AI

又一不小心不自觉的就熬夜了，连续两晚——我总是这样。

明明只是想做一件很简单的事情，结果做着做着，又发现了另外几件需要处理的事。解决其中一个问题，又牵扯出更多问题。

最后，一整天都在忙，可到了晚上，却还是觉得有一大堆事情没有做完。

尤其是有了 AI 之后。

反向链接（Backlink）是别人网站指向你页面的链接。定义本身没什么可讲的，真正值得搞清楚的是：当一条链接出现在别人的页面上，搜索引擎具体怎么处理它、什么样的链接最终会起作用、以及你怎么判断一条链接值不值得去争取。

这篇文章按一条链接的生命周期来组织：它如何被发现、如何被解读、如何被评估、以及在 AI 搜索时代它的作用发生了什么变化。

去年开始注意到一个现象：部分网站的直接访问流量中，出现了一些来自 ChatGPT 等对话式 AI 工具引用的痕迹。这些访客的浏览行为与常规搜索引擎流量有所不同——他们通常会直接访问特定的内页，停留时间偏长，跳出率也略低。

这引发了一个值得研究的问题：当大语言模型在回答用户提问时，为什么会推荐某些网站或品牌，而不是其他？ 如果理解了背后的机制，能否让这个过程从「碰运气」变成「可预期」？

这篇文章是我在这段时间里做的一些观察、测试和推理的记录。需要说明的是，我没有大语言模型公司的内部数据，所有结论都基于对模型输出结果的逆向分析，以及公开可获取的训练数据研究。

随着大语言模型的快速发展，让一个之前不太被人注意的问题浮出水面——你的网站内容很可能已经被用来训练各种 AI 模型了。ChatGPT、Claude、Gemini 这些模型，它们的训练数据大量来自公开网页，除非你明确告诉它们「不可以」。

这种情况下，LLMs.txt 这个协议应运而生。它有点像 robots.txt，但针对的是 AI 爬虫，而不是搜索引擎爬虫。这篇文章会详细解释 LLMs.txt 是什么、如何运作，以及你该如何配置它。

最近经常看到 AEO、GEO、LLMO 这几个词在技术社区刷屏。它们和传统 SEO 到底是什么关系？是旧瓶装新酒，还是真的需要改变我们的内容策略？这篇文章会把这些概念拆开来讲清楚。

如果你最近查看过站点的流量统计，可能会发现一个诡异的现象：核心关键词的排名没有明显下滑，甚至部分词还稳中有升，但有机流量却在持续走低。这不是你的内容出了问题，而是搜索结果的呈现方式正在发生结构性变化。

AI搜索时代，如何让ChatGPT、Kimi等大模型在回答中主动推荐你的品牌？本文用直白的方式拆解大语言模型优化（LLMO）的核心逻辑：从写出AI认可的好内容，到用结构化数据“投喂”算法，再到追踪品牌在AI答案中的曝光。抓住这波先发红利，别让你的品牌在AI对话里“查无此人”。

当用户向ChatGPT提问「推荐一个靠谱的技术博客」时，你的网站的命运在毫秒间被决定——不是由排名算法，而是由大模型对你过去所有内容的「综合印象」。这不是未来场景，而是正在发生的网站内容搜索革命。传统SEO优化的是关键词匹配，AI搜索优化（AIO）优化的是机器认知。你的网站，准备好被AI正确理解了没？

AI搜索时代的内容生存指南：什么是生成式引擎优化及其实践方法

搜索引擎里关键词排名还不错，但流量就是上不去，甚至可能还有点往下掉。。不是你一个人的错觉。。

现在你用ChatGPT、豆包或者谷歌/百度的AI搜索问个问题，基本都是直接就拿到了答案，根本不需要再点进任何网站。必应的AI概览和微信/抖音的搜索也在做类似的事情。这类工具会在用户点击任何链接之前，直接把答案整理好摆在人家眼前。以前我们做 SEO ，拼了命想排到搜索结果第一页。现在呢？用户的问题可能在第一屏的AI摘要里就解决了，根本没理由点进你的网站。

这就是所谓的「零点击搜索」。2024年就有相关数据说在美国和欧洲市场，差不多六成的搜索最终不会产生外部点击。如今2年过去了，对靠网站流量吃饭的人来说，可想而知有多难受了。

那怎么办？「生成式引擎优化（GEO）」就是用来应对这个局面的。它不是什么高大上的技术，简单说就是调整你的内容，让AI引擎更容易把它引用到自己的答案里。你的品牌不再只是等着被搜索，而是直接成为答案的一部分。

随着大型语言模型（LLM）和生成式人工智能（AI）技术的普及，很多新型的网络爬虫悄然出现。其中就包括 GPTBot。与传统的搜索引擎爬虫不同，它的任务并非构建搜索索引，而是为 OpenAI 的模型（如 ChatGPT）采集训练数据。

如果你经营着网站、博客或在线业务，必然面临一个关键决策：是允许 GPTBot 访问，还是将其屏蔽？这不仅是技术选择，更涉及内容策略、品牌可见度及法律风险的复杂权衡。

本文将全面剖析 GPTBot 的运作机制、利弊分析，并提供可执行的决策框架与操作方法。

2026年5月8日，一份很多人还没意识到重要性的文件发布了。

这是一篇关于Ollama工具调用的详细教程。它的核心机制是让模型通过分析用户问题，去调用外部函数来获取信息，而不是凭空捏造答案。

之前写 Ollama 整体介绍 的时候，提了一嘴 tool calling，但没展开。最近在实际项目里用了几次，发现这个功能比想象中实用，单独写一篇笔记记下来。

在 Ollama命令速查指南 这篇文章中把 Ollama 的命令过了一遍，中间提到了 ollama launch 这个功能，但只是带了一句。最近抽空把几个主流 Ollama integration 都试了一下，单独写一篇笔记，主要记录 Codex、Claude Code、Hermes Agent、OpenClaw、VS Code 这几个工具怎么和 Ollama 搭在一起用。

关于 ollama launch，Ollama v0.15+ 引入了这个新命令，可以用本地或云端模型，自动完成 Claude Code、OpenCode、Codex 等常用编码工具的配置与启动，不需要手动改环境变量或写配置文件。它的核心价值在于「一条命令，帮你装好、配好、启动好」，后面介绍每个工具的时候基本都会用到它。

想用Ollama本地模型联动Codex、VS Code等工具，却不懂配置？本文详解5款主流Ollama生态集成工具的实操步骤，借助ollama launch命令一键搞定配置，搭配 Ollama 使用教程 ，新手也能轻松实现本地模型与工具无缝衔接。

文章里用到的模型统一用 qwen3.5:9b（换成其他模型也可以，道理一样），本地跑需要大约 5-10GB 内存。

调用Ollama HTTP API时，你是否分不清generate与chat的用法？不知道各端点参数怎么配置？本文整理Ollama官方所有API，逐一端点拆解用法、参数及实操示例，理清两大核心端点区别，搭配 Ollama 使用教程 ，新手也能轻松搞定API调用。

在 Ollama使用教程 这篇文章中写的是 Ollama 的整体使用，但后来我把 ollama -h 的输出完整看了一遍，发现很多命令和参数平时根本没注意过。这篇算是补课，把每个命令的参数、用法、适用场景都过一遍。更适合当成速查手册来用。