Google Search Console для оптимизации под LLM (часть 2)

Продолжение. см часть 1.

Теперь разобьём мастер регулярку на более полезные группы


Модульные фильтры (по группам)

Фильтр 1: Вопросительные слова - ядро

(?i)^(what|how|why|when|where|who|which|is it|are there|can i|can you|should i|could you|will it|does it|do i)(\s|$)

Вопросительные запросы триггерят AIO в 57.9% случаев — это почти втрое выше baseline в 21%. 66.5% всех запросов, которые уже показывают AIO, сформулированы как вопросы.


Фильтр 2: Сравнения (Trigger Rate ~26%, 100% RAG в LLM)

(?i)(vs|versus|difference between|compared to|better than|alternative|alternatives to|which is better|pros and cons|compare|comparison)

Trigger rate для сравнений - 26.2%. При этом в LLM-системах такие структуры активируют веб-поиск в 100% случаев, поэтому их ценность для RAG-citation выше, чем следует из AIO-цифры.


Фильтр 3: Best / Top / Lists

(?i)^(best|top|leading|most|types of|list of|ranking of|overview of|introduction to|complete|ultimate|checklist|full guide)(\s|$)

Фильтр 4: Определения и объяснения

(?i)^(what is|meaning of|define|explain|examples of|benefits of|risks of|symptoms of|causes of|what happens|what causes)(\s|$)

Фильтр 5: How-to и процессные (Trigger Rate 58%)

(?i)^(how to fix|how to get|how to make|how to find|how to create|how to build|how to start|how to use|how to choose|steps to|guide to|tips for|getting started|beginner|step by step)(\s|$)

How-to запросы показывают trigger rate ~58% по данным отраслевых исследований. Именно эта категория создаёт наибольший риск zero-click: CTR на позиции #1 упал на 34.5–61% при наличии AIO.


Фильтр 6: Freshness-триггеры (100% RAG в LLM)

(?i)(in \d{4}|latest|current|as of|updated|new in|still|anymore|yet|\b202[4-9]\b)

Запросы с freshness-маркерами (latest, current, год) принудительно активируют веб-поиск в LLM в 100% случаев. Это единственная группа, где механизм подтверждён экспериментально, а не через корреляцию.

Фильтр 7: Коммерческий MOFU/BOFU

(?i)(cost of|price of|how much does|is it worth|should i use|worth it|free trial|recommended|vs .+ for)

Фильтр 8: Conversational / AI-style (9+ слов)

^(\S+\s+){8,}\S+$

Запросы 9+ слов с высокой вероятностью являются conversational prompts, перенесёнными из LLM-интерфейсов в Google. Они имеют крайне высокий trigger rate и ценны для обнаружения тематик, где пользователи используют оба канала.


РУССКИЙ ЯЗЫК — Модульные фильтры


Вопросительные слова — ядро

(?i)^(что такое|что это|как|почему|зачем|когда|где|куда|кто|какой|какая|какие|какое|можно ли|стоит ли|нужно ли|надо ли|будет ли|есть ли|выгодно ли)(\s|$)

Принцип тот же, что в EN: вопросительная форма — сильнейший единичный предиктор появления AIO.


Фильтр RU-2: Сравнения

(?i)(vs|versus|сравн(ение|ить|иваем|ивать)?|разница между|чем отличается|что лучше|какой лучше|лучше чем|альтернатив(а|ы)?|обзор|отзывы)

Фильтр RU-3: Best / Top / Рейтинги

(?i)^(лучш(ий|ая|ие|ее)|топ|рейтинг|список|виды|типы|подборка|чеклист)(\s|$)

Фильтр RU-4: Определения и объяснения

(?i)^(что такое|что это|значение|определение|объясни|объяснение|примеры|польза|преимущества|недостатки|риски|симптомы|причины|что влияет|что вызывает|что будет если)(\s|$)

Фильтр RU-5: How-to / Процессные

(?i)^(как сделать|как исправить|как получить|как создать|как начать|как использовать|как настроить|как найти|как выбрать|как убрать|инструкция|руководство|гайд|советы|шаги|пошагово|для начинающих)(\s|$)

Фильтр RU-6: Freshness-триггеры

(?i)(в \d{4} году|в 202[4-9]|последн(ий|яя|ее|ие)?|актуальн(о|ый|ая|ое|ые)?|на сегодня|обновлен(о|ный|ная)?|новое в|все еще|еще работает)

Фильтр RU-7: Коммерческий MOFU/BOFU

(?i)(цена|стоимость|сколько стоит|выгодно ли|стоит ли|бесплатн(о|ый|ая)?|дешев(о|ый|ле)?|обзор|отзывы|альтернатив(а|ы)?)

Фильтр RU-8: Troubleshooting

(?i)^(как исправить|не работает|ошибка|проблема|почему не|не запускается|не включается|как убрать|как отключить|что делать если)(\s|$)

Фильтр RU-9: Conversational / AI-style (9+ слов)

^(\S+\s+){8,}\S+$

(Идентичен EN-версии — синтаксис не зависит от языка.)



🔔 Узнайте как поддержать развитие канала.

ps
самый простой метод оптимизации - это запихивание запроса в <h2> и инкапсуляция ответа под ним (строго 40-60 слов). После чего с нового параграфа даем расширенный ответ.

📔 DrMax: Доказательное SEO 2026 + Введение в Промптоведение

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

❄️Всяческая SEO халява

#DrMax #SEO #GSC #Промпт #AIOverviews

🎧 Аудиоверсия телеконференции про систему GIST

Миша Шакин выложил у себя аудиоверсию телеконференции
https://t.me/seopodcasts/97
Очень интересно )))

#DrMax

🔥 Google Search Console для оптимизации под LLM (часть 3)

Продолжение ( см часть 1 и часть 2). Теперь разберем приёмы оптимизации по группам фильтров

Общим принципом для всех групп является архитектура "прямой ответ".

