Google 搜尋演算法怎麼運作？從 PageRank 到 AI 排名機制全拆解

Google 搜尋演算法是什麼：從一條查詢到十個結果的處理流程

Google 搜尋演算法是一套由數千個獨立系統組成的排名機制，負責從超過數千億個已索引網頁中，挑出最符合使用者查詢意圖的結果。它不是一支程式，而是一條完整的處理流水線：先爬取網頁、建立索引、再根據數百個排名訊號計算每個頁面的相關性分數。更完整的拆解可以看 ezblog 的 從查詢字串到排名信號的 5 階段。

根據 Google 官方 How Search Works 文件，這套系統每年進行 500 到 600 次微幅調整，加上每年 1 到 2 次的大規模核心更新。每次調整都可能改變特定類型查詢的排名結果。從數據上看，這代表平均每天都有超過一次的排名訊號調整在發生。

爬取、索引、排名：三個階段的分工

把 Google 搜尋引擎想成一座工廠：Googlebot（爬蟲）是採購部門，負責到全球網頁中抓取原始內容；索引系統是倉儲部門，把抓回來的內容分類、拆解、存入資料庫；排名系統是出貨部門，接到使用者的搜尋查詢後，從倉庫裡挑出最相關的頁面，依分數排序送出。

這三個階段各有獨立的運作邏輯。爬取階段受「爬取預算」限制，Google 不會無限制地爬取每個網站，小型網站通常不需要擔心這個問題，但頁面數超過十萬的大型網站就需要管理哪些頁面優先被爬取。索引階段會判斷頁面是否值得收錄，重複內容、品質過低的頁面可能直接被排除。排名階段則是整條流水線中最複雜的部分，涉及的訊號超過數百種。

演算法不是一套程式，是幾千個系統的集合

很多人把「Google 演算法」當成一個東西，但實際上它是多個專責系統的協作結果。舉例來說，SpamBrain 負責偵測垃圾內容、Helpful Content System 負責判斷頁面是否對使用者有用、RankBrain 負責處理從未見過的新查詢、BERT 負責理解查詢中的語意關係。

這些系統各自獨立運作，彼此的信號會被加權整合成最終的排名分數。Google 在 2023 年底的 Search Central 文件中首次公開列出了所有「排名系統」的清單，其中部分系統已被併入核心排名流程（如 Panda 和 Penguin），不再作為獨立更新發布。

PageRank 到 RankBrain：搜尋演算法 25 年演進關鍵節點

Google 搜尋演算法的排名機制在 25 年間經歷了四次典範轉移：從連結投票、到內容品質過濾、到語意理解、再到 AI 生成式搜尋。每次轉移都源於同一個問題：上一代系統擋不住新型態的低品質內容或無法滿足更複雜的搜尋需求。

時期	代表演算法	核心問題	解決方案
1998-2011	PageRank	怎麼判斷哪個網頁比較重要	用連結當投票，被越多高品質網站連結的頁面越重要
2011-2013	Panda / Penguin	內容農場和連結操控泛濫	新增品質過濾層，懲罰低品質內容和不自然連結
2013-2019	Hummingbird / RankBrain / BERT	字詞匹配無法理解使用者的真正意圖	從字詞比對進化到語意理解
2021-2026	MUM / AI Overviews	複雜查詢需要跨語言、跨模態的綜合理解	AI 直接生成答案，重組搜尋結果頁面

連結時代：PageRank 與反向連結的票選機制（1998-2011）

1996 年，Larry Page 和 Sergey Brin 在史丹佛大學發表了 PageRank 論文。核心概念借鏡學術界的引用機制：一篇論文被越多其他論文引用，通常代表它越重要。PageRank 把這套邏輯搬到網頁上，每個從外部網站指向你的連結就是一張「投票」，而來自高權重網站的連結投票力度更大。

這套機制在早期非常有效，但也催生了連結交易市場和連結農場。到了 2000 年代中期，買賣連結已經是 SEO 產業的主流操作。Google 花了十年才透過 Penguin 演算法有效遏制這個問題。

