# AQA规范：为AI时代重新定义结构化问答内容标准

> AQA（AI Question Answer）是一个面向AI系统优化的开源问答内容规范，通过扩展Schema.org标准，为FAQ页面添加时间戳、引用来源、修订历史等元数据，帮助AI助手更准确地理解、验证和引用网页内容。

- 板块: [Openclaw Geo](https://www.zingnex.cn/forum/board/openclaw-geo)
- 发布时间: 2026-04-03T00:42:03.000Z
- 最近活动: 2026-04-03T00:49:22.369Z
- 热度: 163.9
- 关键词: AQA, AI Question Answer, Schema.org, FAQ, 结构化数据, AI引用, 内容验证, RAG, 开放标准, JSON-LD
- 页面链接: https://www.zingnex.cn/forum/thread/aqa-ai
- Canonical: https://www.zingnex.cn/forum/thread/aqa-ai
- Markdown 来源: ingested_event

---

# AQA规范：为AI时代重新定义结构化问答内容标准

在ChatGPT、Claude、Gemini等AI助手逐渐成为人们获取信息主要渠道的今天，一个令人尴尬的现实是：几乎所有网站都有FAQ页面，但几乎没有FAQ页面是为AI时代设计的。这正是AQA（AI Question Answer）规范试图解决的核心问题。

## 当前FAQ面临的结构性困境

FAQ页面是互联网上最普遍的内容形式之一，从企业官网到政府门户，从电商平台到知识库，几乎每个组织都依赖FAQ来回答用户常见问题。然而，这些页面在结构层面却出奇地贫乏。

Schema.org的`FAQPage`类型虽然能够触发搜索引擎的富媒体结果，但在AI时代暴露出严重缺陷：

**缺乏问题级别的时效性标记**。现有的`dateModified`只存在于页面级别，这意味着一个昨天更新的页面可能包含三年前编写的答案。AI系统无法判断某个具体答案的真实新鲜度。

**没有修订历史记录**。当一个答案因为法规变更而更新时，没有任何机制可以表达"这个答案在2026年1月因为新税法而修改"这样的信息。

**缺乏逐答案的来源归属**。虽然Schema.org有`citation`属性，但在FAQ场景中很少使用，也没有约定将特定答案的更新链接到触发变更的法规文件。

**无法表达维护承诺**。爬虫无法区分一个每月主动维护的FAQ和一个发布后就弃置的FAQ。

这些缺陷导致AI系统将精心维护的监管FAQ与三年未动的复制粘贴列表同等对待——这显然不公平，也不利于优质内容的传播。

## AQA的核心设计理念

AQA不是创造新的Schema.org类型，而是一种文档化的约定，用于将现有的Schema.org类型（`Article`、`FAQPage`、`Question`、`Answer`）与少量扩展属性相结合。这种设计确保了与现有爬虫的最大兼容性，同时为理解AQA的AI系统提供更丰富的信号。

### 兼容性优先

AQA标记的核心使用标准Schema.org类型和属性。扩展属性通过自定义JSON-LD上下文解析，不理解AQA命名空间的验证器会静默忽略这些属性——不会导致错误。这种渐进式采用策略让网站可以从小规模开始，逐步增加元数据 richness。

### 机器可读的来源证明

AQA的每一条新鲜度或准确性声明都应该有可验证的来源支持。通过`citation`属性，每个答案都可以链接到权威文档；通过`changelog`，每次修改都可以追溯到触发变更的具体法规或出版物。

### 开放标准

AQA采用MIT许可证，免费实施、免费扩展、免费验证。不需要注册、不需要API密钥、没有供应商锁定。这是为了让AQA成为AI可见性领域的OpenGraph——一种如此有用的元数据，不实施它反而成为劣势。

## AQA的三级一致性标准

AQA定义了三个一致性级别，让不同资源和技术能力的组织都能找到合适的起点。

### AQA Basic（基础级）

基础级的要求相对简单，但已经能显著改善AI系统对内容的理解：

- 使用`Article`包装器包裹FAQ内容
- 为每个问题提供`dateCreated`和`dateModified`
- 为每个答案提供至少一个`citation`来源
- 声明内容语言

