适用读者：装备制造、工业零部件、材料行业的官网/内容运营与前端同学。手上有一批选型参数表、能耗实测数据、工况手册要做成下载栏目，并且能改页面模板里的 JSON-LD。写这篇的人刚给自家 12 个数据集补完标注，中途踩过的坑都留在正文里。

下载页挂着 CSV，AI 引擎却当它不存在

我们官网「资料下载」栏目挂着 12 个文件：5 张选型参数表、4 份能耗实测数据、2 本工况手册、1 个查询接口。销售同事每天在电话里念这些数，客户也确实靠它做选型。

把这些页面的 HTML 抓下来看，head 里除了站点级 Organization 什么都没有。正文就是一句「离心泵选型参数表（2026 Q1）」加一个 <a href="/dl/pump.csv">下载</a>。对用户够用，对机器等于一句废话：抓取器拿到的是一个没有描述的二进制资源，不知道里面是参数、是价格、还是宣传册。

问 AI 引擎「谁有离心泵额定扬程的公开数据」，答案里出现的是开放数据平台、行业协会仓储、几家门户的整理文章，我们一次都没被提到。不是内容不行，是内容没有被描述过——这正是生成式引擎优化（Generative Engine Optimization, GEO）要解决的那类问题。

先弄清楚 AI 引擎怎么给数据源排座次

AI 引擎不是只做关键词匹配。它先在候选源池里挑一批可能靠谱的来源，再做一次可信度判断，最后才决定引用谁。这个"挑"的动作，高度依赖结构化的元数据。

页面里的一句人话描述，机器要猜；一段结构化数据（structured data），机器直接读。前者受表述风格影响，后者是固定字段，跨站点可比。GEO 的活儿，很大一部分就是把"我们有什么"翻译成机器能比对的字段。

原理剖析：结构化描述如何参与可信度评估

我们复盘下来，引擎判断一个数据源能不能引，主要压在三件事上：能不能归属、能不能下载、能不能复用，再加上一层"内容对不对得上提问"。

flowchart TD
    A["用户提问：谁有离心泵选型参数的公开数据"] --> B["候选源池"]
    B --> C["开放数据平台 Dataset 已标注"]
    B --> D["行业门户文章 无数据集标注"]
    B --> E["厂商下载页 无数据集标注"]
    C --> F["可归属：creator 与 publisher"]
    C --> G["可下载：distribution.contentUrl"]
    C --> H["可复用：license"]
    C --> I["可对上：variableMeasured"]
    F --> J["进入引用候选"]
    G --> J
    H --> J
    I --> J
    D --> K["只被当作背景描述"]
    E --> L["通常被整个跳过"]

四件事缺一件，权重就往下掉一档。可归属解决"这数据是谁发的"，没有 creator/publisher，引擎只能把来源算成匿名文件；可下载解决"能不能真的拿到"，distribution 里给的 contentUrl 必须是不带跳转、能直接请求的完整地址；可复用解决"我引用它合不合规"，license 缺失时，偏保守的引擎会直接跳过，因为它没法替用户承担版权风险。

第四条最容易被忽略。variableMeasured 是把"数据集里到底有什么列"讲给机器听的字段，也是查询词和数据本体之间做语义对齐的桥。用户问"额定扬程"，如果你的数据集只有一句 description 提到"参数齐全"，匹配不上；如果 variableMeasured 里明明白白写着 额定扬程 / m / minValue-maxValue，就能对上。

结论很直白：AI 引擎偏好有结构描述的数据源，不是因为它"更喜欢 Schema.org"，而是因为结构化描述把归属、获取、授权、内容四件事变成了可比对、可打分的量。

该填哪些字段：Dataset 字段规范对照

先说清楚对象。数据集（Dataset）是 schema.org 里专门描述"一批数据本身"的类型，数据下载（DataDownload）是它的分发方式，两者是包含关系，不是并列。很多人把下载页标成 WebPage 就收工，等于告诉引擎"这是个页面"，而不是"这里有批数据"。