Каждый H2/H3 несёт вопрос в заголовке, а под ним сразу следует инкапсулированный ответ в 40–60 слов (самодостаточный без окружающего контекста). После блока прямого ответа - развёрнутый материал без ограничений по объёму.

Группа 1: Вопросительные слова (what, how, why, как, почему, что такое)

Заголовок H2 пишется дословно как запрос, 4–8 слов, без сокращений. Первый параграф под ним - прямой ответ 40–60 слов по формуле:

[Термин] - это [определение]. [Механизм]. [Значение].

Дальше - контекст, примеры, цифры без лимита по длине. Ключевой термин лучше поставить в начало ответа для ясности. FAQ-блок в конце страницы имеет смысл, если вопросы реально нужны аудитории. Разметку FAQPage можно оставить как валидную семантику для не-Google каналов (в Гугле отключён 7 мая 2026 года).

Группа 2: Сравнения (vs, versus, сравнение, разница между, чем отличается)

Заголовок H1 строится как сравнение с ответом на вопрос: [X] или [Y]: что выбрать для [задача] в 2026 году - эта формулировка совпадает с тем, как пользователь формулирует запрос в AI-чате.

Сверху размещается краткий вердикт (40–60 слов):

Для [сценарий А] лучше [X], потому что [причина]. Для [сценарий B] лучше [Y] по критерию [критерий].

За кратким вердиктом следует таблица сравнения 8–12 строк с чёткими значениями.

Отдельный раздел Когда выбрать [X] / Когда выбрать [Y] даёт AI-системе готовую логику решения для цитирования. Добавление одного атрибутированного экспертного комментария улучшает шанс на цитирование на 28%.

Разметка: Review + AggregateRating.


Группа 3: Лучшее / Топ / Рейтинги (best, top, лучший, рейтинг, список)
Заголовок каждого пункта рейтинга строится как описательный заголовок, понятный без контекста: не "Пункт 1", а #1. [Название]: лучший для [узкий сценарий]. Под H2 - прямой ответ 40–60 слов: почему именно этот, для кого, ключевые цифры.

В начале статьи размещается краткая сводная таблица всех позиций. Добавляется раздел "Методология отбора" с пояснением критериев: это повышает доверию к материалу и соответствующие E-E-A-T сигналы. Формулировка факта с последствием: не "Инструмент X популярен", а "Инструмент X используют 2,3 млн команд, что делает его наиболее проверенным выбором для крупных команд".

Разметка: ItemList для рейтинга, Article + dateModified.


Группа 4: Определения и объяснения (what is, meaning of, что такое, значение, объясни)
Заголовок H1 = Что такое [Термин]: определение, принцип работы и зачем это нужно. Первый параграф - определение 40–60 слов без вступлений: [Термин] - это [определение одним предложением]. [Он работает за счёт процесса]. [Это важно в контексте].

В начале текста явно указываются: полное название сущности, аббревиатура и область в первых 20 словах - AI-системы сопоставляют страницу с запросом, опираясь прежде всего на первый экран. Далее H2 структура строится по принципу последовательных вопросов:

Как работает [Термин], Чем [Термин] отличается от [смежный термин]

- так одна страница охватывает несколько смежных запросов, которые AI генерирует параллельно при ответе на один запрос.

Разметка: DefinedTerm или Article.


Группа 5: Инструкционные (пошаговые) запросы (how to, steps to, как сделать, пошагово, инструкция)
Вводный абзац (40–60 слов): сколько шагов, сколько времени, что понадобится. Заголовок каждого шага = действие + объект: Шаг 1: Настройте [X], не просто Настройка. Под H2 каждого шага - блок ответа 40–60 слов с ожидаемым результатом: [Что делаем] - [что получим на выходе].

Список шагов делается нумерованным (не маркированным) - нумерация извлекается точнее. Каждый шаг должен быть понятен без чтения предыдущих. Ключевые действия и инструменты внутри шага - жирным.

Разметка: HowTo с HowToStep для каждого шага.


🔔 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 #GSC #AIOverviews

🔥 Релиз скилла GIST Content Logic v.3.3 (система GIST)

Выложил для использования обновленный скилл с GIST логикой для создания контента, который не сможет повторить ни один конкурент и мега ранжируется в ПС и LLM.

➡️Сам скилл: GIST Content Logic v.3.3

➡️Видео: GIST - киллер агрегаторов

➡️Брошюра: GIST в примерах: как писать контент, который невозможно скопировать

➡️Что нового в v.3.3: читаем в SEO чате

➡️Описание и инструкции для предыдущей версии

➡️Описание логики GIST подхода:
Часть 1 | Часть 2 |Часть 3 | Часть 4

➡️Официальные материалы: Исследование | Блог Гугл Девелоперов


Пользуйтесь...

#DrMax #SEO #Промпт #GIST

🟡 Обновление линейки промптов

Выложил :

VeriScan v1.6 - скилл детектора фейковых отзывов

LinguaForensic v3.8.12 - экспертная система детекции и коррекции AI-сгенерированного текста. Анализирует 284 лингвистических признака по 11 категориям + 16 структурных маркеров дискурса + knockoff-слой (сравнение с LLM-рерайтом) + GEO-слой цитируемости.

#DrMax #SEO #Промпт

✍️ Семантическое проектирование контента под Follow-up промпты (уточняющие вопросы в диалоговых сессиях)

Это метод создания текстовой архитектуры, который позволяет странице оставаться первоисточником (цитироваться) на протяжении всей беседы пользователя с ИИ-ассистентом.

В традиционном SEO страница оптимизируется под одно конкретное намерение (Primary Intent). Нынче важно проектировать контент под траекторию диалога, поскольку пользователь решает задачу пошагово, задавая уточняющие вопросы (Follow-up prompts).

