🔥 Как делать семантические коконы даже новичку: TGA Navigator v1.0.3

Недавно я рассказывал про 4 генерацию семантических коконов (часть 1 и часть 2). По сути, это лучшая в мире архитектура тематических кластеров, дающая гигантские бусты при работе с контентом.

По просьбам ребят из нашего SEO чата я сделал скилл Topical Graph Architect (TGA). Это система для проектирования семантических коконов: не простая кластеризации ключей, а построение полноценной архитектуры сайта с сущностями, задачами пользователей, единым источником фактов, проверкой на дубли и обязательными требованиями для чувствительных тем.

Но тут вылезла маленькая проблемка - он оказался очень сложным для освоения. Нужно разбираться в десятках внутренних правил и модулей.

Поэтому смастерил скилл TGA Navigator.

Это надстройка-проводник, которая берёт всю сложность на себя. Она превращает работу с TGA в обычный разговор: задаёт понятные вопросы, показывает варианты ответа, объясняет термины простыми словами и ведёт вас за руку от списка ключей до готовой структуры сайта.

Вам не нужно знать, что такое каноническая структура или единый источник фактов - Navigator сам переведёт это в вопрос вида «эта цена меняется со временем?».

Сейчас модно строить многоагентные конструкции: одна модель кластеризует, другая проверяет дубли, третья пишет техническое задание — и всё это на отдельной инфраструктуре, с API, очередями задач и стоимостью за каждый вызов. TGA и TGA Navigator показывают, что тот же результат можно получить в одном обычном чате с LLM (Claude, ChatGPT или похожими) - просто прикрепив два текстовых файла и скопипастив в чат один стартовый промпт. Ненужно никакого кода, никакой оплаты за токены сверх обычной подписки, никакой настройки серверов. Вся логика - в самой спецификации, а не в инфраструктуре вокруг неё.

Что можно делать с надстройкой TGA Navigator

➡️Разобрать список ключей и сразу понять, сколько разделов сайта из них получится. Присылаете 50–100 запросов и Navigator сгруппирует их по задачам пользователей, покажет, что можно объединить в одну страницу, а что требует отдельного материала. Можно начать и с 1 запроса/интента или вообще с предполагаемой тематики.

➡️Построить структуру нового раздела сайта с нуля, начиная всего с темы и описания бизнеса — без единого ключа на входе. Navigator задаст несколько вопросов о сайте и аудитории и покажет черновик структуры по уровням: сначала самые важные страницы, потом остальные.

➡️Провести аудит уже существующего раздела сайта. Присылаете список адресов, карту сайта или просто тексты страниц — и получаете сравнение того, как раздел устроен сейчас, с тем, как он должен быть устроен, плюс список конкретных находок: страницы-сироты, дубли, расхождения в ценах на разных страницах.

➡️Найти скрытые вопросы аудитории, которые не встречаются в ключевых словах напрямую — через обращения в поддержку, отзывы или внутренний поиск сайта.

➡️Точечно проверить одну страницу или одну ссылку без запуска полного проекта - например, спросить «нужна ли эта страница вообще» или «правильно ли эта ссылка ведёт посетителя сайта дальше».

➡️Провести стресс-тест собственной структуры. Можно попросить систему специально «сломать» архитектуру и посмотреть, находит ли аудит типичные ошибки, прежде чем публиковать реальный контент.

➡️И многое другое. Встроил более 20 хитрых сценариев работы.


Для кого это всё я сделал

Для тех, кто слышал про семантические коконы, знает, что это работает, но пока не готов тратить недели на изучение методологии, чтобы получить первый результат.

Navigator не упрощает логику до уровня «сделай мне 10 статей по ключам» - он убирает барьер входа, оставляя всю строгость архитектурных решений там, где она должна быть: внутри TGA.

Пользуйтесь!



🔔 Узнайте как поддержать развитие канала.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #СемантическийКокон

🔥 BrandCore: контроль фактов в SEO-контенте

Если у сайта есть расхождения в фактах на его страницах, такой сайт пессимизируется. Гугл не сможет построить для него граф знаний, LLM не будут юзать контент такого сайта в своей выдаче.

Пример:
На одной странице указана одна дата основания компании, на другой - другая. В карточке товара есть характеристика, которой нет в документации. Условия доставки расходятся. Продукт получает свойства, которые когда-то появились в рекламном тексте и больше не были подтверждены. Это редко происходит из-за одной ошибки автора. Чаще причина в процессе: каждый новый материал создаётся на основе неполной, устаревшей или локальной версии данных.

Google рекомендует создавать полезный и надёжный контент, показывать источники, экспертизу, понятное авторство и избегать легко проверяемых фактических ошибок. Для YMYL-тем эти аспекты особенно важны.