下面这张表是我们内部落地时用的对照表，分必填、建议、可选三档。

byteSize 和 encodingFormat 挂在 distribution 上，不在 Dataset 顶层。encodingFormat 用 IANA 媒体类型，CSV 写 text/csv，PDF 写 application/pdf，别写 .csv 这种后缀。

variableMeasured 写多细，才不算白写

这是争议最大的一栏。我们的结论是：写到"列"这一级，不写到单元格。

我们最后定的是每个数据集写 6 到 12 个核心变量，只写用户真正会问的那几列。选型参数表写了额定流量、额定扬程、必需汽蚀余量、配套电机功率、效率、介质温度；能耗数据集写了工况点、比能耗、运行时长、环境温度。

给范围值时注意，minValue/maxValue 是 PropertyValue 的属性，unitText 写人类可读单位（m³/h），unitCode 可选用 UN/CEFACT 代码。单位写中文还是符号，我们统一写符号，因为查询词里出现的多半是符号。

license 这栏到底怎么选

制造业填这个有心理障碍：参数表是自家工程师一版版攒出来的，标成公开许可，等于把东西白送。

我们的处理办法是分层。真正公开、希望被行业引用的选型数据集，走知识共享署名 4.0（CC BY 4.0），页面底部保留署名要求；带客户工况信息的实测数据不放进公开下载，只给登录用户，Dataset 标注也就不做——没有公开分发的数据集不该标 isAccessibleForFree: true，标了反而会被判为误导。

几个边界：许可地址必须是能打开的 URL，不能写文字；站内的自定义使用条款也能当 license 用，但要保证那个页面稳定可访问，且能被抓取；CC0 意味着放弃署名要求，对想保留品牌露出的一方偏激进。

给 12 个数据集补标注的落地记录

3 月 12 日盘了一下午，把栏目里 12 个文件挨个打开，记下格式、行数、更新频率、能不能公开。4 月 3 日改完模板上线，一个数据集对应一个页面、一段 JSON-LD。

下面这段是选型参数表数据集的成品，注释行在线上版本里要删掉，浏览器不认带 // 的 JSON：

{
  // @context 固定写 schema.org，缺了整段不生效
  "@context": "https://schema.org/",
  // 类型必须是 Dataset，写成 WebPage 就白标了
  "@type": "Dataset",
  // name 描述数据本体，不是栏目名
  "name": "离心泵选型参数数据集（2026 Q1 版）",
  // description 说清覆盖范围和记录数，别写宣传语
  "description": "覆盖 0.75–315 kW 卧式离心泵的额定流量、扬程、必需汽蚀余量、效率与配套电机功率，共 412 条型号记录。",
  // 版本号配合 dateModified 一起给，方便引擎区分新旧
  "version": "2026Q1",
  // 数据一改就更新，引擎靠它判时效
  "dateModified": "2026-04-02",
  // 语言用 BCP 47 标签，中文站写 zh-CN
  "inLanguage": "zh-CN",
  // 免费公开要显式写 true，省略容易被当成收费资源
  "isAccessibleForFree": true,
  // creator 与 publisher 都填法人主体，带上官网 url
  "creator": {
    "@type": "Organization",
    "name": "某某装备制造有限公司",
    "url": "https://example.com"
  },
  // publisher 与 creator 同主体时也别省，两栏查的不是一件事
  "publisher": {
    "@type": "Organization",
    "name": "某某装备制造有限公司"
  },
  // license 必须是可访问 URL，中文短句不合规
  "license": "https://creativecommons.org/licenses/by/4.0/",
  // variableMeasured 写到列级别，带单位与量程
  "variableMeasured": [
    {
      // 第一个变量：额定流量，单位写符号而非中文
      "@type": "PropertyValue",
      "name": "额定流量",
      "unitText": "m³/h",
      // minValue/maxValue 给覆盖区间，引擎靠它判断能否回答取值类提问
      "minValue": 6.3,
      "maxValue": 1450
    },
    {
      // 第二个变量：额定扬程，用户查询词里出现频率最高的一列
      "@type": "PropertyValue",
      "name": "额定扬程",
      "unitText": "m",
      "minValue": 8,
      "maxValue": 210
    },
    {
      // 第三个变量：必需汽蚀余量，工程上常被问到
      "@type": "PropertyValue",
      "name": "必需汽蚀余量",
      "unitText": "m",
      "minValue": 1.8,
      "maxValue": 9.5
    }
  ],
  // 每个格式一个 DataDownload 条目，数组不要压成字符串
  "distribution": [
    {
      // 机器可读版本优先放第一个
      "@type": "DataDownload",
      // encodingFormat 用 IANA 媒体类型，不写文件后缀
      "encodingFormat": "text/csv",
      // contentUrl 必须是不带跳转、能匿名直接下载的完整地址
      "contentUrl": "https://example.com/dl/pump-selection-2026Q1.csv",
      // byteSize 给字符串形式的字节数
      "byteSize": "184320",
      "datePublished": "2026-04-02"
    },
    {
      // 同一份数据的人类可读版本，并列成第二个条目
      "@type": "DataDownload",
      "encodingFormat": "application/pdf",
      "contentUrl": "https://example.com/dl/pump-selection-2026Q1.pdf",
      "byteSize": "2310000"
    }
  ]
}

