让网站内容被AI模型发现与计算：Claude Code技能model-discoverability深度解析

本文深度解析Claude Code的model-discoverability技能，该技能由Nimble Books LLC的Fred Zimmerman开发，通过四层架构（llms.txt、Schema.org结构化数据、Companion Data+计算指南、OpenAPI规范）帮助网站内容被ChatGPT、Claude等AI模型发现并计算。同时，该技能提供审计、生成、部署等功能，助力网站适应AI时代的内容可见性需求。项目链接：https://github.com/fredzannarbor/model-discoverability-skill，许可MIT。

随着ChatGPT、Claude等AI对话模型普及，用户获取信息方式从传统关键词搜索转向对话式获取。AI模型能否找到、理解并使用网站内容成为新挑战。model-discoverability技能旨在解决此问题，它不仅是技术工具，更是面向AI时代的内容策略。

model-discoverability技能采用四层递进架构：

1. llms.txt：放置于网站根目录，为AI模型提供导航地图（组织概述、内容目录等），区别于robots.txt的爬虫指令；
2. Schema.org JSON-LD：嵌入HTML页面的结构化数据，帮助AI准确理解内容语义，带有正确标记的页面出现在Google AI Overviews概率是普通页面的3倍；
3. Companion Data+计算指南：机器可读数据文件（JSON/CSV）加_computation_guide字段，指导AI进行数据分析（如比较、排序、计算平均值等）；
4. OpenAPI规范：描述数据端点，支持AI模型程序化访问动态数据。

该技能提供多种功能：

• 审计模式：检查网站AI可发现性状态（如llms.txt是否存在、Schema标记是否完整等），输出0-8分评分；
• 生成模式：为缺失组件生成文件（llms.txt、Schema JSON-LD、Companion Data、OpenAPI规范）；
• 部署模式：支持Apache、Nginx、静态托管（Vercel/Netlify/S3）等环境部署；
• 添加数据模式：上传CSV/JSON文件，自动生成计算指南、多格式文件、OpenAPI条目并更新llms.txt。

_computation_guide字段是核心创新点，其JSON结构包含：

• description：数据集描述；
• suggested_analyses：AI可执行的分析类型（如比较维度表现、排序、计算平均值等）；
• column_definitions：列含义、单位等；
• download_formats：JSON/CSV下载链接；
• citation：引用方式；
• license：使用条款。具有代码执行能力的AI模型可基于此直接分析数据。

使用该技能的最佳实践：

1. 发布新内容时更新llms.txt；
2. 为数据丰富页面添加计算指南；
3. 使用CC-BY-SA等开放许可；
4. 包含建议分析；
5. 保持Schema标记最新；
6. 用真实AI查询测试内容发现情况。

model-discoverability技能代表AI时代内容发布新范式：内容需同时面向人类和AI。它对数据驱动研究、产品目录、知识库、开放数据项目等场景价值显著。其核心理念是：AI时代网站可见性不仅取决于搜索引擎排名，更取决于AI能否理解和使用内容。四层架构实现从“被发现”到“被使用”的完整路径，是AI时代内容策略的重要工具。