Когда на сайте расходятся существенные факты - о составе, безопасности, доставке, цене, лицензии или применении продукта,это не проблема, а катастрофа для сайта. С большой вероятностью он будет наказан отвратительным ранжированием. Но там еще и сопуствующие проблемы вылезают:

- пользователю сложнее принять решение;

- редактору труднее проверить новую публикацию;

- страницы могут описывать одну сущность несовместимыми способами;

- старые материалы продолжают жить в поиске, а новые туда не попадают;

Контент начинает масштабировать не позиционирование компании, а накопленные ошибки.

Еще смешней обстоит с LLM.

Языковая модель не знает, какая страница на сайте "главнее", если это не задано в её контексте.

При нескольких версиях одного факта, LLM из за врожденного паскудства, обязательно выберет устаревший факт, объединит две несовместимые формулировки или добавит ограничение, которого компания не согласовывала. В RAG-сценариях конфликтующие документы также затрудняют извлечение и проверку ответа: конкретная система может отдать приоритет более свежему источнику, показать неопределённость или не использовать часть конфликтующих материалов.

Разработал универсальный протокол BrandCore. По сути это и протокол и рабочий файл для управления фактами, claims и правилами публикации.

В BrandCore фиксируются, сведения о компании, продуктах и линейках; характеристики, аудитории и сценарии применения; разрешённые и запрещённые claims; доказательства и ограничения;и многое другое!

Перед подготовкой страницы SEO-специалист проверяет не только запросы и конкурентов. Он сверяет материал с BrandCore (ну и генерирует контент с его использованием).

Задача BrandCore: уменьшить число публикаций, которые строятся на несогласованных или устаревших данных.

Заполнение требует времени. Нужно собрать источники, сверить их с владельцем бизнеса и продуктовой командой, зафиксировать claims, разрешить конфликты и назначить даты пересмотра. Затем файл нужно поддерживать в актуальном состоянии. Протокол, который не пересматривают, быстро превращается в источник ошибки.

Стоимость подобных заполненных брифов начинается от $2k до $100к. Есть с десяток предложений подобных на рынке. Обычно клиент получает итоговый PDF. Рабочая система, в которой собирались факты, фиксировались источники и принимались решения по спорным формулировкам, остаётся у подрядчика.

BrandCore устроен иначе: это редактируемый файл, который остаётся внутри компании и может поддерживаться без постоянной зависимости от автора методики.

Кстати, позаполняв для своих проектов BrandCore, понял, отчего такие дикие ценники на подобные брифы/протоколы. Это ужасно кропотливый ручной, аналитический труд.

Пришлось делать BrandCore Navigator (по аналогии с TGA Navigator), который позволяет часть данных заполнять на полуавтомате (с ручной верификацией), а остатки добивать в простом диалоговом режиме. Это вразы ускорило заполнение BrandCore-протокола для моих проектов. Раздавать Navigator пока не планирую.

Итак, если SEO-контент выходит регулярно, BrandCore стоит использовать так же дисциплинированно, как технические настройки и контентную архитектуру. Сначала нужно привести в порядок исходные данные. После этого масштабировать публикации становится безопаснее и быстрее.

Пользуйтесь! Протокол лежит в спецпромптканале.



🔔 Узнайте как поддержать развитие канала.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #SEOштукенции

👀 Механика выбора брендов в ChatGPT

Вычитал интересное исследование про то как ChatGPT формирует выборку брендов по запросу. Оказывается, что модель формирует список брендов сама, до открытия хотя бы одного внешнего сайта. То есть, в большинстве случаев, ЧатГПТ опирается на внутренние базы (обучение), а не на поиск по внешним источникам.

Так, в 21 из 27 случаев ChatGPT добавил в свой первый поисковый запрос бренды, которых пользователь не называл. В 11 из 13 категорий модель самостоятельно вписала конкретные компании ещё до получения результатов поиска. Например, для запроса про приложения для заметок с ИИ она сама вспомнила некие компании Granola, Notion AI, Otter и Fireflies. Это было видно в сетевых данных браузера: запросы модели находятся в JSON-ответе под ключом search_queries.

Всё это проверялось в интересном расширении для Хрома, которое анализирует подобные запросы ЧатГПТ.

Если бренд был назван моделью в её собственном запросе, он попадал в финальный ответ в 68,9% случаев. Если бренд находился поиском, но заранее моделью не упоминался, только в 2,1%!

Автор исследования позже уточнил: поиск иногда всё же добавляет бренды, которых не было в исходном списке. Механику точнее описывать так:

1. Модель сначала формирует список известных кандидатов.

2. Поиск этот список проверяет и иногда расширяет.

то есть, если вы не попали в обучающую выборку, попасть в выдачу ChatGPT на порядок сложней. И все приемы оптимизации под LLM, которые расписывают псевдогуру - зачастую полная ерунда.


‼️ Можете потестить и без всяких расширений. Откройте ChatGPT, включите DevTools в Хроме, перейдите в Network и задайте вопрос вроде:

Какая CRM лучше для небольшой компании?

Найдите запрос к conversation, откройте ответ и поищите search_queries. Посмотрите, какие бренды модель добавила сама.

