#LLMO

標記「LLMO」標籤的文章列表。

AI 搜尋2026年7月14日

針對「只要撰寫 FAQ，AI 就會原封不動引用」這一通說，以 30 題 × 5 個 AI 搜尋環境、150 則回應進行實測。逐字一致為零。而更重要的事實是：搜尋本身往往不會發生。

LLMO2026年7月14日

我們將大阪 400 家機構的機器可讀性調查擴大到全國，對 7,643 家美容相關診所的機器可讀性進行了全數調查。AI 爬蟲全部允許 88.7%、llms.txt 9.1%、結構化資料 40.0%。而且登記 URL 中約有一成無法連通。

LLMO2026年7月14日

針對大阪府標榜美容外科、美容皮膚科、整形外科、皮膚科的 400 家機構進行機器可讀性調查。AI 爬蟲全部允許 89%、llms.txt 設置 10%、結構化資料 52%。醫療機構端「準備」的現況位置。

AI 搜尋2026年7月14日

不需特別工具，即可觀察貴診所在 AI 搜尋上如何被對待的步驟。如何設計問題、應嘗試哪些環境、如何做記錄，以及為何不該僅憑一次結果就下判斷。

GEO2026年7月13日

生成式引擎最佳化（GEO）存在著以實測為基礎的研究。本文整理兩項代表性研究的見解，並探討如何將其轉譯至醫療機構的資訊發布。

LLMO2026年7月13日

我們對解說 AI 搜尋最佳化的 67 個國內網站進行了機器可讀性調查。全面允許 AI 爬蟲者佔 93%、設置 llms.txt 者佔 27%。解說一方「準備狀況」的實態，以及與醫療機構一方的比較。

AI 搜尋2026年7月13日

剛公開的網站不會出現在 AI 的推薦清單中。這是以本網站自身作為受測對象、對可讀性與推薦之間距離進行定點觀測的紀錄第 1 回。

AI 搜尋2026年6月23日

反映到 AI 搜尋不一定在公開後立即穩定。與其在公開後立即判斷，不如整理何時該觀測、何時該懷疑技術性問題。

AI 搜尋2026年5月20日

當患者向 AI 諮詢醫療機構時，診所與醫師是如何被比較的。為了讓 AI 正確傳達貴診所的資訊，本文整理了應在網站、醫師資訊、評論、案例與常見問題中備妥的資訊。

LLMO2026年5月20日

以「寫出好文章就會被 AI 介紹嗎」這個問題為起點，整理除了內容品質之外，外部參照資訊、SEO 資產、評論、反向連結、指名搜尋、品牌認知等信任線索，可能如何影響醫療機構在 AI 搜尋中被對待的方式。

AI 搜尋2026年5月20日

只要向 AI 提問一次，就能大致了解貴診所被呈現的樣貌與可改善之處。然而 AI 的回答會依提問文字、模型、對話流程與時期而改變。僅憑一次回答就判斷對策是危險的。本文整理持續觀察醫療機構在 AI 搜尋中如何被處理的前提。

GEO2026年5月13日

整理 GEO 的基礎，以及它與 LLMO、SEO 的關係。說明醫療機構為了出現在生成式 AI 的回答中所需的文件製作方式。

LLMO2026年5月10日

整理美容（自費診療）診所的資訊在 ChatGPT Search / Perplexity / Google AI Overviews 中如何被處理，並說明為了被引用該如何撰寫文件與統一表記。