我觀察到一個常見的誤解：很多人以為 PageRank 已經被廢棄。Google 確實在 2016 年停止公開 PageRank 分數，但連結權重的計算從未消失，它被整合進更複雜的排名系統中。2024 年 Google API 文件洩漏中，「連結相關性」仍然是核心排名模組之一。

品質時代：Panda、Penguin 與內容農場的終結（2011-2015）

2011 年 2 月，Google 推出 Panda 演算法，直接針對內容農場開刀。Panda 的判定邏輯是在「網站層級」評估內容品質，如果一個網站有大量低品質頁面，整個網域的排名都會被壓低。根據 Google 的公開數據，Panda 上線時影響了約 12% 的英文搜尋結果。

Panda 解決內容問題，Penguin 則在 2012 年 4 月上線處理連結問題。兩者的判定機制有一個關鍵差異：早期的 Panda 需要手動更新（Google 定期重新跑一次評估），而 Penguin 在 2016 年升級為 4.0 版後變成即時運作，直接整合進核心排名流程。

對台灣 SEO 產業來說，Panda 和 Penguin 的影響來得比英文市場晚一些，但衝擊同樣顯著。當時大量靠抄襲和購買連結排名的中文網站在 2013-2014 年間集中受到打擊。

語意時代：Hummingbird、RankBrain 與 BERT 的三層進化（2013-2019）

2013 年的 Hummingbird 是 Google 搜尋架構的一次底層重寫。在 Hummingbird 之前，Google 主要靠字詞匹配來理解查詢，搜尋「附近不用預約的牙醫」，系統會把這句話拆成「附近」「預約」「牙醫」等關鍵字去匹配。Hummingbird 讓系統開始理解整句話的意圖，而不只是拆解關鍵字。

2015 年 Google 公布 RankBrain 系統，這是搜尋演算法首次大規模引入機器學習。RankBrain 的專長是處理 Google 從未見過的查詢，據 Google 工程師 Greg Corrado 的說法，每天有 15% 的搜尋查詢是 Google 從來沒見過的。RankBrain 會把這些新查詢映射到語意相近的已知查詢上，推測使用者意圖。

2019 年的 BERT 是另一次重大突破。BERT（Bidirectional Encoder Representations from Transformers）的核心能力是「雙向注意力」，它可以同時從前後文去理解一個字在句子中的含義。舉個例子，「到美國旅遊的簽證」和「從美國旅遊回來的簽證」中的「到」和「從」在舊系統中可能被忽略，但 BERT 可以正確區分兩者的意圖差異。Google 聲稱 BERT 上線時影響了約 10% 的英文搜尋查詢。

AI 時代：MUM、SGE 與生成式搜尋的典範轉移（2021-2026）

2021 年 Google I/O 發表的 MUM（Multitask Unified Model）標誌著搜尋演算法進入多模態 AI 時代。MUM 的能力比 BERT 強 1000 倍（Google 官方數據），可以同時處理文字和圖片，並跨越 75 種語言進行理解。在實際應用上，MUM 被用來改善搜尋結果的多面向理解，例如當使用者搜尋一個複雜問題時，MUM 可以整合不同語言來源的資訊。

2023 年 Google 推出 Search Generative Experience（SGE），2024 年正式更名為 AI Overviews 並在全球市場逐步推出。這是搜尋結果頁面有史以來最大的結構性改變：Google 不再只是列出十條藍色連結，而是用 AI 直接生成一段摘要答案，放在搜尋結果最上方。

台灣市場在 2025 年下半年開始大量出現 AI Overviews。從我追蹤的 200 個繁體中文關鍵字來看，資訊型查詢觸發 AI Overviews 的比例約在 35-45% 之間，而且這個比例還在上升。

Google 演算法演進時間軸：連結時代 → 品質時代 → 語意時代 → AI 時代

2024-2026 核心更新總覽：三年內最具影響力的排名調整

核心更新是 Google 對搜尋排名系統的全面性調整，與針對特定問題的演算法更新不同，核心更新會重新評估所有已索引頁面的相關性和品質分數。從 2024 到 2026 年初，Google 共發布了 7 次核心更新，頻率明顯高於 2022-2023 年的 4 次。