Повторите это пять раз. Не один раз, а пять.

В одной категории список может быть устойчивым, в другой он будет меняться после каждой переформулировки.

Если вашего бренда нет в этих запросах,никакие page speed или там Schema.org проблему не решат. Сайт может быть идеально технически подготовлен, но модель просто не станет проверять домен, о котором она не вспомнила.


Поискал еще исследования на эту тему.

Нашел дополнительно несколько значимых работ. Например, ребята проверили 12 моделей от шести провайдеров на выборе новостных источников и продавцов. При одинаковом содержании модели систематически предпочитали одни источники другим, даже после прямой инструкции не быть предвзятыми. Предпочтение переносилось между названием бренда, доменом и соцсетями.

Хотя не все однозначно с этими LLM. Работа Incumbent Advantage показала: известный бренд выигрывал у равного по характеристикам конкурента в 100% из 670 испытаний. Но эффект пропадал, если у конкурента появлялся хотя бы небольшой объективный сигнал качества, разница в рейтинге на 0,075 балла. Разложение вариативности показало: характеристики товара определяли выбор на 82,4%, позиция в списке на 6,5%, сама узнаваемость бренда всего на 1,2%.

Узнаваемость работает как решающий сигнал при примерном равенстве. Опять же всё меняется в различных тематиках: d B2B SaaS, где решение принимает один человек и сравнивает функции построчно, этот эффект обычно слабее. В категориях с эмоциональным выбором, вроде фитнес-приложений или подарков, узнаваемость может значить больше, чем в исследовании.

Итак, потестите расширение Хрома со своим брендом. Посмотрите на результаты. Подумайте и прикиньте что к чему. А потом попробуйте сделать так:


1. Запросите промпт у самого ChatGPT. "Какой поисковый запрос он бы сформировал для вашей категории/ниши" (прежде чем реально искать). Вы увидите список кандидатов напрямую. Оттестируйте его в расширении.

2. Закрепите за брендом один конкретный числовой факт и твердите именно его во всех внешних публикациях. Например, не "инновационный сервис", а "единственная CRM с нативной интеграцией WhatsApp дешевле 20 долларов". Разрозненные формулировки на разных площадках мешают модели собрать бренд в одну устойчивую сущность.

3. Давнишний и избитый (но рабочий) прием. Опубликуйте на странице блок со списком, для кого продукт не подходит. Исследования (и практика) показывет, что LLM чаще использует страницы с ограничениями и конкретными условиями, чем страницы только с бахвальством.

4. Проверьте, упоминает ли вас Reddit и профильные форумы. Оптимизация под Reddit из за их спам политики нынче сложна, но это не значит что её нужно забрасывать.

5. Соберите карту противоречивых утверждений о продукте по всему интернету: разные цены, разные лимиты тарифа, разные версии описания функций на партнёрских сайтах. Модель хуже цитирует бренд, если находит противоречащие друг другу версии одного факта. Устранение этих противоречий работает быстрее, чем производство нового контента.

Задание на дом ))

Проверьте десять главных запросов по своей категории. Не только финальные ответы, а именно первые поисковые запросы ChatGPT, как я описывал выше. Если вашего бренда там нет, не начинайте с переписывания Title или еще какими то приемами оптимизации. Сначала добейтесь, чтобы рынок и независимые источники связали ваш бренд с нужной категорией и конкретным сценарием (то есть нужны достоверные и массовые упоминания вашего бренда в прямой связи с этим сценарием).

Прежде чем вкладываться в структуру страниц под цитирование, проверьте, попадает ли бренд в список кандидатов вообще. Если не попадает, даже совершенная и вылизанная в плане оптимизации страница может просто не дойти до модели.


Ну и не забывайте глянуть, что я выложил новенького в нашем спецпромптканале )))

🔔 Узнайте как поддержать развитие канала.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #GEO

🤫 Как Perplexity выбирает источники

Продолжаем разбор принципов работы LLM. Давайте рассмотрим исследование от того же автора, который разбирал внутренние запросы ChatGPT (я писал про это раньше).

Главное отличие от ChatGPT заключается в наличии у Perplexity хитрого классификатора на 16 разделов. Каждый раздел - это отдельный виджет-кандидат: карты, шоппинг, видео, финансовая карточка, погода со своей вероятностью и порогом срабатывания (для карт нужно превысить 0,85, для шоппинга 0,80, для видео 0,50, для картинок 0,42, для погоды 0,40 и т.д.)

Напомню, у ChatGPT есть режим, когда ответ выдаётся из памяти (выборки из обучения) и интернет вообще не используется для ответа. Perplexity для любого запроса лезет в интернет.

Кроме того, с июля у Perplexity появился отдельный признак доверия к домену. Источник может нести пометку credible или trusted с текстовым описанием, в чём конкретно домен считается первоисточником.

