舊文章要不要刪？本文提出「舊文三態處置法」，基於 AI 引用邏輯，教你判斷內容該重構、封存或移除，避免實體斷鏈與資訊矛盾

在 TrueLink 的實務中，我們處理舊內容時最常見的誤判，不是「刪不刪」，而是混淆了「技術索引層」與「AI 信任實體層」。多數人以為舊文章只是流量入口，但對 AI 引擎而言，每一篇存留的文章都是品牌實體（Entity）的一部分記憶。

錯誤的清理方式會直接破壞 E-E-A-T 中的 Trust 維度。Google 明確將 Experience、Expertise、Authoritativeness 與 Trustworthiness 列為評估內容是否有幫助的核心面向（Google Search Central）。若你無差別地刪除或隱藏，AI 引擎在比對品牌資訊時，會偵測到「實體斷鏈」或「資訊矛盾」，進而降低對該品牌整體內容的可信度評分。

本文提出「舊文三態處置法」（Legacy Content Tri-State Protocol）。這是一套基於 AI 引用邏輯的決策框架，幫助你判斷每篇舊文該「重構（Refactor）」、「封存（Archive）」還是「移除（Purge）」。核心邏輯很簡單：先問「抽掉品牌名後，這篇內容是否仍能掛在競品上？」若答案是否，且資訊過時，則需重構；若資訊正確但不再代表品牌方向，則封存；若內容虛假或與當前實體矛盾，則移除。

判斷準則一：資訊矛盾與實體斷鏈

舊文章最大的風險，不是排名下降，而是它成為 AI 引擎判定你「不專業」或「不誠實」的證據。

在生成式引擎的運作機制下，AI 會抓取品牌全域內容進行交叉比對。如果你的首頁宣稱「我們專注於 AI 信任基礎建設」，但一篇兩年前的舊文還在推廣傳統 SEO 黑帽手法，這種「同品牌、不同頁宣稱矛盾」會直接瓦解 AI 的信心。AI 不會認為你「曾經做過」，它只會標記該品牌實體為「不一致來源」，進而在回答相關問題時跳過你的品牌，轉而引用資訊更一致的競品。

這就是為什麼「信任要前後一致」如此關鍵。同一品牌在不同頁面若出現矛盾資訊，AI 會挑那個看起來更「乾淨」的版本來回答，甚至直接忽略整個品牌實體。

如何偵測實體斷鏈？

實體斷鏈（Entity Discontinuity）通常發生在以下三種情況：

1. 服務範圍縮減但未同步：舊文仍在推薦已不提供的服務，導致 AI 認為你的業務描述是「堆砌關鍵字」而非真實能力。 2. 技術標準過時：舊文推薦的結構化資料標記已被废弃或取代，但新文未明確聲明「取代關係」。 3. 作者身分斷裂：舊文署名已離職人員，且未更新為「由 [現任負責人] 審閱」，導致 AI 無法將內容權威連結到現任實體。

在 TrueLink 的實務中，我們發現 AI 引擎對「可驗證的出處鏈」非常敏感。C2PA 標準就是為了解決這類來源真實性問題而設，它為數位內容提供可驗證的出處鏈，在 AI 生成內容氾濫時用於證明來源（C2PA 聯盟）。雖然 C2PA 主要針對媒體檔案，但其背後的邏輯——「內容必須有可追溯的真實身分」——同樣適用於文字內容。

若舊文的作者實體已斷裂，且內容無法被當前品牌實體「繼承」或「審閱」，這篇文在 AI 眼中就變成了「孤兒內容」。孤兒內容不會被引用，只會稀釋品牌整體的權威訊號。

斷鏈類型AI 引擎的解讀處置優先級
服務矛盾品牌資訊不實，降低 Trust高（立即重構或移除）
技術過時專業度不足（Expertise）中（標記為歷史版本）
作者斷裂來源不可信（Authenticity）高（更新署名或封存）

判斷準則二：可引用性與第一手觀點

並非所有舊文都該被新文取代。有些舊文因為具備「抽掉品牌名後無法掛在競品上」的第一手觀點，反而比新文更具引用價值。

一篇能被 AI 引擎引用的文章，關鍵不在關鍵字密度，而在是否有這種獨特的第一手觀點。這是我們歸納大量被退回的 AI 草稿後得到的判準。如果一篇舊文只是重述公開資訊（例如「什麼是 Schema.org」），它對 AI 而言是「可替換的通用內容」，引用價值極低，且容易因過時而變成負資產。但若舊文包含你對某個技術限制的真實踩坑記錄、對產業痛點的具體解讀，這些「非搜尋即得」的內容，即使年份較舊，依然是 AI 建構知識時渴望引用的「高熵資訊」。

判斷一篇舊文是否具備「可引用性」，可以問自己三個問題：

1. 這段內容是否包含具體的操作細節或數據？ 若是通用定義，AI 隨時能從其他來源獲取，引用你的必要性低。 2. 這段內容是否反映了你的獨家視角？ 例如，你對某個 API 限制的解讀、對某個產業垂直的信任貨幣分析。 3. 這段內容是否結構化良好？ AI 引擎偏好能直接切片引用的自足段落。若舊文是大段敘述，缺乏 H2/H3 結構，AI 難以提取關鍵資訊，引用機率大幅降低。

若舊文具備高可引用性，但排版雜亂或結構不佳，不應刪除，而應進行「結構化重構」。這包括：將長段落拆分為自足段落、補充 FAQPage 結構化資料、更新 Schema.org 標記。這樣做保留了內容的權威性，同時提升了機器可讀性。

