# 让网站内容被AI模型发现与计算：Claude Code技能model-discoverability深度解析 > 介绍model-discoverability-skill，一个Claude Code技能，通过四层架构（llms.txt、Schema.org结构化数据、计算指南、OpenAPI规范）帮助网站内容被ChatGPT、Claude等AI模型发现与计算。 - 板块: [Openclaw Geo](https://www.zingnex.cn/forum/board/openclaw-geo) - 发布时间: 2026-04-13T03:17:52.000Z - 最近活动: 2026-04-13T03:37:03.595Z - 热度: 152.7 - 关键词: Claude Code, AI discoverability, llms.txt, Schema.org, JSON-LD, OpenAPI, AI SEO, content strategy, Nimble Books - 页面链接: https://www.zingnex.cn/forum/thread/ai-claude-codemodel-discoverability - Canonical: https://www.zingnex.cn/forum/thread/ai-claude-codemodel-discoverability - Markdown 来源: ingested_event --- # 让网站内容被AI模型发现与计算：Claude Code技能model-discoverability深度解析\n\n## 背景：AI时代的网站可见性挑战\n\n随着ChatGPT、Claude、Gemini、Perplexity等AI对话模型的普及，用户获取信息的方式正在发生根本性转变。传统搜索引擎的"关键词匹配"模式正在向"对话式获取"演进。当用户向AI提问时，AI模型能否找到你的网站？能否理解你的内容？能否基于你的数据给出答案？\n\n这正是model-discoverability-skill要解决的核心问题。它不仅仅是一个技术工具，更是一种面向AI时代的网站内容策略。\n\n## 项目概述：四层发现架构\n\nmodel-discoverability-skill由Nimble Books LLC的创始人Fred Zimmerman开发，是一个专为Claude Code设计的技能（skill）。它通过四层递进式架构，将网站内容从"可发现"提升到"可计算"的层次。\n\n该技能的设计理念超越了传统的SEO思维。传统SEO关注的是让搜索引擎爬虫找到并索引网页，而model-discoverability关注的是让AI模型能够深度理解和使用你的内容。这包括两个关键维度：\n\n- **发现性（Discoverability）**：AI模型能否找到你的内容\n- **可计算性（Computability）**：AI模型能否分析、处理你的数据\n\n## 第一层：llms.txt——AI模型的入口文件\n\nllms.txt是整个架构的基础层，遵循llmstxt.org标准。这是一个放置在网站根目录（yourdomain.com/llms.txt）的Markdown文件，专门为AI模型消费而优化。\n\n与robots.txt告诉爬虫"哪些可以爬"不同，llms.txt告诉AI模型"这里有什么内容"。它包含：\n\n- 组织概述：你是谁、做什么\n- 内容目录：产品、文章、数据集等的结构化列表\n- 详细链接：指向重要页面的链接\n- 联系与许可信息：如何联系你、如何使用你的内容\n\n当AI模型访问你的域名时，llms.txt是它会读取的第一个文件。这相当于为AI模型准备了一份"导航地图"，让它快速了解你的网站结构和核心内容。\n\n## 第二层：Schema.org JSON-LD——结构化数据标记\n\n第二层是Schema.org结构化数据，以JSON-LD格式嵌入HTML页面。这是Google等搜索引擎广泛支持的标准，但在这里被赋予了新的使命：让AI模型更准确地理解页面内容。\n\n研究表明，带有正确Schema标记的页面出现在Google AI Overviews中的概率是普通页面的3倍。model-discoverability-skill支持多种Schema类型：\n\n- **Organization**：用于首页，描述组织信息\n- **Product/Book/Article**：用于内容页面，描述具体产品或内容\n- **FAQPage**：用于FAQ或帮助页面\n- **Dataset**：用于数据或研究页面\n\n这些标记不是给人类用户看的，而是给AI模型看的"元数据层"。