Например, caranddriver.com признан источником для "давно устоявшегося, профессионально отредактированного" автомобильного контента". Goodyear.eu получил флаг trusted для собственных данных о продукции. Это поле пропадало и появлялось между сборками Perplexity, поэтому относиться к нему стоит как к системе, которую всё ещё выкатывают, а не как к устоявшемуся API.

Как Perplexity формирует цитату

Retrieved и cited имеют разные списки, и попадание в выдачу не гарантирует цитирование. Для сравнительных запросов вроде "Ahrefs vs Semrush" самым цитируемым источником оказалась страница Ahrefs с этим сравнением (18 упоминаний). Известный обзор от Backlinko и тред на Reddit были найдены, но не процитированы ни разу. Для запроса про свежий алгоритм Google процитированы были только страницы самого Google, а статья с Search Engine Land трёхдневной свежести осталась без единой цитаты.

Интересно, что в ЧатГПТ Reddit цитируется активно, а YouTube почти никогда, потому что модель получает метаданные видео без транскрипта. В Perplexity YouTube имеет преференции. Например, Ютуб был процитирован 38 раз на запросе про наушники, а три темы из Reddit из той же выдачи не процитированы совсем.

С локальными запросами используется похожая логика, только с привязкой к картам. Тестовый запрос про "Кофейня рядом с DIFC в Дубае" запустила отдельный цикл поиска через карты, и все пять цитат ушли карточкам конкретных заведений. Десять редакционных подборок "лучшие кофейни Дубая" не получили ни одной цитаты. Когда карточка места не используются, цитаты откатываются на подборки (запасной вариант).

Важно, что режим Deep Research читает не сниппет, а полный текст двух-четырёх страниц целиком. В одном замере единственная статья забрала 20 из 30, так как модель полностью прочитала страницу.

Тестируем Перплексити так:

1. Откройте perplexity.ai, откройте консоль DevTools в Хроме

2. Скопипастите перехватчик fetch до отправки запроса (скрипт автор выложил в статье, раздел Run it yourself)

3. Задайте коммерческий запрос по своей нише и посмотрите поле classifier_results.mhe_predictions_full в ответе.

Так видно, какой виджет получил перевес по вероятности для вашего запроса, ещё до готового ответа.


Как использовать:

1. Определите, какой раздел классификатора запускают ваши запросы.

2. Для запросов "X vs Y" публикуйте собственную страницу сравнения с каждым значимым конкурентом отдельно, не одну общую. Страница вендора выигрывает такую цитату у сторонних обзоров.

3. Для коммерческих "лучшие X 2026" пихайте себя в свежие, датированные текущим годом подборки. Размер бренда тут не решает, решает актуальность подборки.

4. Заведите страницу с датированными обновлениями о своём продукте. Для новостных запросов цитируются только первоисточники, и такая страница даёт вам этот статус для новостей о себе самих.

5. Для инструкций и товаров делайте видео.

6. Для локальных запросов заводите и обновляйте карточку в Google Business Profile с точными категориями, а свежую подборку в двух-трёх городских изданиях держите как запасной слой на случай, если карточка места не привяжется.


Несколько дополнительных выводов:

Раз Deep Research читает страницу целиком одним запросом, а не рендерит её как браузер, проверьте свою страницу с отключённым JavaScript. Если контент подгружается только через скролл или отложенный рендер, полный текст может не прочитаться моделью.

Раз trust-поле описывает домен словами вроде credible for конкретной темы, попробуйте ввести такую формулировку в текст страницы о себе: не "мы лидер рынка", а "источник первичной информации о тарифах и условиях [вашей категории]". Поскольку модель уже думает такими формулировками, возможно, ей легче будет зацепиться за текст, написанный в той же логике.


🔔 Узнайте как поддержать развитие канала.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #GEO #Perplexity

🚨 Выложил BrandCore Navigator для облегчения заполнения протокола BrandCore

На днях я показывал и рассказывал о протоколе BrandCore. По сути - это паспорт сайта/компании, используя который вы гарантируете отсутствие дрифта критически важных данных о компании/сайте.

Наличие расхождений в чувствительных данных ведет к пессимизации сайта. А эти расхождения есть практически у всех. Я прогнал цикл заполнения BrandCore для яндекса и нашел, что в разных местах головная компания имеет разные юридические формы. Что говорить уже о простых компаниях.

Когда я выдал протокол, оказалось, что вручную его заполнение бросают спустя пару часов работы. Возникает много вопросов, ошибок и прочих неурядиц.

Да, это дело непростое, но крайне важное и полезное.

Юзайте Навигатор, он на порядок облегчает заполнение протокола BrandCore.

В спецпромпт канале качайте сам Навигатор и читайте принципы работы с ним.

После этого, прочитайте приложенный к посту файл. Там я привел хитрые приемы работы с Навигатором, на основе личного опыта заполнения протокола.

Кстати, стоимость создания аналогов BrandCore протокола для компании/сайта начинается от $2000 и доходит до $100 000 и выше для больших компанний.

Пользуйтесь.



