提升内容的”可信度评分”。
2024年的数据在2025年的AI搜索中引用权重会减半。确保文章中的每个数据都标注了时间戳，并且”数据新鲜度”也是深度评分的一个隐性指标。
内容本身深度够了，但没有使用结构化标记（如FAQ Schema、Article Schema），AI搜索引擎可能无法准确提取出核心观点。深度内容+结构化标记=完整的GEO深度。
AI搜索对内容的”新鲜度”敏感。即使是一篇深度评分95分的文章，如果发布后12个月没有更新，引用权重也会自然衰减。建议每季度刷新一次深度内容的数据和案例。
内容深度是GEO时代的”硬通货”。在AI搜索引擎的评估体系中，深度不仅是”信息量”的体现，更是”权威性”和”可信度”的直接信号。建立内容深度量化评分体系，让每个内容团队都能精准把控输出质量。
立即行动：
1. 用本文提供的Python脚本计算现有内容的深度评分
2. 选择评分最低的10篇文章进行”深度扩写”
3. 使用5118等工具补充遗漏的核心实体
4. 建立每周深度评分报告机制
记住：在GEO的世界里，一篇90分的深度文章胜过10篇60分的短文。把精力集中在对AI搜索真正有价值的内容上。
需要内容深度评分工具的部署支持？我们提供Python脚本定制和n8n自动化报告搭建服务！