更新	發布日期	滾動期	主要影響
March 2024 Core Update	2024/03/05	45 天	史上最長滾動期，整合 Helpful Content 信號進核心排名
August 2024 Core Update	2024/08/15	19 天	部分 HCU 受災站恢復排名
November 2024 Core Update	2024/11/11	23 天	E-E-A-T 信號權重調整
March 2025 Core Update	2025/03	14 天	小型利基站排名回升
June 2025 Core Update	2025/06	18 天	AI 生成內容評估標準收緊
December 2025 Core Update	2025/12	16 天	使用者行為訊號權重提升
March 2026 Core Update	2026/03/27	進行中	Topical Authority 相關排名變化顯著

2024 年：Helpful Content Update 的 sitewide 效應

2024 年 3 月核心更新是近年來最具影響力的一次，滾動期長達 45 天。這次更新最重要的改變是把原本獨立運作的 Helpful Content System 信號直接整合進核心排名系統。

Helpful Content System 的運作邏輯有一個經常被忽略的特性：它是 sitewide 的信號，不是 page-level 的。Google Search Central Blog 2023 年 9 月的更新說明文件寫得很清楚：「如果我們判斷你的網站有較高比例的不實用內容，即使其中有高品質的個別頁面，整個網站的排名都可能受到影響。」

這代表一個網站如果有 100 篇文章，其中 30 篇是低品質的 AI 直出內容，剩下 70 篇即使品質很好，整個網站的排名都可能被壓低。解法不是只優化那 70 篇好文章，而是要處理（改寫或移除）那 30 篇拖後腿的內容。

2025 年三次核心更新的共同趨勢

2025 年的三次核心更新呈現一個明確的趨勢：Google 持續提高「主題權威」在排名中的權重。所謂主題權威（Topical Authority），是指一個網站在特定主題領域的深度和完整度。不是發了多少篇文章，而是這些文章是否形成一個完整的知識體系。

從我追蹤的數據來看，2025 年 3 月到 12 月之間，專注於單一領域的網站平均排名上升了 12-18%，而主題分散的「什麼都寫一點」的網站排名普遍下降。樣本量不大（約 50 個站），但趨勢是一致的。

另一個值得注意的趨勢是小型利基站的回升。在 2024 年被 HCU 重創的部分小型獨立部落格，有些在 2025 年 3 月更新後開始恢復流量。這可能代表 Google 在校正 HCU 初期過度打擊小型網站的問題。

2026 年三月核心更新：目前觀察到的排名訊號變化

2026 年 3 月 27 日啟動的核心更新目前仍在滾動中，預計 4 月中旬完成。根據 Semrush Sensor 的資料，這次更新在台灣繁體中文搜尋結果中的波動幅度約為 7.8/10，高於過去兩年的平均值 6.2。

目前的初步觀察：Topical Authority 評分在中間地帶的網站受影響最大。排名變化的邏輯鏈是：如果一個網站的主題覆蓋度「不上不下」（既不是深度利基站，也不是大型權威站），這次更新傾向於把排名重新分配給兩個極端。這是目前的觀察，樣本量還不足以下定論，需要等滾動完成後再做完整分析。

排名因素權重分析：哪些訊號真正決定搜尋排名

Google 從未公開過排名因素的完整清單和權重，但透過官方聲明、專利文件、2024 年的 API 文件洩漏、以及業界大規模相關性研究，可以拼出一個相對可靠的排名因素權重模型。關鍵認知是：不同排名因素之間存在明顯的權重差距，把它們當作等權列表來看是一個常見的錯誤。

第一梯隊：內容相關性與搜尋意圖匹配

搜尋意圖匹配是排名的第一道門檻。Google 的 TW-BERT 系統會對使用者查詢中的每個詞組（n-gram）分配不同的權重，判斷這條查詢最核心的意圖是什麼。如果你的頁面內容和 Google 判斷的搜尋意圖不匹配，其他訊號再強也排不上去。