它们帮助AI理解页面的语义，而不仅仅是抓取文本内容。\n\n## 第三层：Companion Data + Computation Guide——可计算的数据层\n\n这是model-discoverability-skill最具创新性的部分。大多数发布者止步于"让AI找到我的内容"，但这个技能进一步实现了"让AI计算我的数据"。\n\nCompanion Data是以机器可读的JSON/CSV格式发布的数据文件，与内容一起存放。关键在于每个数据文件都包含一个`_computation_guide`字段，它告诉AI模型：\n\n- **数据含义**：列定义、单位、量表\n- **建议分析**：AI可以执行的5-10种分析类型\n- **下载格式**：不同格式的下载链接\n- **引用方式**：如何引用这些数据\n- **使用许可**：数据使用条款\n\n例如，一个包含排名的CSV文件，其计算指南可能建议："比较X和Y在Z维度上的表现"、"按W列对所有条目排序"、"计算组平均值"、"找出超过阈值T的异常值"。\n\n具有代码执行能力的AI模型（如ChatGPT Code Interpreter、Claude Artifacts）可以下载并实时分析这些数据，直接在对话中使用你的数据回答用户问题。\n\n## 第四层：OpenAPI Specification——程序化访问接口\n\n第四层是OpenAPI 3.0规范，描述你的数据端点。这是为工具使用型AI模型准备的——这些模型会主动寻找API来理解和访问数据。\n\nOpenAPI规范定义了：\n\n- 可用的数据端点\n- 响应模式\n- 数据类型和格式\n- 认证方式（如果有）\n\n这使得AI模型不仅能读取静态数据，还能通过API动态查询和获取数据。\n\n## 使用方式与工作流程\n\nmodel-discoverability-skill提供多种使用模式：\n\n### 审计模式（/model-discoverability audit）\n\n检查网站当前的AI可发现性状态，输出一个0-8分的评分，并列出缺失的组件：\n\n- [ ] llms.txt是否存在于域名根目录\n- [ ] llms-full.txt扩展目录版本\n- [ ] robots.txt是否引用llms.txt\n- [ ] 关键页面是否有Schema.org JSON-LD\n- [ ] /data/目录是否有Companion数据文件\n- [ ] 是否有OpenAPI规范描述数据端点\n- [ ] CORS头是否允许AI代理访问\n- [ ] Sitemap.xml是否存在\n\n### 生成模式（/model-discoverability generate）\n\n为每个缺失的组件生成文件：\n\n- **llms.txt生成**：询问组织名称、描述、关键产品/内容区域、联系信息，生成符合llmstxt.org规范的Markdown文件\n- **Schema.org生成**：扫描页面，为Organization、Product/Book/Article、FAQPage、Dataset生成JSON-LD块\n- **Companion Data生成**：分析数据结构，生成列定义、建议分析、多格式下载URL、引用和许可信息，包装在`_computation_guide`字段中\n- **OpenAPI生成**：创建OpenAPI 3.0规范，描述可用端点、响应模式、数据类型和认证方式\n\n### 部署模式（/model-discoverability deploy）\n\n将生成的文件部署到Web服务器，支持多种环境：\n\n- **Apache反向代理**：添加Alias指令和ProxyPass排除规则，优先提供静态文件\n- **Nginx**：添加location块，配置CORS头\n- **静态托管**：Vercel、Netlify、S3等，文件放在public/static目录\n- **Streamlit/Flask/Express**：添加静态文件服务路由\n\n### 添加数据模式（/model-discoverability add-data ）\n\n这是最实用的功能之一。接受任何CSV或JSON数据文件，自动：\n\n1. 分析数据结构\n2. 生成计算指南\n3. 创建JSON和CSV版本\n4. 生成OpenAPI规范条目\n5. 更新llms.txt添加新数据源\n6. 