改完 12 个页面，光靠肉眼盯不住，写了个小脚本批量查必填字段：

# 环境：Python 3.10+，依赖 requests、beautifulsoup4
# 用途：批量校验下载页的 Dataset 必填字段，缺哪个直接列出来
import json
import re
import requests
from bs4 import BeautifulSoup

# 顶层这五项缺一项，引擎就不把它当完整数据集看
REQUIRED = ["name", "description", "license", "variableMeasured", "distribution"]
# distribution 内部三项缺一个，抓取器只会当成普通文件
SUB_REQUIRED = ["@type", "encodingFormat", "contentUrl"]

def check(url):
    # 超时拉短一点，12 个页面排队时不至于卡死
    html = requests.get(url, timeout=15).text
    soup = BeautifulSoup(html, "html.parser")
    problems = []
    for tag in soup.find_all("script", attrs={"type": "application/ld+json"}):
        # 先剥掉我们注释用的 // 行，否则 json.loads 直接抛异常
        raw = re.sub(r"^\s*//.*$", "", tag.string or "", flags=re.M)
        node = json.loads(raw)
        # 页面里可能有多段 JSON-LD，只挑 Dataset 类型
        graph = node.get("@graph", [node])
        for item in graph:
            # 站点级的 Organization 之类直接跳过
            if item.get("@type") != "Dataset":
                continue
            # 把缺的字段名连同 URL 一起记下来，方便定位
            for key in REQUIRED:
                if key not in item:
                    problems.append(f"{url} 缺少 {key}")
            # distribution 可能是单个对象，也可能是数组
            dists = item.get("distribution", [])
            if isinstance(dists, dict):
                dists = [dists]
            for dist in dists:
                # 逐个分发条目检查，PDF 和 CSV 都要覆盖到
                for key in SUB_REQUIRED:
                    if key not in dist:
                        problems.append(f"{url} distribution 缺少 {key}")
    return problems

if __name__ == "__main__":
    # 12 个下载页地址，跑一遍就能看出哪几个还没补齐
    pages = [f"https://example.com/dl/{slug}" for slug in ["pump", "blower", "motor"]]
    # 展平成一行行问题，直接贴给前端改
    found = [p for page in pages for p in check(page)]
    print("\n".join(found) if found else "全部数据集字段齐全")

