AI搜索优化的About页面优化 | 创始团队故事与AI信任信号

当用户在ChatGPT、文心一言或Perplexity里问”这家公司靠谱吗””这家服务商的团队背景如何”时，大模型给出的答案很大程度上取决于你的About页面是否被正确理解与采信。AI搜索优化的实践中，About页面优化长期被低估，事实上它是AI信任信号最集中的载体之一。与传统SEO不同，AI搜索优化不只关心关键词排名，更关心大模型在生成回答时是否愿意引用你、如何描述你、以及引用时传递的是正面还是模糊的印象。本文将从E-E-A-T中”经验”与”可信度”两个维度出发，系统拆解创始团队故事如何转化为AI可引用的证据、组织Schema如何帮助机器读懂你的团队结构，并给出可直接落地的检查清单与实施案例。

一、为什么About页面在AI搜索时代变得前所未有地重要

1.1 从”页面排名”到”答案引用”的逻辑迁移

传统搜索引擎时代，About页面的价值主要体现为品牌词搜索结果中的一条蓝链，用户是否点开、是否细读，搜索引擎并不直接给出奖励。而在AI搜索场景下，逻辑发生了根本变化：大模型在回答”XX公司是谁””值得合作吗”这类问题时，会主动检索并综合多个来源，其中官网的About页面、团队页面、创始人个人页面是它判断企业真实性与专业度的第一手材料。

一套被业内反复验证的观察是：当用户向AI助手询问某家B2B服务商的背景时，模型通常综合三类信息源——官网自身陈述、第三方媒体与点评平台、社交平台上的创始人动态。如果官网About页面信息模糊（只有”我们是一支充满激情的团队”这类空话），而第三方信息又稀薄，模型往往会给出保守甚至回避的回答，例如”关于该公司的公开信息有限”。这种回答在采购决策链里的杀伤力远大于一条负面评价，因为它直接把企业从候选清单中排除了。

1.2 AI信任信号的构成：机器如何”相信”一家公司

AI信任信号可以拆成四个层次，每一层都对应About页面上的具体改造点：

值得注意的是，前两层几乎完全依赖About页面自身的信息密度，第三层部分依赖，第四层则需要官网与外部来源相互呼应。如果About页面写明了”创始人张某有12年跨境支付风控经验”，而领英、行业会议嘉宾页、媒体采访中都能找到一致的表述，模型对这条信息的置信度会显著上升。这种跨来源一致性，正是很多企业忽视的AI信任信号建设盲区。

1.3 一组真实的行业观察数据

综合多家AI流量监测工具在2025年下半年发布的抽样报告，可以观察到几个与About页面直接相关的趋势：

• 在Perplexity等带引用功能的AI搜索产品中，企业官网被引用的页面里，About/团队类页面占比约为8%-12%，远高于其在全站页面中的占比（通常2%-3%），说明模型在需要”验证主体身份”时对这类页面有明显偏好。
• 带有结构化组织数据（Organization、Person Schema）的站点，其品牌词查询中”被AI正确描述职务与背景”的准确率明显高于无结构化数据站点，抽样差异在30个百分点以上。
• 创始人有独立个人页面（含详细履历、署名文章、演讲记录）的品牌，在”XX公司创始人是谁””XX公司团队怎么样”类查询中被正面引用的概率，是没有此类页面的品牌的2倍以上。

这些数字未必精确到可以直接写进董事会汇报，但方向非常一致：AI搜索正在把”这家公司是谁”变成一个需要被回答、且可以被优化的检索问题。

二、E-E-A-T视角下的About页面：经验与可信度的机器读法

2.1 E-E-A-T与About页面的对应关系

Google的E-E-A-T框架（Experience经验、Expertise专业度、Authoritativeness权威性、Trustworthiness可信度）虽然诞生于传统搜索质量评估体系，但它描述的评估维度与AI大模型筛选信息源的内在逻辑高度重合。模型在决定”要不要相信并引用这个来源”时，实际上在做与质量评估员类似的事情。把E-E-A-T四要素逐条映射到About页面，会发现每一项都有明确的落地动作：

2.2 “经验”如何被机器识别：具体性是唯一货币

大模型判断一段团队介绍是否可信，最有效的启发式信号是具体性。”我们的团队经验丰富”是零信息语句；”核心团队平均在跨境物流行业工作9年，其中CTO曾主导日均300万单的分单系统”则是模型可以引用、可以对比、可以与第三方来源交叉验证的语句。