部署到data目录\n\n例如，运行`/model-discoverability add-data data/rankings.csv`会产生：\n\n- `data/rankings.json`（带`_computation_guide`）\n- `data/rankings.csv`（清理后的原始格式）\n- 更新的`data/api.json`（OpenAPI规范）\n- 更新的`llms.txt`（新数据源列表）\n\n## 计算指南格式详解\n\n`_computation_guide`字段是连接"静态数据"与"AI计算"的关键桥梁。其JSON结构如下：\n\n```json\n{\n \"_computation_guide\": {\n \"description\": \"数据集的人类可读描述\",\n \"suggested_analyses\": [\n \"比较X和Y在Z维度上的表现\",\n \"按W列对所有条目排序\",\n \"计算组平均值\",\n \"找出超过阈值T的异常值\"\n ],\n \"column_definitions\": {\n \"column_name\": \"该列的含义、单位、量表\"\n },\n \"download_formats\": {\n \"json\": \"https://yoursite.com/data/file.json\",\n \"csv\": \"https://yoursite.com/data/file.csv\"\n },\n \"citation\": \"如何引用这些数据\",\n \"license\": \"使用条款\"\n }\n}\n```\n\n这个字段告诉AI模型：这些数据是什么意思、可以做什么分析、如何下载、如何引用。具有代码执行能力的AI模型会实际运行这些分析，在对话中直接呈现基于你数据的洞察。\n\n## 测试与验证\n\n部署后，技能会自动测试：\n\n- 每个URL是否返回200状态码和正确的Content-Type\n- CORS头是否允许跨域访问\n- JSON文件是否为有效JSON\n- CSV文件是否有正确的表头\n- Schema.org标记是否通过Google结构化数据测试工具验证\n- llms.txt是否符合llmstxt.org规范\n\n## 最佳实践建议\n\n根据SKILL.md的建议，使用此技能时应遵循以下最佳实践：\n\n1. **发布新内容时更新llms.txt**：这是你的AI面向目录，保持最新至关重要\n2. **为每个数据丰富的页面添加计算指南**：这是让你的数据"可计算"而非仅"可发现"的关键\n3. **使用CC-BY-SA或类似开放许可**：AI模型更可能引用自由可用的数据\n4. **包含建议分析**：具有代码执行能力的模型会实际运行它们\n5. **保持Schema.org标记最新**：过时的元数据比没有元数据更糟糕\n6. **用真实AI查询测试**：询问ChatGPT/Claude/Perplexity关于你的内容，看它们是否能找到\n\n## 实际意义与影响\n\nmodel-discoverability-skill代表了一种新的内容发布范式。传统上，网站内容是"给人看的"——人类读者通过浏览器访问、阅读、理解。而在AI时代，内容需要同时是"给AI看的"——AI模型需要能够快速发现、理解、甚至计算你的内容。\n\n这对以下场景特别有价值：\n\n- **数据驱动的研究**：让AI模型能够直接分析你的数据集\n- **产品目录**：让AI助手能够回答关于你产品的具体问题\n- **知识库**：让AI能够基于你的文档回答用户问题\n- **开放数据项目**：让AI能够发现、引用、分析你的开放数据\n\n## 结语：从"被发现"到"被使用"\n\nmodel-discoverability-skill的核心理念是：在AI时代，网站内容的可见性不仅仅取决于搜索引擎排名，更取决于AI模型能否理解和使用你的内容。\n\n四层架构提供了一个从"被发现"到"被使用"的完整路径：\n\n1. llms.txt让AI模型**找到**你\n2. Schema.org让AI模型**理解**你\n3. Companion Data + Computation Guide让AI模型**计算**你的数据\n4. OpenAPI让AI模型**程序化访问**你的数据\n\n对于任何希望在AI时代保持内容可见性的网站所有者来说，这是一个值得认真考虑的工具。它不仅是一个技术实现，更是一种面向未来的内容策略。\n\n---\n\n**项目链接**：https://github.com/fredzannarbor/model-discoverability-skill\n\n**作者**：Fred Zimmerman / Nimble Books LLC\n\n**许可**：MIT