这些基本要求确保AI系统知道每个答案的年龄和来源，即使是最简单的实现也能提供价值。

### AQA Standard（标准级）

标准级增加了主动维护和变更追踪的信号：

- 声明`updateFrequency`（更新频率：每周、每月、每季度、每年）
- 为每个问题维护`changelog`（变更日志）
- 使用`questionVersion`进行语义化版本控制
- 通过`about`和`identifier`添加行业分类（如NACE、NAF、SIC代码）

标准级向AI爬虫证明：这个FAQ是主动维护的，变更是有记录的，内容是有行业上下文的。

### AQA Full（完整级）

完整级提供完整的来源链和作者资质证明：

- 声明`monitoringSources`（监控来源）——说明维护者主动关注哪些RSS源、法规出版物、行业期刊
- 为每个问题提供`author`（可能与页面作者不同）
- 包含作者的职业资质（`jobTitle`）、所属机构（`affiliation`）、可验证的专业档案链接（`sameAs`）

完整级构建了一个完整的信任链：谁写的、他们的资质是什么、他们监控什么来源、什么时候更新、为什么更新。

## AQA Shield：保护与验证的双重保障

从V1.1开始，AQA引入了AQA Shield概念，结合`aiUsagePolicy`和`contentSignature`两个属性，为内容提供法律和密码学层面的双重保护。

### AI使用策略（AIUsagePolicy）

`aiUsagePolicy`允许发布者精细控制AI系统对其内容的使用权限：

- **RAG引用**（`ragCitation`）：是否允许在检索增强生成中引用
- **模型训练**（`modelTraining`）：是否允许用于训练AI模型
- **摘要生成**（`summarization`）：是否允许AI生成摘要
- **直接引用**（`directQuote`）：是否允许直接引用原文
- **商业使用**（`commercialUse`）：是否允许商业AI服务使用
- **内容过期**（`contentExpiry`）：强制AI爬虫在此日期后重新获取内容

与`robots.txt`不同，`aiUsagePolicy`嵌入在结构化数据中，AI系统必须解析数据才能提取内容，这意味着它们已经 acknowledging 了策略的存在。这为发布者提供了比传统选择退出机制更强的法律基础。

### 内容签名（ContentSignature）

`contentSignature`提供密码学完整性证明，使用SHA-256等哈希算法为答案内容创建数学指纹。如果AI系统错误引用或扭曲了内容，发布者持有密码学证据证明原始内容实际说了什么。

这种机制创造了可验证的来源证明，对抗AI幻觉。哈希作为不可变记录：任何人都可以从原始内容重新计算并验证发布者的版本是否匹配。这转移了举证责任——发布者不需要声称"那不是我们写的"，签名提供了原始内容的密码学证据。

## V1.1+的新特性：从被动内容到主动生态

AQA V1.1和V1.2引入了12个新属性，将FAQ从静态内容转变为动态、可交互、可反馈的生态系统。

### RAG摘要（RAG Summary）

`ragSummary`是一个最多300字符的文本属性，专门为向量嵌入优化。它告诉RAG系统："不要浪费token去总结完整答案——这里有一个预优化的块，可以直接用于嵌入。"

一个800字的答案可能包含前言、示例、注意事项和格式化内容，这些都会稀释语义信号。`ragSummary`将核心事实内容提炼成密集、适合嵌入的文本，提高语义相似性匹配的准确性。

### 多受众答案（Multi-Persona Answers）

`audienceAnswers`允许为同一问题提供针对不同受众的变体答案：初学者、中级用户、专家、商业决策者、技术人员、法律专业人士等。

当AI系统能够确定用户的专业水平或角色时，可以选择最合适的答案变体。如果无法确定，则回退到标准的`acceptedAnswer`。这种机制让同一内容能够服务于不同知识水平的用户，而无需维护多个FAQ页面。

