Выступление основателя Rush Agency о семантическом SEO: переход от ключевых слов к сущностям, графу знаний, триплетам и векторному поиску, а также о генерации SEO-статей с помощью AI-агентов.
Key Takeaways
- Оптимизация должна строиться вокруг сущностей, атрибутов и интентов, а не плотности ключевых слов.
- Качественный контент с полным покрытием сущностей и правильной структурой лучше ранжируется и попадает в ответы нейропоиска и ChatGPT.
- AI-агенты и RAG позволяют масштабировать создание статей при условии, что контекст и источники заданы точно.
What the video covers
- Докладчик — основатель Rush Agency и продукта SeaLegends, в SEO с 2008 года, сейчас руководит разработкой в компании.
- Поиск (Яндекс, Google) перешёл от TF-IDF и BM25 к извлечению сущностей, интентов и построению графа знаний; ключевые слова по вхождению больше не работают.
- Ключевые понятия семантического веба: таксономия (иерархия понятий) и онтология (связи между сущностями).
- Триплеты subject–predicate–object (например, «Binance предоставляет услугу трейдинга») — основа представления знаний для поисковых систем.
- Рост голосового поиска и разговорного стиля запросов: запросы стали скорее промптами, требующими понимания смысла и атрибутов (кухня, рейтинг, локация, время работы).
- Поисковые системы хранят сущности с атрибутами и ранжируют по полноте соответствия атрибутов, актуальности данных и сигналам поведения.
- Пайплайн поиска: краулинг, разбиение на чанки, векторизация (эмбеддинги), векторная база данных и косинусная близость для определения семантической схожести.
- Пример с кредитами на авто и фундаментами показывает, как косинусная близость помогает оценивать релевантность подтем.
- Агенты могут автоматизировать анализ конкурентов, сущностей и интентов и генерировать аутлайны статей вместо простых ТЗ.
- Галлюцинации LLM снижаются при подаче правильного контекста (с 38% до 1.3% в приведённом примере), поэтому рекомендуется RAG-подход.
Chapters
- 00:00Введение и представление спикера
- 01:40Семантический веб: таксономия и онтология
- 03:50Триплеты и граф знаний
- 05:00Голосовой поиск и запросы-промпты
- 07:00Как поиск ранжирует сущности и векторный поиск
- 13:00Автоматизация с помощью AI-агентов и генерация статей
- 18:20Галлюцинации LLM и RAG
- 23:40Риски AI-контента и итоги
Full Transcript — Download SRT & Markdown
Speaker A
А, друзья, всем привет. Спасибо, что сегодня собрались. Буду вам сегодня рассказывать интересную тему про семантическое SEO. Немножко обо мне. Я фаounder Rush Agency и produkt sealegends.
Speaker A
А, с 2008 года в SEO и сейчас лидирую направление разработки в нашей компании. И сегодня у меня для вас очень много интересной инфы, но времени очень мало, поэтому будет много визуала. Следите за руками. О чём мы ещё поговорим сегодня? Это сематический
Speaker A
поиск. Почему он уходит от ключевых слов сущностям? Спойлер ключевых слова больше не работает. можете забить на это, как вытаскивать сущности изчграфа, расскажу.
Speaker A
Будет много англицизмов, буду стараться переводить. Тити - это сущность по-английски, потому что осна комментации - это тис. Как автоматизировать анализ с помощью агентов? То, что вы должны сегодня вынести из презентации, как делать не ТЗ на тексты, а аутлайны статей, полные
Speaker A
планы статей, которые действительно будут ранжироваться потом. А расскажу про ятексты. А много интересной инфы привёз из своих поездок в Чангмай, другие западные конференции, которые были там неделю назад, для вас нарезал. И почему я тексты у одних в топе, а у других не совсем? Ну и как
Speaker A
попадает в рекомендации чат GPT с помощью сематического SEO и других фишек. Начнём вообще сематичного поиска, семантического веба. Почему Этара пришла, как это работает. То есть раньше можно было спамить ключами, там классику окна Москва и прочее, потому что главенствующие алгоритмы - это были TF,
Speaker A
IDF и БМ-25, которые многие из вас знают. Теперь поисковики ленки, ленки - это неросеть, извлекают сущности, смысла интента. Также строят граф знаний.
Speaker A
Сейчас это работает именно так. уже работает. Это не будущая технология какая-то, да? У нас есть два основных понятия в сематическом веби. Это токсономия, это структура иерархия и антология - это свя связь между сущностями. Например, Стив Джобс, э, founder Apple. iPhone был
Speaker A
запущен в 2007 году. Стив Джобс родился в Сан-Франциско. Сан-Франциско находится в Калифорнии. Вот он, в принципе, граф граф связей. М, кому как удобно. А почему это классная штука? Эта концепция делает информацию понятней и для машин, а и для, э, людей. А давайте посмотрим,
Speaker A
что такое таксоноя. У нас есть животные, например естькопитающие кошки, домашняя кошка, сямская кошка. То есть такя описывает иерархию от общего к частному. То есть это сужает какое-либо понятие, да. В Википедии, викидата, на уличи, например, той же и в эстопедии в большом сайте
Speaker A
данные построены именно так. Структурированы страницы именно так. Давайте посмотрим теперь на антологию. Есть утверждение: кошка - это домашнее животное. Кошка ест корм. Думаю, всем очевидно. Кошка - друг человека.