ИИ используют два ключевых паттерна при генерации ответов:

➡️Query Fan-out (Веерные запросы): при вводе пользователем сложного запроса алгоритм параллельно генерирует пачку связанных подзапросов.

➡️Session-based RAG (Поисково-зависимая генерация с учетом контекста сессии): Модель удерживает в памяти контекст предыдущих реплик. Ответ на каждый последующий вопрос строится на пересечении новой реплики пользователя, истории чата и документов, извлеченных из индекса.

Если страница содержит ответы на все потенциальные "веерные" и последующие вопросы, ИИ предпочтет использовать одну проверенную посадочную страницу для всей сессии (снижает затраты модели на переиндексацию новых источников и повышает связность ответа).

Что делать:

1: Картирование прогрессии интента
Необходимо составить карту движения пользователя от информационного запроса к транзакционному действию. Обычно цепочка состоит из 4 уровней:

1.1. (Общая концепция / Базовое решение): Что это такое? Как решить проблему в целом?

1.2. (Ограничители / Контекст): Как сделать это быстрее, дешевле, без опыта, для конкретной ниши, под определенный бюджет?

1.3. (Инструменты / Сравнение): Какие инструменты/продукты использовать? В чем разница между Вариантом А и Вариантом Б?

1.4. (Инструкция к действию / Транзакция): Пошаговый план, шаблон, калькулятор, готовый скрипт.


2: Структурирование внутри одной страницы
Каждая секция страницы должна представлять собой автономный смысловой блок ("чанк"), способный выступить в роли прямого ответа на конкретный вопрос. Используйте теги заголовков H2–H4 в форме потенциальных уточняющих вопросов. Под ним 60 слов - точный ответ.


3: Внедрение "семантических мостов"
Чтобы подсказать ИИ-краулеру, что на странице есть продолжение темы, необходимо использовать фразы-переходы. Они работают как неявные подсказки для алгоритма ранжирования ответов (Reranker).
например:

➡️"Если вы ограничены в бюджете, то альтернативным решением будет..." (Ориентировано на follow-up промпт пользователя: "А есть варианты дешевле?").

➡️"Для тех, кто использует стек технологий [X], этот процесс выглядит иначе..." (Ориентировано на промпт: "Как настроить это для [X]?").

➡️"Основное отличие этого метода от [Альтернатива] заключается в..." (Ориентировано на промпт: "Что лучше: метод А или Б?").

4: Микроразметка сущностей
Для того чтобы ИИ-модель сопоставила ваш контент со своей базой знаний, в коде страницы должна быть явная разметка сущностей через JSON-LD. Используйте типы About и Mentions для связывания ключевых понятий страницы с сущностями в Wikidata/Wikipedia.



🔔 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 #AIOverviews

✍️ Выложил LexAdapt v 1.5.

Это промпт-скилл для LLM, который переписывает тексты под заданный уровень владения языком, сохраняя смысл и естественность речи, без обращения к внешним словарям.

Работает с 2 языками (английский/русский), выполняет адаптацию под несколько уровней сложности.

По сути это переработка метода Re-RIGHT (Jeong et al., ACL 2026) и адаптация под LLM. Крайне рекомендую перед использованием дообучать модель для каждой ниши (примеры есть в тексте).

Забирайте LexAdapt v 1.5. из спец промпт канала.



🔔 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 #Промпт

💡Специфичность как сигнал цитирования LLM

Третьего дня на SEJ вышла интересная статья, где обсуждается специфичность (конкретность) текста для попадания в цитироваие LLM.

Автор написал несколько длинных, узкоспециализированных статей около года назад, не ожидая большой аудитории - тексты были специально сфокусированы на очень конкретной, сужённой теме, без отступлений. Спустя год он заметил, что Клавдия (Claude AI) воспроизводит содержание этих статей в ответах, иногда даже прямо ссылаясь на его посты. Его формулировка:

Если ты пишешь insightful (содержательный) пост на достаточно специфичную тему, и на него ссылаются, у тебя реальный шанс влиять на вывод всех LLM спустя год или около того

Второй пользователь, Tyler, подтвердил похожий эффект на контенте, который сам называет "не особо содержательным, просто специфичным" - и увидел его использование в LLM-ответах примерно за 6 месяцев.

Таким образом, специфичность явно отделена от "глубины" контента. Самое важное утверждение самого автора наблюдения: "being specific by itself is enough" (специфичность сама по себе достаточна). То есть:

Это не то же самое, что "глубокая" или "экспертная" статья

Insightfulness (содержательность) и specificity (специфичность) - два разных, разделимых свойства текста

Tyler явно указывает, что его контент не был особо insightful - но был специфичным, и этого хватило для попадания в LLM-выдачу

Полез почитать исследования - оказывается это давным-давно известно. Так например, работа Su, Ren & Veitch (2606.30625) математически показывает: эмбеддинги в LLM кодируют обратную специфичность. Чем уже и конкретнее тема текста, тем меньше стохастический шум при обучении модели. Узкий текст занимает более точную позицию в семантическом пространстве и имеет более высокую вероятность быть извлечённым и процитированным.

Ну и много других исследований на эту тему.

Еще одна прикольная штука вылезла. Можно буквально "перевернуть" модель обучения всяческих LLM.

Вот смотрите (очень прикольно):

LLM имеют чёткую иерархию предпочтений источников (government > newspaper > person > social media). Однако, повышая специфичность контента мы можем вкрячить в модель "эффект иллюзорной правды". По сути это означает, что крайне специфичный контент не просто цитируется а формирует ответы модели. Мы получаем не трафик, но получаем влияние на то, что модель говорит пользователям.

Экономическая ценность этого низка, но факт влияния - измеримый и достоверный.