实操中，把经验写得”机器可读”有三个技巧：

1. 数字锚点：从业年限、服务客户数、项目规模、增长幅度。数字让模型可以生成”该公司成立于2019年，已服务超过400家跨境电商企业”这类确定性表述。
2. 时间锚点：明确年份与阶段。时间线让模型可以讲述发展故事，故事比孤立事实更容易被复述。
3. 关系锚点：与谁合作、服务哪些行业、在哪些组织任职。关系网络是模型判断权威性的捷径。

2.3 可信度的”反面清单”：哪些写法在降低你的AI信任信号

有些About页面不仅没有加分，还在主动扣分。以下写法建议逐一排查：

• 全称泛化：”我们致力于成为行业领先的一站式解决方案提供商”——这类句子在任何行业都成立，因此信息量等于零。
• 匿名化团队：”我们拥有一支年轻而富有创造力的团队”，却不出现任何真实姓名与照片。对模型而言，无实名的团队等于无法核验的团队。
• 荣誉无出处：声称获得某奖项却不写年份、不写颁发机构全称，模型无法交叉验证时会选择不采信。
• 联系方式薄弱：只有表单没有地址电话，或在页脚放一个不可点击的文字邮箱。可信度评估中，实体可触达性是硬指标。

三、创始团队故事：从品牌叙事到AI引用资产

3.1 创始人页面的AI引用价值：为什么模型爱讲”人的故事”

观察AI助手的回答风格会发现一个规律：当用户询问一家公司时，模型倾向于先讲人，再讲公司。”这家公司由前XX工程师张某于2020年创立”是比”这家公司成立于2020年”更有传播力的表述，因为人名、履历、时间构成的叙事更容易被压缩和复述。这意味着创始人的个人故事，实际上是企业进入AI答案的”入口文本”。

一家深圳出海SaaS公司做过对比实验：2024年9月，其官网About页只有企业叙事；2025年2月改版后增加了创始人页面，写明两位创始人分别来自某头部云厂商与某跨境电商大厂的背景、各自的代表作、以及创业缘起（在上一家公司亲历跨部门数据割裂之痛）。三个月后监测发现，在ChatGPT与豆包中查询该公司时，AI回答中主动提及创始人背景的比例从约15%上升到60%以上，且回答语气明显更具体、更有推荐倾向。这个案例说明创始团队故事不是”品牌部的软文素材”，而是直接影响AI输出的结构性资产。

3.2 创始团队故事的四段式写法

面向AI引用优化的创始人故事，建议采用以下四段式结构，每一段都对应模型提取信息的典型模式：

第一段：身份定位（可被一句话复述）。 用两三句话给出”人名 + 现职 + 最硬的一条背景标签”。例如：”李某，本公司创始人兼CEO，前某头部电商平台搜索算法负责人，深耕电商搜索领域11年。”这段话的目标是让模型在生成答案时能直接摘录。

第二段：经验证据（可量化的履历）。 按时间倒序列出2-4段关键经历，每段包含机构、职位、时间、成果。成果尽量数字化：”主导的推荐系统改版使某品类转化率提升23%””带领30人团队完成某支付网关的合规改造”。注意：只写可公开核验的内容，涉密项目用”某头部零售集团”方式表述即可。

第三段：创业缘起（差异化叙事）。 解释”为什么做这家公司”。这是最容易被AI当作故事讲给用户听的部分，也是与竞品形成区隔的地方。真实的痛点叙事（”我们发现中小企业在X环节平均要多花40%的成本”）远比宏大愿景有效。

第四段：当下角色与公开足迹（持续活跃证明）。 说明创始人目前在公司负责什么、在哪里公开发声：行业专栏、播客、演讲、开源项目。附上对应链接。活跃的公开足迹向模型传递”此人真实且持续在领域内”的信号。

3.3 团队页面的信息密度标准

除了创始人个人页，团队总览页也需要一套密度标准。参考多家被AI频繁引用的B2B站点，可以归纳出”一人一卡”的最低信息集：

团队页的规模也影响信号强度：一个只有4人的”核心团队”页配一句”还有60+伙伴”，不如按部门列出主要骨干（10-20人）并保持格式统一。模型对”结构完整、信息一致”的页面有天然的采信倾向。

