Aeo Ru

Answer Engine Optimization (AEO) & Generative Engine Optimization (GEO)

Запуск, аудит, структурирование и масштабирование видимости вашего бренда с нуля до вершины в поисковых AI-движках.

AEO/GEO — это не традиционное SEO с добавлением модных AI-терминов. Это системная инженерия контента, технической инфраструктуры, семантической доступности и консенсуса сторонних источников на четырех независимых рынках поиска, где генеративные модели синтезируют готовые ответы вместо показа 10 синих ссылок.

Часть I: Модель целевых систем

1. Четыре независимых канала видимости

Ваш контент должен одновременно снабжать данными четыре принципиально разных механизма поиска:

2. Базовая единица контента: атомарный пассаж (~117 слов)

• Нейросети цитируют пассажи, а не страницы целиком. Медианная длина цитируемого пассажа в AI Mode составляет 117 слов.
• 85% цитируемых пассажей полностью самодостаточны (в них отсутствуют зависимые связки вроде "как упоминалось выше").
• 48% часто переиспользуемых пассажей начинаются с прямого вопроса.
• Контракт страницы: Страница — это кластер независимых модульных пассажей. Каждая H2-секция должна отвечать на один конкретный пользовательский запрос и существовать автономно.

3. Кэш Markdown у OpenAI и расширенные заголовки

• Стрипинг JSON-LD: При преобразовании HTML в Markdown кэш OpenAI вырезает все <script>. Микроразметка Schema.org не попадает в контекст модели. Все ключевые факты, цифры и авторские регалии обязаны присутствовать в видимом тексте и атрибутах alt изображений.
• 289-символьный заголовок для Labrador: В то время как Google и Bing обрезают title на 60–75 символах, индекс OpenAI labrador сохраняет до 289 символов. Развернутый информативный заголовок-предложение, насыщенный сущностями, кардинально повышает вероятность плотного семантического сопоставления.
• Хранение кэша (Stale-While-Revalidate): Контент может храниться в кэше OpenAI до 30 дней. Принудительное обновление инициируется отправкой свежих HTTP-заголовков Last-Modified и пингом IndexNow.

4. Мультимодальное GEO изображений (Image-First Matching)

• Патент Google на Image-First Matching: Поисковый конвейер Google сначала ищет совпадение запроса с визуальным эмбеддингом картинки, а затем забирает окружающий ее текст для синтеза AI Overview.
• Денотация против коннотации: Зрительные модели AI считывают денотативные данные (что физически изображено: графики, схемы, скриншоты интерфейсов) и полностью игнорируют бессодержательные стоковые фото (коннотацию).
• Alt-текст как контейнер сущностей: Фактографический alt-текст переживает очистку в Markdown и служит важнейшим якорем контекста как для Google, так и для OpenAI.

5. Accessibility Tree для автономных AI-агентов (Atlas, WebMCP, Playwright)

• Автономные AI-агенты не смотрят на пиксельную верстку; они ориентируются по дереву доступности (Accessibility Tree).
• Используйте семантические ориентиры: <main>, <article>, <nav>, <aside aria-label="disclaimer">.
• Обеспечьте явные доступные имена для интерактивных элементов (aria-label, текст кнопок) без абстрактных формулировок вроде "нажмите здесь".

6. Защита от Ghost Citations и брендовые активы

• Опасность Ghost Citations: Более чем в 40% случаев AI извлекает факт или статистику, но полностью отбрасывает упоминание бренда.
• Синтаксическая привязка бренда: Встраивайте бренд непосредственно в грамматическую структуру утверждения:
  • ❌ "Исследования показывают снижение задержки на 35%."
  • ✅ *"Согласно исследованию инфраструктуры [Brand], задержка снизилась на 35% [1]."*
• Именные активы: Создавайте фирменные интеллектуальные активы, которые модель обязана атрибутировать: Индекс [Brand], Ежегодный отчет [Brand], Фреймворк [Brand].

7. Сторонний консенсус и атрибуция Dark Funnel

• Правило 85% заработанного следа: 85% упоминаний брендов в AI-ответах поступает со сторонних ресурсов (Reddit, YouTube, профильные медиа, агрегаторы).
• Корреляция упоминаний бренда с Google AI Overviews: r = 0.664 (против 0.218 для традиционных обратных ссылок).
• Возврат Dark Funnel: 22.4% трафика из AI-поисковиков ошибочно классифицируется в GA4 как Direct / None. Отслеживайте текстовые фрагменты URL (location.hash с якорем #:~:text=), чтобы вернуть глубокие переходы из AI Overviews.

