Mituri privind vizibilitatea LLM: schema, llms.txt și mențiunile

Întrebarea despre schema, lent

Marcatul Schema.org descrie o pagină într-un mod lizibil de mașină. Simplu. Google a spus că datele structurate nu sunt necesare pentru funcțiile sale AI, deși totuși ajută la rezultatele bogate, ceea ce este un motiv suficient pentru a le adăuga.

Dacă alimentează modelele direct este necunoscut. Nimeni în afara furnizorilor nu știe. Am testa-o în mod plictisitor: marcăm jumătate dintr-un set de pagini similare, lăsăm cealaltă jumătate nemarcată și înregistrăm citările timp de opt săptămâni.

Practicienii raportează experiențe mixte, inclusiv multă tăcere după marcarea completă. Tăcerea este date. Nu o îngropa sub un alt ciclu de etichete.

Biografiile autorilor și acreditările de „expert” primesc același tratament. Ajută cititorii să decidă dacă au încredere în tine, ceea ce este un motiv suficient, și niciun studiu pe care l-am văzut nu arată că un model preferă o pagină deoarece o biografie era prezentă.

Proaspătatea apare de fiecare dată. Paginile cu o dată de actualizare recentă apar adesea în răspunsurile AI despre subiecte de tip știri, iar Google a folosit de mult timp proaspătimea pentru interogările care o merită. Totuși, actualizarea unei date fără a modifica conținutul este o obișnuință pe care nu ne-am baza, iar Google a spus că nu îi place.

Mențiuni: pariul mai ieftin

Dacă un model citește text, o descriere clară a brandului tău pe alte site-uri poate conta chiar și fără un link. Găsirea acestor pagini este muncă obișnuită de outreach.

Începe cu numele brandului tău. Caută-l, elimină site-urile care deja linkuiesc și listează restul. Apoi cere un link sau o descriere mai simplă. Instrumente precum Ahrefs și Semrush au alerte de mențiuni, iar extragerea profilului de linkuri arată cine linkuiește către competitorii pe care îi invidiezi.

O avertizare finală despre agenții. Vânzarea auditurilor de vizibilitate LLM este o linie nouă de business, iar unele rapoarte sunt subțiri. Întreabă ce a fost eșantionat, când și ce ar fi putut schimba concluzia lor.

Niciunul dintre acestea nu face ca marcatul să fie inutil. Spune că efectul pretins este ne măsurat. Cheltuiește o oră, nu un trimestru, și menține efortul principal pe paginile pe care oamenii chiar vor să le citească.

Ce face schema cu adevărat

Marcatul are sarcini reale chiar și când întrebarea AI rămâne deschisă. Merită să ții aceste sarcini în vedere, astfel încât un rezultat nul pentru citări să nu fie confundat cu un rezultat nul pentru totul.

Rezultate bogate și eligibilitate

Datele structurate pot face o pagină eligibilă pentru funcțiile de rezultate bogate în căutarea clasică Google, unde marcatul este citit și verificat. Acest beneficiu este concret și nu depinde de nicio afirmație despre răspunsurile AI.

Dacă adaugi marcat pentru acest motiv, validează-l cu un instrument de testare a rezultatelor bogate înainte de a publica. Tratează orice efect asupra răspunsurilor AI ca pe un bonus pe care nu l-ai măsurat.

Analiză și claritate

Marcatul declară fapte într-un format fix, cum ar fi un nume de produs, un autor sau o dată. Un analizor care citește pagina poate prelua acele câmpuri fără a ghici. Acea claritate ajută orice instrument care lucrează pe baza structurii paginii.

Claritatea nu este același lucru cu citarea. O pagină poate fi ușor de analizat și niciodată citată, iar alta poate fi citată fără niciun marcat.

Ce nu arată

Schema nu este o listă de voturi pe care modelele le numără. Nu am văzut niciun studiu controlat care să conecteze marcatul singur la o schimbare în citări, așa că oricine promite o creștere ar trebui să arate eșantionul din spate.