脚本能查字段，查不了"这个链接到底能不能匿名拿到"。补一条 curl：

# 环境：Linux / macOS / Git Bash，依赖 curl
# 用途：确认 contentUrl 能被匿名直接下载，返回 200 且媒体类型正确
curl -sSI "https://example.com/dl/pump-selection-2026Q1.csv" \
  | grep -iE "^(HTTP/|content-type|content-length)"
# 期望输出大致是这样：
#   HTTP/2 200
#   content-type: text/csv
#   content-length: 184320
# 若返回 302 跳登录页，这个 contentUrl 就不能写进 distribution

脚本第一次跑，报出来 9 条问题：3 个页面的 contentUrl 写成了相对路径，2 个 PDF 的 encodingFormat 写成 .pdf，4 个老数据集的 dateModified 还停在 2023 年。修完再跑，干净了。

flowchart LR
    subgraph 标注前
        P1["下载页 HTML"] --> P2["a 标签指向 CSV"]
        P2 --> P3["抓取器：未知二进制资源"]
        P3 --> P4["AI 回答：不引用"]
    end
    subgraph 标注后
        Q1["下载页 + Dataset JSON-LD"]
        Q1 --> Q2["variableMeasured 对齐查询词"]
        Q1 --> Q3["DataDownload 给出可下载链接"]
        Q1 --> Q4["license 给出复用边界"]
        Q2 --> Q5["AI 回答：引用下载页"]
        Q3 --> Q5
        Q4 --> Q5
    end

标注之后，AI 回答里出现了什么

4 月下旬，我用几组提问反复试：把「离心泵 额定扬程 参数 数据集 下载」这类话丢给几个带联网能力的 AI 搜索。标注之前，答案里给的是行业门户的整理文章；标注之后，有两三个回答把我们的下载页列进了来源，还带上了"该数据集覆盖 412 条型号记录"这种明显来自 description 的表述。

这个观察样本很小，不能当成效果结论，只能说明一件事：描述写清楚了，引擎确实会把厂商站点当成参数数据的候选源之一，不再是自动跳过。

产品部的吴工给我转了段客户通话记录，原话是"你们官网那个表我下下来了，但我想确认 315 kW 那档的汽蚀余量是不是 9.5"。他把这当成好消息——客户开始把官网表当成可核对的公共资料，而不是随手要份报价单。

几个容易踩的坑，和一点趋势预判

误区一，把 Dataset 标注当成页面 SEO 的附属品，字段随手填。空的 variableMeasured 比不标更糟，等于告诉引擎"我有数据但说不清是什么"。

误区二，license 图省事填 https://example.com/license，而那个页面根本不存在。许可地址打不开，可复用这一档直接归零。

误区三，数据更新了只改 CSV 文件，忘了改 dateModified。时效性是引擎判断"这份数据还活着"的主要信号，一年没动的 dateModified 会让它显得像归档物。

往后看，AI 引擎对数据资产的引用粒度会从"页面"往"数据集实体"下沉。现在它引的是下载页，下一步很可能是直接引数据集里的某个变量、某个取值区间。能提前把参数表拆成"数据本体 + 元数据"两份维护的厂商，会占一点先手。

技术上的收尾建议只有一条：别把 JSON-LD 当一次性装修。把它接进发布流程，数据集更新时自动带上 version 与 dateModified，比事后人工补 12 个页面省力得多。你们在给参数库做标注时卡在哪个字段上，评论区聊聊。

参考与延伸

• Dataset 类型定义与全部属性：https://schema.org/Dataset
• DataDownload（分发方式）说明：https://schema.org/DataDownload
• variableMeasured 属性规范：https://schema.org/variableMeasured
• 数据集结构化数据的实现说明：https://developers.google.com/search/docs/appearance/structured-data/dataset

GEO, AI搜索, Schema.org, Dataset Schema, JSON-LD, 结构化数据, 开放数据, 设备厂商 AI 获客