📐

AI-Ready Dashboard

管理員限定

AI-Ready Optimizer

持續優化儀表板 · 更新 2026-04-05 16:41

← 返回專案

— / 100

JSON-LD—/ 25

llms.txt—/ 25

MCP+A2A—/ 25

AI 理解度—/ 25

—總實驗

—成功評分

—保留

—回退

分數趨勢

子分數趨勢

結果分佈

實驗紀錄 0

🔬

外部 AI 交叉驗證（Layer 5a）

Perplexity Sonar 獨立搜尋 · 13 題基準測試 · 每日自動追蹤

這是什麼？

這個網站有一套自動優化系統：AI 自動修改網站 → 自動評分 → 決定保留或回退。但如果是自己考自己，永遠不知道真的有沒有進步。

所以我們引入「外部考官」：讓 Perplexity（一個獨立的 AI 搜尋引擎）回答 13 道關於 Paul Kuo 的問題，看它能找到多少正確資訊、會不會捏造假資料。這就是 Layer 5a。

完整設計思路 → 把 paulkuo.tw 變成一個自己進化的網站

—

External Score

— Positive Recall

— 幻覺抵抗

— Discovery

觀察期進度

— / 20 輪

觀察中

External Score 趨勢校準均值 ± 噪音帶

分類表現

分類 vs 校準基線

附錄：詞彙表

JSON-LD: 嵌入網頁的結構化資料格式，幫助 AI 與搜尋引擎理解頁面內容的語意（如人物、文章、組織）。
llms.txt: 專為大型語言模型設計的網站摘要檔案，讓 AI 快速掌握網站的核心資訊，類似 robots.txt 之於搜尋引擎。
MCP + A2A: Model Context Protocol + Agent-to-Agent Protocol。兩種新興的 AI 互操作協議，讓 AI agent 能直接與網站交換結構化資訊。
AI 理解度: 內部評分指標：讓 Claude 閱讀 llms.txt 後回答關於網站的問題，衡量 AI 是否能正確理解網站內容。
External Score: 外部驗證分數：透過 Perplexity（獨立搜尋引擎）回答 13 道基準題，衡量外部 AI 對本站的認知準確度。
Positive Recall: 正面召回率：10 道事實題中，外部 AI 能正確找到並回答的比例。越高代表網站資訊越容易被 AI 發現。
Hallucination Resistance（幻覺抵抗）: 3 道反幻覺題中，外部 AI 正確拒絕捏造答案的比例。100% 代表 AI 不會編造關於你的虛假資訊。
Discovery: 發現性指標：外部 AI 回答時是否引用了 paulkuo.tw 作為來源，衡量網站在 AI 搜尋中的可見度。
校準基線 (Calibration Baseline): 優化前的 10 次重複測試結果，建立統計參考基準。均值 = 系統的自然表現，標準差 = 自然波動幅度。
噪音帶 (Noise Band): 校準均值 ± 2 倍標準差。分數變化落在此範圍內視為隨機波動，超出此範圍才是真正的改善或退步訊號。
觀察期: Layer 5a 目前處於「只觀察、不決策」階段。累積 20 輪以上數據後，才考慮將外部分數納入自動 keep/revert 決策。
Keep / Revert: 優化迴圈的核心決策：每次自動修改後評分，分數提升則保留 (keep)，下降則回退 (revert)。
Mutation Agent: 自動產生網站優化修改的 AI 代理，根據差距分析提出具體的程式碼或內容變更。