🔔 Узнайте как поддержать развитие канала.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #SEOштукенции

👀 Как улучшить видимость бренда в LLM

Узнаваемость бренда у людей и узнаваемость у модели - это два разных явления. Крупный бренд годами строит ассоциацию через рекламу, упаковку, культурную память. Но модель не смотрит телевизор и не помнит детство. Она просто читает тексты в интернете.

Если самая сильная ассоциация бренда живёт в рекламном ролике и в мозге потребителя (например: "Просто добавь воды" или там "Есть идея - есть Икеа"), а не в читаемом текстовом описании на сайтах, разрыв в видимости будет, и вы о нём не узнаете, пока не проверите это сами.

Как правило, модели не хранят бренды в базе данных. Как правило, они собирает картину из того, что находят: сайт компании, карточка в справочниках, отзывы, пресса, обсуждения на Reddit, Wikipedia. Когда источники согласуются между собой, модель отвечает уверенно. Когда они противоречат друг другу, устарели или просто не подкрепляют позиционирование бренда явно, модель заполняет пробелы сама: путает бренд с конкурентом, называет категорию, но не бренд, описывает продукт по устаревшим данным.

Причины такого разрыва заключаются в разных формулировках описания бренда на сайте, в Google Business Profile, в LinkedIn, в справочниках и каталогах.

Это может быть устаревший контент, который отражает прежнее позиционирование, слабый слой упоминаний со стороны, когда независимых источников слишком мало, отсутствие прямого текста о том, что именно делает бренд и для кого. Отдельно стоит история с ребрендингом: если компания несколько лет назад сменила название, старое имя может до сих пор жить в сотнях справочников, пресс-релизов и партнёрских страниц, и модель, встречая оба имени, не всегда способна их состыковать.

💡 Протестируйте свой бренд, так:

1. Откройте по отдельности Google AI Mode, ChatGPT, Gemini и Perplexity

2. Задайте в каждом одинаковые вопросы, формулируя их как обычный человек (без подсказок категории):

➡️Что делает [ваш бренд]?

➡️Для кого он?

➡️Чем он известен?

➡️Как он сравнивается с [конкурент]?

➡️Что говорят о нём клиенты?

3. Запишите, где ответы совпадают, где расходятся и где неверны.

Как пример - задайте в LLM вопрос "Кто такой DrMax". Там вылезет фамилия некоего поца, который точно не я. А всё потому, что сливальщики моих книг зачем то поставили оную фамилию на сливах книженций. Смешно.

Что делать с найденными разрывами:

1. Приведите формулировку позиционирования к одному виду везде: на сайте, в Google Business Profile, LinkedIn, отраслевых справочниках. Не пересказывайте своими словами в каждом месте - используйте одну и ту же формулировку.

2. Опишите на сайте прямо, кто вы, что делаете, для кого и чем отличаетесь. Не заставляйте модель домысливать это из контекста и метафор - дайте формулировку, которую можно процитировать целиком.

3. Сначала чините справочники с высоким весом: Wikipedia, Crunchbase, карточку в Google, крупные отраслевые каталоги. Мелкие площадки - потом.

4.Наращивайте свежие упоминания со стороны: отзывы, пресса, разборы у аналитиков, обсуждения на форумах. PR, выстроенный вокруг нужного позиционирования, усиливает не только восприятие у людей, но и сигнал для модели.

5. Обновите или уберите устаревший контент, включая старые названия после ребрендинга и описания снятых с продажи продуктов. Отдельно проверьте партнёрские и affiliate-сайты: их активно сканируют, а повлиять на их тексты напрямую нельзя, но можно поднять вопрос через партнёрское управление.

6. Добавьте микроразметку Organization, Product, FAQ, LocalBusiness.

7. Заведите свой протокол BrandCore и согласовывайте все свои материалы с ним.


💡Отдельно про Reddit.

Это один из самых цитируемых источников в ответах ИИ. LLM воспринимает его как нефильтрованное мнение потребителей без спонсорства. Используйте Реддит Маппер для поиска сигналов о вашем бренде.

Как правило, самому туда зайти и начать писать не выйдет. Сообщества Реддита настроены скептически к присутствию брендов, и всё, что читается как реклама, вредит больше, чем помогает. Ценность здесь не в участии, а в наблюдении.

Найдите свои упоминания и упоминания категории, посмотрите, какие вопросы повторяются и какие заблуждения живут в тредах, и закрывайте эти пробелы через контент и упоминания со стороны, а не через спамные посты в чужой ветке.


✔️ Повторяйте набор вопросов раз в месяц и ведите простой журнал ответов. Отдельно настройте в GA4 сегмент для переходов из ChatGPT, Perplexity и похожих источников.


🔔 Узнайте как поддержать развитие канала.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #GEO #AIvisibility

⏺️ Как увеличить трафик сайта за 5 минут кнопкой "Добавить в предпочитаемые источники"

Около года прошло с внедрения Гуглом механизма выбора "предпочтительных источников" (Preferred Sources). На днях Google выпустил встраиваемую версию кнопки, которая держит читателя на странице публикатора вместо отправки на страницу механизма.