四、组织Schema与作者信息：让机器一眼读懂你的团队

4.1 Organization Schema：企业身份的机器可读名片

结构化数据是About页面优化中投入产出比最高的动作。组织架构Schema（Schema.org的Organization类型）把企业名称、Logo、成立时间、地址、联系方式、社交媒体账号等字段以JSON-LD格式写进页面，使AI爬虫无需猜测即可建立准确的企业档案。

一个典型的组织Schema应至少包含以下字段：

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "某某科技有限公司",
  "url": "https://www.example.com",
  "logo": "https://www.example.com/logo.png",
  "foundingDate": "2019-06",
  "address": {
    "@type": "PostalAddress",
    "addressLocality": "深圳",
    "addressCountry": "CN"
  },
  "sameAs": [
    "https://www.linkedin.com/company/xxx",
    "https://weibo.com/xxx"
  ]
}

其中sameAs字段尤其关键：它把官网实体与社交媒体实体显式关联，是模型做实体消歧（确认”此某某科技”非”彼某某科技”）的重要依据。同名企业众多的情况下，缺少sameAs关联的企业很容易在AI回答中被混淆或张冠李戴。

4.2 Person Schema与作者实体绑定

在创始人个人页与全站文章作者栏，应部署Person Schema，并通过worksFor与jobTitle字段把人物绑定到组织。文章页面的作者信息则通过author字段指向对应的Person实体。这样做的好处是：当模型引用你的一篇技术文章时，它能知道作者是谁、什么职务、什么背景，从而在回答中带上”据某某公司创始人张某的分析”这类增强可信度的表述。

实操要点有三：

1. 字段真实完整：Person Schema中的name、jobTitle、description必须与页面可见文字一致，模型会做一致性校验，不一致反而降低信任。
2. 全站统一作者档案：建立一个/team/zhang-san/这类规范化作者页，所有署名文章的作者链接都指向它，不要每篇文章各写一份简介。
3. 交叉引用闭环：Person Schema用worksFor指向Organization，Organization页面用founder/employee字段指向关键人物，形成双向确认。

4.3 验证与维护

部署完成后，用Google的富媒体测试工具或Schema验证器检查语法错误，然后在主流AI产品中实测查询”XX公司团队””XX公司创始人”并记录回答准确度。建议每季度复查一次：团队成员变动、头衔调整、媒体报道新增后，页面文字与结构化数据要同步更新。陈旧且不一致的About页面比没有About页面更糟——它会让模型在两个版本的信息之间犹豫。

五、三种About页面改造方案的优缺点对比

企业改造About页面时通常面临三种深度选择，各有适用场景：

从性价比看，多数企业应从轻量补全起步，两个月内升级到分层页面体系；全域实体运营则适合把创始人作为品牌核心资产的公司。无论选择哪条路线，前文提到的信息密度标准与Schema规范都是通用底座。

补充一个决策细节：如果你所在的行业高度依赖创始人个人信任（咨询服务、设计工作室、专业培训机构），即使团队规模很小，也建议直接采用分层页面体系，因为客户决策链条中”选人”的权重高于”选公司”，AI回答中能讲清楚创始人背景的企业天然占优。反之，标准化程度高的产品型公司可以把重心放在公司层面的里程碑、产能、质检体系等证据上，创始人页面做基础版即可，避免把维护资源压在创始人不愿配合更新的页面上。资源分配跟着决策链走，是About页面投入不浪费的第一原则。

六、实施案例时间线：一家工业设备商的About页面改造

以一家虚拟但典型的工业设备制造商”某精密机械”为例，其About改造过程颇具参考价值：

• 第1-2周（盘点）：整理全站About相关页面，发现仅有一页300字的企业简介，团队零实名；用AI产品实测10个品牌相关查询，其中6个回答为”信息有限”，2个回答混淆了同城同名的另一家企业。
• 第3-4周（信息资产收集）：从各部门收集创始人及12位核心成员履历，核对领英与过往媒体报道确保一致；整理9年间31个代表项目，筛选出12个可公开的量化案例。
• 第5-7周（页面重建）：上线公司介绍、创始人页、核心团队页、发展历程四个页面；部署Organization与Person Schema；每个团队卡片附该成员署名的技术文章链接。
• 第8周（外部呼应）：推动两位创始人在垂直媒体发布署名文章，更新行业协会会员名录中的公司简介，使其与官网表述一致。
• 第9-16周（监测迭代）：每月复测10个品牌查询。第4个月时，”信息有限”类回答从6个降至1个，同名混淆问题消失；3个查询的AI回答直接引用了官网的创始人履历表述；同期来自AI渠道的咨询线索从每月约5条增至17条。