TW-BERT 的運作機制值得深入理解。Google 在 2023 年發表的 TW-BERT 論文中揭示，系統會把查詢拆成多個 n-gram，然後對每個 n-gram 賦予不同的「term weight」。搜尋「台北便宜好吃的義大利餐廳」時，「義大利餐廳」的權重會高於「台北」，而「便宜好吃」會被進一步拆解為價格和品質兩個維度。你的內容需要對高權重的 n-gram 有充分覆蓋，才能被判定為高度相關。

根據 First Page Sage 2025 年的排名因素研究，「持續發布滿足使用者意圖的高品質內容」這個因素的估算權重約為 26%，遠高於其他單一因素。

第二梯隊：反向連結品質與主題權威

反向連結在 2026 年仍然是重要的排名訊號，但性質已經從「數量遊戲」轉變為「語意相關性遊戲」。Google 現在更重視連結來源與你的主題領域是否相關，一條來自相關產業權威網站的連結，效果遠大於十條來自無關網站的連結。

Topical Authority 是近兩年權重上升最快的訊號之一。Google 的專利文件中描述了一個「entity-based authority」的概念：系統會把你的網站視為一個實體，評估這個實體在特定知識領域的覆蓋深度和完整度。這不只是看你發了多少篇相關文章，還包括文章之間的內部連結結構是否形成完整的知識拓撲。

First Page Sage 的估算中，反向連結和主題權威合計約占排名權重的 20-22%。

第三梯隊：使用者行為訊號與 NavBoost

2024 年 5 月的 Google API 文件洩漏是 SEO 產業近年來最重要的情報事件之一。洩漏的文件中揭露了一個名為 NavBoost 的系統，專門使用使用者行為數據來調整排名。Google 長期以來否認使用點擊率作為排名訊號，但 NavBoost 的存在證實了 Google 確實在追蹤使用者與搜尋結果的互動行為。

NavBoost 收集的訊號包括：使用者點擊某個搜尋結果後是否快速返回（pogo-sticking）、在頁面上停留的時間、是否繼續瀏覽同一網站的其他頁面。這些行為被彙整為「滿意度」信號。根據洩漏文件的描述，NavBoost 使用的資料來源之一是 Chrome 瀏覽器的匿名使用數據。

從實務角度看，這代表「寫出讓使用者真正想讀完的內容」不只是內容策略的問題，還直接影響排名。如果使用者到了你的頁面後覺得問題沒被解決就跳回去，NavBoost 會把這個訊號回饋到你的排名分數中。

第四梯隊：技術 SEO 與頁面體驗

Core Web Vitals（LCP、INP、CLS）、HTTPS、行動裝置友善度這些技術因素在排名中的角色更接近「門檻」而不是「差異化因素」。也就是說，技術指標達標不會讓你排名飆升，但技術指標嚴重不達標會讓你排名下降。

Google 的 John Mueller 在 2024 年的一次 Office Hours 中說過類似的觀點：「CWV 是排名因素之一，但如果你期望只靠改善 LCP 就能從第 10 名跳到第 1 名，你會失望。」這不代表技術 SEO 不重要，而是說它的 ROI 在你的技術指標已經過了及格線之後會急速遞減。

整理一下排名因素的權重層級，可以用金字塔模型理解：底座是技術 SEO（門檻），往上是使用者行為訊號，再往上是反向連結和主題權威，頂端是內容相關性和搜尋意圖匹配。預算和精力應該從上往下分配，不是從下往上。

排名因素權重金字塔：資源應從金字塔頂端往下分配（資料來源：First Page Sage 2025 + 2024 Google Leak）

E-E-A-T 深度拆解：Google 如何判斷內容可信度

E-E-A-T（Experience、Expertise、Authoritativeness、Trustworthiness）是 Google Quality Rater Guidelines 中用來評估內容品質的框架。需要先釐清一件事：E-E-A-T 本身不是一個可以被量化的排名因素，它是 Google 品質評估員用來人工評估搜尋結果品質的指引，而評估結果會被用來訓練和校正排名系統。

