Schema.org
PulseAugur coverage of Schema.org — every cluster mentioning Schema.org across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。
-
生成式引擎优化（GEO）随着AI搜索的兴起而出现 · 已追踪2个来源
随着ChatGPT和Gemini等AI模型成为主要的搜索渠道，生成式引擎优化（GEO）正成为一项关键的学科。与传统的SEO不同，GEO侧重于确保内容被AI系统理解、引用和推荐。引用份额项目和普林斯顿大学牵头的一项研究强调，AI搜索引擎依赖于事实密度、来源权威性和语义一致性等因素来决定在其生成的答案中引用哪些来源，而不是关键词堆砌。这一转变为了小型出版商和新网站在AI驱动的发现中获得可见性提供了新的机会。
-
Studio Meyer 推出五个专业网站以提高转化率
Studio Meyer 推出了五个不同的网站，每个网站都针对特定的受众和服务项目进行了定制，以提高转化率。这些网站包括一个为寻求 AI 推荐技巧的精品酒店提供的网站，以及一个为对内存服务器源代码感兴趣的工程师提供的网站，它们在一个统一的工作室生态系统中运行。这种方法牺牲了品牌整合，以实现更清晰的沟通和更有针对性的用户体验，同时通过模式标记和共享业务资料保持实体之间的联系。