让 AI 正确摘录：HTML 语义与段落边界

周四上午，一家做便携储能电源的出海团队收到客服转来的截图：买家在 ChatGPT 里问“露营两天给相机和笔记本供电，哪款够用”，答案列了三款，参数栏里他们那款写着“容量信息未明确”。工程师打开商品页，1024Wh 明明写在上面——只是写在一个 div 拼的网格里，字段名是 span，单位单独一行，桌面版和移动版各有一份 DOM，靠 CSS 藏掉一份。

AI 摘录的不是你的排版，而是 DOM 里能被切成独立块的句子；语义标签决定它切得对不对，段落边界决定它切得准不准。

抽取是按块切的，不是按屏读的

模型读页面，先删导航、页脚、推荐位，再按标题层级把正文切成块，最后挑块来用。它没有你的视觉设计，拿到的是一份源码和一棵元素树。

这条管线大致分四段：抓 HTML、去噪、分块、选块生成。分块靠的是 h1–h6、p、li、table、main、article 这些元素自带的边界，不靠 class 名，也不靠字号。div class="spec-title" 在人眼里是一行小标题，在抽取器眼里只是一个容器，它的文字会和下一个容器的文字并成一段。

第二个断裂点是顺序。CSS 的 order、绝对定位、移动端与桌面端各渲染一份只隐藏一份，都会让 DOM 顺序和视觉顺序分家。屏幕上价格在标题下面，源码里价格可能在标题前面，或者在页面里出现两次。抽取器按源码读，你按屏幕看，两边的判断标准从来不一致。渲染本身也有前提，先确认AI 能不能渲染你的店。

语义标签：少而准，别堆

真正需要改的标签只有几类，错一类就丢一条事实。

现在的写法	抽取器读到什么	改成
div class="h2" 当小标题	一段裸文本，和上下文粘连	h2 / h3
div 网格排的规格	键和值的顺序可能颠倒，或被并成一行	table + th scope="row"
span 标价、单位另起一行	金额缺币种，或被当成两条事实	一个元素内写完整价格与币种
用 br 分隔的卖点	一整个长段落	ul > li，一项一句
点击后才插入的 FAQ	源码里不存在	折叠也留在 DOM 里（details/summary）

判断标准很简单：把 CSS 全部关掉，页面还是一份读得懂的文档，就基本对了。标签不是越多越好——article 和 section 满天飞，段落仍然是三百字一段，等于什么都没改。标签解决边界，句子解决内容。

段落边界：一段一义，一句一事实

摘录失败更常见的原因不是缺标签，而是一段里塞了三个问题的答案。

抽取器按 token 窗口切文本，长段落被拦腰截断时，结论句可能留在被丢掉的那一半。一段同时讲容量、重量和适用场景，模型要么整段引用（太长，只能删），要么整段放弃。买家问“能不能带出国”，答案要靠跨段拼接，拼错的概率比你想的高。

三条规矩够用：首句给结论，后面两句给证据；一段只回答一个小标题下的一个问题；数值、单位和条件写在同一句里——“在 -10°C 到 40°C 之间可正常放电”，不是“工作温度见下表”。指代也要落地，“它”和“该产品”在跨段摘录时会失去所指。

反例就在多数商品页上：“采用高品质电芯，容量大、重量轻、充电快。”三个形容词换不来一个能填进参数栏的值，模型只能写“信息未明确”。

五步改造：从源码开始

改造顺序要反过来：先看源码，再改文案，最后才动标签。

步骤	做什么	谁来做	怎么算过
1 看源码	用 curl 或禁用 JS 的浏览器抓核心页，确认标题、价格、规格、FAQ 都在 HTML 里，顺序与阅读顺序一致	工程	不点击也能读到关键字段
2 定块	一个 H2 一个问题，H3 只在拆子问题时用，每块不超过三段	内容	遮住其他块，这块能独立回答
3 修句子	一段一义，首句结论，数值带单位与条件	内容	单看这句仍成立，能填进表格
4 换标签	规格换 table，卖点换 li，折叠换 details	前端	阅读模式抽出的文本仍成对
5 复测	同一批问题再问一遍，比对答案句子与你页面原句	增长	出现句子级重合，而不只是提及品牌

第 2 步最容易被跳过，也最贵。团队往往先动标签，标签改完段落还是老样子，复测没有任何变化，于是得出“语义 HTML 没用”的结论。

示例：一块规格区的改法

示例：以下品牌、型号与参数均为虚构，只用于演示结构。

改之前：容量、输出功率、工作温度是三个 div 网格，字段名用 span，单位后面空一格再写，规格表是一张图片，FAQ 里“能不能同时带两台设备”要点击才由 JS 插入。

改之后，同一个问题的答案变成这样：

<h2>这台 1024Wh 电源能带动哪些设备</h2>
<p>额定输出 1800W，可同时带动一台 1200W 电水壶和一台 60W 笔记本。</p>
<h3>关键规格</h3>
<table>
  <tr><th scope="row">电池容量</th><td>1024Wh</td></tr>
  <tr><th scope="row">额定输出</th><td>1800W</td></tr>
  <tr><th scope="row">工作温度</th><td>-10°C 至 40°C</td></tr>
</table>

变化不在关键词，在边界：每个值有了自己的位置和单位，首段直接回答了一个真实提问。参数栏从“未明确”变成可填的三行，靠的是结构，不是形容词。

边界：什么时候不值得改

第一，成交集中在平台内。亚马逊、Shopee 的详情页 HTML 不由你控制，先修 listing 属性与 feed，这部分字段的口径是另一条线。

第二，事实本身不够。语义标签只会让空话更容易被抽出来，然后被识别成空话。没有可验证证据时，先补证据，第一方证据怎么写比改标签更值得排队。

第三，抽取器之间差异很大。去噪规则、分块窗口、是否保留隐藏内容，各家不同；一次抽不出来不等于永远抽不出来，别拿一个工具的输出当唯一标准，用两三个入口交叉验证。

第四，懒加载与无限滚动。内容在点击或滚动之后才请求，源码里根本没有，语义再正确也解决不了“不存在”。

第五，指望改标签提排名。标签影响的是被正确摘录的概率，不影响你进不进候选集；候选集靠实体、证据和对比，那是另一条线的事。

这条线上其他文章在技术底座主题页；一段话怎么写得让 AI 说清你卖什么，见本期主线答案单元：一段话让 AI 说清你卖什么。改完有没有效果，别只看一次截图，用实体覆盖率那套采样口径复测。

本月只做一件事：挑流量最高的一个商品页，用 curl 取一次源码，把规格区换成真 table，把买家最常问的那句话写成该块的第一句，然后再问一次 AI，看答案里有没有你写下的原句。