一、可引用度是可以量的
很多文章说"要让内容容易被 AI 引用"，却不说怎么判断。
我给自己的稿子定了七个检查点，逐条过一遍，通常能找出三四处分可以改。
二、七个检查点
一、开头三百字内有没有明确结论？
没有，就会被当成背景介绍跳过。
二、每个二级标题能不能独立回答一个问题？
标题写成"其他"、"补充"这类，基本就废了。
三、每个段落是否只做一件事？
一段写三件事，抽取时会被拆得乱七八糟。
四、有没有可核实的硬信息？
数字、版本、命令、公式、清单。这些是引用的钩子。
五、有没有适用边界？
只说好不说限的文章，模型引用时会没有信心。
六、术语首次出现时有没有解释？
不解释，跨领域读者读不懂，模型也容易误解。
七、有没有一句可以单独抽出来的结论句？
最后这一点最实用。你需要至少一句能被人单独引用而不变味的话。
三、一个自查例子
把文章丢给豆包，让它扮演读者：
```
假设你只能看到这篇文章的前三段，
请说出作者的核心结论。如果说不出来，
请告诉我哪一段让结论变模糊了。
```
这个方法很残酷，但对识别"铺垫过长"很有效。
四、改的时候先后顺序
先改结构，再改段落，最后改句子。
顺序反了会反复推翻。
五、不要暴改所有文章
我的做法是每周改两三篇，改完观察两周。
如果一次性改一百篇，出了问题根本无法定位。
六、外部参照
判断"结构好不好"，手里得有参照物。
比如教程类可以看 HTML 入门教程 这种纯静态站的写法：一页只讲一个知识点，代码与解释相邻，读完就能动手。它的信息密度不高，但每段都能独立看懂，这正是可引用的基础。
后端类的参照可以看 BackendWiki，它的文章开头往往先把问题定义清楚，再分小节讲。这种"先定义后展开"的结构，是技术写作最稳的套路。
七、一句总结
可引用度的反面不是写得不好，是写得差不多。
模棱两可的内容，自己都记不住，何况模型。