Mity dotyczące widoczności w LLM: schema, llms.txt i wzmianki

Pytanie o schema, krok po kroku

Oznaczenia Schema.org opisują stronę w sposób czytelny dla maszyn. Proste. Google stwierdziło, że dane strukturalne nie są wymagane do jego funkcji AI, choć nadal pomagają w uzyskaniu rozszerzonych wyników, co samo w sobie jest dobrym powodem do ich dodania.

Czy bezpośrednio zasilają modele? Nie wiadomo. Nikt poza dostawcami nie wie. Przetestowalibyśmy to w nudny sposób: oznaczamy połowę zestawu podobnych stron, drugą połowę pozostawiamy bez zmian, i rejestrujemy cytowania przez osiem tygodni.

Praktycy zgłaszają mieszane doświadczenia, w tym wiele przypadków ciszy po dodaniu pełnych oznaczeń. Cisza to też dane. Nie zasypaniej ich kolejną turą tagów.

Biografie autorów i certyfikaty „eksperta” są traktowane podobnie. Pomagają czytelnikom ocenić, czy warto Ci zaufać, co jest wystarczającym powodem do ich stosowania, a żadne badanie, jakie widzieliśmy, nie wykazało, że model preferuje stronę tylko dlatego, że zawiera biografię.

Świeżość pojawia się za każdym razem. Strony z aktualną datą aktualizacji często pojawiają się w odpowiedziach AI na tematy newsowe, a Google od dawna wykorzystuje świeżość w zapytaniach, które tego wymagają. Mimo to podnoszenie daty bez zmiany treści to nawyk, na którym nie polecalibyśmy polegać, a Google stwierdziło, że nie podoba mu się to.

Wzmianki: tańsza opcja

Jeśli model czyta tekst, jasny opis Twojej marki na innych stronach może mieć znaczenie nawet bez linku. Znalezienie takich stron to zwykła praca linkbuildingowa.

Zacznij od własnej nazwy marki. Wyszukaj ją, odrzuć strony, które już linkują, i wypisz pozostałe. Następnie poproś o link lub prostszy opis. Narzędzia takie jak Ahrefs i Semrush mają alerty wzmianek, a nasz pobranie profilu linkowego pokazuje, kto linkuje do konkurentów, których zazdrościsz.

Ostateczne ostrzeżenie dotyczące agencji. Sprzedaż audytów widoczności w LLM to nowa gałąź biznesu, a niektóre raporty są powierzchowne. Zapytaj, co zostało przebadane, kiedy i co mogłoby zmienić ich wnioski.

Żadne z tego nie sprawia, że oznaczenia są bezcelowe. Mówi to tylko, że deklarowany efekt nie został zmierzony. Poświęć godzinę, nie kwartał, i skup główny wysiłek na stronach, które ludzie faktycznie chcą czytać.

Co schema faktycznie robi

Oznaczenia mają realne zastosowania, nawet gdy pytanie dotyczące AI pozostaje otwarte. Warto mieć te zastosowania na uwadze, aby wynik zerowy w zakresie cytowań nie został pomylony z wynikiem zerowym dla wszystkiego.

Rozszerzone wyniki i kwalifikowalność

Dane strukturalne mogą kwalifikować stronę do funkcji rozszerzonych wyników w klasycznej wyszukiwarce Google, gdzie oznaczenia są odczytywane i weryfikowane. Ta korzyść jest konkretna i nie zależy od żadnych teorii dotyczących odpowiedzi AI.

Jeśli dodajesz oznaczenia z tego powodu, zwaliduj je za pomocą narzędzia do testowania rozszerzonych wyników przed publikacją. Traktuj jakikolwiek wpływ na odpowiedzi AI jako bonus, który nie został zmierzony.

Parcing i klarowność

Oznaczenia przedstawiają fakty w stałym formacie, takim jak nazwa produktu, autor lub data. Parser odczytujący stronę może pobrać te pola bez zgadywania. Ta klarowność pomaga każdemu narzędziu pracującemu na strukturze strony.

Klarowność to nie to samo co cytowanie. Strona może być łatwa do parsowania i nigdy nie być cytowana, a inna może być cytowana bez żadnych oznaczeń.

Czego nie pokazuje

Schema to nie lista głosów, które modele sumują. Nie widzieliśmy kontrolowanego badania, które łączyłoby samo oznaczenie ze zmianą w cytowaniach, więc każdy obiecujący wzrost powinien przedstawić próbkę, na której się opiera.

