個人 IDA 方法論：如何為一個人建立 AI 會引用的官方事實來源
個人 IDA 是為一個人建立的官方事實庫，要同時做到可查證、機器可讀、誠實分區、可重算。做法五步，守則只有一條——只餵可查證的。
AI 被問起你時，手上最好有一份你敢署名、別人也查得回去的事實底稿。個人 IDA 做的就是這件事。它背後的 crawl→index→cite 概念及與 SEO 的差異，見《AEO 不是 SEO》；我的實測數字與機制推論，見《為什麼一個新站，兩週就被 AI 搜尋大量引用》。這篇說建置方法。
定義
個人 IDA（Identity Data Aggregation）是一個人的官方事實庫：內容可查證、格式讓機器讀得懂，並盡量成為 AI 願意引用的權威來源。當 AI 被問到「這個人是誰」，目標是讓它找到本人願意負責的版本，減少依賴第三方轉述或錯誤資料。
為什麼要做
我觀察到，越來越多人認識一個人的第一步，是直接問 AI；對這部分人，AI 的回答就是第一印象。這是趨勢觀察，不是這次案例量到的數字。
如果本人沒有提供能核對的版本，AI 只能從第三方資料拼湊。那些資料可能過時、片面，甚至有錯；回答卻可能說得很肯定。你無法等它說錯了，才期待每個提問的人都來看澄清。先把可負責的事實備好，才有機會讓它拿對來源。
四個條件
有個人網站，只是有了位置。個人 IDA 還得具備四個條件。
- 可查證：每條事實都有錨點，能回到原始來源或公開紀錄。「卓越」「資深」這類形容詞不能充當事實。
- 機器可讀：使用 schema.org 的 Person／Organization 結構化資料；全站用單一 `@id` 作為這個人的正規識別碼，讓分散的 Person 與相關 Organization 資料都錨定到同一個人，同時保留人與公司的區別。再提供多語版本，減少機器猜測。
- 誠實邊界：已查證的事實，與自述、他人形容，分開標示。
- 可重算：第三方能對回原始來源、核對網頁存檔並重算雜湊，才談得上 citation-grade。sha256 能驗內容是否一致、是否被竄改；它不能驗內容本身為真。
五步做法
這五步沿著「爬取 → 收錄 → 引用」往前走。每一步都要留下看得見的產出。
第一步：建事實庫。 只把可查證的內容放進事實區，每條標出錨點；自述與待查說法另放。替來源保留網頁存檔、記下雜湊，日後才有辦法重算。這一步決定事實庫能不能讓人信任，別趕。
第二步：機器可讀化。 製作 JSON-LD（Person 與 Organization，共用單一 `@id`）、多語版本及 `llms.txt`。把第三方出處整理成機器可讀的 `anchors.json`，逐條附網頁存檔與雜湊。
第三步：打開爬蟲。 `robots.txt` 全開，提交 sitemap，啟用 IndexNow，HTTP 標頭設 `X-Robots-Tag: all`。頁面寫好了，也要讓爬蟲進得來。
第四步：進索引，並分三層追蹤。 各看各的訊號：
- 爬取：看 Cloudflare 的認證爬蟲身分，確認哪些機器人真的來了。
- 收錄／曝光：看 Google Search Console 的曝光，追蹤搜尋可見度；曝光上升不等於已收錄頁數。
- 引用：用固定題組或引用探針，看頁面有沒有被取回、被寫進答案。
《為什麼一個新站，兩週就被 AI 搜尋大量引用》的數字顯示，三層可能各走各的。拿其中一層替另一層下結論，容易失準。
第五步：量引用率。 固定題組、定期追蹤，分別記錄頁面有沒有被取回作為來源（retrieved），以及有沒有寫進答案（cited）。兩個指標分開，才知道事實庫究竟在哪一段發揮作用。
真實案例：一句話
我替自己建的個人 IDA 位於 tklin.washinmura.jp，2026-09-20 上線。其後兩週，Google 曝光持續上升；另一次 Perplexity 引用探針，則大量取回這個站作為來源。完整數字、三層各自量到什麼，以及爬蟲來得少卻被大量取源的推論與侷限，見《為什麼一個新站，兩週就被 AI 搜尋大量引用》。
誠實原則：只餵可查證的
AI 可能連錯誤也照著複述。事實庫裡每一句話，因此都要經得起回頭核對。
網路上流傳的媒體封號、專訪說法，即使好聽，本人若無法用原始來源證實，就不能寫進事實區。放進去，AI 可能把它當成本人認證的事實繼續傳。
