# Geo Aeo Ru > GEO/AEO/LLM SEO — видимость бренда в ответах ChatGPT, Perplexity, YandexGPT; Citation Share, llms.txt. Триггеры: «попасть в ответы AI». НЕ контент под Яндекс→seo-machine-ru. - Skill: `jhamidun/geo-aeo-ru` (Agent Skill, multi-file: 10 files) - Install (CLI): `npx skillmds@latest add jhamidun/geo-aeo-ru` - Raw SKILL.md: https://api.skillmd.com/api/skills/jhamidun/geo-aeo-ru/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Marketing & Growth - Author: JHamidun (https://skillmd.com/u/jhamidun) - Updated: 2026-09-22 - Page: https://skillmd.com/skills/jhamidun/geo-aeo-ru --- # GEO / AEO / LLM SEO — видимость бренда в AI-ответах (RU) Playbook по **Generative Engine Optimization**: как сделать так, чтобы твой бренд/продукт появлялся в ответах ChatGPT, Claude, Perplexity, Gemini, Google AI Overviews, а в российском контуре — GigaChat, YandexGPT, Яндекс Нейро. Это **не редакционный** и **не программатический** скилл про создание контента. Это **стратегия видимости**: измерить, где ты сейчас в AI-ответах, понять как LLM выбирают источники, применить тактики попадания, замерить рост Citation Share. > **Источник истины:** `references/geo-llm-seo-research.md` (локальная копия research'а, все цифры > со ссылками на Princeton/Ahrefs/Semrush/Conductor). Цифры в этом скилле — оттуда. > **Не выдумывай новых бенчмарков** — если числа нет в research, говори «нет данных». **Перед началом прочитай `~/.claude/business-context.md`** — разделы «Продукт» (как называется бренд, за какими словами его должны находить), «Позиционирование» (в какой категории хочешь, чтобы тебя искали, и с кем сравнивают) и «ICP» (кто задаёт вопрос модели). Файла нет — заведи из `~/.claude/templates/business-context.md`. Без него замерять нечего: Citation Share считается по конкретным бренду и категории запросов, и «посмотрим, что ответит модель про AI-обучение вообще» — это не замер, а любопытство. Список конкурентов для сравнения тоже берётся оттуда, иначе окажется, что ты выиграл долю у тех, с кем не пересекаешься. --- ## Границы со смежными скиллами (читай перед стартом) | Задача | Скилл | Почему не сюда | |--------|-------|----------------| | Написать SEO-статью под Яндекс, семантическое ядро, кластер | `seo-machine-ru` | там Python-пайплайн качества + Wordstat/Tilda стек | | Массовая генерация сотен страниц (1 ключ = 1 страница, n8n) | `ai-seo-agent-pipeline` | там программатическая фабрика страниц | | Базовая нота «что любит цитировать каждый движок» | `seo-machine-ru/references/aeo-geo.md` | там краткий чеклист; **здесь** — полная стратегия с измерением | | Сама JSON-LD разметка (Article/FAQPage/Person) | `schema-markup-ru` | там шаблоны; здесь — какая schema нужна для GEO и почему | | Прогон промптов через несколько моделей | `perplexity` / `multi-model-gateway` | инструменты; здесь — методология аудита | **Этот скилл отвечает на:** «мой бренд вообще видят в AI?», «как измерить?», «как попасть?», «чем GigaChat отличается?». Стратегия и измерение, не текст. --- ## Что такое GEO / AEO / LLM SEO **Три названия — одна суть:** оптимизация контента под видимость в ответах генеративных AI. | Термин | Расшифровка | Кто ввёл | |--------|-------------|----------| | **GEO** (Generative Engine Optimization) | под генеративные движки | Aggarwal et al., Princeton/IIT Delhi, arXiv 2311.09735, KDD 2024 | | **AEO** (Answer Engine Optimization) | под «движки ответов» | Conductor, индустрия 2024-2025 | | **LLM SEO / AI SEO / AISO** | народные варианты | индустрия | GEO и AEO — синонимы на ~90%. GEO про модель, AEO про UX-формат ответа. Используем GEO как зонтик (первым появился в академии). ### Почему это новый рынок, а не extension SEO - **GEO ≠ SEO.** Только **12% URL**, цитируемых AI, пересекаются с топ-10 Google. Только **62%** совпадение между ранжированием Google и видимостью ChatGPT. Это два разных рынка. - **Brand mentions обогнали backlinks.