「把网站内容也放一份到 GitHub，是不是更容易被 AI 读到？」这个问题最近被问了几次。直觉上说得通，GitHub 是全世界被抓取得最彻底的网站之一，Markdown 又是 AI 最好解析的格式。
我实测了 GitHub 的爬虫与索引规则，结论分成两半：把「数据和工具」放上去有用，把「文章正文」搬过去会害了自己。
GitHub 确实不拦 AI
先确认前提。查 github.com/robots.txt（101 行），里面点名的 User-agent 只有四个：
User-agent: bingbot
User-agent: adidxbot
User-agent: BingPreview
User-agent: baidu
User-agent: *GPTBot、ClaudeBot、PerplexityBot、CCBot、Google-Extended，一个都没提到。 而兜底的 User-agent: * 区块里，禁止的只是带查询参数的 URL、登录页与 Copilot 相关路径，没有 Disallow: /。
也就是说：仓库页面、README、Markdown 文件，AI 爬虫都可以抓。 文件头上还写着一句「If you would like to crawl GitHub contact us」，态度是开放的。
所以「GitHub 内容能被 AI 读到」这个前提成立。问题出在下一层。
真正的问题：仓库页面没有 canonical
我抓了一个仓库页面来看它的头部标记，结果是：
| 标记 | GitHub 仓库页面 |
|---|---|
<link rel="canonical"> | 没有 |
<meta name="robots"> | 没有 |
og:title 等社交标记 | 有 |
canonical 的作用，是告诉搜索引擎与 AI「这份内容的原始出处在哪」。GitHub 不提供这个标记，意味着你放上去的那份副本，在机器眼里是一个独立的、没有归属声明的来源。
再叠加一个现实：github.com 的域名权威度，远高于任何个人或中小企业的网站。
两件事合起来，结果就很清楚了。
搬文章过去会发生什么
同一篇文章同时存在于你的网站和 GitHub，而 GitHub 那份没有任何标记指回你。当 AI 需要引用这段内容时，它面对的是两个来源：一个是权威度极高的 github.com，一个是你的站。
你把自己变成了自己的竞争者，而且是拿弱的那一边去打。可能出现的结果：
- 引用归到 GitHub：AI 提到了你的内容，但给出的链接是 github.com/你的用户名，不是你的品牌域名。
- 品牌信号被稀释：你辛苦建立的域名与作者实体，拿不到这次曝光。
- 重复内容判断：搜索引擎需要在两份几乎相同的内容里选一份展示，你未必是被选中的那个。
还有一点更根本：把内容传到自己的仓库，仍然是「你说你自己」。 它不产生第三方印证，而第三方印证才是 AI 判断可信度的核心依据。多一个自己的副本，不等于多一个来源。
那什么该放上去
换个思路：GitHub 放别人会「用」的东西，网站放别人会「读」的东西。
| 适合放 GitHub | 应该留在自己网站 |
|---|---|
| 原始数据集（CSV、JSON） | 文章正文与解读 |
| 测量脚本、工具 | 观点、分析、结论 |
| 可复用的模板、清单 | 案例与经验 |
| 方法论的技术实现 | 面向读者的说明 |
差别在哪？数据和工具会被别人「使用」，而使用会产生引用。 有人拿你的数据集写分析，他会注明来源；有人用你的脚本，他会在文章里提到出处。这才是真正的第三方提及，不是你搬运自己，而是别人主动引用你。
而文章正文放上去，没有人会「使用」它，只会被机器当成一份重复的副本。
具体怎么做
- 仓库放数据与脚本，不放文章。 README 里用两三段说明这份数据是什么、怎么产生的，然后链回你网站上的完整分析。
- README 顶部就给出出处链接。 这是你唯一能替代 canonical 的手段，用一个显眼的链接把归属写死。
- 标明授权方式。 数据集加上明确的使用条款（例如允许自由使用但需注明来源），别人才敢用，也才会注明。
- 如果一定要放文章摘要，只放两三句概述加链接，不要放全文。
顺带一提：raw.githubusercontent.com 没有 robots.txt（返回 404），意味着没有声明任何抓取限制；GitHub Pages 则明确提供 sitemap。这两条都说明，只要你放上去，被抓取不是问题，问题从来只是归属。
结论
「开源内容有助于 GEO」这个说法，对了一半。
- ✅ 开源数据与工具：有益。它制造别人引用你的理由，而引用正是 GEO 的硬通货。
- ❌ 把文章搬到 GitHub：有害。你会在一个没有归属标记、且域名权威度碾压你的地方，制造一个自己的竞争对手。
判断标准其实很简单：这件事是让别人多一个理由提到我，还是让我的内容多一个没署名的副本？ 前者做，后者不做。
方法与边界
- 检测时间：2026 年 8 月。GitHub 的 robots.txt 与页面标记随时可能调整，结论只代表该时点。
- 关于 canonical：我检查的是公开仓库的网页版页面。GitHub 未来若加入 canonical 或来源标记，这篇的判断需要相应修正。
- 没有实测「引用归属」的最终结果：本文推断的是机制层面，「无 canonical + 高权威域名」会带来什么风险。我没有做 A/B 对照实验去验证 AI 最终会引用哪一边，这一点应当说明清楚，而不是当成已验证的结论。
延伸阅读：44 家大马知名企业网站实测：九成对 AI 爬虫没有任何设置｜日志里的 GPTBot 六成是假的｜什么是 llms.txt？怎么写？｜什么是 GEO？和 SEO 有什么区别
