Map

get

Truth

Vectors

find

Scraps

RAG Sitemap 是一份為 AI 檢索而設計的結構化網站知識索引，它不是 sitemap.xml，也不是向量資料庫，它是有跡可循的脈絡，是一份標出各群組邊界與關係的頂層導覽文件，描述整個網站知識全景，讓 AI 沿著結構走向答案，而不是在語意相似度中碰運氣。

Progressive Disclosure

為站內對話建立的索引，同時就是 AI 搜尋引擎理解你的方式

對話機器人沿著它找答案，AI 搜尋引擎沿著它找到你

Progressive Disclosure

為站內對話建立的索引，同時就是 AI 搜尋引擎理解你的方式；對話機器人沿著它找答案，AI 搜尋引擎沿著它找到你

「先用結構化摘要建立全貌，再依問題線索精準定位並深入檢索」這個邏輯，其實已經出現在很多地方。Google 從來不是把整個網路讀完再排名，它先看標題和 H1，再看 meta description，再看 Schema.org 結構化資料，最後才深入正文，這是成本控制的必然結果。2024 年開始流傳的 LLMs.txt 概念正確地識別了問題，但現有實作大多只是一份連結清單，AI 拿到之後就像猪八戒吃人參果 — 整份吞下去，再好的內容也嚐不出味道。

Anthropic 為 Claude Code 推出的 Skill.md 改善的也是這件事：在專案文件的開頭放一段描述文字，讓 Claude 只在需要時才載入整個專案的上下文，而不用每次都載入所有知識。而 GEO（生成式引擎優化）的核心假設也一樣，AI 搜尋引擎在索引網站時，用輕量模型快速掃描，決定哪些內容值得深入，這個篩選層的輸入，就是你的網站地圖。這些概念指向同一個結論：在資訊過載的時代，AI 最需要的不是更多資料，而是一個精心設計的漸進式披露架構。

RAG Sitemap 的核心設計原則叫做漸進式披露（Progressive Disclosure），這不是把所有內容一次餵給 AI，而是沿著網站自身的分類脈絡，一層一層地引導它從全局走向細節。讓 AI 先讀取 Master Sitemap 這份頂層索引，理解整個網站的知識結構：有哪些內容群組、每個群組涵蓋什麼主題、各群組之間的邊界在哪裡。然後依據問題的類型，選擇對應的內容群組，在群組內精準檢索，最後只讀取真正相關的內容片段，生成精準回答。

— RAG Sitemap 是這個概念在網站層面的完整實現

a
a
a
A

RAG Chatbot

不用花時間整理 RAG 資料庫

你花了大量時間建立的 WordPress 文章、分類、產品頁等，其實就是在整理 RAG 資料庫，問題只是 AI 不知道從哪裡開始讀你的網站。

BOOK NOW

可用於各種使用情境

不管你的網站是什麼類型，讓你的網站用你的語氣、你的內容，全天候自動回答訪客的問題。不需要研究複雜的向量資料庫，直接用 RAG Sitemap 讓你的部落格變成會說話的知識庫 —

a

Open: Thu-Sat 10AM - 07PM,
Mon: Closed