Не буду рассказывать как повышать специфичность контента - вы и сами это знаете.

Хотя самый простой прием - не писать "Как увеличить продажи в интернет-магазине" (слишком широко, размытое семантическое позиционирование). Но ежели написать статейку, например, "Как увеличить конверсию корзины на 12% с помощью микро-копирайтинга в карточке товара для косметического бренда с чеком >3000 руб", то явно специфичность такого контента вырастет. Каждый элемент в этой формулировке уменьшает семантический шум и LLM знает (через эмбеддинг-норму), что этот текст про что-то конкретное.

Тестируйте...


PS
ежели вы напишите 100500 узких (специфичных) статей, то их можно будет объединить в Коконец. А это уже будет совершенно другая история для ранжирования )))

Вот в прошлом году писал про коконцы 2.0. серию постов (читайте заподряд). Кстати, я сейчас использую уже 5 генерацию модели коконцев.


🔔 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 #SEOштукенции

🔥 ВордЧекер от Андрея Симагина

Давно не писал про новинки от Андрея. Вот хочу рассказать про его ВордЧекер - веб-сервис для проверки позиций сайта в Яндексе и Google, в том числе посредством пользовательских XML-лимитов.

✓ Выходит ощутимо дешевле многих конкурентов за счет проверки посредством собственных XML-лимитов (XMLStock, XMLRiver) либо средствами системы.
✓ Проверка позиций в один клик, экспорт в Excel, видимость, регионы и конкуренты.
✓ Сбор частотностей запросов по Яндекс Вордстат и Google Ads.
✓ Кластеризация запросов методами Hard и Soft.
✓ Проверка позиций по расписанию.
✓ Импорт проектов из Топвизора, PositionMeter, расширений ВордЧекер и Яндекс Вордстат.

Сервис ВордЧекер был создан по мотивам десктопной программы PositionMeter, поэтому многим его интерфейс покажется знакомым.

Ссылка - https://wordchecker.ru/

Андрею интересен фидбек по функционалу, интерфейсу и юзабилити. Он будет рад услышать ваши комментарии, предложения и пожелания по работе сервиса.

Можно писать как в наши комментарии (Андрей их читает и отписывает), так и непосредственно по контактам сервиса.


#DrMax #SEOштукенции

🥰Google обновил документацию по "бюджету сканирования"

По умолчанию Google использует консервативный подход к сканированию, а также учитывает размер и качество сайта при определении потребности в сканировании:

1. Google начинает с консервативного сканирования для каждого сайта. При запуске сканирования нового сайта, Google устанавливает ограничение пропускной способности по умолчанию.

Вывод: все сайты стартуют с одинакового, заведомо низкого лимита сканирования независимо от размера или репутации домена.

2. Google использует несколько переменных для определения того, как скорректировать сканирование. В документе упоминается, как "размер сайта, частота обновлений, качество страниц и релевантность" влияют на частоту сканирования.

3. Пропускная способность распределяется между всеми сканерами. Таким образом, если один сканер (например, Googlebot-Image) забирает на себя большую часть пропускной способности, это фактически УМЕНЬШАЕТ пропускную способность других сканеров.

Вывод: Googlebot, AdsBot и Google Shopping crawler делят общий пул лимита. AdsBot и Shopping-краулер увеличивают нагрузку при динамическом ремаркетинге или активных товарных фидах.

4. Рекомендуется повышать скорость работы сайта для повышения эффективности. Уточнено, кому реально нужно заботиться о crawl budget: сайты 1M+ уникальных страниц с умеренно часто меняющимся контентом, или 10,000+ страниц с очень быстро меняющимся контентом. Более мелкие сайты, якобы, и так эффективно сканируются.

Отсюда такие умозаключения:

➡️Раз пропускная способность сканирования сайта рассматривается как общая и консервативная, то возврат сообщения "Не изменено" (код 304) для страниц, которые не претерпели изменений - это самый дешевый способ предотвратить чрезмерное потребление бюджета на новый контент статическими страницами. Это незаметное нововведение, но на крупном сайте я бы в первую очередь его внедрил.

➡️Консервативный режим по умолчанию объясняет нытье о "песочнице", мол "Сайт запущен три недели назад, а Google проиндексировал лишь несколько страниц". Это не штраф, а начальное выделение ресурсов, и в документации теперь, по сути, говорится, что вы можете компенсировать это за счет качества и частоты обновлений, а не путем повторной отправки карты сайта пять раз.

➡️Примечание о совместном использовании ресурсов - это крайне важный момент. На сайтах с большим количеством изображений (недвижимость, электронная коммерция, портфолио и прочее), Googlebot-Image может незаметно потреблять часть ресурсов, пока все смотрят на статистику сканирования HTML, поэтому стоит разделить отчет о статистике сканирования GSC по типам ботов, прежде чем предполагать, что проблема в сайте.

И для большинства небольших и средних сайтов вывод остается тем же: ограничением является не бюджет сканирования, а самопроизвольное раздувание URL-адресов. Фасетные параметры, архивы календаря и забытые поддомены для тестирования наносят больше вреда, чем любое ограничение ресурсов.


🔔 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 #Google #Crawl

🕸 Google Search теперь использует Gemini 3.5 Flash-Lite (с 21 июля)

Google выпустил три новых модели Gemini - 3.6 Flash, 3.5 Flash-Lite и 3.5 Flash Cyber, при этом заявленная 3.5 Pro так и не вышла (там офигенская проблема с кодированием - т.е. с вайбкодингом, которую не смогли забороть).

3.5 Flash-Lite - самая быстрая и дешёвая модель класса, 350 output tokens/сек, значительно опережает предыдущие Flash-Lite поколения на агентных задачах, уже раскатывается в Google Search для агентного поиска.

