如果今天从零开始学 AI SEO，我会怎么学（2026）

Nathan Gotch 的起点是先做出东西，再学会怎样让它增长。在这期教程中，他提出用一个小型软件或服务生意练习 AI SEO，而不是先完成一套无所不包的课程。

其中的机制是按需学习：真实障碍产生问题，学习者寻找解释、实施应对，再观察结果。书籍和视频可以支持这个循环，但消费内容不能替代动手。

项目还把两类能力放在一起：用 AI 代理建设产品，以及获得客户。Gotch 认为，同时做这两件事，能看见网站、支付、交付、分析与营销之间的联系，孤立练习容易遗漏这些连接。他在视频结尾强调，行动带来的是反馈，并不保证成功。

Gotch 建议只选一个类别、一种理想客户和一个具体问题。目标是能交付清晰结果的小项目，而不是把一家大公司的功能清单缩小重做一遍。

他早期做棒球博客的经历说明了一个分心点：反复修改网站让人觉得可控，却没有带来客户。分发需要更难的工作，包括建立认知、获取访问，以及理解别人为什么愿意购买。

这也改变了他看内容的方式。选题应当连接正在销售的东西，以及购买过程中的某个阶段。同一个主题可以成为网站文章、YouTube 视频或社交短帖，但形式需要适配渠道。他建议留一部分内容做实验，这是规划上的经验规则，并不是效果公式。

寻找机会时，Gotch 建议查看综合型软件，找出一个可以深入解决的单项功能。他的例子是面向 AI 搜索的提示词研究：交付一个聚焦的结果，而不是搭建整套 SEO 平台。

已有竞争者说明问题存在商业背景，但并不能单独验证新进入者的需求。因此，他提出的下一步很实际：做一个简单页面，先把结果作为服务卖出去，再投入精致界面。

经营者可以用尚未完善的内部软件完成工作。每次交付都会暴露缺陷，带回客户反馈。如果重复需求形成，同一个系统以后可能变成客户直接使用的产品。顺序很重要：先替别人完成任务，再判断他们希望怎样自己操作。

Gotch 建议用较低价格推出初期服务，并在交付后收集评价。他也提出以返款换取诚实评价，明确说不要要求好评。

这种激励是原建议的一部分，解释其社会证明时不应隐去。要求诚实，并不使受到激励的评价自动变成独立评价；视频也没有证明这种安排符合所有平台或地区的规定。本文不把作者的合规判断变成已经核实的规则。

即使客户不公开评价，反馈仍有另一种用途：它能说明交付哪里出了问题，软件哪里需要改进。服务优先的循环依赖这种经营学习，而不只是累积看起来有利的证据。

Gotch 并不反对基础学习。他建议掌握术语，以便识别问题、开展调查，并向 AI 工具解释自己面对的情况。

他提到《AI SEO for Dummies》《The Art of SEO》和《Product-Led SEO》作为互补参考，也承认对第一本书有偏向。这些是原视频列出的资料，并非本文重新调研后的购买推荐。他的用法是，在项目暴露知识缺口时回到资料，再实施学到的方法。

知道一个词，与用过其中的想法是两件事。教程反复要求把概念连接到能观察的结果，而不要用看了多少视频、读完多少页来衡量进展。

屏幕演示里，Gotch 创建了提示词研究项目，并要求代理建立背景。设想中的产品，是依据实际数据，生成用于追踪 AI 搜索中客户问题的提示词；这不同于单纯生成一条“让 AI 去研究”的指令。

他交代了狭窄的问题、证据要求，以及先以服务交付的方式。这个阶段不需要精美的客户界面。持续维护的背景文件能让下一次会话读到具体信息，而不是假定代理自然记得项目。

他还把开发工作与 AI SEO 规划分开，讨论在上下文过于庞杂时开启新对话。可以复用的原则是保存清楚的项目说明与决定；演示中的具体界面和记忆行为，则属于他当时使用的工具版本。

Gotch 展示插件与 MCP 连接，作为提供证据的方式。他推广自己的软件 Rankability，也列出其他数据服务作为预算较低时的例子。评估比较时需要记住这些商业关系，视频并没有独立证明自家产品更优。

他还讨论搜索与分析账号，包括 Google Search Console、Bing Webmaster Tools 和 Google Analytics。在工作流里，它们用于观察网站和受众，而不是让模型凭空编出一份表现报告。

工具文档可以帮助代理理解预期用法。Gotch 建议从帮助中心材料制作可复用指引，这能改善执行背景，但一个指令文件不证明每一步操作和结论都会正确。实际输出仍需回到原始证据检查。

Gotch 描述了围绕其 AI SEO 书籍开展的推广，并展示可见度报告：经过一段时间工作后，书籍出现在部分回答中。他用它说明类别聚焦，即选择一个未来九十天改善后能影响业务的方向。

屏幕展示的是他的实验，并没有隔离出哪种动作造成提及，也没有证明结果稳定，更没有保证其他网站会得到相同结果。他说推广不止一篇博客，并未在本教程披露所有细节。

他还展示 Quora 和 LinkedIn 上的分发，包括代理协助回复，以及推广自己书籍的榜单。这些是品牌主导的营销行为。自己发布的推荐，即使出现在另一个域名，也不应被当作独立形成的共识。

研究顺序从类别到主题、实体与关键词，再到具有代表性的提示词。Gotch 建议先手动运行，不必一开始就假定需要购买可见度追踪工具。

收集回答只是第一步。学习者可以提取其中的实体、检查引用，再看品牌是否出现在被引用的页面上。竞争者研究也应超出对方官网：评价、分发、链接和其他证据，有助于理解可见度可能来自哪里。

要让比较有用，就应明确保存提示词和观察条件。一次回答是样本，不是稳定排名。Gotch 强调优先做可能影响可见度和可信度的事，而不要把整个项目花在容易完成、却脱离主要目标的小修改上。

39:25查看原图

他的示例计划由三份数据研究、两个免费工具和五份商业内容组成。研究可以比较不同 AI 系统对同一提示词的输出，形成与服务相关的一手观察。

免费工具既提供有用结果，也构成另一次建设练习。商业内容回答比较、替代方案等漏斗中下段问题。品牌自己制作的榜单或对比有利益关系，读者应该看得见其立场与证据。

之后可以把主题改写成适合其他渠道的形式，再连接回相关页面，例如嵌入相应视频。十份资产的配比是视频提供的可执行起点，不是通用要求，更不能证明网站一定会获得引用。

Gotch 接着加入准确的品牌资料、客户反馈，以及对相关检索来源的联系。他的外联示例先介绍具体结果，再询问某个资源是否接受新提交。更广泛的思路是，调查相关人群和证据已经聚集在哪里，而不是期待发布本身自动带来发现。

他建议重复观察可见度，必要时先手动完成。提及、引用、来源访问和真实客户结果回答不同问题，单纯统计活动数量并不能说明业务改善了。

学习循环由此回到起点：做一个有用的东西，放到目标用户面前，检查反应，再改变下一步行动。解决问题的价值，是产生新的证据与能力，即使第一次商业尝试没有成功。