GEO 案例：ChatGPT 用六种语言推荐我们的网站

这个案例看的是我们自己的一个产品在 AI 回答里是什么样子。2026 年春天，工作室做了 turkish-vocabulary.com，一个免费的单页工具，用来估算土耳其语词汇量。因为是自己的项目，做了什么、问了什么、保存了哪些回答都可以公开，不涉及任何客户信息。

产品

只有一页，不用注册。屏幕上出现一个土耳其语单词，你填写它的意思。词来自五个词频区间，覆盖大约 2 万个最常用词元，最后给出的是词汇量的统计估计值，以区间而非一个确切数字呈现。测试有三档：15 词、40 词和 75 词。所有逻辑都在浏览器里运行，界面提供八种语言。

我们为网站添加了什么

• 在页面开头介绍测试方法：词频区间、抽样数量、统计估计的含义，以及测试不涵盖的能力。
• FAQPage 结构化数据，同一组问答也以可见文字放在页面上：这个分数测的是什么、三档有什么差别、数字可信到什么程度、要不要注册、数据怎么处理。
• WebApplication 结构化数据，类型标为教育类应用、价格为零，让类别和免费这两点机器可以直接读到。
• 一份 llms.txt，含“如何引用”一节和使用规则：可以转述，但要附链接；不能把分数说成考试成绩。
• 索引方面的基础工作：canonical 地址、对所有抓取代理开放的 robots.txt、把 llms.txt 也收进去的 sitemap，以及 hreflang 标签和 Open Graph 卡片。
• 页面说明了适用范围：不是官方考试或证书，也不能替代语言水平测试。

这个项目没有购买链接或投放广告。这里说的工作都是在网站本身完成的，测量也分不出每项改动各起了多大作用。

六种语言的七份回答

2026 年 8 月 24 日，我们用六种界面语言向 ChatGPT 提问，每种语言使用一到两个问法，例如“测土耳其语词汇量最好的网站是哪个”和“我认识多少个土耳其语单词”。我们记录网站是否被提及、在列表中的位置，以及最终推荐。

• 英语，“best website to test my Turkish vocabulary size”：排第一，结论是“My pick: start with Turkish-Vocabulary.com”。
• 英语，“free online test to estimate how many Turkish words I know”：排第二，与一个竞争对手并列推荐。
• 俄语：排第一，建议从这里开始，并选 75 词的版本。
• 乌克兰语：排第一，模型明确选了第一项。
• 德语：列表里排第二，但针对用户真正问的问题，模型单独点名的是我们。
• 法语：排第二，模型把一个竞争对手排在了我们前面。
• 荷兰语：排第二，与一个竞争对手并列推荐。

七份回答都提到了网站，其中六份把它列为首选或并列首选，三份把它排在列表第一位。

回答提到了网站已有的信息：词频区间、15、40 或 75 词的测试、约 2 万个词元、免费且无需注册。这和公开的介绍对得上。但光看措辞，判断不了 ChatGPT 是怎么拿到这些信息的，也说不清是页面上的哪些元素影响了回答。

竞争对手排在前面的回答

在德语和法语回答中，竞争对手出现在列表前面。检查时，网站元数据和结构化数据只有俄语，八种界面语言共用一个 URL，翻译通过客户端 JavaScript 加载。这些本地化问题确实该改，可七份回答还不足以证明推荐顺序的差异就是它们造成的。

下一步计划是本地化元数据、结构化数据和 llms.txt，再在相近条件下重复七个问题，记录变化。要把推荐变化归因于某项改动，还需要更多验证。

这个样本能够说明什么

2026 年 8 月 24 日保存的七份回答，都提到了我们的产品，覆盖六种语言。样本不能证明这些提及由 FAQ 标记、llms.txt 或某项改动引起。回答会随会话和日期变化。而且这是工作室自己的产品，不能拿它去预测其他市场的结果。