Зачем Google это нужно:

Это ловкий ответ на ярую критику Гугла по поводу падения трафика издателей из-за AI-функций поиска.

Важно понимать механику сигнала: это персонализация, а не ранжирующий фактор. Механизм (Preferred Sources) меняет то, что видит конкретный пользователь, а не позиции сайта для всех остальных (хотя и не факт, небось переменную-счетчик какой-никакой вкрячили для ранжирования. Да и поведенческое - возвраты и дочтения нельзя сбрасывать со счета).

По данным Google, пользователи, выбравшие источник предпочитаемым, кликают по нему в два раза чаще. Больше 600 000 уникальных источников уже выбраны пользователями на нынешний день (рост на 200% с мая).

Крайне рекомендую прикрутить такую кнопку себе на сайт. Сейчас это проделывается крайне просто. Кнопка ставится двумя строками HTML, скрипт-тег и div с атрибутом google-add-preferred-source-btn. Клик показывает подтверждение "Add as a Preferred Source on Google", после "Add" читатель оказывается на той же странице, откуда начал. Языки (локализация) также настраивается.

Можно использовать и старый вариант (сейчас это прозывается deeplink-вариант) для CMS без поддержки JavaScript. Его можно вставлять везде, в том числе в email-рассылки и соцсети.

С мая метка "preferred" показывается не только в Top Stories, но и в AI Overviews и AI Mode.

Важно понимать, что механизм работает только на уровне корневого домена или поддомена. Подпапка вроде example.com/blog отдельным источником не считается.

Кому это нужно проделать в первую очередь:

Для информационных сайтов и медиа инструмент подходит практически идеально. Он изначально создан под Top Stories и Discover. При этом получаем хитрые эффекты:

1. прямой канал удержания уже лояльной аудитории одним кликом;

2. видимость в AI Overviews и AI Mode с явной меткой на фоне обезличенной AI-суммаризации;

3. частичная компенсация трафика, потерянного из-за AI-функций поиска.

Google рекомендует ставить кнопку в конце длинных статей и в футере, там, где читатель уже дочитал и вовлечён, а не в начале страницы. Но я бы поставил кнопку в самый вверх, под H1.


С коммерческими сайтами сложнее. Механика спроектирована под новостное потребление контента, а не под карточку товара или страницу услуги. Для чисто транзакционного интернет-магазина без контентного раздела эффект будет близок к нулю. Но тоже можно попробовать выкрутиться:

1. Корпоративный блог на поддомене вроде blog.company.com может претендовать на статус отдельного источника и получить метку в AI Overviews по информационным запросам категории.

2. B2B и нишевые издания с коммерческой моделью, например SaaS с сильным контент-маркетингом. Здесь граница между информационным и коммерческим контентом очень слабая, и кнопка работает как инструмент удержания читателей блога, которые потенциально конвертируются в лиды.


✔️ Что сделать прямо сейчас:

1. Зайдите на страницу механизма и проверьте там свой сайт. Нерегулярно обновляемые сайты могут быть недоступны для этой функции.

2. Если сайт виден, ставьте кнопку одним из способов, расписанных на Гугл Девелоперсе.

3. Для email-рассылок и соцсетей используйте deeplink-вариант. Там есть архив с локализованными картинками кнопок.

4. Через пару недель проверьте рост возвратов пользователей в Аналитиксе.

Не ждите прямого роста позиций от самой кнопки. Это персонализированный сигнал, а не ранжирующий фактор, поэтому метрика успеха здесь - повторные визиты и клики выбравших вас пользователей, а не позиции в выдаче (что, повторюсь, не факт. Ибо поведенческое - решает многое!).

Для чисто транзакционных страниц без контентного компонента механизм бесполезен. Механика построена вокруг привычки читать, а не вокруг разовой покупки.

Тестируйте!



🔔 Узнайте как поддержать развитие канала.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #GEO #Google #AIOverviews #SEOштукенции

💸 Как экономить токены LLM

Сегодня посчитал стоимость работы с несколькими старшими LLM и малость загрустил. Токены старших моделей стоят прилично и при массовой работе (а в SEO это обычное дело) это кушает бюджет крайне быстро.

Есть несколько наработанных приёмов снижающих расход токенов без потери качества.

1. Режем промпты на статичную и динамическую часть и никогда не трогаем порядок и текст статичной. Практически все LLM имеют кэширование префикса промпта, и повторяющийся неизменный блок обходится в разы дешевле при каждом следующем вызове (работа с кэшем в разы дешевле). Но ежели вы залезете в промпт и что то допишете, то кэш сбрасывается.

2. Маршрутизируем задачи по сложности, а не гоняем всё через старшую модель. Классификация запроса, извлечение сущностей, форматирование и т.д. это работа для младшей модели, и разница в цене может быть десятикратной. Старшую модель оставляйте только там, где реально нужно её рассуждение.