Cisza po dodaniu oznaczeń to normalny wynik testu. W następnym rozdziale wyjaśniamy, dlaczego może się tak stać, mimo że oznaczenia nie są bezwartościowe.

Dlaczego ludzie nie widzą zmian

Widoczność w LLM zależy od wielu czynników jednocześnie, a pojedyncza zmiana rzadko rzuca się w oczy. Pamiętaj o tym, zanim ocenisz wynik.

Dźwignia może znajdować się gdzie indziej

Szanse strony na cytowanie zależą od jej crawlowalności, treści, linków i samego zapytania. Oznaczenia dotykają jednego z tych elementów. Gdy wszystko inne pozostaje bez zmian, sama zmiana oznaczeń może być zbyt mała, by ją zauważyć.

Zanim obwinisz oznaczenia, sprawdź podstawy. Upewnij się, że strona jest zaindeksowana, a jej tekst widoczny w HTML, a nie tylko po uruchomieniu skryptu.

Rozgałęzianie zapytań wysyła użytkowników w inne miejsce

Niektórzy praktycy opisują rozgałęzianie zapytań (query fan-out), w którym jedno pytanie zamienia się w kilka podzapytań. Jeśli tak model gromadzi źródła, oznaczona przez Ciebie strona może zostać cytowana w odpowiedzi na podzapytanie, którego nigdy nie śledziłeś. To jeden z powodów, dla których sprawdzenie jednym zapytaniem może mylić.

Uwzględnij kilka podzapytań w zestawie promptów i zanotuj, które strony pojawiają się dla każdego z nich.

Mierz przed wyciągnięciem wniosków

Wynik wymaga próbki i punktu odniesienia. Osiem tygodni zarejestrowanych promptów podzielonych na dwie grupy to skromny test, który nadal może być błędny. Zapisz jego ograniczenia obok wyniku.

Publikuj też wyniki zerowe. Test, który nic nie wykazał, jest nadal przydatny dla kolejnej osoby zadającej to samo pytanie.

Renderowanie i to, co modele mogą odczytać

Tekst to materiał, na którym pracuje model, więc pytanie o to, co może odczytać, warto przetestować, a nie zakładać.

Treść pojawiająca się po uruchomieniu skryptu

Niektóre treści pojawiają się dopiero po uruchomieniu skryptu. To, czy dany asystent może zobaczyć tę treść, możesz przetestować. Porównaj tekst cytowany przez asystenta z tym, co zwraca zwykłe pobranie HTML.

Jeśli cytowany tekst brakuje w zwykłym HTML, strona zależy od renderowania. Warto to wiedzieć przed dodaniem jakichkolwiek oznaczeń.

Oznaczenia odczytywane jako tokeny

Niektórzy praktycy argumentują, że modele rozkładają JSON-LD na tokeny i tracą jego strukturę, więc oznaczenia dodają niewiele. Argument jest prawdopodobny, a jak dotąd nieprzetestowany. Żadna ze stron nie przedstawiła tego na uczciwej próbce.

Traktuj to jako hipotezę do własnego testu, a nie jako regułę do cytowania w raporcie dla klienta.

Pytania dotyczące oznaczeń i odpowiedzi AI

Kilka pytań, które pojawiają się, gdy ludzie zaczynają testować oznaczenia na własnych stronach.

Czy powinienem usunąć schema, jeśli nie pomaga w odpowiedziach AI?

Nie na podstawie tych dowodów. Oznaczenia nadal służą klasycznym funkcjom wyszukiwania i sprawiają, że strona jest bardziej klarowna dla parserów. Usuń je tylko wtedy, gdy są błędne, nieaktualne lub wprowadzające w błąd.

Czy plik llms.txt jest wart godziny pracy?

Być może, jako tani eksperyment. Propozycja pochodzi z września 2024 r., a nie widzieliśmy potwierdzenia od żadnego dużego dostawcy, że odczytuje ten plik, więc nie oczekuj widocznego wyniku.

Czy biografie autorów pomagają w cytowaniach?

Żadne znane nam badanie tego nie wykazuje. Biografie mogą pomóc czytelnikom ocenić stronę, co jest wystarczającym powodem do ich zachowania, ale jakikolwiek wpływ na cytowanie pozostaje nieprzetestowany.

Ile stron powinien obejmować test?

Wystarczająco dużo, aby obie grupy można było porównać bez dominacji jednej strony nad wynikiem. Dziesięć do dwudziestu podobnych stron to rozsądny początek pierwszego testu, choć właściwa liczba zależy od tego, jak bardzo różnią się Twoje prompty.