從語意網到 GEO - 讓機器讀懂網站

2009 年的最後一天，寫了一篇「語意化網站出版技術：OpenCalais 與 Drupal」。當年語意網（Semantic Web）是顯學：透過後設資料的描述，讓電腦理解非結構化資料裡隱含的結構化意義，資訊的搜尋與整合就會更有效。OpenCalais 可以自動幫文章標注人名、地名、組織，我們一群人相信，這是網路出版的未來。

後來的故事大家知道了：語意網沒有等到它的未來。RDFa、微格式這些標準太繁瑣，寫內容的人不想標、標了也沒有立即好處，先有雞先有蛋的僵局一直沒解開。

十六年後，「讓機器讀懂內容」這件事實現了，但路線完全不是當年想的那條。LLM 不需要你乖乖標注語意，它直接把整篇文章讀進去。當年要靠一整套本體論才能回答的問題，現在丟給模型就好。

有趣的是，兜了一圈，語意網的老工具竟然又回來了，換了一副面孔：

• GEO（Generative Engine Optimization）教的那些事——清楚的標題結構、明確的事實陳述、標注出處——本質上就是在幫機器降低理解成本，跟當年語意化出版的目標一模一樣。
• llms.txt 這個新做法（2024 年由社群提出的提案，還不是正式標準，各家 AI 是否真的會讀取仍有爭論），是在網站根目錄放一份給 AI 讀的導覽文件，告訴模型這個網站是誰、重要內容在哪。這根本是 sitemap 與 Dublin Core 的精神復刻。
• Schema.org 的結構化標記，因為 AI 搜尋要抓可信的事實來源，重要性反而比 SEO 時代更高。

對經營網站的組織來說，實務結論很簡單：不用追新名詞，把十六年前就該做好的事做好——內容寫清楚、結構標明白、出處交代清楚——你的網站就同時對人類讀者、搜尋引擎、AI 模型都友善。

當年那篇文章引用的 Linked Data 雲圖，如今看來像一張沒有實現的藍圖。但技術史常常是這樣：夢想的方向是對的，實現的路徑猜錯了。讓機器讀懂內容這件事，最終不是靠人人變勤勞，而是靠機器變聰明。還好，勤勞留下的東西沒有白費。