Google Quality Rater Guidelines 5.2 章節的原文是：「所有頁面都有一個目的。評估頁面品質的第一步是弄清楚頁面的目的，然後判斷它在多大程度上達成了這個目的。」E-E-A-T 是判斷「達成程度」時的評估維度。（延伸：on-page seo 頁面優化）

四個字母各自代表什麼，信任度（T）為什麼是核心

在 E-E-A-T 的四個維度中，Trustworthiness（信任度）是基座。Google 在 Quality Rater Guidelines 中明確表示：「Trust 是最重要的 E-E-A-T 成員，因為不值得信任的頁面，即使 Experience、Expertise 和 Authoritativeness 看起來很高，E-E-A-T 評分也會很低。」

邏輯關係是這樣的：Experience（經驗）、Expertise（專業）和 Authoritativeness（權威）是支撐 Trust 的三根支柱。一個詐騙網站可能看起來很「專業」，但如果被判定為不可信，整體 E-E-A-T 就是低的。反過來說，一個個人部落格在專業度和權威度上可能不如大型媒體，但如果它展現了真實的第一手經驗，信任度可能反而更高。

YMYL vs 非 YMYL：不同類型網站的 E-E-A-T 門檻差異

YMYL（Your Money or Your Life）是 Google 定義的「可能影響使用者健康、財務安全或人身安全」的內容類型，包括醫療建議、財務投資、法律資訊等。在 YMYL 領域，E-E-A-T 的門檻顯著高於其他領域。

在台灣市場，我觀察到 YMYL 和非 YMYL 的 E-E-A-T 要求差異在實務上非常明顯。一個科技部落格寫 SEO 教學，即使作者沒有顯赫的業界頭銜，只要內容有料、有數據支撐，排名不會太差。但如果同一個人寫「某某保健品能治什麼病」，在 YMYL 領域中沒有醫療專業背書，排名幾乎不可能好。

如何在內容中展現 E-E-A-T 信號

把 E-E-A-T 從抽象概念轉化成可執行的行動清單：

• Experience：分享第一手經驗和實測數據，「我追蹤了 200 個關鍵字三個月」比「根據研究顯示」更有說服力
• Expertise：引用權威來源時標明出處，「Google Quality Rater Guidelines 5.2 章節」比「Google 說」更具體
• Authoritativeness：建立完整的作者頁面，包含專業背景、發表過的文章、社群媒體連結
• Trustworthiness：提供聯絡資訊、隱私政策、內容更新日期，讓使用者（和 Google）可以驗證你的身份

還有一個常被忽略的信號：結構化資料中的 author markup。用 Schema.org 的 Person 型別標記作者資訊，可以幫助 Google 建立作者實體與網站之間的關聯。這不是直接的排名因素，但有助於 Google 驗證 E-E-A-T 信號的真實性。

AI 搜尋如何改變排名遊戲：AI Overviews 與 GEO 策略

AI Overviews（前身為 SGE）是 Google 搜尋有史以來對 SERP 結構最大的改變。傳統搜尋結果是十條藍色連結，使用者需要自己點進去找答案。AI Overviews 則由 Google 的 AI 直接從多個來源中抽取資訊，組合成一段摘要答案，放在搜尋結果最上方。這改變了流量分配的底層邏輯。

AI Overviews 的引用邏輯：什麼樣的內容會被 AI 選中

AI Overviews 不是隨機選擇引用來源的。根據 Google 的專利文件和實際觀察，AI 的 chunk 選取機制遵循幾個原則：

1. 內容片段必須是自足的（self-contained），脫離上下文也能被理解
2. 片段的結構要清晰，段落型定義、編號清單、比較表格這些格式更容易被抽取
3. 來源頁面本身需要有一定的 E-E-A-T 評分，AI 不會引用來路不明的網站
4. 片段的語意需要和使用者查詢高度相關，而且要直接回答問題，不是繞圈子

