# Aeo Ru

> Навык оптимизации под поисковые AI-системы: Answer Engine Optimization (AEO) и Generative Engine Optimization (GEO) — запуск, аудит, оптимизация и мониторинг цифровых ресурсов для доминирования в ответах нейросетей (ChatGPT Instant, ChatGPT Thinking, Perplexity, Google AI Overviews, Gemini, Claude). Реализует полный Playbook V2 (140+ техник на базе 247 исследований SearchEngineLand): 4 независимых канала видимости, механика кэша чтения Markdown у OpenAI (стрипинг JSON-LD и выживание alt-текста), заголовки до 289 символов для labrador, архитектура 117-словных атомарных пассажей, мультимодальное GEO изображений (патент Google на Image-First matching), оптимизация Accessibility Tree для AI-агентов (Atlas, WebMCP, Playwright), привязка бренда против Ghost Citations, 85% след в сторонних источниках (Reddit, YouTube), 56-дневный baseline GSC с матрицей Keep/Fix/Remove/Add, отслеживание Dark Funnel в GA4 (#:~:text=), стандарт llms.txt и непрерывный 4-статусный мониторинг. 100% Python stdlib.

- Skill: `asmadey/aeo-ru` (Agent Skill, multi-file: 8 files)
- Install (CLI): `npx skillmds@latest add asmadey/aeo-ru`
- Raw SKILL.md: https://api.skillmd.com/api/skills/asmadey/aeo-ru/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Web & Frontend
- Author: Asmadey (https://skillmd.com/u/asmadey)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/asmadey/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:

| Канал видимости | Поисковый движок | Бюджет индексации и механика работы |
|---|---|---|
| **ChatGPT Instant** (~90% бесплатных пользователей) | Собственный индекс OpenAI `labrador` | **Заголовок (до 289 символов) + первые ~200 символов после H1.** Не открывает живую страницу во время синтеза ответа. |
| **OpenAI Reading Cache** | Конвертер страниц в Markdown в оперативной памяти | **Полностью удаляет теги `<script type="application/ld+json">`.** Видимый текст и `alt`-атрибуты картинок сохраняются на 100%. Кэшируется на срок до 30 дней. |
| **ChatGPT Thinking / Atlas** (Deep Research / Агенты) | Автономный браузерный агент (`ChatGPT-User`) | Читает сырой HTML и **Accessibility Tree** (ARIA-роли, ориентиры, доступные имена). 74% цитирования для открытых страниц против 7% для неоткрытых. |
| **Perplexity / Gemini / AI Overviews** | Независимые веб-индексы (пересечение всего 8–10%) | Извлекают семантические пассажи по 200–500 токенов на основе стороннего консенсуса и сопоставления изображений (Image-First). |
| **Google Organic & Lens** | Googlebot и мультимодальные эмбеддинги | Полный HTML, Core Web Vitals, сопоставление денотации изображений (20 млрд поисков Google Lens в месяц). |

---

### 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

```text
┌─────────────────────────────────────────────────────────────┐
│  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:
```bash
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:
```bash
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:
```bash
# 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`:
```bash
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:
```bash
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:
```bash
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:
```bash
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:
```bash
python3 scripts/api_manager.py --status
```

---

## Часть IV: База знаний (`references/`)

Углубленные руководства для практической реализации:
- [openai_markdown_cache_and_rendering.md](references/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](references/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](references/accessibility_tree_for_ai_agents.md): Оптимизация Accessibility Tree для AI-агентов (Atlas, WebMCP, Playwright), семантические ориентиры, имена элементов.
- [page_refresh_and_cannibalization.md](references/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](references/chatgpt_instant_vs_thinking.md): Разбор индекса `labrador`, 200-значный бюджет, живые открытия `ChatGPT-User`, языковой мультипликатор `/en/`.
- [third_party_ugc_footprint.md](references/third_party_ugc_footprint.md): Построение 85% следа на Reddit, YouTube и авторитетных агрегаторах.
- [anti_ghost_citation_guide.md](references/anti_ghost_citation_guide.md): Синтаксическая привязка бренда, именные индексы и создание собственных бенчмарков.
- [content_verification_pipeline.md](references/content_verification_pipeline.md): Фильтр трех агентов (Редактор, Факт-чекер, Детектор AI-клише) для устранения AI-мусора.
- [llms_txt_guide.md](references/llms_txt_guide.md): Спецификация стандарта, файловая структура и шаблоны для `llms.txt` и `llms-full.txt`.
- [geo_entity_optimization.md](references/geo_entity_optimization.md): 5-уровневый стек видимости GEO и 12 шаблонов семантических блоков.
- [bot_access_and_monitoring.md](references/bot_access_and_monitoring.md): Реестр краулеров (`GPTBot`, `ClaudeBot`, `PerplexityBot`), директивы robots.txt.
- [extractable_content_patterns.md](references/extractable_content_patterns.md): 7 готовых шаблонов блоков для легкого извлечения нейросетями.
- [llm_citation_patterns.md](references/llm_citation_patterns.md): Специфика ранжирования и цитирования в Perplexity, ChatGPT, Claude и Gemini.
- [aeo_eeat_canon.md](references/aeo_eeat_canon.md): Алгоритмические критерии оценки E-E-A-T и отраслевые пороги.
- [aeo_vs_seo.md](references/aeo_vs_seo.md): Сравнительный анализ классического поиска и генеративных движков.
- [api_configuration.md](references/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.