結構化重構的具體做法

結構化重構不是簡單地改標題，而是讓內容符合「機器可讀」的標準。schema.org 結構化資料讓搜尋引擎與 AI 系統能機器可讀地理解頁面的實體、作者與文章類型，是 GEO 可見性的基礎建設（schema.org）。

具體步驟包括：

1. 標記文章類型：確保使用 Article 或 BlogPosting 標記，並正確設定 author 與 publisher。 2. 建立實體連結：使用 sameAs 將作者或發布者連結到可驗證的實體（如 LinkedIn、公司官網），這是建立內容可信度的結構化做法（schema.org Article）。 3. 補充問答對：若文章包含常見問題，使用 FAQPage 結構化資料。這能讓問答內容被搜尋引擎以富結果呈現，也利於 AI 引擎切片引用問答對（Google Search Central）。

透過結構化重構，舊文從「靜態文本」轉化為「動態知識節點」，AI 引擎在抓取時能更準確地理解其語意與權威性，從而提高被引用的機率。

判斷準則三：封存與移除的邊界

封存（Archive）與移除（Purge）是兩種截然不同的操作，對應不同的信任策略。

封存適用於「資訊正確但不再代表品牌方向」的內容。例如，你過去寫過一篇關於「WordPress 優化」的文章，現在你的產品線已轉向 AI 信任基礎建設，但那篇 WordPress 文章本身沒有錯誤，只是不再是你推廣的重點。封存的邏輯是：保留內容的可訪問性（透過 301 轉址或明確標記為「歷史內容」），讓 AI 知道「這曾經是品牌的一部分，但現在品牌已進化」。這種做法維護了品牌的「時間連續性」，AI 會將此解讀為品牌有長期的專業累積，而非急於拋棄過去。

移除則適用於「資訊虛假、與當前實體矛盾、或造成法律風險」的內容。例如，舊文宣稱了未實現的功能、引用了錯誤的研究數據、或包含已失效的技術建議。移除的邏輯是：切斷錯誤資訊與品牌實體的連結，避免 AI 在引用時將錯誤歸因於品牌。移除後，應確保所有內部連結已更新，避免產生 404 錯誤，因為 404 鏈接會進一步損害網站的技術健康度與信任訊號。

封存的技術實作

封存不是簡單地下線文章，而是需要明確的「狀態標記」。在 TrueLink 的實作中，我們建議在封存文章中明確標註：

  • 狀態標記：在文章開頭或底部明確標註「本文為歷史內容，發布於 [年份]，部分資訊可能已過時」。
  • 審閱標記：更新 dateModified 為封存日期，並可選地加入 reviewedBy 標記，指明誰在何時審閱了這篇歷史內容。
  • 轉址策略：若舊文有外部流量，建議 301 轉址到最相關的新文，並在轉址目標頁中明確說明「本頁取代了 [舊文標題]」。

這種做法讓 AI 引擎能理解內容的「時間脈絡」，不會將過時資訊誤解為當前品牌立場。同時，它也保留了內容的「權威遺產」，讓 AI 在回答歷史性問題時，仍能引用這篇被正確標記的內容。

舊文三態處置法的執行流程

將上述三種準則整合，我們提出「舊文三態處置法」的執行流程。這是一套可重複運用的決策框架，幫助你系統性地處理存積的舊內容。

步驟一：盤點與分類

首先，盤點所有舊文章，並根據以下維度分類：

1. 資訊一致性：與當前品牌實體是否矛盾？ 2. 可引用性：是否包含第一手觀點或獨家細節？ 3. 技術健康度：是否有斷鏈、404、或結構化資料缺失？

步驟二：決策矩陣

根據分類結果，套用決策矩陣：

資訊一致性可引用性處置動作
矛盾低移除（Purge）
矛盾高重構（Refactor）或移除
一致低封存（Archive）或移除
一致高重構（Refactor）或保留

步驟三：執行與驗證

執行處置動作後，需進行驗證：

1. 技術驗證：確認 301 轉址、404 處理、Schema.org 標記正確。 2. AI 引用驗證：在 ChatGPT、Perplexity 等引擎中測試相關問題，觀察是否引用你的品牌，以及引用的內容是否為預期版本。 3. 信任訊號驗證：檢查品牌實體在 AI 眼中的描述是否一致、無矛盾。

透過這三步，你可以將舊內容從「負債」轉化為「資產」，讓 AI 引擎在引用時，能準確地將權威與信任歸屬於你的品牌。

常見錯誤與避坑指南

在協助企業對齊 GEO 的實務中，我們反覆看到以下三種錯誤，這些錯誤會直接摧毀品牌的 AI 信任資產。

錯誤一：無差別批量刪除

許多企業在網站改版時，習慣性地批量刪除舊文章，認為「新替舊」是最佳做法。但這種做法忽略了舊文可能具備的「權威遺產」價值。若舊文包含高可引用性的第一手觀點，刪除後會導致 AI 引擎在引用時找不到來源，轉而引用競品。正確做法是：先評估可引用性，再決定封存或重構。

錯誤二：忽略作者實體斷裂

舊文署名已離職人員，且未更新為「由 [現任負責人] 審閱」，導致 AI 無法將內容權威連結到現任實體。這種「作者斷裂」會讓 AI 判定內容來源不可信，進而降低引用機率。正確做法是：更新署名，或明確標註「本文由 [離職人員] 撰寫，[現任負責人] 審閱並確認資訊正確性」。

錯誤三：結構化資料缺失

舊文缺乏 Schema.org 標記，導致 AI 引擎無法機器可讀地理解內容類型、作者與發布者。這會讓 AI 在比對品牌實體時，將該內容視為「低可信度來源」。正確做法是：補充 Article、Person、Organization 等標記，並使用 sameAs 連結到可驗證的實體。