Tăcerea după adăugarea marcatului este un rezultat normal al unui test. Secțiunea următoare explică de ce se poate întâmpla fără ca marcatul să fie inutil.

De ce oamenii nu văd nicio schimbare

Vizibilitatea LLM depinde de multe lucruri simultan, iar o singură schimbare rar se remarcă. Ține acest lucru în minte înainte de a judeca un rezultat.

Pârghia poate fi altundeva

Șansele unei pagini de a fi citată depind de crawlabilitatea ei, de conținut, de linkuri și de interogarea însăși. Marcatul atinge una dintre acestea. Când totul celălalt rămâne neschimbat, o schimbare doar de marcat poate fi prea mică pentru a fi văzută.

Înainte de a da vina pe marcat, verifică elementele de bază. Confirmă că pagina este indexată și că textul său apare în HTML și nu doar după rularea unui script.

Divergența interogărilor trimite oamenii altundeva

Unii practicieni descriu divergența interogărilor, în care o singură întrebare devine mai multe sub-căutări. Dacă așa colectează modelele surse, pagina pe care ai marcat-o poate fi citată pentru o sub-interogare pe care nu ai urmărit-o niciodată. Acesta este un motiv pentru care o verificare cu un singur prompt înșală.

Include câteva sub-întrebări în setul tău de prompturi și înregistrează care pagini apar pentru fiecare.

Măsoară înainte de a trage concluzii

Un rezultat are nevoie de un eșantion și de un punct de referință. Opt săptămâni de prompturi înregistrate, împărțite în două grupuri, este un test modest care poate totuși să greșească. Scrie limitele sale lângă rezultat.

Publicează și nulurile. Un test care nu a găsit nimic este tot util pentru următoarea persoană care pune aceeași întrebare.

Redare și ce pot citi modelele

Textul este materialul pe care lucrează un model, așa că întrebarea despre ce poate citi merită testată în loc de presupusă.

Conținut care apare după un script

Unele conținuturi apar doar după rularea unui script. Faptul dacă un asistent dat poate vedea acel conținut este ceva ce poți testa. Compară textul pe care un asistent îl citează cu ceea ce returnează o preluare HTML simplă.

Dacă textul citat lipsește din HTML-ul simplu, pagina depinde de redare. Acest lucru merită știut înainte de a adăuga orice marcat.

Marcat citit ca tokenuri

Unii practicieni susțin că modelele descompun JSON-LD în tokenuri și își pierd structura, astfel încât marcatul adaugă puțin. Argumentul este plauzibil și, în măsura în care știm, este netestat. Nicio parte nu l-a demonstrat cu un eșantion corect.

Tratează-l ca pe o ipoteză pentru propriul tău test, nu ca pe o regulă de citat într-un raport de client.

Întrebări despre marcat și răspunsurile AI

Câteva întrebări care apar o dată ce oamenii încep să testeze marcatul pe propriile pagini.

Ar trebui să elimin schema dacă nu ajută la răspunsurile AI?

Nu pe baza acestei evidențe. Marcatul servește încă funcțiile de căutare clasice și face o pagină mai clară pentru analizori. Elimină-l doar dacă este greșit, depășit sau înșelător.

Merită un fișier llms.txt o oră?

Posibil, ca un experiment ieftin. Propunerea datează din septembrie 2024, și nu am văzut niciun furnizor major confirmând că citește fișierul, așa că nu te aștepta la un rezultat vizibil.

Ajută biografiile autorilor la citări?

Nu cunoștem niciun studiu care să arate asta. Biografiile pot ajuta cititorii să evalueze o pagină, ceea ce este un motiv rezonabil de a le păstra, dar orice efect asupra citărilor este netestat.

Câte pagini ar trebui să includă un test?

Destul încât cele două grupuri să poată fi comparate fără ca o singură pagină să domine rezultatul. Zece până la douăzeci de pagini similare este un început rezonabil pentru un prim test, deși numărul corect depinde de cât variază prompturile tale.