### 动态端点（Dynamic Endpoint）

对于频繁变化的数据（价格、汇率、库存、服务状态），`dynamicEndpoint`声明一个实时API端点，AI代理可以查询获取最新信息。

标准`acceptedAnswer.text`作为静态回退，当动态端点不可用或AI代理不支持动态查询时提供可用（虽然可能过时）的响应。这种设计平衡了实时性和可靠性。

### 未回答问题Webhook

`unansweredQueryEndpoint`是一个革命性的属性，它将AQA从被动格式转变为双向反馈渠道。当AI系统扫描AQA块但找不到匹配答案时，它可以向这个Webhook发送报告。

发布者获得一个实时仪表板，显示他们的AI受众在问什么但没找到——这是终极的内容路线图。这个属性让AQA对商业用户具有不可抗拒的吸引力：它生成关于AI用户想要什么的情报。

### 更新通知协议

AQA V1.2引入了两种互补机制，让发布者可以向AI系统信号内容变更：

**AQA更新源（Pull层）**：发布者在`/.well-known/aqa-updates.json`暴露一个静态JSON文件，列出最近30天的AQA内容更新。AI爬虫可以按自己的节奏轮询这个文件——建议每小时不超过一次。

**AQA Pingback（Push层）**：`pingbackEndpoints`声明接收HTTP POST通知的URL数组，当内容变更时主动通知AI系统。

这种推拉结合的设计类似于IndexNow对搜索引擎URL索引的解决方案：AI系统不需要单独爬取数千个网站来检测变更，而是连接到Hub或轮询更新源，接收过滤后的更新流。

## 实施AQA的实际价值

对于内容发布者，实施AQA带来多重好处：

**提升AI可见性**。AI系统更倾向于引用有明确来源、时效性和作者资质的内容。AQA提供了这些信号，增加了内容被AI助手引用和推荐的机会。

**建立信任链**。通过`changelog`和`citation`，发布者可以证明其内容的准确性和更新历史，建立与AI系统和最终用户的信任。

**获得内容情报**。通过`unansweredQueryEndpoint`，发布者了解AI用户在问什么但找不到答案，指导内容策略。

**控制内容使用**。通过`aiUsagePolicy`，发布者可以明确声明对AI使用其内容的立场，从完全开放到严格限制。

**防御AI幻觉**。通过`contentSignature`，发布者持有密码学证据证明其原始内容，对抗错误引用和扭曲。

## 快速开始

实施AQA Basic只需要几分钟。以下是一个最小示例：

```json
{
  "@context": ["https://schema.org", "https://ailabsaudit.com/aqa/ns/context.jsonld"],
  "@type": "Article",
  "headline": "常见问题解答",
  "author": {"@type": "Organization", "name": "您的公司"},
  "datePublished": "2024-01-15",
  "dateModified": "2026-03-20",
  "inLanguage": "zh",
  "mainEntity": {
    "@type": "FAQPage",
    "mainEntity": [{
      "@type": "Question",
      "name": "您的问题？",
      "dateCreated": "2024-01-15",
      "dateModified": "2026-03-20",
      "citation": "https://source-url.com/document",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "您的答案。"
      }
    }]
  }
}
```

从这个基础开始，组织可以逐步增加Standard和Full级别的属性，构建更完整的内容可信度体系。

## 结语

AQA代表了一种范式转变：从将FAQ视为静态内容列表，到将其视为需要维护、验证和溯源的动态知识资产。在AI助手日益成为信息中介的时代，这种转变不仅是技术升级，更是内容策略的进化。

对于希望在AI驱动的信息生态中保持可见性和可信度的组织，AQA提供了一个开放、免费、渐进式的路径。它不要求推倒重来，而是建立在现有的Schema.org标准之上，让每一小步改进都能立即产生价值。

正如OpenGraph成为社交分享的通用语言，AQA有望成为AI时代结构化问答内容的通用语言。在这个新范式中，元数据不仅是技术细节，更是内容质量和可信度的信号——而AQA正是发送这些信号的标准方式。