Speaker A
Кошка любит молоко. Кошка имеет шест. То есть вот так устроилась связь с сущности. На очень простом примере по-русски. Перейдём теперь к научным немножко понятиям, которые используются в поисковой математике и в поиске CH, что в Яндексе, что в Гугле. Это самая
Speaker A
важная штука в сематическом поиске - это триплеты. Именно в модели subject predicate object, где у нас subject кошка любит, любит это предиate, а молоко - это объект. Вот связь сущности вли устроена вот так вот. Также это может быть Binance предоставляет услугу
Speaker A
трейдинга, где subject predicate object. Как это выглядит в knowledge графе? Binance работает с Европа. Binance имеет лицензия, где Европа лицензия этой сущности. Binance конкурирует с Coinbase и Binance поддерживает биткои. Думаю, как бы всем это очевидно в таком формате. Почему вообще поиск пришёл от
Speaker A
ключевых слов на извлечение смыслов, семантики, нографа и прочем? Да. Да, мы стали искать по-другому. 25% запросов к поиску в США сейчас выполняется с помощью голоса. А зумеры вообще каждый день используют, больше половины зумеров используют голосовой поиск. Как это
Speaker A
выглядит? Раньше мы искали итальянский ресторан профсоюзный или на профсоюзный. Сейчас мы берём, что мы берём э мобилу, вот так вот зажимаем в Гугле либо в Алисе микрофон и говорим: "Найди мне ресторан итальянская кухня с высокой оценкой в районе метропрофсоюзно,
Speaker A
который работает до 23, потому что в 22 мы хотим попить свинишку". Красиво, приятно. То есть наши запросы теперь скорее промты, чем просто ключевые слова. И без понимания смысла запроса поиск не сможет дать вам ответ. Почему?
Speaker A
Потому что вот такого вхождения не будет ни на одной странице. Раньше мы искали вот так, потому что знали, мы ищем вхождение по факту на странице. Как это выглядит внутри поиска? Здесь лазер есть. Пиу-пиу, да, есть. Поиск раскладывает вот этот
Speaker A
вот запрос, вот этот, который я, ну, про итальянский ресторан, на такие штуки. А инtт вообще там поиск либо запрос. Там есть другие типы интентов, да, там купить, например, а тип сущности, ресторан и атрибуты. итальянская кухня, рейтинг, есть локация и там атрибут
Speaker A
закрытия после 23:00. Перейдём на русский язык. Что поиск э думает? То есть как он работает? Что ищем?
Speaker A
Ресторан, там не зоопарк как бы ни отед, ничего. Какую э итальянскую кухню должен он подавать? Не китайскую, ни русскую.
Speaker A
Ресторан имеет рейтинг выше 4.0. Ресторан находится в какой-то локации. Ну и так далее. И обязательно, что время его работы заканчивается в 23 либо позднее. Вот так может выглядеть э сущность, которая хранится в NЧграфиic поиске Goгла. Я говорю про Google. В
Speaker A
Яндексе работает как обычно всегда примитивнее, но примерно так же. Есть сущностьтория от Джовани. У неё есть тип ресторан, название, а кухня, рейтинг, вся вот такая интересная информация. Там закрывается он 23:00, средний чек и прочее. Вот так это может выглядеть в
Speaker A
Гугле. Далее происходит ранжирование, когда мы такой запрос задаём. Пост проверяет полноту соответствия, что атрибуты совпали, близость к локации, которую мы выбрали. рейтинг, он проверяет актуальность данных, дата последнего обновления, например, отзывы, ну и комбеский, сигнал. Он может много параметров таких проверять. Это это к
Speaker A
примеру прощённый. Дальше мы видим знакомые ответы совершенно. Это Google Mode, которые замечательно в августе, сентябре, октябре раскатали в России. И он нам говорит: "Вот по твоим критериям есть там два рестика: Торточика и Питора. Я живу". И действительно, они
Speaker A
все совпадают. Это два хороших ресторана по всем этим параметрам. То есть поиск Евр. Ну и также поиск с Алисой. Почему я показываю нейроответы? Потому что с обычным поиском это действительно также всё работает. Просто ещё хочет нейроответы показать. Он нашёл опять же
Speaker A
траторию Дачика Ильборна там Иль Патью. Всё это всё, да, рестораны в этом районе, они все действительно подходят.
