Schema.org
PulseAugur coverage of Schema.org — every cluster mentioning Schema.org across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
RevClamp 的 ContactPulse 使用 RFC 9116 和 Schema.org 进行 B2B 联系人提取
RevClamp 开发了一种从公司网站提取 B2B 联系信息的新方法,超越了简单的电子邮件抓取。他们的 ContactPulse 工具利用 RFC 9116 security.txt 文件和 Schema.org 的 JSON-LD ContactPoint 数据来识别经过验证的角色特定联系人。这种方法旨在克服传统基于正则表达式的抓取的局限性,因为传统方法由于网页表单或混淆技术而常常在现代企业域上失败。
-
LLM需要旅游目录的最新数据,而非静态快照
本文讨论了在大型语言模型(LLM)的背景下,保持结构化数据最新状态的重要性,尤其是在旅游目录的上下文中。文章强调,像'availabilityStarts'和'availabilityEnds'这样的字段代表的是已发布的季节窗口,而不是该窗口内每一天的保证预订或可用性。作者建议LLM应重新抓取页面,而不是依赖过时的快照,区分已发布的季节、提交的请求和人工确认,并在字段缺失时明确说明,而不是编造信息。目标是确保LLM准确反映数据的动态性…
-
LLM 评估规则:确保事实依据并避免平均分数
本文详细介绍了确保大型语言模型(LLM)在充当评估者时不会捏造理由的三条规则。核心原则是,任何评分都必须直接由源材料中的确切文本证据支持,从而防止 LLM 生成看似令人信服但毫无根据的理由。这些规则强调,如果存在矛盾的证据,评分必须降低,并且 LLM 不能在对话中平均评分,从而确保单个负面实例决定评估结果。
-
Aftertype采用Schema.org和llms.txt进行AI实体识别
到2026年,Aftertype专注于将网站视为结构化数据,而不仅仅是页面的集合,实施了Schema.org标记和llms.txt文件。此举旨在改善传统搜索引擎和AI系统对组织及其内容的理解方式。结构化数据包括Organization、Article和FAQPage模式,以清晰定义Aftertype的身份、内容和规范答案,超越了基础SEO,实现了作者所称的“图谱或实体优化”(GEO)。
-
Claude SEO:免费开源工具像代理一样审计网站
Claude SEO 是一款免费的开源 SEO 审计工具,专为 Claude Code 构建,旨在模仿人工代理的工作。该工具由 Agrici Daniel 开发,可在 10-15 分钟内完成全面的审计,检查技术 SEO、内容质量、结构化数据和 AI 搜索引用可能性。该工具利用多达 17 个专业代理,其中一些运行在 Claude Opus 上,另一些运行在 Claude Sonnet 上,并将报告本地保存以确保用户数据隐私。
-
Basis Desk 推出研究门户,提供技术论文和加密数据集
Basis Desk 推出了新的研究门户,公开了三份技术报告和多个数据集。报告详细介绍了该公司的原始来源验证架构、实体解析流程和声明验证方法。这些数据集以知识共享许可协议发布,包括纵向加密新闻、监管行动和链上巨鲸遥测数据,格式包括 CSV 和 JSONL。
-
AI代理通过Agentic RAG实现企业知识自主化
企业级AI代理正超越简单的聊天机器人,新的Agentic RAG等架构使其能够自主搜索和综合来自各种内部系统的.信息。这种方法超越了线性管道,转向状态机模型,使代理能够分解复杂查询,利用多种检索工具,并自我纠正以提高准确性和可靠性。关键组件包括一个协调器代理、各种检索工具、查询规划、自我纠正机制和一个生成器,所有这些都旨在将AI集成到可靠的业务运营中。
-
新软件优化内容以获得AI引用
答案引擎优化软件正在兴起,以帮助内容创作者确保他们的作品被ChatGPT、Perplexity、Gemini和Bing Copilot等AI助手引用。这一新领域专注于使内容易于被AI检索系统提取和验证,超越了传统的SEO。关键实践包括将直接答案放在页面顶部,使用Schema.org等结构化数据,并确保内容新鲜且易于引用,以便被包含在AI生成的响应中。
-
Magic Manta 扫描并验证公司社交媒体资料
Magic Manta 是由 Mike Demo Demopoulos 开发并由 GBTI Network 发布的新型社交雷达扫描器。该工具通过检查 Schema.org 数据和官方网站链接,识别并验证公司在各个平台上的社交媒体资料。它提供不同的服务级别,从免费的单次查询到付费的批量处理和高级功能套餐,专注于为找到的每个资料提供可验证的证据。
-
llama-server 错误未能强制执行 JSON schema 约束