这个时间线揭示了一个常被忽略的规律：About页面改造的收益释放通常滞后6-10周，因为模型的知识更新与引用库刷新存在周期。急功近利地在第三周就下结论”没用”的企业，往往倒在收获前夕。

七、避坑指南：About页面优化的七个高频错误

1. 把About写成营销首页：堆满slogan和产品链接，却没有一个可核验的事实。模型需要的是”证据密度”，不是”气氛密度”。
2. 履历夸大无法交叉验证：声称”服务世界500强”却列不出任何可公开的客户类型描述。模型对无法验证的陈述会整体打折，连累真实部分。
3. 照片使用图库素材：真实性问题一旦被用户发现并传播到第三方平台，负面信号会回流进模型训练与检索语料。
4. Schema字段与页面文字不一致：页面写”联合创始人”，Schema写”CEO”，此类冲突会直接降低实体置信度。
5. 团队页上线后三年不更新：离职成员仍在页面上，新任高管查无此人。陈旧信息是可信度的慢性毒药。
6. 忽视同名实体消歧：不做sameAs关联，导致AI把你的内容张冠李戴到同城同名企业头上。
7. 创始人故事千人一面：模板化的”怀揣梦想、深耕行业、砥砺前行”毫无引用价值，模型只会摘录有具体细节的叙事。

八、AI搜索About页面优化检查清单

上线前逐项核对，建议直接打印贴在项目看板上：

• [ ] About页面首屏300字内包含：公司成立年份、所在城市、核心业务、服务客户数量级
• [ ] 创始人及至少5位核心成员实名、真照、职务全称齐全
• [ ] 每位成员含一句话背景（含数字锚点）与专业领域标签
• [ ] 至少2位创始人有独立个人页，含四段式故事结构
• [ ] 团队履历与领英/行业协会/媒体报道表述一致
• [ ] 已部署Organization Schema且通过验证工具检查
• [ ] 已部署Person Schema，worksFor与jobTitle字段准确
• [ ] sameAs字段关联至少2个官方社交媒体账号
• [ ] 全站文章作者栏链接至统一作者页，含署名内容列表
• [ ] 页面含真实地址、电话、可点击邮箱
• [ ] 已在3个以上主流AI产品中实测10个品牌查询并记录基线
• [ ] 建立季度复查机制，人事变动后一周内同步更新

九、成效衡量：About页面优化的指标体系与监测方法

任何优化动作如果没有度量体系，最终都会退化为”感觉做了点事”。About页面在AI搜索场景下的成效衡量，与传统SEO的排名监控完全不同，需要围绕”AI如何描述你”来构建指标。

9.1 三层指标框架

可见性层回答”模型知不知道你”，准确性层回答”模型说的对不对”，引用层回答”模型是否以你为权威来源”。三层依次递进，改造初期应优先盯可见性与准确性，引用率的提升通常需要外部呼应配合，属于中后期目标。

9.2 固定题库的设计原则

监测题库建议覆盖五类查询意图：身份类（XX公司是做什么的）、人物类（XX公司创始人是谁）、能力类（XX公司擅长什么）、对比类（XX公司和XX公司哪家好）、行动类（XX公司怎么联系）。每类至少2条，共10-15条，措辞保持稳定以便纵向对比。实测时在ChatGPT、文心一言、豆包、Kimi、Perplexity五款产品中逐一执行，用统一模板记录：是否提及公司、事实是否正确、是否引用官网、语气倾向（正面/中性/回避/负面）。

一家做工业传感器的企业按此方法跑了半年，积累了一个意外发现：对比类查询是变化最慢的，即使About页面已经很完善，模型在”哪家好”类问题中仍倾向引用第三方评测而非官网自述。这提示我们：About页面解决的是”你是谁、可不可信”，而”你比别人好在哪里”还需要案例页、评价页与第三方口碑的协同，不能指望一个页面包打天下。