** Ahrefs (75K брендов): brand mentions коррелируют с AI Overview presence в **3:1 над backlinks**. YouTube mentions — 0.737 корреляция, web mentions 0.664, классический Domain Rating — всего 0.218. - **Что НЕ работает:** keyword stuffing (Princeton: «no improvement»), технический жаргон, авторитетный тон без подтверждений. Часть классических SEO-приёмов в GEO бесполезна. ### Кризис, который это породил (аргумент перед клиентом/руководством) - **Zero-click: 60%** запросов в 2024 → **80-83%** на запросах с AI Overviews в 2026. - **HubSpot потерял 70-80%** органики (13.5M → 6-7M → <1M) за 2024-2025. Канонический кейс. - **Но AI-трафик конвертит в 4-14× выше** Google organic (ChatGPT B2B 14-16% vs 1.76%). Объём пока ~1% веба, но рост **+527% за 5 месяцев**. Маленький, но качественный и быстрорастущий канал. → детали и все источники: `references/tactics.md` (раздел «Кризис и цифры»). --- ## Как LLM выбирают источники (3 канала + citation pipeline) **Три фундаментально разных пути попасть в ответ:** 1. **Training data** — модель «запомнила» бренд при обучении (Common Crawl, Reddit, Wikipedia, лицензированные датасеты). Долгая ставка. Главный сигнал для Claude. 2. **RAG / live browsing** — модель лезет в индекс в момент ответа (ChatGPT→Bing, Perplexity→свой краул, Gemini→Google, Яндекс Нейро→Яндекс). Быстрорастущая ставка. 3. **Citation в видимом ответе** — то самое «попасть в [1], [2], [3]». Perplexity, иногда ChatGPT/Gemini, Claude через Citations API. Большинство тактик целят в **#2 + #3** (быстро), но настоящий moat — **#1** (массовые упоминания на цитируемых доменах → попасть в обучающие данные следующего поколения моделей). **Citation pipeline (4 стадии):** query fan-out (запрос → 8-12 sub-queries) → chunking & retrieval → passage selection (claim density, entity clarity, recency) → attribution. Большинство SEO-контента валится на retrieval, потому что «зарывает ответ» в середину статьи — LLM не дочитает. ### Кто что любит цитировать (краткая матрица) | Движок | Главный источник | Что любит | Training vs Live | |--------|------------------|-----------|------------------| | **ChatGPT** | Wikipedia (47.9% top-10) | энциклопедичность, entity clarity, recency, Bing-индекс | Medium / High | | **Perplexity** | **Reddit (46.7%)** | BLUF в первых 100 словах, свежесть (×3.2 за 30 дн), schema, inline-citations | Low / Very High | | **Claude** | UGC (2-4× выше других), NYT/Atlantic | формальный тон, verifiable claims, престижная журналистика, bullet-points (+30%) | High / Low (off по умолчанию) | | **Gemini / AI Overviews** | Google index + Reddit (21%) | традиционный SEO, Google Business Profile, structured data | Medium / High | | **GigaChat** | RU-веб, новости | присутствие в RU-инфополе (vc/Habr), бизнес-фокус | High / Medium | | **YandexGPT / Нейро** | Яндекс-индекс | топ Яндекса + структурированные ответы + FAQ | — | **Концентрация авторитета:** top-15 доменов = **68% всех AI-цитат** (5W Index 2026). Source dominance (Semrush, 17M citations): Reddit 40.1%, Wikipedia 26.3%, YouTube 23.5%. → полный разбор каждого движка: `references/tactics.md` (раздел «Как движки выбирают источники»). --- ## Тактики попадания (что реально работает) **Princeton GEO study** (9 тактик на GEO-bench, 10K queries). Что даёт **+30-40%** к visibility: | Тактика | Эффект | Как | |---------|--------|-----| | **Quotation Addition** | +30-40% | релевантные цитаты от других источников | | **Statistics Addition** | +30-40% | числа, проценты, конкретика | | **Cite Sources** | +30-40% | ссылки на авторитетные источники внутри контента | | Fluency / Easy-to-Understand | +15-30% | читабельность, упрощение | | ~~Keyword Stuffing~~ | ~0% | **НЕ работает** | | ~~Authoritative tone~~ | ~0% | **НЕ работает** без подтверждений | **Контент-принципы:** BLUF (главный ответ в первых 100 словах — 90% выигравших Perplexity-цитат), chunk-friendly структура (блоки по 150 слов), density of claims (один параграф = одно проверяемое утверждение с числом), original research (корреляция 0.79 с visibility), recency stamps, FAQ-секции, comparison-контент («vs», «best», «top»). **Distribution (где публиковать, Tier 1):** Reddit (40% цитат), Wikipedia (26%), YouTube (0.737 корреляция), Quora, Substack/Medium. **Нельзя постить про себя с brand-аккаунта** — модерация банит. **Технические артефакты:** schema (Article + FAQPage + Person + Organization — hygiene, не magic), llms.txt (только 3.2% сайтов, downside нулевой, upside спекулятивный — делать «на всякий случай»), robots.txt **allow** для GPTBot/ClaudeBot/PerplexityBot/Google-Extended/CCBot (блокировка = самоубийство в долгую). **SSR обязателен** — AI-краулеры не рендерят JavaScript. → полный список тактик с приоритетами и числами: `references/tactics.md`. --- ## Workflow: аудит видимости бренда в AI Базовая последовательность (применима к любому бренду): 1. **Собрать prompt-set (50 промптов, 5 типов):** - *Brand direct:* «Расскажи про [Бренд]» — проверка training data inclusion - *Category:* «Лучшие [категория] для [задача]» — в шортлисте ли ты - *Comparison:* «[Бренд] vs [Конкурент]» — наличие и тон - *Problem-aware:* «Как решить [проблему, которую решает бренд]?» — самый сильный сигнал фита - *Niche / long-tail:* специфические запросы из реальных юз-кейсов клиентов 2. **Прогнать через 6 платформ:** ChatGPT, Claude, Perplexity, Gemini, GigaChat, YandexGPT (+ Яндекс Нейро для РФ). Инструмент — `multi-model-gateway`, `perplexity` или любой агрегатор LLM. 50 промптов × 6 платформ = базовый аудит. 3. **Зафиксировать baseline по чеклисту** (для каждого ответа): - [ ] Бренд упомянут напрямую? Со ссылкой на оф. сайт? - [ ] Из какого источника LLM взял бренд (Wikipedia/Reddit/личный сайт)? - [ ] Тон (позитив/нейтрал/негатив)? Корректна ли категория/USP? - [ ] Не путается ли с конкурентом? Какие конкуренты рядом? В какой позиции? 4. **Посчитать метрики:** Citation Share (% ответов с упоминанием), Share of Voice (доля vs конкуренты), Sentiment, Top sources. → методология: `references/measurement-tools.md`. 5. **Найти гэпы → план:** где конкуренты есть, а тебя нет = что создать/где засеяться. 6. **Поставить трекинг:** Otterly ($29/мес), Profound ($499), или свой prompt-runner на API. Перемерить через квартал, сравнить с baseline. → метрики, инструменты с ценами, методология промпт-аудита: `references/measurement-tools.md`. --- ## Скрипты (исполняемая механика, scripts/) Методология выше — «что проверять»; скрипты — реально проверяют. Все выводят JSON в stdout, зависимости: `requests` + `beautifulsoup4` (уже стоят). Портировано из geo-seo-claude (MIT) с RU-адаптацией (кириллица-паттерны, YandexBot, ru-wiki, Habr/vc.ru). ```bash cd ~/.claude/skills/geo-aeo-ru/scripts # 1. Citability: скоринг пассажей страницы 0-100 (134-167 слов, BLUF, цифры, self-containment) python citability_scorer.py https://site.ru/article # 2. llms.txt: проверить наличие/формат ИЛИ сгенерировать по главной python llmstxt_generator.py https://site.ru # validate python llmstxt_generator.py https://site.ru generate # → generated_llmstxt в JSON # 3. Технический фетч: страница/robots (доступ 16 AI-краулеров, вкл. YandexBot)/llms/sitemap/всё python fetch_page.py https://site.ru robots python fetch_page.py https://site.ru full # 4. Brand mentions: Wikipedia en+ru / Wikidata (API-проверка) + чек-листы YouTube/Reddit/LinkedIn/Habr python brand_scanner.py "YourBrand" yourbrand.ru ``` Куда смотреть в выводе: `average_citability_score` + `bottom_5_citable` (что переписать), `ai_crawler_status` (BLOCKED = невидимость), `has_ssr_content: false` = AI-краулеры видят пустоту, `has_wikipedia_page_ru/en` + `has_wikidata_entry` (training-data блокер). Скрипты НЕ заменяют промпт-аудит (workflow выше) — они проверяют сайт, а не ответы LLM. --- ## Российская специфика (главное отличие этого скилла) **Западные GEO-тулы (Profound, Otterly, Peec AI, AthenaHQ) НЕ мониторят GigaChat / YandexGPT / Яндекс Нейро.