Более быстрые и дешёвые модели в основе AI Mode/Overviews обычно ускоряют масштабирование агентных функций (booking, персональные ассистенты) - важно следить, не изменится ли качество выборки источников при переходе на новую модель для рутинных агентных сценариев.

Ну и конечно, в очередной раз обновились приемы оптимизации под AI Mode Гугла.

Подробнее о новых модельках читайте вот тут.

ЗЫ.
Чанкирование по прежнему рулит.



🔔 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 #Google #AIOverviews

✔️ Обновление LinguaForensic AI Text Detector до версии 3.8.12

На днях обновил и выложил детектор роботности (AI-risk). Самое главное - он теперь достоверно отлавливает RLHF сглаживание старших моделей LLM (т.е. маскировку под человека). Пересчитал веса и встроил дополнительные детекторы поверх прежней базы (284 признака + 16 маркеров + knockoff слой).

Как то это прошло мимо общественности )))

Для чего он вообще нужен этот детектор? Сразу скажу не ради снижения роботности (в скилл встроена такая функция, как обратная от детекта, но лучше её не использовать).

Детектор открывает безграничные возможности анализа выдачи и коррекции текстов.

1. Проверяем топ выдачи ниши (по нескольким интентам) на роботность и оцениваем возможность внедрения pSEO. Ищем ниши, где human-style контент - конкурентное преимущество, либо где AI-контент стал отраслевой нормой.

2. Сравниваем AI-профиль Top с профилем собственного URL. Сопоставляем паттерны детектора с контентными форматами лидеров.

Для своего контента можно:

3. Сравнивать результаты разных LLM на одном ТЗ / один промпт между версиями модели

4. Выявлять говнопромпты, которые стабильно производят легко детектируемую генеренку (например используя tricolon-риторику)

5. Сравнивать вводные/финальные абзацы всех страниц одного кластера

6. Если большая команда у вас - отлавливать ленивых редакторов и наказывать рублем, формировать карту сильных/слабых редакторов.

7. Контролировать качество массовых обновлений устаревших статей (если на автомате обновляете). Находить "переписанные без понимания" экспертные тексты.


Архитектура и pSEO:

8. Контролировать качество карточек товаров

9. Оценивать категории (не выглядит как просто каталог без мнения?)

10. Находить кластеры с одинаковой структурой при разных ключах

11. Оценивать риск запуска нового шаблона до генерации 100500 URL

12. В коконцах находить хабы, которые тупо пересказывают дочерние страницы


Аналитика:

13. Объединить AI-risk с GSC impressions, CTR и position. Проанализировать зависимость между роботностью и скоростью первой индексации, между роботностью и CTR, между роботностью и стабильностью позиций, между роботностью и поведенческим (например scroll depth, дочитываемостью, временем на странице и пр)

14. Искать порог роботности, после которого падает эффективность конкретного сайта/страницы/кластера/каталога и пр.


И еще 100500 разных способов использовать есть. Удивительно универсальный и полезный инструмент получился.


ВАЖНО:

1. Разные LLM дают разный % роботности. Это нормально. Оцените свой текст и сравните с роботностью, например, главы из "Капитанской дочки". ЧатГПТ на последних моделях наиболее суров, по сравнению с той же Клавдией.

2. Обязательно используйте стартовый промпт (приложил в описании). Без него LLM будет усиленно симулировать работу. Как минимум, в РЕЖИМ2 работе, LLM должна сгенерировать рерайт текста для knockoff-диагноза (один из слоев проверки роботности, когда LLM генереачит рерайт детектируемого текста и сравнивает его гладкость и роботность с исходным). Если рерайта нет или скажет что его эмулировала - перезапустите чат и заново вдолбите стартовый промпт. Иначе анализ будет абсолютно недостоверен.


Необходимо понимать:

1. Роботность - не прямая причина падения/роста в Google

2. Нельзя использовать роботность как автоматический повод удалить URL из индекса

3. Скилл не сможет восстанавливать точный исходный промпт конкурента. Много разных промптов и моделей дают похожие текстовые говнопаттерны.

4. Нельзя определять фальшивость автора исключительно по AI-score. Авторство - внешняя проверяемая сущность,а не лингвистическая метрика.


Смешно вышло:

Сгенерачил рабочий текст в Клавдии. Проверил скиллом на роботность. Клавдия аж распсиховалась - мол не доверяешь мне, говорит. Естественно, говорит, это робот сделал (то есть модель клода). Ну и никак я менее 50% роботности без потери качества контента не сделаю. И давай упрекать и ныть ))) Забавно


▶️ Качать вот тут.


🔔 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 #Google #AIOverviews #Промпт

🔥 Как Гугл гнобит контент и куда бечь

На днях вычитал исследование Daniel Stanica "The Great Blogging Collapse". Там расписано, что 100 блогов - миллионников, которые в 2022 году были эталоном заработка на контенте, к 2026 потеряли медианно 85% органического трафика. Выжили только те, чей контент нельзя пересказать AI-суммаризацией без потери ценности: рецепт, который реально готовили, схема вязания, протестированная стежок за стежком, а не простая генеренка "как сделать X".

Крайне интересное и поучительное чтиво.

Отсюда родилась идея: а что если проверять "полезность" контента не через классические SEO-метрики, а через прямой эксперимент - заставить LLM саммаризировать текст и посмотреть, что теряется при сжатии. Если summary полностью закрывает потребность читателя - контент заменяем, и AI Overview его просто сожрет без клика.

Быстренько накидал и протестил хитрую системку CVD (Content Value Detector).