9.3 建立事实表：一致性管理的工程化方案

前文多次提到”跨来源一致性”，落地时建议维护一份结构化的事实表（用协作文档或表格即可），字段包括：公司全称与简称、成立时间与地点、创始人与核心成员姓名/职务/年限、核心业务描述（100字版与30字版）、代表案例与数字、荣誉清单（含年份与颁发方）。所有渠道——官网、领英、公众号、行业名录、招商材料——的新增内容一律从事实表取数。事实表本身设专人维护，每季度盘点一次。这套看似朴素的机制，是防止实体信息漂移的最有效手段，而信息漂移正是AI信任信号衰减的头号原因。

十、FAQ：About页面与AI信任信号常见问题

Q1：公司规模小、团队只有几个人，About页面还有优化价值吗？
价值反而更大。小公司缺少第三方报道，官网几乎是模型了解你的唯一渠道。3-5人的团队完全可以把每个人的背景、代表作写透，小而实的信号密度经常胜过大公司模糊的部门介绍。关键是真实性而非规模。

Q2：创始人不愿意露面、不提供履历细节怎么办？
可以先做最低限度版本：姓名、职务、一句话背景（如”12年制造行业经验”），不强制照片与完整履历。同时把”经验证据”转移到公司层面——项目时间线、行业报告署名等。但需要明确：创始人信息缺失会显著降低”人的故事”类引用，建议用小恩小惠（帮其整理文章、剪辑演讲视频）逐步换取配合。

Q3：About页面优化多久能看到AI回答的变化？
经验区间是6-10周。模型对官网内容的重新抓取、实体图谱更新、回答风格变化各有周期。建议固定10个品牌查询、每月固定日期复测，用表格记录回答变化，避免凭印象判断。同时要区分”回答变具体了”与”回答变正面了”两类收益，前者通常先出现。

Q4：是否需要为AI爬虫单独做一个极简版About页面？
不必。现代AI爬虫渲染能力已接近普通浏览器，关键在于信息本身是否具体、结构是否清晰。把精力放在内容密度与Schema规范上，远比维护双版本页面划算。唯一例外是页面大量依赖JS动态加载的企业——建议把核心团队信息改为服务端直出，确保不执行JS的爬虫也能读到。

Q5：第三方平台（领英、公众号）的信息和官网应该完全一样吗？
核心事实（职务、年限、公司名）必须完全一致，表述方式可以不同。完全一致的复述反而显得机械，模型更看重的是事实层面的相互印证。建议维护一份”公司事实表”作为所有渠道撰稿的统一底稿，从源头保证一致性。

Q6：媒体报告与奖项荣誉应该放在About页还是单独页面？
数量少（3-5条）时直接嵌入About页面增加证据密度；超过10条后单独设”媒体报道”页并在About页展示最新5条加链接。每条荣誉务必带年份与颁发方全称，模型才能完成交叉验证。

Q7：多人合伙的公司，几个创始人应该共用一个页面还是各自独立页？
两位及以上的创始人建议各自独立页，并用”创始人”总览页串联。独立页可以让每人的履历细节充分展开，也为模型提供多个可引用的入口文本；总览页则用一张对比表呈现各自分工，方便”XX公司的两位创始人分别负责什么”这类查询被准确回答。合伙人信息同页混排时，模型常将两人的履历要点错误拼接，独立页是更稳妥的结构。

Q8：英文市场的About页面（About Us）需要另外做吗，还是直接翻译中文版？
必须另做而非直译。海外版除了语言切换，还涉及注册主体、办公地址、合规资质等本地实体信息的替换，这些恰恰是可信度的硬指标。直译中文版常出现”中国的行业协会奖项””国内地址电话”等让海外用户与模型都困惑的信息。正确做法是基于同一份事实表，重构海外版本的事实子集，并部署指向英文版的hreflang关联与独立的Organization Schema。

十一、常见错误对照与修正示例

结语与行动建议

AI搜索时代的竞争，正在从”谁的页面排得靠前”转向”谁被机器相信得更多”。About页面是企业信任信号的枢纽：它同时承载E-E-A-T中的经验证据与可信度证明，是创始团队故事进入AI答案的入口，也是组织Schema发挥作用的锚点。如果你正在系统化布局AI搜索优化，建议把About页面改造列为第一个月的核心动作——它投入可控、方法论清晰、且收益会随着每一次模型抓取持续复利。想了解更完整的AI搜索优化服务体系与落地案例，可以访问我们的官网进一步沟通。

标签和关键词： AI搜索优化, About页面优化, E-E-A-T, 创始团队故事, AI信任信号, 组织Schema, Person Schema, 作者信息优化, 品牌实体消歧, B2B可信度建设