Міфи про видимість у LLM: схеми, llms.txt та згадки

Питання схем повільно

Розмітка Schema.org описує сторінку у машинозрозумілий спосіб. Просто. Google заявив, що структуровані дані не обов'язкові для його AI-функцій, хоча вони все ще допомагають із розширеними результатами пошуку, що є самою по собі хорошою причиною для їх додавання.

Чи живлять вони моделі напряму — невідомо. Ніхто зовні постачальників не знає. Ми б протестували це нудним способом: розмітити половину набору схожих сторінок, залишити іншу половину без змін і вести облік цитування протягом восьми тижнів.

Практики повідомляють про змішаний досвід, включаючи чимало випадків мовчання після повної розмітки. Мовчання — це дані. Не ховайте їх під ще одним колом тегів.

Біографії авторів та «експертні» кваліфікації отримують таке саме ставлення. Вони допомагають читачам вирішити, чи варто довіряти вам, що є достатньою причиною, і жодне дослідження, яке ми бачили, не показує, що модель віддає перевагу сторінці лише через наявність біографії.

Свіжість з'являється знову і знову. Сторінки з недавньою датою оновлення дійсно часто з'являються у відповідях AI на теми, схожі на новини, і Google давно використовує свіжість для запитів, які цього потребують. Все ж таки, оновлення дати без зміни контенту — це звичка, на яку ми не поклалися б, і Google заявив, що не любить цього.

Згадки: більш дешевий варіант

Якщо модель читає текст, чіткий опис вашого бренду на інших сайтах може мати значення навіть без посилання. Пошук таких сторінок — це звичайна робота з залученням.

Почніть зі свого власного бренду. Знайдіть його, виключіть сайти, які вже містять посилання, і перелічіть решту. Потім попросіть посилання або простіший опис. Інструменти, такі як Ahrefs та Semrush, мають сповіщення про згадки, а наш звіт про профіль посилань показує, хто посилається на конкурентів, яких ви заздрите.

Осторожність щодо агентств. Продаж аудиту видимості в LLM — це нова лінія бізнесу, і деякі звіти є поверхневими. Запитайте, що саме було вибрано, коли і що могло б змінити їхній висновок.

Жодне з цього не робить розмістку марною. Це говорить про те, що заявлений ефект не виміряний. Присвятіть годину, не чверть, і зосередьте основні зусилля на сторінках, які люди дійсно хочуть читати.

Що дійсно роблять схеми

Розмітка має реальні завдання, навіть коли питання штучного інтелекту залишається відкритим. Варто тримати ці завдання в полі зору, щоб нульовий результат щодо цитування не сприймався як нульовий результат у всьому.

Розширені результати та доступність

Структуровані дані можуть зробити сторінку доступною для функцій розширених результатів у класичному пошуку Google, де розмітка читається та перевіряється. Ця перевага конкретна і не залежить від будь-яких тверджень про відповіді AI.

Якщо ви додаєте розмітку з цією метою, перевірте її за допомогою інструменту тестування розширених результатів перед публікацією. Ставтеся до будь-якого впливу на відповіді AI як до бонусу, який ви не виміряли.

Парсинг та чіткість

Розмітка фіксує факти у фіксованому форматі, наприклад, назву продукту, автора або дату. Парсер, який читає сторінку, може взяти ці поля без вгадування. Ця чіткість допомагає будь-якому інструменту, який працює зі структурою сторінки.

Чіткість не те саме, що цитування. Сторінка може бути легкою для парсингу і ніколи не цитуватися, а інша може цитуватися без жодної розмітки.

Що вона не показує

Схеми — це не список голосів, які моделі підсумовують. Ми не бачили контрольованого дослідження, яке б пов'язувало лише розмітку зі зміною цитування, тому будь-хто, хто обіцяє стрибок, повинен показати вибірку, що за цим стоїть.

Мовчання після додавання розмітки — це нормальний результат тесту. Наступний розділ пояснює, чому це може статися без того, щоб розмітка була марною.

Чому люди не бачать змін

Видимість у LLM залежить від багатьох речей одночасно, і одна зміна рідко виділяється. Майте це на увазі, перш ніж судити про результат.

Ричаг може знаходитися десь інакше

Ймовірність цитування сторінки залежить від її доступності для краулінгу, контенту, посилань та самого запиту. Розмітка торкається однієї з цих речей. Коли все інше залишається незмінним, зміна лише розмітки може бути занадто малою, щоб її помітити.

Перш ніж звинувачувати розмітку, перевірте базу. Переконайтеся, що сторінка проіндексована, а її текст з'являється в HTML, а не лише після запуску скрипта.

Розгалуження запитів відправляє людей кудись інакше

Деякі практики описують розгалуження запитів, коли одне питання стає кількома підпошуками. Якщо так модель збирає джерела, сторінку, яку ви розмітили, можуть цитувати для підзапиту, якого ви ніколи не відстежували. Це одна з причин, чому перевірка за одним промптом вводить в оману.

Включіть кілька підзапитів у свій набір промптів і запишіть, які сторінки з'являються для кожного.

Вимірюйте, перш ніж робити висновки

Результат потребує вибірки та базового рівня. Вісім тижнів записаних промптів, розділених на дві групи, — це скромний тест, який все ще може бути хибним. Напишіть його обмеження поруч із результатом.

Публікуйте також нулі. Тест, який нічого не виявив, все ще корисний для наступної людини, яка задасть те саме питання.

Рендеринг і те, що можуть читати моделі

Текст — це матеріал, з якого працює модель, тому питання про те, що вона може читати, варте перевірки, а не припущення.

Контент, який з'являється після скрипта

Деякий контент з'являється лише після запуску скрипта. Те, чи може даний помічник бачити цей контент, — це те, що ви можете протестувати. Порівняйте текст, який цитує помічник, з тим, що повертає звичайне отримання HTML.

Якщо цитований текст відсутній у звичайному HTML, сторінка залежить від рендерингу. Це варто знати перед додаванням будь-якої розмітки.

Розмітка читається як токени

Деякі практики стверджують, що моделі розбивають JSON-LD на токени і втрачають його структуру, тому розмітка додає мало. Аргумент правдоподібний, і, наскільки нам відомо, він не перевірений. Жодна зі сторін не показала це на справедливій вибірці.

Ставтеся до цього як до гіпотези для вашого власного тесту, а не як до правила для цитування в звіті для клієнта.

Питання щодо розмітки та відповідей AI

Кілька питань, які виникають, коли люди починають тестувати розмітку на своїх власних сторінках.

Чи варто видаляти схеми, якщо вони не допомагають відповідям AI?

Не на основі цих доказів. Розмітка все ще служить функціям класичного пошуку та робить сторінку чіткішою для парсерів. Видаляйте її лише якщо вона неправильна, застаріла або вводить в оману.

Чи вартий файл llms.txt години?

Можливо, як дешевий експеримент. Пропозиція датується вереснем 2024 року, і ми не бачили, щоб великий постачальник підтвердив, що він читає файл, тому не очікуйте видимого результату.

Чи допомагають біографії авторів з цитуванням?

Жодне дослідження, яке нам відомо, цього не показує. Біографії можуть допомогти читачам оцінити сторінку, що є справедливою причиною для їх збереження, але будь-який вплив на цитування не перевірений.

Скільки сторінок має включати тест?

Досить, щоб дві групи можна було порівняти без домінування однієї сторінки в результаті. Десять-двадцять схожих сторінок — це розумний початок для першого тесту, хоча правильна кількість залежить від того, наскільки сильно варіюються ваші промпти.