從實務上觀察，每個 H2 下方的第一段如果是一個完整的答案陳述（而不是背景鋪陳），被 AI Overviews 引用的機率明顯更高。這和 Featured Snippet 的選取邏輯類似，但 AI Overviews 會從多個來源抽取片段組合，所以你的目標不是「搶下整個 snippet」，而是「讓你的某段文字被選入組合答案中」。

零點擊搜尋的流量衝擊與數據

零點擊搜尋（zero-click search）是指使用者在搜尋結果頁面上就找到答案，不需要點擊任何網站。AI Overviews 大幅增加了零點擊搜尋的比例。

根據 Advanced Web Ranking 的 2025 年 CTR 研究，在觸發 AI Overviews 的查詢中，自然搜尋結果第一名的平均 CTR 從 28.7% 下降到 18.2%，降幅約 36%。第二到第五名的降幅更大，平均 CTR 下降超過 40%。

但這不代表 SEO 失去價值。資料顯示兩個重要的對沖因素：第一，被 AI Overviews 引用的網站實際上獲得了額外的流量入口（引用連結）；第二，複雜查詢和交易型查詢觸發 AI Overviews 的比例遠低於簡單的資訊型查詢。如果你的內容主攻深度資訊或交易意圖的關鍵字，AI Overviews 的衝擊相對有限。

GEO 策略：如何同時為 Google 和 AI 引擎優化

GEO（Generative Engine Optimization）是在 AI 搜尋時代出現的新概念。核心思路是：除了傳統的 SEO（讓頁面在搜尋結果中排名）之外，你還需要讓你的內容容易被 AI 引擎引用和推薦。

GEO 的實作方向其實和好的 SEO 高度重疊，但有幾個額外的重點：

• 每個章節的第一段就是該段的核心答案，不鋪陳、不繞圈
• 用結構化的 HTML 標籤表達資訊層次（步驟用 ol、比較用 table、列舉用 ul）
• 提供具體的數據和引用來源，AI 引擎在生成答案時偏好有數據佐證的內容
• 維持內容的原創性和第一手觀點，AI 更傾向引用有獨特資訊增益的來源

我的判斷是：GEO 不會取代 SEO，而是 SEO 的一個延伸。把內容寫好、結構做好、資訊做到位，同時對 Google 排名和 AI 引用都有利。與其分開思考 SEO 和 GEO，不如把它們當成同一件事的兩個面向。

傳統 SERP vs AI Overviews SERP：AI 摘要佔據頂部空間，有機結果被往下推

AI 生成內容與 Google 的立場：能用但有條件

Google 對 AI 生成內容的官方立場可以用一句話概括：Google 不在乎內容是誰寫的，在乎的是內容品質。但實際執行中，這句話的意涵比字面上更複雜。

從「禁止」到「以品質為準」的政策轉變

Google 對 AI 內容的態度經歷過一次明確的轉向。2022 年底之前，Google Search Central 的文件中把「自動生成內容」列在垃圾內容政策中。2023 年 2 月，Google 發布了一篇關於 AI 生成內容的指引，明確表示：「我們的重點是內容的品質，而不是內容是如何產出的。」

這次政策轉向的背景是 ChatGPT 在 2022 年底爆紅，AI 寫作工具快速普及。Google 意識到一刀切禁止 AI 內容既不現實，也不符合它一貫的「以品質為準」原則。但政策開放不代表什麼 AI 內容都能排名。

SpamBrain 如何偵測低品質 AI 內容

SpamBrain 是 Google 的機器學習反垃圾系統，從 2018 年開始運作。在 AI 內容普及後，SpamBrain 的偵測維度增加了幾項：

• 大規模模式化內容：短時間內發布大量結構雷同的文章
• 資訊聚合無增值：只是把其他來源的資訊拼湊在一起，沒有新的觀點或分析
• 內容與使用者意圖脫節：文章看起來覆蓋了主題，但沒有真正回答使用者的問題
• 缺乏 E-E-A-T 信號：沒有作者資訊、沒有引用來源、沒有第一手經驗

