文章从100篇增加到300篇、1000篇，并不代表媒体体验自然变好了。
最糟糕的情况是：只是仓库变大了。
好文章埋在后面的纸箱里，入口永远摆着同样的热门内容，不主动搜索就几乎无法发现其他文章。
因此，更好的思维模型是：
网站不是存储空间，而是一家商店。
首页是门面，主题是货架，搜索是店员，文章卡片是货架标签，相关推荐是下一排货架，分析系统是POS，内容工厂是后场，QA是质检，推荐更新就是重新摆货。
理想的商店不会故意让顾客远离出口。
需要一个答案的人可以马上找到；想逛的人可以继续逛；离开后还有值得回来的理由；系统还能学习哪些内容没有被找到，让货架越来越合理。
这就是 发现 → 阅读 → 产生下一个兴趣 → 再访 → 自动改进 的循环。
1. 北极星不是停留时间，而是“有价值的发现”
把PV和停留时间直接当成目标很危险。
一个人在30秒内得到一句准确答案然后离开，数字上可能显得“弱”，但体验可能非常成功。
另一个人因为找不到答案在五个页面之间乱转，会贡献五个PV，但实际上只是迷路了五次。
Google的HEART框架建议从Happiness、Engagement、Adoption、Retention、Task Success等多个维度衡量用户体验，并从产品目标推导信号和指标。[1]
所以在庆祝“每次访问页数增加”之前，要区分：
- 是否完成目标
- 是否有有趣发现
- 是否找到合理的下一步
- 是否愿意再次使用
真正值得增加的是 有价值的发现次数。
PV作为结果增长很好；如果PV本身变成毒品，最后就会造出一座没有出口的购物中心。
2. 发现——人跟随的不是链接数量，而是信息气味
Information Foraging Theory把信息搜索看作一种根据环境线索判断哪里更可能有高价值信息的行为。[2]
在网页上，这些线索形成“信息气味”。
只写“工作”“AI”“生活”的卡片能告诉你分类，却不能告诉你点进去会得到什么。
“如何在不破坏关系的情况下拒绝请求”就能让用户预测点击后的价值。
因此，发现质量取决于标题、描述、主题、用户当下情境和预期收益是否一致，而不是链接越多越好。
Google也建议重要页面应该从站内其他页面获得可抓取链接，并使用具体、相关的锚文本；同时明确表示不存在“每页理想链接数”这样的魔法数字。[3]
想让所有文章都可被发现，不代表要把所有商品堆到收银台前。
3. 阅读——不要把所有文章塞进同一个模板
“5秒给结论”对某些内容很好，对所有内容都这么做则会毁掉阅读体验。
故障排除、手续、价格比较、设置指南通常适合先给答案。
但体验记录、观察、文化、旅行、叙事分析的价值可能就在过程本身。
应按内容类型定义读者任务：
- 解决型：快速给答案、条件、步骤
- 决策型：快速给选项和权衡
- 理解型：从问题走向结构
- 叙事型：保留事件、违和感和发现
- 高风险型：明确证据、适用范围和不确定性
Google的people-first指南同样强调面向真实受众、帮助读者实现目标并获得满意体验，而不是为了操纵排名而制造内容。[4]
格式应从人的目的出发，而不是从SEO迷信出发。
4. 下一个兴趣——先回答，再展示一个原本没有意识到的问题
相关推荐最好的工作不是索取“再一个PV”。
它应该在当前问题解决后，让读者看到一个还没来得及表达的问题。
Loewenstein的信息缺口理论认为，当人意识到“自己不知道什么”时，知识缺口可能引发好奇心。[5]
因此不要隐藏当前答案。
先回答。
然后提供三条方向：
- 继续深入
- 准备下一个可能出现的问题
- 去相邻主题绕一下
这与点击诱饵正好相反。
不是“答案在下一页”，而是“答案已经在这里；知道它以后，下一个问题出现了”。
推荐系统研究还指出，如果持续把热门内容推荐给更多人，并把这种行为再次作为训练数据，流行度偏差可能自我放大，整体多样性下降。[6]
因此，除了相关性，还应适量混入新内容、高质量低曝光内容、相邻主题，以及避免同一内容永久获胜的多样性限制。
从未获得曝光的文章，不一定不受欢迎，它可能只是从未得到测试机会。
5. 再访——不要强拉回来，而要留下值得继续的东西
想要再访，不必先从通知和注册弹窗开始。
自我决定理论把自主性、胜任感和关系感视为内在动机的重要心理需要。[7]
网站不能机械照搬理论，但可以把它作为设计视角：
- 自主性：兴趣可以自己选、修改和删除
- 胜任感：读完后更理解、更会选择或更能行动
- 关系感：网站有一致的视角和编辑态度
再访入口可以包括收藏、最近阅读、继续阅读、关注主题的新内容，以及自然承接过去阅读的问题。
理想不是“现在不回来就会损失”，而是 回来以后可以从上次思考到的位置继续前进。
6. 选择越少并不总是越好
UX领域经常把“选择太多可能困难”说成绝对规律。
研究并没有那么简单。
Scheibehenne等人的元分析汇总50项研究、63个条件、5036名参与者，发现选择过载的平均效应接近零，但不同研究之间差异很大。[8]
所以研究并没有给出“相关推荐只能3个”“分类最多7个”这样的万能数字。
真正重要的是：差异是否看得懂，是否分组，是否有符合目的的入口，比较维度是否明确，以及用户是否必须现在就做选择。
100篇文章平铺会像地狱；按意图组织则可能成为资产。
7. 自动改进——只学习点击，会让货架越来越单调
自动改进的第一条件不是AI，而是统一测量语义。
至少要区分：展示了什么、展示在哪里、是否点击、读完后做了什么、是否收藏或标记有用、是否再次回来，以及哪些合格文章一次都没有获得曝光。
还要把文章ID、语言、内容版本和推荐算法版本一起记录。
学习循环是：
发布 → 曝光 → 行为 → 汇总 → 假设 → 小改动 → 再验证
不要只优化点击率。
耸动标题、极端主题和本来就热门的内容更容易赢。
应同时设置目标完成、推荐后的满意度、再访、内容曝光覆盖率、主题多样性、速度和可读性等护栏。
自动化应该是一个避免系统越学越偏的控制系统。
8. SEO与UX不是敌人，但如果Google是唯一顾客，商店会坏掉
