BROWSER TOOL
Search Signal Ledger
輸入搜尋 surface、查詢群、日期與證據類型，取得公開的證據級別與下一步查證清單。
開啟 LedgerONE PRIMARY TASK
先判斷這是觀察、線索，還是足以公開討論的研究問題。
當使用者看到 AI answer、排名波動或零點擊現象時，第一步不是下結論，而是寫下在哪裡、什麼查詢、何時看見，以及證據來自哪裡。
RESEARCH LIMIT
不把一個畫面當成機制
個人化、地區、時間窗、樣本與平台變動都可能影響觀察；方法頁說明何時只能標記為 observation。
閱讀限制RESEARCH DOMAINS
不做泛 SEO 分類，而是追蹤來源選擇的四個面向。
AI answer retrieval
觀察答案型搜尋如何呈現來源、摘要與引用，而不是把所有變化叫做演算法更新。
Source & entity eligibility
研究來源為何可被辨識、可被引用，及實體資訊如何影響讀者理解。
Search journey & zero-click
把點擊前的答案、比較、導覽與後續行為拆成不同問題。
Platform–publisher economics
記錄搜尋平台、出版者與使用者之間的來源選擇與價值交換。
EVIDENCE BEFORE NARRATIVE
每份報告都應讓讀者知道：資料從哪裡來、還缺什麼。
SmartLink 的公開研究區分官方公告、第一方觀測、可重現測試與第三方訊號。沒有足夠交叉證據的內容應被標為觀察或待驗證，而不是結論。Marcus 開始嚴格做證據分級，是在 AI Overview 剛出現的時期：他看到太多研究者憑一次搜尋截圖就發表「Google 現在會優先顯示 X 類型來源」的結論，而那個截圖不能被複現、不能被反駁、也沒有說清楚在什麼條件下成立。那個時期讓他確認，證據分級不是學術儀式，而是讓讀者知道這個觀察能走多遠的基本條件。
WHEN THIS DESK IS USEFUL
把「我好像看到變化」轉成一個能被反駁的研究問題。
SmartLink 先協助界定問題與證據狀態；只有在資料承受得住時，才把它寫成公開研究敘事。
AI answer 引用了哪些來源？
記下問題、surface、日期與實際出現的來源，再區分官方說法、第一方觀測與後續推論。
同一查詢的畫面改變了
先核對語言、地區、裝置、時間與個人化可能性；輸出可以只是「待複查」，而不是平台機制結論。
零點擊現象值得研究嗎？
先寫清楚要觀察的是答案呈現、導覽行為還是出版者影響；不要用一個截圖替代整段搜尋旅程。
INPUT → RULE → OUTPUT
首頁的主要任務，是讓研究工作可開始、可停下、也可修正。
輸入：一筆可描述的搜尋現象與條件。規則：先標記證據層級、替代解釋和尚缺資料。輸出：Observation、需要交叉查證的訊號，或可公開審查的研究候選題。
LATEST RESEARCH FILES
最新研究檔案
這些項目按發佈日期排列；它們補充研究脈絡，但不會把一次觀察升格為平台機制。
ai-search-platform
AI 搜尋答案錯了，平台如何修正與回饋？
系統拆解 AI 搜尋答案修正生命週期：比較使用者回饋、重新檢索、來源更新三個階段的觸發邏輯、時效與平台差異，釐清內容方在修正過程中的實際角色與限制。
閱讀檔案ai-search-platform
AI 回答中的引用、來源卡與延伸閱讀有何不同？
系統性辨識 AI 搜尋介面中的引用、來源卡與延伸閱讀：定義差異、資料關聯性、戰略價值，並提供實務檢查清單。
閱讀檔案ai-search-platform
台灣 AI 搜尋引用來源樣本與監測框架
建立台灣 AI 搜尋引用來源的標準化監測與驗證框架。本文提供可重複執行的採集流程、分類維度與更新機制，為累積第一手證據資產奠定方法論基礎。
閱讀檔案
EDITOR
Marcus Fang
Marcus 輔仁大學 2008 年畢業後進入電商產業，2010 年 Google Panda 更新讓他的公司在幾週內掉了四成有機流量。他花了兩個月時間反向工程那次更新，第一次認真理解 Google 的來源選擇邏輯不是靠感覺猜的。從 2015 年起他開始維護一個 SERP 截圖資料庫——每月記錄跨 Google TW、Google JP 與 Naver 的關鍵查詢畫面——用來區分短期波動與結構性轉變。SmartLink 的研究工作就建立在這個習慣上：不用單一觀察定義機制，而是用時間序列的條件記錄理解 Google 的來源選擇行為為何改變。
查看作者與公開原則