Часть II: 5-фазный фреймворк запуска и обновления

┌─────────────────────────────────────────────────────────────┐
│  Фаза 0: Выбор ниши и исследование воронки (Дни 1–7)        │
│  ToFU (Проблема), MoFU (Сравнение решений), BoFU (Выбор/ROI)│
├─────────────────────────────────────────────────────────────┤
│  Фаза 1: Технический фундамент, кэш и ARIA (Недели 1–2)     │
│  Сырой HTML <4МБ, Accessibility Tree, robots.txt, llms.txt  │
├─────────────────────────────────────────────────────────────┤
│  Фаза 2: Пассажи и мультимодальные изображения (Недели 2–4) │
│  Заголовок под labrador, 200-значный лид, факты в alt-тексте│
├─────────────────────────────────────────────────────────────┤
│  Фаза 3: Производство и фильтр 3 агентов (Недели 3–10)      │
│  Редактор, Факт-чекер, Детектор AI-штампов, Именной актив   │
├─────────────────────────────────────────────────────────────┤
│  Фаза 4: Сторонний след и Dark Funnel (Недели 4–12+)        │
│  Reddit value-first, YouTube, отслеживание фрагментов GA4   │
├─────────────────────────────────────────────────────────────┤
│  Фаза 5: Матрица обновления GSC 56 дней (Непрерывно)        │
│  Протокол Keep / Fix / Remove (301) / Add (без каннибализма)│
└─────────────────────────────────────────────────────────────┘

Часть III: Исполняемый инструментарий (scripts/)

Все инструменты работают на чистой стандартной библиотеке Python 3.9+ без внешних зависимостей (stdlib-only):

1. Аудитор готовности к AEO (aeo_audit.py)

Оценивает 5 измерений E-E-A-T, 200-символьный бюджет ChatGPT Instant, самодостаточность заголовка под labrador, выживаемость картинок в кэше Markdown и независимость пассажей:

python3 scripts/aeo_audit.py --input post.md --industry saas
python3 scripts/aeo_audit.py --url https://example.com/post --output json
python3 scripts/aeo_audit.py --sample

2. Семантический оптимизатор (aeo_optimizer.py)

Расширяет H1 для поискового индекса OpenAI labrador (до 250 символов), обогащает alt-тексты картинок фактами, перестраивает текст в самодостаточные пассажи, привязывает бренд к фактам и добавляет JSON-LD:

python3 scripts/aeo_optimizer.py --input post.md --brand "CloudMetrics" --mode balanced --output post-aeo.md

3. Трекер видимости и Ghost Citations (citation_tracker.py)

Ведет учет запросов по 4-статусной матрице видимости (both, ghost, mention, neither) и рассчитывает коэффициент Ghost Citation Ratio:

# Логирование проверки запроса
python3 scripts/citation_tracker.py add --url https://example.com/guide \
  --llm perplexity --query "что такое AEO" --status both --brand "CloudMetrics"

# Генерация отчета по URL с Ghost Citation Ratio
python3 scripts/citation_tracker.py report --url https://example.com/guide

4. Генератор и валидатор llms.txt (llms_txt_generator.py)

Создает, проверяет синтаксис и собирает документацию по официальному стандарту llms.txt:

python3 scripts/llms_txt_generator.py generate --template saas --name "MyBrand" --url "https://mybrand.com"
python3 scripts/llms_txt_generator.py validate --file llms.txt
python3 scripts/llms_txt_generator.py dump --input-dir ./docs --output llms-full.txt

5. Исследователь поисковых запросов (query_researcher.py)

Распределяет высоковероятные промпты по воронке продаж (ToFU / MoFU / BoFU) и формирует инструкции по отслеживанию Dark Funnel в GA4:

python3 scripts/query_researcher.py --topic "Kubernetes Observability" --region US

6. Генератор отчетов и матрицы рефреша (report_generator.py)

Формирует исполнительные сводки, отчеты с дельтой баллов до/после и матрицу обновления страниц Keep / Fix / Remove / Add:

python3 scripts/report_generator.py --project "SaaS Launch" --audit-json audit.json --output report.md
python3 scripts/report_generator.py --project "Enterprise Portal" --refresh-matrix