llama-server 工具,特别是 b10868 版本,存在一个错误,当 `response_format` 设置为 `json_schema` 且 schema 直接嵌套在 `response_format` 下时,它未能强制执行 schema 约束。服务器没有应用提供的 schema,而是返回不受约束的文本,这与未指定 `response_format` 时的情况类似。这个问题特别隐蔽,因为服务器仍然返回 HTTP 200 状…
-
AI系统质量取决于预查询因素和结构化数据以实现SEO
这组文章讨论了对AI系统进行严格测试和评估的关键重要性,特别是在检索增强生成(RAG)和搜索引擎优化(SEO)的背景下。作者强调,RAG模型的有效性取决于查询之前的因素,如数据质量和索引。此外,还强调了集成Schema.org标记作为改进AI引用和SEO的方法,以确保AI模型能够准确地引用和理解网络内容。
-
Messora API 支持使用自定义模式提取结构化JSON
Messora 的 API 现在支持在请求中提供特定的 JSON 模式,从而从网页中提取结构化 JSON 数据。此功能允许开发人员定义他们所需的精确数据字段,例如产品名称、价格和可用性,确保下游应用程序获得类型化的记录。该 API 负责模式验证,并提供错误代码来指示提取失败,从而实现强大的数据处理管道。
-
Schema.org 提供超过 700 种用于网页结构化的类型
Schema.org 为网站结构化提供了超过 700 种不同的类型,但大多数网站仅使用三种。文章提示网页开发者考虑利用剩余的 697 种类型来潜在地提高其网站的可见性并获得引文。
-
AI系统需要不同于传统搜索引擎的Schema标记
Schema标记通常用于搜索引擎优化(SEO),但需要针对AI系统进行调整,因为AI系统对其的解析方式与Google等传统搜索引擎不同。作者认为,目前的Schema标记实践对于AI解析来说很可能是错误的。这种转变意味着需要采用新的策略来构建和呈现数据,以确保Microsoft、Meta和OpenAI等公司的AI模型以及Claude等个人AI助手能够有效理解。
-
博客文章建议使用HTML标签和Schema.org来披露AI生成的内容
作者提出了指示内容何时由AI生成的方法,强调对读者的礼貌以及防止LLM污染自身训练数据。一种建议是使用特定的语言标签,如`en-AI`或私有使用标签如`en-GB-x-AI-deepblue`,尽管标准化被认为是一个缓慢的过程。另一种方法利用HTML元素,如``或``,并带有一个指向AI来源的`cite`属性,或者使用为程序输出设计的``元素。作者还建议通过Schema.org元数据来增强这些,以语义上识别AI作者。
-
Firecrawl 与 LLM-Scraper:AI 网页内容提取工具对比
本文介绍了两种为 AI 系统准备网页内容的不同方法:Firecrawl 和 LLM-Scraper。Firecrawl 提供托管的、API 驱动的解决方案,可快速提取干净的 markdown 格式内容,非常适合小型项目或快速原型开发。相比之下,LLM-Scraper 是一个自托管的 Python 库,为大规模或注重隐私的数据提取提供了更大的控制权和成本效益。两者的选择取决于数据量、成本和隐私需求,它们都可作为 RAG 等 AI 管道的…
-
开发者被敦促在 LLM API 上使用结构化输出而非纯 JSON
建议使用大型语言模型 (LLM) API 构建应用程序的开发者使用结构化输出格式,例如 JSON schema,而不是简单地要求“返回 JSON”。这种方法有助于防止常见错误,根据定义的 schema 验证数据,并显著减少解析难度。实施结构化输出是一种低成本的方法,可为开发者带来丰厚的回报。
-
AI代理因界面不可访问而难以处理餐厅预订小部件
一项关于AI代理尝试在阿姆斯特丹预订餐厅的研究显示,预订小部件(通常嵌入为iframe)是主要的失败点。这些小部件是为人类交互设计的,缺乏机器可读的界面,使得AI代理无法访问,因为它们通过工具而非模拟网页上的按钮点击来操作。虽然一些餐厅使用Schema.org提供基本的场地信息,但很少实现机器可读的预订操作,这阻碍了AI代理的能力。研究表明,提供具有清晰API文档的可调用预订端点将使AI代理能够成功完成预订。
-
OpenRouter 模型需要超越目录列表的严格测试
OpenRouter 提供了一个包含 400 多个 LLM 模型的目录,但仅仅列出模型并不能保证其适用于特定的关键场景。文章强调了模型目录和工程路线之间的区别,并指出实际性能需要严格的测试。提出的“路线记分卡”方法包括创建一个表格,跟踪关键场景、候选模型、已确认模式、限制和决策,以确保只有经过验证的路线才会在原型中实施。
-
AI日益增长的作用将网络开发重点从传统SEO转移
网络开发者越来越需要优化他们的网站,不仅是为了搜索引擎,也是为了AI系统。虽然传统的SEO侧重于检索和排名,但AI助手旨在理解上下文并评估信息内的关系。Schema.org、Open Graph Protocol和XML站点地图等技术对于构建数据至关重要,以帮助机器更有效地理解网站内容和个人专业身份。