Что делает скилл:

➡️разбивает текст на смысловые юниты (личный опыт, данные, выводы, факты, визуальные артефакты)

➡️генерирует реальное summary, а не эмуляцию

➡️сверяет, что выжило, что деградировало, что пропало

➡️считает Replaceability Score с калибровкой на нишу (Finance и Parenting ведут себя принципиально по-разному)

➡️учитывает size of owned audience - если у вас 50k подписчиков, даже высокая заменяемость текста менее опасна

➡️классифицирует архетип контента: демонстрирует действие или просто описывает

Совместимость:

➡️с GIST-логикой - GIST ищет, каких смысловых узлов не хватает, CVD проверяет, что написанные узлы не сводятся к обобщению

➡️с детектором роботности v3.8.12 - два независимых диагноза: похож ли текст на AI по форме, и заменяем ли он по содержанию, независимо от автора

Работает и в режиме одного чата (просто прикладываете текст и указываете режим), и в агентских системах - каждый режим отдаёт машиночитаемый JSON, который оркестратор может комбинировать с другими скиллами без ручного маппинга полей.

▶️ Скилл - качаем и тестим из спецпромпт канала.

Юзайте и делитесь наблюдениями в нашем SEO чате (комментариях).



🔔 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 #Google #AIOverviews #Промпт

🍎 Крах листиклов и новые возможности SEO/GEO продвижений

В прошлом году была крайне популярна (да что там говорить и крайне эффективна) тактика листиклов. Компании публиковали на собственном блоге статьи вида "Лучшие [категория]", где ставят себя на первое место, а иногда договариваются с конкурентами о взаимном упоминании - по принципу "ты упоминаешь меня, я упоминаю тебя".

Это была современная версия взаимных ссылок. Такие конструкции пихали бренд в ТОПы и Гугла и всяческих LLM. До поры, до времени.

Лили Рэй (Lily Ray) в течении года проводила исследование этого феномена. Вот реальные цифры из её датасета:

➡️184 самопродвигающих листикла у 146 брендов - таков был масштаб паттерна на момент первого анализа

➡️На одном отдельно взятом сайте она обнаружила 191 самопродвигающий листикл ("best", где компания ставит себя на #1) при общей просадке видимости блога после Google-обновления января 2026.

➡️На другом сайте - 267 из 2,790 проиндексированных статей блога оказались такими же self-promotional листиклами, причём 76 из них содержали "2026" в заголовке.

➡️Третий кейс - SaaS-продукт, потерявший -34% суммарной видимости после того же обновления.

Более поздний анализ Lily Ray (100 B2B-запросов "best [категория]" в Google AI Overviews, три замера с апреля по июнь 2026) показал: страница-листикл бренда цитируется, но сам бренд исключается из финальной рекомендации AI Overviews примерно в 69% случаев. Это означает, что Google фактически "отвязал" то, что он цитирует как источник, от того, кого он рекомендует пользователю - самопродвигающий листикл может формально попасть в источники, но конкурент, упомянутый на второй-третьей позиции того же листикла, получит рекомендацию вместо автора статьи.

Общие паттерны у пострадавших сайтов:

➡️Практически идентичные программатик-шаблоны контента

➡️Избыточное использование "2026" в заголовках при том, что год только начался

➡️Отсутствие реальных доказательств тестирования продуктов, которые ранжируются в листикле (Google явно требует свидетельств реального использования для review-контента)

➡️Блог составлял 77–90% всей видимости пострадавших сайтов - то есть удар по этому конкретному разделу контента обрушивал показатели всего домена

Более свежий разбор (июль 2026) подтверждает продолжение тренда: у SaaS/B2B-сайтов с self-promotional листиклами зафиксированы просадки видимости на 30–50% в течение нескольких недель, концентрированные именно в блоговых поддиректориях и сравнительных страницах - и этот эффект переносится не только на Google, но и на ChatGPT, Perplexity и другие системы, которые опираются на индекс Google при retrieval.

Google официально не подтвердил отдельный алгоритмический сигнал или именованное обновление против листиклов как формата - представитель Google заявил The Verge, что компания применяет общие защиты против манипуляций в Search и Gemini, без выделения листиклов в отдельную категорию наказания. Не каждый листикл страдает: объективные списки от третьих лиц без явного элемента самопродвижения сохраняют позиции стабильно.

Сама Lily Ray формулирует альтернативный подход: тактика листиклов может продолжать работать, но не должна размещаться на собственном домене - вместо этого стоит инвестировать в PR и маркетинг, чтобы о бренде писали независимые третьи стороны с реальными данными и исследованиями в подтверждение, поскольку LLM "доверчивы" и цитируют почти всё, что встречают, но именно независимость источника определяет, попадёт ли бренд в финальную рекомендацию, а не только в список цитирований.

Ценность этого исследования заключается не в разоблачении отдельной хитрой механики накрутки (их тысячи таких), а в подтверждении окончательного перехода Гугла к работе с паттернами (шаблонами). Если сайт попадает страницами в какой то негативный паттерн (выборка масштабов не отдельных страниц, а сотен сайтов из инета), то такому сайту приходить конец.

Я хочу на днях сделать самый важный пост года на эту тему.



🔔 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 #Google #AIOverviews

🎮 Гугл выкатил Platform Properties в Search Console

Функция впервые анонсирована 7 июля 2026 в официальном блоге Google Search Central как эксперимент, а 29 июля полностью раскатана глобально всем аккаунтам Search Console.

Platform Properties - новый тип свойства в Search Console (наравне с доменными и URL-префиксными свойствами), но привязанный не к сайту, а к аккаунту на внешней платформе. Поддерживаются четыре платформы: Instagram, TikTok, X и YouTube. Ключевая особенность - доступ получают даже создатели контента, вообще не имеющие собственного сайта.

Внутри есть три отчёта:

➡️Performance report - клики, показы и другие метрики с фильтрацией и сортировкой по конкретным постам и запросам; данные можно экспортировать для анализа во внешних инструментах

➡️Insights report - обзор трендов трафика, топ-контент и способы обнаружения аккаунта через Google

➡️Achievements - геймифицированный трекинг роста, например достижение нового порога кликов из Google Search за последние 28 дней

Подключение ваших платформ происходит через стандартную страницу Search Console → "Add property" → выбор одной из четырёх платформ → авторизация через встроенный процесс подтверждения владения аккаунтом.