7. Библиотека успешных паттернов (success_patterns.py)

Каталог проверенных шаблонов извлечения сниппетов и локальное накопление успешных решений:

python3 scripts/success_patterns.py --list
python3 scripts/success_patterns.py --stats

8. Менеджер внешних API (api_manager.py)

Подключение внешних сервисов (OpenAI, Anthropic, Gemini, Perplexity, Ahrefs, SEMrush) при необходимости:

python3 scripts/api_manager.py --status

Часть IV: База знаний (references/)

Углубленные руководства для практической реализации:

• openai_markdown_cache_and_rendering.md: Кэш чтения Markdown у OpenAI, стрипинг JSON-LD, сохранение alt-текста, лимит заголовка 289 символов в labrador, stale-while-revalidate.
• multimodal_image_geo.md: Патент Google на Image-First matching, 20 млрд поисков Google Lens в месяц, аудит денотации и коннотации.
• accessibility_tree_for_ai_agents.md: Оптимизация Accessibility Tree для AI-агентов (Atlas, WebMCP, Playwright), семантические ориентиры, имена элементов.
• page_refresh_and_cannibalization.md: 56-дневный baseline в GSC, матрица Keep/Fix/Remove/Add, 3-шаговый тест независимости страниц, защита URL-истории.
• chatgpt_instant_vs_thinking.md: Разбор индекса labrador, 200-значный бюджет, живые открытия ChatGPT-User, языковой мультипликатор /en/.
• third_party_ugc_footprint.md: Построение 85% следа на Reddit, YouTube и авторитетных агрегаторах.
• anti_ghost_citation_guide.md: Синтаксическая привязка бренда, именные индексы и создание собственных бенчмарков.
• content_verification_pipeline.md: Фильтр трех агентов (Редактор, Факт-чекер, Детектор AI-клише) для устранения AI-мусора.
• llms_txt_guide.md: Спецификация стандарта, файловая структура и шаблоны для llms.txt и llms-full.txt.
• geo_entity_optimization.md: 5-уровневый стек видимости GEO и 12 шаблонов семантических блоков.
• bot_access_and_monitoring.md: Реестр краулеров (GPTBot, ClaudeBot, PerplexityBot), директивы robots.txt.
• extractable_content_patterns.md: 7 готовых шаблонов блоков для легкого извлечения нейросетями.
• llm_citation_patterns.md: Специфика ранжирования и цитирования в Perplexity, ChatGPT, Claude и Gemini.
• aeo_eeat_canon.md: Алгоритмические критерии оценки E-E-A-T и отраслевые пороги.
• aeo_vs_seo.md: Сравнительный анализ классического поиска и генеративных движков.
• api_configuration.md: Инструкция по подключению внешних API.

Чек-лист перед публикацией материала

Перед публикацией или обновлением любого ключевого материала проверьте:

• Технический вес: Размер сырого HTML < 4 МБ (без ссылок, внедряемых через клиентский JS).
• Заголовок под Labrador: H1 представляет собой законченное информативное предложение (до 250–289 символов), дающее сильный семантический сигнал.
• Лид ChatGPT Instant: Первые 200 символов сразу под H1 дают прямой исчерпывающий ответ (без хлебных крошек и оглавления).
• Выживаемость в кэше Markdown: Все главные факты, цифры и регалии автора присутствуют в основном видимом тексте (не полагайтесь исключительно на JSON-LD).
• Денотация картинок: Изображения содержат информативные схемы, графики или инструкции с подробным фактографическим alt-текстом.
• Ориентиры Accessibility Tree: Корректно расставлены теги <main>, <article>, <nav>, <aside aria-label="дисклеймер"> без безымянных кнопок.
• Самодостаточность пассажа: Каждая H2-секция отвечает на вопрос автономно (без ссылок на "сказанное ранее").
• Защита от потери авторства: Числовые данные и выводы исследований грамматически привязаны к имени бренда или отчета.
• Таблицы сравнения: Сравнительные матрицы оформлены стандартными таблицами Markdown или HTML.
• Атрибуция Dark Funnel: В GA4 настроен параметр для фиксации текстовых фрагментов (location.hash с #:~:text=).
• Сохранение URL: Успешные страницы (Keep) сохраняют исходный URL slug и H1, чтобы не обнулять историю цитирования в LLM.
• Наличие llms.txt: В корне домена доступен валидный файл llms.txt, ссылающийся на данный материал.