Google的Search Essentials和people-first指南强调有用的原创内容、用户实际使用的语言以及可抓取链接。[4][3]
Google也说明Core Web Vitals并不是排名的单一保证，但整体良好的页面体验仍然值得优化。[9]
web.dev当前的良好阈值在第75百分位为：
- LCP ≤ 2.5秒
- INP ≤ 200毫秒
- CLS ≤ 0.1。[9]
多语言网站应明确连接语言或地区版本，例如使用hreflang。[10]
Google面向生成式AI搜索的指南也强调长期价值来自独特、有吸引力、有用、非同质化的内容。[11]
好标题、合理内链、速度、来源、明确更新、正确语言URL和原创分析，对搜索引擎和人都友好。
9. 用商店来理解，整个系统会突然清晰
首页是门面，主题是货架，搜索是店员，文章是商品，相关推荐是下一排货架，收藏与历史是暂存和购物笔记，排行榜是POS，分析是运营数据，内容工厂是后场，QA是质检，发布系统是上架，推荐引擎是陈列负责人，SEO是招牌和地图，多语言化则是让人能用另一种语言逛同一家店。
做到这里，运营者就不需要每天手工搬动几百篇文章。
工作会变成：决定这是一家什么样的店，并审计自动陈列系统有没有做奇怪的事。
10. 最终形态不是困住用户，而是让网站自己学习
理想循环如下：
- 从搜索、主题、外部链接或推荐进入时都能理解价值。
- 一篇文章本身就能解决当前问题。
- 回答之后出现自然的下一个问题。
- 只有想继续的人继续。
- 回来的读者能快速续上。
- 记录曝光、点击、读后行为、再访和零曝光。
- 在控制流行度偏差的同时调整推荐和货架。
- 每次变化后重新检查质量、速度、搜索、语言和发布状态。
- 变差时可以回滚。
- 不只改善文章，也提高好文章被发现的概率。
强大的网站不是把人困得更久，而是让人更快找到需要的东西，顺便遇见原本不知道自己会感兴趣的内容，并在下一次回来时变得更聪明一点。
别只扩仓库了。
开始建设会学习的货架。
资料来源
- Rodden K, Hutchinson H, Fu X. “Measuring the User Experience on a Large Scale: User-Centered Metrics for Web Applications.” CHI 2010. Google Research research.google
- Pirolli P, Card SK. “Information Foraging.” Psychological Review. 1999;106(4):643-675. doi:10.1037/0033-295X.106.4.643 doi.org
- Google Search Central. “Link Best Practices for Google.” Checked 2026-09-25 developers.google.com
- Google Search Central. “Creating Helpful, Reliable, People-First Content.” Checked 2026-09-25 developers.google.com
- Loewenstein G. “The Psychology of Curiosity: A Review and Reinterpretation.” Psychological Bulletin. 1994;116(1):75-98. doi:10.1037/0033-2909.116.1.75 cmu.edu
- Mansoury M, Abdollahpouri H, Pechenizkiy M, Mobasher B, Burke R. “Feedback Loop and Bias Amplification in Recommender Systems.” 2020. arXiv:2007.13019 arxiv.org
- Ryan RM, Deci EL. “Self-Determination Theory and the Facilitation of Intrinsic Motivation, Social Development, and Well-Being.” American Psychologist. 2000;55(1):68-78. doi:10.1037/0003-066X.55.1.68 selfdeterminationtheory.org
- Scheibehenne B, Greifeneder R, Todd PM. “Can There Ever Be Too Many Options? A Meta-Analytic Review of Choice Overload.” Journal of Consumer Research. 2010;37(3):409-425 scheibehenne.com
- Google Search Central, “Understanding Page Experience in Google Search Results”; web.dev, “Web Vitals.” Checked 2026-09-25. ; https://web.dev/articles/vitals developers.google.com
- Google Search Central. “Tell Google about Localized Versions of Your Page.” Checked 2026-09-25 developers.google.com
- Google Search Central. “Google's Guide to Optimizing for Generative AI Features on Google Search.” Checked 2026-09-25 developers.google.com
