Мифы о видимости в LLM: Schema, llms.txt и упоминания

Вопрос о разметке Schema: медленно и обстоятельно

Разметка Schema.org описывает страницу в машиночитаемом виде. Все просто. Google заявлял, что структурированные данные не обязательны для его AI-функций, хотя они по-прежнему помогают с расширенными результатами поиска, что уже является достаточной причиной для их добавления.

Питает ли она модели напрямую — неизвестно. Никто за пределами вендоров этого не знает. Мы бы протестировали это «скучным» способом: размечали половину набора похожих страниц, оставляли вторую половину без разметки и вели лог цитирований в течение восьми недель.

Практикующие специалисты сообщают о смешанном опыте, включая множество случаев, когда после полной разметки наступало молчание. Молчание — это данные. Не закапывайте их под очередную порцию тегов.

Биографии авторов и пометки об «экспертности» получают такое же отношение. Они помогают читателям решить, стоит ли вам доверять, чего уже достаточно, и ни одно из известных нам исследований не показало, что модель предпочитает страницу только из-за наличия биографии.

Свежесть контента всплывает постоянно. Страницы с недавней датом обновления часто появляются в AI-ответах по новостным темам, и Google давно использует свежесть для запросов, где это уместно. Тем не менее, проставление новой даты без изменения контента — это привычка, на которую мы бы не полагались, и Google заявлял, что не любит такое.

Упоминания: более дешевая ставка

Если модель читает текст, четкое описание вашего бренда на других сайтах может иметь значение даже без ссылки. Поиск таких страниц — это обычная работа по линкбилдингу.

Начните с названия вашего бренда. Найдите его, исключите сайты, которые уже ссылаются, и составьте список остальных. Затем запросите ссылку или более простое упоминание. Инструменты вроде Ahrefs и Semrush имеют оповещения об упоминаниях, а наш анализ ссылочного профиля показывает, кто ссылается на конкурентов, которых вы завидуете.

Напоследок предостережение об агентствах. Продажа аудитов видимости в LLM — это новое направление бизнеса, и некоторые отчеты поверхностны. Спрашивайте, что именно было выбрано в выборку, когда и что могло бы изменить их выводы.

Ничто из этого не делает разметку бесполезной. Это лишь говорит о том, что заявленный эффект не измерен. Потратьте час, а не квартал, и сосредоточьте основные усилия на страницах, которые люди действительно хотят читать.

Что разметка Schema все-таки делает

Разметка решает реальные задачи, даже если вопрос с AI остается открытым. Важно держать эти задачи в фокусе, чтобы нулевой результат по цитированию не был ошибочно принят за нулевой результат по всем остальным аспектам.

Расширенные результаты и eligibility

Структурированные данные могут сделать страницу eligible для расширенных результатов поиска в классическом Google, где разметка читается и проверяется. Это конкретное преимущество, не зависящее от каких-либо заявлений об AI-ответах.

Если вы добавляете разметку по этой причине, проверьте ее с помощью инструмента тестирования расширенных результатов перед публикацией. Любое влияние на AI-ответы считайте бонусом, который вы еще не измерили.

Парсинг и ясность

Разметка фиксирует факты в строгом формате, например, название продукта, автора или дату. Парсер, читающий страницу, может извлечь эти поля без догадок. Эта ясность помогает любому инструменту, работающему со структурой страницы.

Ясность не то же самое, что цитирование. Страница может быть легко распарсена и никогда не цитироваться, а другая может быть процитирована вообще без разметки.

Что разметка не показывает

Schema — это не список голосов, которые модели подсчитывают. Мы не видели контролируемых исследований, связывающих только разметку с изменением цитирований, поэтому любой, кто обещает рост, должен показать выборку, на которой основывается.

Молчание после добавления разметки — это нормальный результат теста. В следующем разделе объясняется, почему это может происходить, не делая разметку бесполезной.

Почему люди не видят изменений

Видимость в LLM зависит от множества факторов одновременно, и одно изменение редко выделяется на их фоне. Имейте это в виду, прежде чем оценивать результат.

Рычаг влияния может находиться в другом месте

Вероятность цитирования страницы зависит от ее доступности для краулинга, контента, ссылок и самого запроса. Разметка затрагивает лишь один из этих факторов. Когда все остальное остается без изменений, изменение только разметки может быть слишком малым, чтобы его заметить.

Прежде чем винить разметку, проверьте базу. Убедитесь, что страница проиндексирована, а ее текст присутствует в HTML, а не появляется только после выполнения скрипта.

Расщепление запроса (query fan-out) отправляет пользователей в другие места

Некоторые специалисты описывают query fan-out, когда один запрос превращается в несколько подпоисков. Если именно так модель собирает источники, размеченная вами страница может быть процитирована по подзапросу, который вы никогда не отслеживали. Это одна из причин, по которой проверка по одному промпту может вводить в заблуждение.

Включите несколько подзапросов в набор ваших промптов и записывайте, какие страницы появляются для каждого из них.

Измеряйте, прежде чем делать выводы

Результату нужна выборка и базовый уровень. Восемь недель логирования промптов, разделенных на две группы, — это скромный тест, который все еще может быть ошибочным. Запишите его ограничения рядом с результатом.

Публикуйте и нулевые результаты. Тест, который ничего не показал, все равно полезен следующему человеку, который задаст тот же вопрос.

Рендеринг и то, что могут читать модели

Текст — это материал, с которым работает модель, поэтому вопрос о том, что она может читать, стоит протестировать, а не принимать на веру.

Контент, появляющийся после выполнения скрипта

Некоторый контент появляется только после выполнения скрипта. То, может ли данный ассистент видеть этот контент, — это то, что вы можете протестировать. Сравните текст, который цитирует ассистент, с тем, что возвращает обычный запрос HTML.

Если цитируемый текст отсутствует в чистом HTML, страница зависит от рендеринга. Это стоит знать, прежде чем добавлять какую-либо разметку.

Разметка, читаемая как токены

Некоторые специалисты утверждают, что модели разбивают JSON-LD на токены и теряют его структуру, поэтому разметка добавляет мало пользы. Аргумент правдоподобен, и, насколько нам известно, он не протестирован. Ни одна из сторон не показала это на справедливой выборке.

Относитесь к этому как к гипотезе для вашего собственного теста, а не как к правилу для цитирования в отчете клиенту.

Вопросы о разметке и AI-ответах

Несколько вопросов, которые возникают, когда люди начинают тестировать разметку на своих страницах.

Стоит ли удалять Schema, если она не помогает AI-ответам?

Нет, на основании этих данных. Разметка по-прежнему служит функциям классического поиска и делает страницу более понятной для парсеров. Удаляйте ее только если она неверна, устарела или вводит в заблуждение.

Стоит ли файл llms.txt одного часа?

Возможно, как дешевый эксперимент. Предложение датируется сентябрем 2024 года, и мы не видели подтверждений от крупных вендоров, что они читают этот файл, поэтому не ожидайте видимого результата.

Помогают ли биографии авторов с цитированием?

Нет известного нам исследования, которое это показывало. Биографии могут помочь читателям оценить страницу, что является веской причиной их оставить, но любой эффект цитирования не изучен.

Сколько страниц должен включать тест?

Достаточно, чтобы две группы можно было сравнить без доминирования одной страницы над результатом. Десять-двадцать похожих страниц — разумное начало для первого теста, хотя правильное число зависит от того, насколько сильно варьируются ваши промпты.