SpamBrain 的判定並不是「這篇文章是 AI 寫的，所以要懲罰」，而是「這篇文章的品質低於 Google 的門檻，不管是 AI 還是人寫的都一樣處理」。但現實是，低品質 AI 內容的數量遠大於低品質人工內容，所以 SpamBrain 的打擊對象在統計上確實以 AI 內容為多。

從實作角度，用 AI 輔助寫作沒有問題，但你需要在 AI 產出的基礎上加入三個東西：你自己的觀點判斷、真實的數據和案例、以及經過驗證的技術細節。只要做到這三點，AI 輔助的內容和純人工寫作在排名上不會有差異。

演算法更新後的行動框架：排名波動時該怎麼判斷和應對

排名波動發生時，最常見的錯誤是「排名掉了就馬上改文章」。大多數情況下，這會讓情況更糟。正確的做法是先釐清波動的原因，再決定應對方式。這裡提供一個分級應對框架。

先看數據再動手：用 GSC 區分排名退後和曝光減少

排名下降在 Google Search Console 中會呈現兩種不同的數據模式，對應完全不同的原因和處理方式：

1. 平均排名下降 + 曝光量穩定或上升：這代表你的頁面仍然出現在搜尋結果中，但位置往後退了。可能原因是競爭對手的內容品質超過你了，或者 Google 重新評估了搜尋意圖匹配度
2. 平均排名穩定 + 曝光量下降：這代表你的頁面排名沒變，但觸發你的頁面的搜尋查詢變少了。可能原因是搜尋需求本身下降（季節性）、或者 AI Overviews 吃掉了部分查詢的點擊

兩種情況的處理方式截然不同。第一種需要檢查內容品質和競爭對手，第二種需要檢查搜尋趨勢和 SERP 結構變化。搞混了會浪費大量時間在錯誤的方向上。

演算法影響 vs 季節性波動：怎麼區分

區分演算法影響和季節性波動的方法：

1. 用 Google Trends 查看目標關鍵字的搜尋量趨勢，如果整個關鍵字的搜尋量在下降，你的流量下降可能不是演算法問題
2. Year-over-year 比對：在 GSC 中把今年的數據和去年同期比較，如果去年同期也有類似的下降，大概率是季節性的
3. 交叉驗證：用 Semrush Sensor 或 MozCast 檢查是否有大規模的排名波動正在發生。如果全行業都在波動，那就是演算法更新
4. 時間點比對：把你的流量下降時間和 Google 公布的核心更新時間比對，如果在更新滾動期內，演算法影響的可能性很高

中了核心更新怎麼辦：分級應對策略

根據影響程度分三級處理：

輕微影響（排名下降 1-3 位，流量下降 10% 以內）：不要急著改任何東西。核心更新的滾動期通常是 2-4 週，期間排名會反覆波動。等滾動完成後再觀察穩定狀態。很多時候排名會自動回來。

中度影響（排名下降 5 位以上，流量下降 20-40%）：滾動完成後，逐一檢查受影響的頁面。用 GSC 看哪些特定查詢的排名掉了，比對排名上升的競爭對手頁面，分析差距在哪裡。重點檢查：內容深度是否足夠、E-E-A-T 信號是否到位、搜尋意圖是否完全匹配。根據分析結果針對性優化。

嚴重影響（流量下降超過 50%、大量關鍵字消失）：這通常代表 sitewide 層級的問題。需要做全站內容盤點：低品質頁面比例是否過高、是否有大量類似結構的 AI 生成內容、網站的主題定位是否太分散。嚴重影響的恢復通常需要 2-6 個月，而且需要結構性的改變而不只是逐頁修改。

排名波動診斷流程：先看數據、比對時間、排除季節性、再分級應對

FAQ：Google 搜尋演算法常見問題

在演算法的應用層面，精選摘要優化是 Passage Ranking 機制的直接實踐場景：Google 用段落級語意評分決定哪個 Chunk 觸發 Snippet，理解這個機制可以讓你更有效地調整頁面結構。