Заюзать новинку можно множествами интересных способов:

➡️Понимание поисковой аудитории - через Insights report можно выявлять группы запросов с растущим/падающим трафиком, что даёт данные для тем следующих видео, подписей и хэштегов

➡️Обнаружение трендового контента - 24-часовой фильтр показывает внезапные всплески трафика из Google Search к недавним постам, что позволяет кросс-промоутить их на других платформах

➡️Кросс-платформенный анализ - экспорт данных из нескольких свойств в единую таблицу для сравнения эффективности YouTube, Instagram, X и TikTok side-by-side

➡️Оптимизация существующего контента - выявление старых видео, вновь набирающих поисковый трафик (сигнал для закрепления поста или создания part 2); также можно использовать аннотации Search Console для отслеживания, повлияло ли изменение заголовка YouTube или подписи TikTok на поисковую эффективность

➡️Сравнение форматов - фильтры страниц или режим сравнения для оценки эффективности плейлистов либо сопоставления трафика коротких и полноформатных видео

Это смещает фокус SEO-отчётности с "ранжируется ли сайт" на более широкий вопрос - "где именно бренд обнаруживается на всём пути поиска", поскольку пользовательский путь всё чаще выглядит как Google → YouTube-видео → Instagram-пост → TikTok → визит на сайт позже.

Ранее у SEO-специалистов не было способа увидеть, как контент на доменах без собственного девелоперского доступа (чужие платформы) реально работает именно в контексте Google Search, Discover и Google News.

Это создаёт новую возможность объединить SEO, соцсети и видео-стратегию на основе единых данных о поисковой эффективности, а не разрозненной аналитики каждой платформы по отдельности.



🔔 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 #Google #GSC

🔥 Скилл TEXT HUMANIZATION

В спецпромпт канале выложил скилл TEXT HUMANIZATION by DrMax v1.6.1 - RUNTIME FINAL

Это контролируемый редакторский скилл для доведения готового черновика до ясного, естественного и профессионального текста без потери смысла, фактов, условий, ограничений и доказательности.

Это не свободный рерайтер и не инструмент обхода AI-детекторов. Скилл используют после отработки скилла GIST Content Logic.

Качайте скилл TEXT HUMANIZATION by DrMax v1.6.1 - RUNTIME FINAL

Читайте Хелп и Сценарии работы.

P/S
Финализировал 4 версию GIST (вернее GIST Content Logic Skill-v-4.3). Помимо десятков точечных правок и донастроек, внедрил новый слой, самостоятельно собирающие разнообразные данные. То есть исследовательский слой. Подробное обсуждение и реальные примеры работы - смотрите в нашем SEO чате (канал с комментариями).

PPS
4 версии GIST нет в свободном доступе. И пока не планируется )))

ЗЗЫ
Для эстетов, можно в паплайн встроить скилл детектора роботности и его снижения. Но не вижу особого смысла.

#DrMax #GIST #HUMANIZATION #Промпт

☄️ Скрытые (неочевидные) интенты и их использование в SEO

Под скрытыми интентами понимают потребности пользователя, которые не прописаны в тексте поискового запроса, но логически следуют из его формулировки, ограничений или сценария использования.

Явный интент отвечает на вопрос "что написано в запросе", скрытый интент - на вопрос "что пользователь, скорее всего, имеет в виду, но не сказал прямо".

Например:
запрос "безлактозное молоко для капучино"
явно содержит:
- категорию (молоко),
- ограничение (без лактозы)
- и сценарий (капучино).

Но за этой формулировкой стоит скрытая потребность - молоко должно хорошо вспениваться, хотя слово "пена" в запросе не встречается ни разу. Это и есть скрытый интент: логическое следствие сценария, а не факт из текста.


Важно отличать скрытый интент от произвольной ассоциации.

➡️Скрытый интент - это гипотеза, которая обоснованно следует из конкретных слов запроса и исчезает, если эти слова убрать.

➡️Ассоциация - это то, что просто "часто встречается рядом" с темой, но не вытекает из запроса напрямую.

Работа со скрытыми интентами всегда разделяет эти два случая, потому что подмена одного другим - самая частая ошибка при расширении контента и семантического ядра.


Использование скрытых интентов в SEO:

➡️Находим контент-гэпы, невидимые в частотности.
Ключ может быть низкочастотным, но скрытые интенты за ним подсказывают, какие подтемы нужно закрыть на странице, чтобы она полноценно отвечала на запрос, а не только на его буквальную формулировку.

➡️Объясняем расхождение между показами и кликами.
Часто страница показывается по нужному ключу, но не получает клик, потому что заголовок и сниппет отвечают на явный интент, а пользователь ищет ответ на скрытый.

➡️Понимаем, почему страница застряла на второй странице выдачи.
Позиции 10–20 часто означают не проблему с авторитетностью домена, а недостаточную полноту покрытия темы - то есть именно нераскрытые скрытые интенты.

➡️Формируем структуру страницы (H2/H3/FAQ):
Каждый скрытый интент может стать отдельным разделом или пунктом FAQ.

➡️Снижаем риск переоптимизации и каннибализации.
Явное отделение "обоснованной гипотезы" от "слабой ассоциации" не даёт растягивать одну страницу на десятки слабо связанных подтем, которые лучше развести по разным материалам.

И так далее...


Приёмы использования неочевидных интентов

1. Открываем Google Search Console → Performance → Queries

2. Ишем в GSC запросы с высокими impressions и CTR заметно ниже среднего(симптом того, что заголовок или сниппет не совпадают с ожиданием, стоящим за запросом).