** Это слепая зона — и одновременно возможность. - **GigaChat vs YandexGPT/Alice:** одни и те же бренды показывают **2-3× разную Share of Voice** между ними (GeoScout). → отдельный мониторинг каждой русской платформы обязателен. - **GigaChat:** обучен на русскоязычных данных, бизнес-фокус, экосистема банка-вендора. Любит присутствие в RU-инфополе (vc.ru, Habr, новости). Training-weight высокий. - **YandexGPT / Alice / Нейро:** поверх Яндекс-индекса. Оптимизация = классический SEO под Яндекс (см. `seo-machine-ru` + `yandex`) + структурированные ответы + FAQ + recency. 12% пользователей нейросетей в РФ выбирают YandexGPT. → полный разбор русских LLM + почему западные тулы их не видят + стратегия под русские платформы: `references/russian-llm.md`. --- ## Как применить это к своему продукту (двойная игра) GEO обычно даёт две параллельные выгоды — используй обе: **(1) Попасть в ответы как рекомендуемый вариант в своей категории.** Цель: на категорийный или problem-aware запрос («какие есть [категория] для [задача]?», «чем решить [проблема]?») твой бренд оказывается в ответе ChatGPT/Perplexity/Claude рядом с конкурентами, желательно в выгодной формулировке категории. Типовые блокеры: нет Wikipedia-страницы (критично для Claude/ChatGPT training data), нет sustained Reddit/Habr presence, нет оригинального исследования как citation-магнита. Прогони workflow-аудит выше, найди свой блокер и закрой его. **(2) Тот же движок можно продавать.** Скрипты из `scripts/` + промпт-аудит по шести платформам собираются в услугу «AI Visibility»: клиент называет бренд и 20 промптов → прогон → Citation Share и отчёт. На RU-рынке это пока незанято ровно потому, что западные тулы не ходят в GigaChat/YandexGPT/Нейро. Структуру коммерческого предложения бери в `sales-enablement-ru`, рендер отчёта — в `slides` / `pptx`, цену калибруй через `pricing-strategy-ru`: отдельного шаблона КП здесь нет и не нужно. → План работ на квартал складывай сам: P0 — то, что чинится за неделю (robots, llms.txt, schema), P1 — переписывание топ-страниц под цитируемость, P2 — работа на упоминания. По каждому пункту заранее запиши метрику из `references/measurement-tools.md` и дату повторного замера, иначе результат нечем будет предъявить. --- ## References (читать по необходимости) | Файл | Когда | |------|-------| | `references/measurement-tools.md` | метрики SoV/Citation Share, инструменты трекинга с ценами, методология промпт-аудита | | `references/tactics.md` | полный список тактик попадания (Princeton +30-40%, distribution, schema, llms.txt, кризис и цифры, разбор каждого движка) | | `references/russian-llm.md` | GigaChat/YandexGPT/Нейро специфика, почему западные тулы их не видят, стратегия под русские LLM | | `references/geo-llm-seo-research.md` | подробный разбор рынка GEO: платформы, исследования, инструменты с ценами | ## Связки (не дублировать — звать существующее) - Написание контента под цитируемость → `seo-machine-ru` (роли + Python-пайплайн). - Массовая генерация страниц под long-tail → `ai-seo-agent-pipeline`. - JSON-LD разметка (Article/FAQPage/Person/Organization) → `schema-markup-ru`. - Прогон промптов через модели → `multi-model-gateway` / `perplexity`. - Публикация на площадки (Habr/VC/RBC/LinkedIn) для distribution → скиллы публикации постов, `tilda`. ## Реальный опыт (changelog/уроки) - **v1.1 (2026-07-18):** добавлена исполняемая механика `scripts/` (citability_scorer / llmstxt_generator / fetch_page / brand_scanner) — порт из zubair-trabzada/geo-seo-claude (MIT, 9K★) с RU-адаптацией: кириллица-паттерны в скоринге, YandexBot в robots-чеке, ru-wiki + Habr/vc.ru в brand-скане, UTF-8 stdout под Windows, lxml опционален. Смок пройден (py_compile + usage). - **v1.0 (2026-06-22):** создан из research'а по GEO/LLM SEO. Все бенчмарки — из research. Отделён от `seo-machine-ru` (контент под Яндекс) и `ai-seo-agent-pipeline` (программатическая фабрика): этот скилл — про ИЗМЕРЕНИЕ видимости и СТРАТЕГИЮ попадания в LLM-ответы + российскую специфику. - **Главный инсайт для РФ:** западные GEO-тулы не видят GigaChat/YandexGPT/Нейро → у любого RU-бренда есть уникальная возможность для GEO-мониторинга этих платформ.