處理方式很簡單：
- 已查證的事實，附錨點，放事實區。
- 自述、他人形容、尚待查證的說法，另放一區，清楚標明性質。
個人 IDA 的信用，就押在這條界線上。你給 AI 的每句「事實」，都得願意讓別人查。
一句誠實提醒
目前只有我自己的單一案例支持這套方法，限制不能省略：
- 沒有新裸域對照組，也沒有做逐項移除測試。 tklin.washinmura.jp 掛在已有 AI 爬蟲流量管道的母域下。我拆不開母域、內容品質、技術設定三者的貢獻；數據也沒證明母域把權重繼承給子站。換成毫無歷史的全新裸域，收錄很可能明顯變慢。這是合理預期，並非驗證過的必然。
- 「被大量引用」有特定量測條件。 439 次取源來自刻意開啟 web_search 的 Perplexity Agent API 探針。受測的 5 個後端都走 Perplexity 自己的網頁搜尋；量的是 Perplexity 搜尋會不會抓它當來源，並非五家獨立 AI 各自判斷。這個值也不等於一般對話中，每家 AI 都穩定把它當首選來源。
- 冷需求（L3）尚未證實。 這次題目多圍繞特定人物的身分。對於不涉及這個人、純靠主題競爭的冷需求（L3）查詢，目前沒有證據。
更完整的對照與保留，見《為什麼一個新站，兩週就被 AI 搜尋大量引用》的誠實侷限段。
結語
個人 IDA 要治理的是一個人的身分與事實來源。五步能把來源建起來；能讓它站得住的，始終是同一條守則：只餵可查證的。
可查證錨點：個人 IDA（tklin.washinmura.jp）。量測分三層、三個來源：爬取看 Cloudflare 認證爬蟲身分、收錄看 Google Search Console 曝光、引用看 Perplexity 引用探針；本文數字皆以此為準。
FAQ
- 個人 IDA 是什麼？
- Identity Data Aggregation，一個人的官方事實庫：內容可查證、格式讓機器讀得懂，並盡量成為 AI 願意引用的權威來源。
- 個人 IDA とは何ですか？ — Identity Data Aggregation、つまり一人の人物の公式の事実データベースです。内容は検証可能で、形式は機械が読み取れ、できるかぎり AI が引用したくなる権威あるソースとなることを目指します。
- What is a personal IDA? — Identity Data Aggregation: a person's official fact base, with verifiable content, a machine-readable format, and the aim of becoming, as far as possible, an authoritative source AI is willing to cite.
- 為什麼要做？
- 越來越多人認識一個人的第一步是直接問 AI；本人沒提供官方版本，AI 只能從第三方拼湊，可能過時、片面甚至有錯，卻講得很肯定。（這是趨勢觀察，不是這次案例量到的數字。）
- なぜ取り組むのですか？ — 人を知る最初の一歩として AI に直接尋ねる人が増えています。本人が公式版を提供していなければ、AI は第三者の情報をつなぎ合わせるしかなく、それは古かったり、一面的だったり、誤っていることさえあるのに、断定的に語られます。（これは傾向の観察であり、今回の事例で計測した数字ではありません。）
- Why do it? — For more and more people, the first step in getting to know someone is asking AI directly. If the person hasn't provided an official version, AI can only piece one together from third parties, which may be outdated, partial, or wrong, yet stated with confidence. (This is a trend observation, not a number measured in this case.)