3. Используем batch API для всего, что не требует ответа в реальном времени. У основных провайдеров пакетная обработка стоит заметно дешевле обычных синхронных запросов, а массовая генерация контента почти никогда не требует немедленного ответа.

4. Задаем выходной контракт явной схемой. Как известно, output-токен обходится раза в три дороже input-токена, а размытая инструкция к выводу провоцирует модель отвечать многословнее, чем нужно.

5. Безжалостно рубим из контекста RAG-документы и tool-описания, не относящиеся к конкретному запросу, вместо "на всякий случай прикрепить всё". Лишний документ отъедает токены и размывает внимание модели.

6. И последнее, самое системное - компрессия самого промпта.

По компрессии промптов накоплен приличный пул исследований. По сути это целое направление исследований:

➡️Обзорная работа Prompt Compression for LLMs: A Survey раскладывает область на hard-подходы, которые режут обычный читаемый текст, и soft-подходы, кодирующие контекст в нечитаемые векторы.

➡️LLMLingua отбирает информативные токены и защищает числа от удаления, а LLMLingua-2 превращает тот же отбор в задачу классификации через дистилляцию и обгоняет первую версию по скорости и качеству.

➡️RECOMP показывает, что для RAG выгоднее сжимать документы в текст под конкретную задачу, а не делать общий пересказ.

➡️А работа Relevant but Incomplete поймала неприятный эффект: агрессивное сжатие часто оставляет факт, но вырезает его определение или условие, и такой обрубленный контекст выглядит релевантным, но реально бесполезен для модели.

Отдельного внимания стоит работа Compression Method Matters: при коэффициенте сжатия 0,3 средняя длина ответа на одном наборе задач выросла в 56 раз, потому что сжатие повредило центральную часть инструкции. Экономия на входе обернулась взрывным ростом на выходе, а с учётом того, что выходной токен дороже входного, итоговый счёт получился хуже исходного.

С последним мириться было нельзя, и за дело принялся знающий человек - наш военком.

Отсюда и родился PromptSculptor - хитрый и ловкий промпт для сжатия других промптов!!!!

У него два рабочих режима:

➡️COMPRESS сжимает промпт на одном из трёх уровней риска, от точечной нормализации до агрессивного переписывания, и никогда не трогает soft-пожелания без явного разрешения.

➡️AUDIT сравнивает оригинал и сжатую версию по конкретным проверяемым пунктам: не потерялось ли ограничение, не сломалась ли схема вывода, не осталась ли в тексте ссылка на определение, которое вырезали при сжатии. Там, где промпт слишком рискованно жать на запрошенном уровне, встроенный механизм сам понижает уровень сжатия.

Промпт PromptSculptor и хэлп к нему выложил на канал со спецпромптами.

Изучайте и тестируйте.



🔔 Узнайте как поддержать развитие канала.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #LLM #промпты

😳 Новая эпоха контролируемых экспериментов

Продолжаем разбор супер интересных исследований по GEO/SEO. Три свежие работы вместе показывают смену эпохи: индустрия уходит от наблюдений и постфактумных объяснений ("выросло значит, помогло") к контролируемым экспериментам с заранее зафиксированным контрактом измерения.

Первая работа, Agent2UCB, решает задачу выбора тактики оптимизации через bandit-подход: систему не заставляют применять все приёмы подряд, она сочетает уже проверенные тактики с исследованием непроверенных, постепенно смещая приоритет к тому, что реально работает для конкретного типа страницы и интента.

Не существует одной универсально лучшей правки - для одной страницы важнее закрыть содержательный дефицит, для другой критична доказательность, а для третьей стоит протестировать title.

Вторая работа, Beyond the Vacuum, напоминает, что страница не оптимизируется в вакууме. Авторы строят пространство из 15 стратегий, дающее 2 в 15-й степени возможных комбинаций, и ищут удачные сочетания с учётом того, что уже делают конкуренты в том же корпусе результатов. Если несколько конкурентов уже усиливают одинаковые признаки извлекаемости, копирование того же приёма перестаёт давать эффект - сигнал приходит к дифференциации, а не к повторению.

Третья, CHASE. В симуляции повторной оптимизации всей популяции документов под фиксированный ранжирующий сигнал связь между сходством текста с профилем лидеров выдачи и независимой оценкой качества снижалась во всех шести доменах эксперимента. Рост похожести на конкурентов и рост объективного качества - это разные оси, и путать их означает медленно портить контент, считая это успехом.

На основе этих трёх работ собрал демо-скилл SignalForge - навык для старта работы с контролируемыми переменными в SEO/GEO. Он не пишет SEO-текст и не гонится за видимостью любой ценой. За один цикл он предлагает не больше трёх гипотез, для каждой фиксирует контракт измерения до публикации: основную метрику, ограничители, которые не должны ухудшиться, и минимальный срок замера.

