44% 的 AI 引用来自文章开头：结构比字数重要

Growth Memo 的统计显示，在所有 LLM 引用中，44.2% 来自文章前 30% 的文本。

这个数字对写作习惯是一个直接的挑战。多数中文技术文章的结构是「背景—现状—问题—方案—结论」，结论放在最后。按这个结构，最有价值的部分恰好落在最不容易被引用的位置。

一、为什么是开头

原因在提取机制，不在算法偏心。

模型处理长文本时，前部内容的注意力权重更高，这点在长上下文召回的测试里反复被验证——关键信息放在开头和结尾，召回率明显高于中段。

另一个原因是截断。摘取片段时，工具通常按段落边界切分，如果答案依赖前文的铺垫才能成立，切出来就不可用。

还有一层现实因素：多数摘取行为发生在页面加载后的早期解析阶段，越靠前的段落越容易被完整读取。

二、三种可用的结构

结构一：结论前置。

第一段直接给答案，40 到 60 字，不依赖上下文。第二段起再展开为什么。

先用一句话说明结论（40–60 字，可独立成立）
再解释依据、条件、例外
最后给操作建议

结构二：问题即标题。

把每个 H2 写成用户会问的问题：「AI 摘要会不会影响品牌词流量？」比「流量结构变化分析」更容易被匹配和摘取。问题式标题本身就是检索信号。

结构三：答案块化。

每个 H2 下面先给一段可直接摘走的答案，再给论证。这样一篇文章有 5 到 8 个独立可引用的片段，而不是只有一个中心结论。

三、一个反例

很多技术文章的典型开头是：「随着大模型技术的快速发展，越来越多的企业开始关注……」这类铺垫占了两三行，没有信息量，却占据了最容易被引用的位置。

改法很简单：把这两行删掉，直接从「这个问题的答案是什么」开始。背景信息放到第二节。

四、不要走极端

结论前置不等于全文只有结论。AI 引用偏好「有依据的判断」，纯观点段落会被合成掉。

平衡点在于：开头给结论，紧接着给依据。前者负责被摘取，后者负责建立可信度——而可信度是被持续引用的前提。

另一个容易忽略的点：结构化数据（表格、列表、步骤）在摘取时的可用性高于长段落。一个清晰的对比表格，往往比三段文字更容易被引用。

五、小结

44.2% 这个数字说明的不是「开头最重要」，而是「可独立成立的片段最重要」。开头只是最容易做到的位置。

实操建议只有一条：写完文章后，把前 30% 单独拿出来读一遍，看能不能回答标题提出的问题。如果不能，结构需要调整。