- 四個條件是哪四個？
- 可查證（每條有錨點）、機器可讀（schema.org＋單一 @id＋多語）、誠實邊界（事實與自述分區）、可重算（第三方能對回原始來源、重算雜湊）。
- 四つの条件とは何ですか？ — 検証可能（一件ごとにアンカーがある）、機械可読（schema.org＋単一の @id＋多言語）、正直な境界（事実と自己申告を区分する）、再計算可能（第三者が原典と突き合わせ、ハッシュを再計算できる）です。
- What are the four conditions? — Verifiable (every item has an anchor), machine-readable (schema.org + single @id + multilingual), honest boundaries (facts and self-descriptions in separate sections), and recomputable (a third party can trace back to the original source and recompute the hash).
- 五步做法？
- 建事實庫→機器可讀化（JSON-LD／llms.txt／anchors.json）→打開爬蟲（robots／sitemap／IndexNow／X-Robots-Tag）→進索引並分三層追蹤（爬取／收錄／引用）→量引用率（retrieved 與 cited 分開記）。
- 五つのステップとは？ — 事実データベースを作る→機械可読にする（JSON-LD／llms.txt／anchors.json）→クローラーに開放する（robots／sitemap／IndexNow／X-Robots-Tag）→インデックスに入り、三層に分けて追跡する（クロール／インデックス／引用）→引用率を測る（retrieved と cited を分けて記録）。
- What are the five steps? — Build the fact base → make it machine-readable (JSON-LD / llms.txt / anchors.json) → open up to crawlers (robots / sitemap / IndexNow / X-Robots-Tag) → get indexed and track three layers (crawl / index / cite) → measure the citation rate (record retrieved and cited separately).
- 「只餵可查證的」是什麼意思？
- AI 可能把你給的內容原封複述，包括錯的。無法用原始來源證實的媒體封號、說法，不能進事實區；要分區標明性質。這條線把個人 IDA 和公關稿分開。
- 「検証可能なものだけを与える」とはどういう意味ですか？ — AI は、あなたが与えた内容を、誤りも含めてそのまま復唱するかもしれません。原典で裏づけられないメディアの称号や表現は、事実セクションに入れてはいけません。セクションを分け、性質を明示します。この一線が、個人 IDA と PR 原稿を分けます。
- What does "feed only the verifiable" mean? — AI may repeat what you give it verbatim, including what's wrong. Media titles and claims that can't be confirmed with an original source can't go in the fact section; separate them and label what they are. That line is what separates a personal IDA from a PR piece.
- 這套方法有效嗎？
- 目前只有作者自己一個案例的實測支持，且掛在已有 AI 爬蟲流量的母域下，拆不開母域、內容、技術的貢獻；換全新裸域收錄很可能明顯變慢（合理預期，非驗證過的必然）。冷需求查詢尚未證實。
- この方法は効果がありますか？ — 現時点では著者自身の一事例の実測による支持しかなく、しかもすでに AI クローラーのトラフィックがある親ドメインの下に置かれているため、親ドメイン・コンテンツ・技術の寄与を切り分けられません。まったく新規のネイキッドドメインに替えれば、インデックスは明らかに遅くなる可能性が高いでしょう（合理的な予想であり、検証済みの必然ではありません）。コールド需要のクエリはまだ実証されていません。
- Does this method work? — So far it is supported only by measurements from the author's own single case, on a site under a parent domain that already had AI-crawler traffic, so the contributions of parent domain, content, and technical setup can't be separated. On a brand-new bare domain, indexing would very likely be noticeably slower (a reasonable expectation, not a verified certainty). Cold-demand queries are not yet proven.
來源錨定
引用本文
TK Lin・《個人 IDA 方法論：如何為一個人建立 AI 會引用的官方事實來源》・IDAEO 知識庫・2026-10-04・https://km.idaeo.ai/post/ai/personal-ida-methodology