От Agent2UCB он берёт адаптивный выбор тактики по накопленному опыту, от Beyond the Vacuum - анализ конкурентного корпуса вместо слепого копирования, от CHASE - разделение метрик поиска, генеративной видимости, качества и бизнеса на четыре независимых группы, чтобы рост одной не маскировал провал другой.

Скилл рассчитан на один долгоживущий чат и одну целевую страницу: на входе снимок страницы, пять конкурентов, срез SERP с AI Overview и выгрузка Google Search Console, а дальше цикл диагностика → гипотезы → контракт измерения → правка → срез среды → замер → обновление журнала опыта.

Это демо-версия (полностью рабочая). Но заточка под конкретную нишу и конкретный сайт - с типовыми интентами именно вашей категории, с профилем конкурентов, с которым скилл уже сталкивался, с локальными особенностями SERP - делается отдельно (по индивидуальному запросу).

Отдельно уточню: логика скилла совместима с GIST, который мы разбирали неоднократно. GIST работает на уровне содержательной логики текста, а SignalForge - на уровне измеримого эксперимента над готовой страницей.

Важно осозновать, что если вы меняете страницу и смотрите на цифры через месяц без заранее зафиксированного порога успеха и без снимка того, что делали конкуренты в этот же период - вы не проводите эксперимент, вы придумываете историю к уже случившимся цифрам задним числом.

Скачать скилл SignalForge можно в канале со спецпромптами.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #GEO #Промпт

🚨 Как Google придавил спамеров в августе

18 августа Google выкатил очередной спам-апдейт (раскатка заняла 2 дня). Для попавших под него сайтов провалы были огромными с моментальными обвалами трафика.

Важно: это был спам-апдейт про контент, а не про ссылки (линк-спам апдейты идут отдельно). Гленн Гейб разобрал четыре интересных обезличенных кейса пострадавших сайтов

1. Ультра-YMYL ниша (там, где на кону здоровье или деньги пользователя), программатик-контент плюс куски текста с почти стопроцентной вероятностью AI-генерации на тех же страницах. Сайт потерял ранжирование по 200 тысячам с лишним запросов. Скажем всего хорошего таким неумным товарищам, которые генерачат тоннами контент, без привнесения хоть минимальной ценности.

2. Классический партнёрский сайт на Amazon (полностью программатик, категории и карточки товаров генерятся из фида, местами даже без картинок), а внизу страниц - текстовые блоки с вероятностью AI-контента 97% и выше. Минус 14 тысяч запросов. Автор сетует, что восстановить такой сайт без полной перестройки модели практически нереально. Кстати именно тут и нужна связка GIST + Реддит Маппер (хотя бы надергать отзывов о товаров и на их основе давать GIST скиллом доп рекомендации).

3. Тут было 1,5 миллиона страниц в индексе, из них около 85% - программатик, и хотя на сайте есть реальный пользовательский контент (UGC), большинство страниц не добавляют никакой уникальной ценности сверх того, что уже есть в интернете. Пострадал весь домен целиком, не отдельные разделы.

4. Самый наглый случай: 250 тысяч страниц под рискованную тематику, и клики по ключевым ссылкам ведут на другие, ещё более рискованные сайты. Минус 25 тысяч запросов, и автор прямо удивляется, что сайт вообще не деиндексировали целиком. Пока повезло, но это временно.

Восстановление после спам-апдейта реально, но не быстрое, затратное и очень муторное. Google должен увидеть чистый сайт на протяжении нескольких месяцев (точнее 2-3 апа).

Если попали под раздачу августовского спам апдейта или не хотите попасть под следующий спам-апдейт, то проделайте:

➡️Прогоните сайт по актуальным спам-политикам Google именно по content-категориям (scaled content abuse, thin affiliation, doorway, scraping, UGC spam) - не по линк-спаму, в этот раз он не при делах.

➡️Посчитайте долю программатик-страниц в индексе от общего числа. Если она приближается к 80-85%, как в кейсе три, это уже тревожный сигнал независимо от того, есть ли на сайте живой UGC. Гугл не врет, что он не банит генеренку. Но особенность 99,99% генеренки заключается в её низком качестве. А это Гугл уже с удовольствием давит.

➡️Проверьте партнёрские разделы (если они у вас есть) на признаки говноконтента: страницы без уникального описания, без изображений, где вся ценность - это просто ссылка на маркетплейс.

➡️Прогоните текст через детектор AI-контента там, где вы использовали генерацию с целью просто заполнить страницу, а не решить задачу пользователя. Высокая вероятность AI сама по себе не проблема, проблема - когда за ней нет ценности.

➡️Если решили чистить сайт - не делайте это как разовую акцию перед следующим апдейтом. Google смотрит на устойчивость поведения на протяжении месяцев.

Источник и полные детали кейсов - у Гленна Гейба.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

📚 25 PRO промптов + Pocketbook DrMax: Промптоведение для SEO-стратегов 2026

❄️Всяческая SEO халява

#DrMax #SEO #GoogleUpdate #SpamUpdate