Что делаем:

1. Фильтруем запросы с высокими показами и CTR ниже среднего или ниже ожидаемого для позиции.

2. Для каждого ключа определяем природу запроса - он транзакционный, информационный или смешанный? Частая причина проблемы - страница транзакционная, а запрос по сути информационный (или наоборот): сниппетобещает не то, чего ждёт пользователь.

3. Формулируем 1–2 наиболее вероятных скрытых интента запроса и проверяем, отражены ли они в title и meta description.

4. Переписываем заголовок и описание так, чтобы они явно закрывали именно скрытый интент, а не только повторяли явную формулировку ключа.

5. Проверяем эффект через 2–3 недели по динамике CTR у этой группы запросов.


Следующий сценарий: Ключи на позициях 10–20

Ищем в GSC запросы с позицией 10–20 (иногда 7–20), отсортированные по показам. На этой позиции страница обычно уже отвечает на явный интент запроса - иначе она вообще не попала бы в топ-20. Причина, по которой она не выше, чаще всего - нераскрытые скрытые интенты, которые закрывают конкуренты из топ-5.

Что делаем:

1. Отбираем ключи с позицией 10–20 с наибольшим количеством показов.

2. Для каждого строим список из 3–5 скрытых интентов.

3. Сравниваем с текущей структурой страницы: какие из этих интентов уже покрыты, а какие отсутствуют как отдельные разделы.

4. Дополняем страницу новыми H2/H3-блоками под недостающие скрытые интенты - не переписывая то, что уже работает.


Сценариев использования скрытых интентов - сотни. Я расписал самые очевидные.

В спецпромптаканале выложил скилл для работы со скрытыми интентами. Там есть полное описание, хелп и расширенные приемы работы с ним.

Пользуйтесь

#DrMax #SEO #интент #промпт

🤫 Некоторые приемы использования скилла Latent Intent Analyst

Изначально скилл Latent Intent Analyst делался как часть большой системы Latent Intent Discovery & Evaluation - многоступенчатой архитектуры для discovery-поиска, в которой совмещены анализ интента, генерация гипотез, проверка через каталог и планирование действия с конечным пользователем. Поэтому в скилл встроены избыточные механизмы, но позволяющие выполнять массу хитрых трюков.

Ради интереса я подготовил описание 2-3 десятка таких приемов, дающий максимальный SEO эффект и публикую некоторые из них, наиболее неожиданные и полезные.


1️⃣ Аудит устаревшего контента по уровню информационной достаточности

Cтраницу стоит считать кандидатом на переработку не только по падению трафика, но и если при повторном прогоне её основного ключа information_sufficiency показывает insufficient или partial, а сама страница отвечает только на явный интент, полностью игнорируя новые устойчивые скрытые гипотезы, появившиеся с момента её написания.

Подходящие скрытые интенты: сравнение набора гипотез при повторном прогоне с содержанием существующей страницы.

Типы страниц: любые давно опубликованные материалы, подлежащие плановому пересмотру.

Как выполнять: раз в 6–12 месяцев повторно прогонять ключи основных страниц через скилл → сверять новый набор hidden_intents с текстом страницы → расширять или консолидировать материал по результатам разрыва.

SEO-эффект: системное поддержание актуальности крупных материалов без необходимости полного пересмотра всего контента сайта одновременно.

Влияние на ранжирование: регулярное обновление содержания в ответ на реально изменившийся интент запроса поддерживает или улучшает позиции страницы со временем.

Как использовать скилл: режим human, плановый повторный прогон как часть регулярного контент-аудита.



2️⃣ Аудит карточки товара на полноту покрытия скрытых интентов

Карточка товара часто отвечает только на явный интент (название, характеристики), полностью игнорируя обоснованные скрытые ожидания покупателя. Регулярный аудит по списку hidden_intents показывает, какие блоки описания системно не хватает.

Подходящие скрытые интенты: attribute_completion с confidence: high - это то, что описание карточки обязано покрывать явно.

Типы страниц: карточки товаров и услуг.

Как выполнять: прогнать основной ключ карточки через скилл → сверить каждую сильную гипотезу с текстом описания → дополнить описание недостающими пунктами буквально, а не общими фразами.

SEO-эффект: более полное текстовое соответствие карточки запросу, что особенно важно для карточек с минимальным техническим описанием.

Влияние на ранжирование: улучшение релевантности карточки по длиннохвостым модификациям основного запроса.

Как использовать скилл: режим human, поштучный аудит карточек по одному ключу за раз.



3️⃣ Сниппет-ответ под скрытый, а не явный интент

Большинство руководств по борьбе за выделенный сниппет ответа советуют отвечать прямо на формулировку запроса. Более хитрый приём - строить формулировку ответа под наиболее вероятный implied-интент, а не под буквальный текст ключа: так ответ точнее совпадает с ожиданием пользователя, а не только с его словами.

Подходящие скрытые интенты: attribute_completion уровня implied с confidence: high.

Типы страниц: справочные и блог-страницы по вопросным запросам.

Как выполнять: прогнать ключ через скилл → взять гипотезу с наивысшим confidence → сформулировать первый абзац так, чтобы прямой ответ закрывал и явный, и эту скрытую потребность одним предложением.

SEO-эффект: повышение вероятности захвата блока прямого ответа за счёт более точного совпадения с реальным ожиданием, а не только с текстом запроса.

Влияние на ранжирование: блоки прямого ответа увеличивают видимость и CTR даже без изменения позиции страницы в обычной выдаче.

Как использовать скилл: режим human, гипотеза с максимальным confidence как основа первого абзаца.


Формат Телеграма не позволяет выложить все разработанные хитрые трюки. Выложу их в SEO чате, если не заленюсь )))


🔔 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 #интент