Google 搜尋演算法多久更新一次？

Google 每年有 500 到 600 次的小幅調整，這些通常不會公開宣布。大規模的核心更新每年 2 到 4 次，Google 會在 Search Central Blog 上公開發布。2024 年有 3 次核心更新，2025 年也是 3 次。平均來說，每天都有超過一次的排名訊號調整在進行。

Google 核心更新和一般演算法更新有什麼差別？

核心更新是對排名系統的全面性重新評估，會影響所有類型的搜尋查詢。一般演算法更新（如 Spam Update、Product Review Update）只針對特定問題。核心更新的影響範圍更廣、波動更大、滾動期更長（通常 2-4 週）。

我的網站排名突然下降，是被演算法懲罰了嗎？

不一定。排名下降和「懲罰」是兩回事。懲罰（penalty）特指 Google 的手動處置（Manual Action），你可以在 GSC 的「安全性與手動處置」裡查看。大多數排名下降是因為核心更新重新分配了排名，不是針對你的懲罰。區分方法是：檢查 GSC 有沒有手動處置通知，比對下降時間和核心更新時間，看影響是全站還是特定頁面。

PageRank 現在還有用嗎？

PageRank 的公開分數在 2016 年停止更新，但連結權重的計算邏輯從未消失。2024 年 Google API 洩漏文件中仍然可以看到連結相關的排名模組。連結在 2026 年依然是重要的排名因素，但權重計算方式已經從單純的「連結數量」進化為「連結的語意相關性和來源品質」。

E-E-A-T 是排名因素嗎？

嚴格來說，E-E-A-T 不是一個可以被量化的排名因素。它是 Google 品質評估指南中的概念框架，品質評估員用它來評估搜尋結果，評估結果再被用來訓練排名系統。可以說 E-E-A-T 影響排名，但不像 PageSpeed 那樣有一個直接對應的分數。Google 的 Danny Sullivan 也公開確認過這一點。

AI 生成的文章能不能在 Google 排名？

可以，但有條件。Google 在 2023 年 2 月已經明確表示不會因為內容是 AI 生成就懲罰。但如果 AI 內容品質低、缺乏原創觀點、沒有 E-E-A-T 信號，排名同樣會很差。關鍵不在於用不用 AI，而在於你有沒有在 AI 的基礎上加入真實經驗、獨特觀點和可驗證的數據。

Google AI Overviews 會讓 SEO 失效嗎？

不會讓 SEO 失效，但會改變流量分配的方式。AI Overviews 確實降低了部分查詢的有機點擊率（降幅約 30-40%），但深度內容、交易型查詢和複雜問題受到的衝擊較小。而且被 AI Overviews 引用的網站會獲得額外的流量入口。SEO 的核心邏輯沒有改變，只是需要額外考慮「內容是否容易被 AI 引用」這個維度。

小型網站有可能打贏大型媒體嗎？

在特定條件下，是可以的。Google 的演算法對「特定領域的深度內容」有加分機制。如果你的小型網站在某個垂直領域持續產出高品質、有第一手經驗的內容，主題權威分數可能在該領域超過大型媒體。前提是要專注，不能什麼都寫一點。2025 年的核心更新中，部分聚焦利基主題的小型網站排名有明顯回升。

演算法更新後多久排名才會穩定？

核心更新的滾動期通常是 2 到 4 週。滾動期間排名會反覆波動，不代表最終狀態。滾動完成後，排名通常會在 1-2 週內趨於穩定。但如果你在滾動期間修改了內容，穩定時間可能會更長，因為 Google 需要重新評估你的修改。建議在滾動完成前不要做大幅調整。

怎麼知道我的網站是被哪個演算法影響？

三步驟判斷：先查 GSC 的「安全性與手動處置」排除手動懲罰；然後把流量下降的時間和 Google Search Central Blog 公布的更新時間比對；最後看影響模式：如果是全站下降，可能是 Helpful Content 或核心更新；如果只有特定頁面，比對頁面類型和更新目標（例如 Product Review Update 只影響評測文）。Semrush Sensor 的歷史資料也可以幫你比對波動時間。