Speaker A
А как это работает вообще в поисковых системах? Изначально весь этот алгоритм, как он сейчас устроен. Вот здесь идёт загрузка, то есть краулинг. Э поисковик Яндекс-Google скачивает урлы, джейсоны, пдфки, прямо просто там тексты откуда-то, всё, что угодно. Он мультимодальный, он может всё скачивать,
Speaker A
даже видосы распознавать. Дальше он делит это на чанки. То есть он каждый кусок нарезает, каждый документ нарезает на куски. Потом каждый этот кусочек векторизирует, переводит в векторный формат. Сейчас мы поговорим про векторный формат. Мы не будем касаться многомерных векторных пространств. Это,
Speaker A
наверное, неинтересно, потому что на этом деньги не заработаем, но они там есть. И в результате вот эти документы превращаются в базу векторов, векторную базу данных. Как поиск понимает, что, э, какие-то слова лежат влич графе близко, как какие-то далеко, используя
Speaker A
косичностью близость. И у нас есть два близких, э, м, слова- это кошка и котёнок. У них маленький угол между ними. Соответственно, результирующий вектор будет вот такой. А есть кошка и кирпич, совершенно разные вещи. Поэтому результирующий вектор будет маленький.
Speaker A
То есть всё очень простой математика считается, и он в векторном формате умеет это определять. Вот модель из документации есть под тем Google Дикмайда. Здесь совершенно так же, как я рассказал, работает, что есть краулер, который там внутри режет. Вот тут на
Speaker A
имбёдинге это режется. То есть сделать имбдинг - это как раз викторизировать информацию, сохранив базу данных. Он лежит набодинг сервере. И потом, когда вы выполняете поиск, он вот тут вот с помощью machine learningнинга вам всё это, как я показал выше,
Speaker A
считает. Вот это из документации Гугла. Как принять на практике? На, как я сегодня анонсировал, ваша задача сделать крутые аутлайные статьи, которые залетают в топ момент индексации. Что нам нужно сделать? нужно взять тексты конкурентов, разбить на вот эти куски
Speaker A
начанки, порезать, а выделить оттуда сущности, посчитать какие сущности ближе всего к нашему основному ключевому слову. Как посчитать? С помощью косинусной близости, как я показывал, построить два списка - это primренти, то есть выделить главную сущность. И какие сущности поддерживают, лежат рядом.
Speaker A
Supporting entity network, посмотреть, как это всё связано, и найти реальные интенты пользователя. И только потом сделать планы такие. Заметьте, здесь нигде не говорил про какие-то ключевые слова, там частотку. А где брать сущности? Можно брать из Википедии, можно брать IPле графа. К сожалению, мой
Speaker A
дизайнер удалил здесь звёздочку, думал, что она лишняя. Есть IPLE граф, который доступен просто так, а есть IPли графы для учёных scientific домашнее задание.
Speaker A
Если сможете его достать, вам у вас в 100 раз увеличится эффективность. Мы используем scientificat. Было бы слишком просто, если я бы сказал компанию в какой стране надо открыть, чтобы его получить. Как понять, какие сущности нужны на странице? Мы берём как бы текст
Speaker A
конкурентов. Кстати, можно использовать другие источники. Например, мы иногда ещё идём в Redit, идём в YouTube, процесим видео и пытаемся понять э сущности вообще в тематике какие. Далее делаем экстракцию сущностей, превращаем это в векторный формат. Вот там была вот
Speaker A
эта вся там сложная магия векторизации. В Open, в чате, ну, апе есть модельдингов, model, что, а, в принципе вполне о'кей работает. Можете использовать. И с помощью кочностй близости делаем ранжирование. Всё, что больше 0,89 нам подходит. Всё остальное мусор. Вот так
Speaker A
это может выглядеть. Хоть хоть в эксельке можете считать. Вот есть главный запрос Car Finance, и мы к нему считаем костнусную близость. Вот B Credit Car Finance, да, с плохой кредитной историей. А Garantied Car Finance no credit check тоже довольно
Speaker A
близко лежит. А вот no credit check car finance ещё ближе лежит. Вот так выглядит. У вас есть вполне классное аранжирование. Какой результат всего это всего этого? Главная сущность, например, у нас есть фундамент. Я дальше покажу кейс по фундаментам, да? И мы видим,
Speaker A
какие у неё атрибуты есть. То есть тип фундамента, ленточный сплошной такой-то, материалы фундамента бывают, да? Это всё из наулич графа вытягивается, водоразложение есть, там несущая способность и прочее. И вот как фундамент должен быть связан с другими сущностями. Фундамент изготавливается из
Speaker A
бетона, там сила связи действий. Фундамент поддерживает дом. Фундамент зависит от типа грунта, фундамент требует гидроизоляции. То есть, видите, примерно на кошечке работает уже совершенно по-другому раскрывается на реальных ключах. Дальше, а, сопорный nerv - это что? это, э, сущности,
Speaker A
которые лежат как можно ближе э к главной сущности, а это сущность грунт, дом, климатические условия, там строительные материалы. То есть мы отсюда уже понимаем, что речь идёт о выборе фундамента, даже из этого маленького документа. И у каждой, э,
Speaker A
сущности есть relationship primary, то есть грунт влияет на выбор фундамента. Мы помним, что фундамент главная сущность. Как это всё автоматизировать?
Speaker A
Потому что это выглядит сложно, куча математики с помощью агентов. Яагенты, как вообще они могут выглядеть? У меня есть отдельная лекция по агентам. И вот мы посмотрим только на кусочек этого.
Speaker A
Это может быть-код, он работает в терминале, либо для кого-то это в консоли, либо VS-код. Выглядит это страшно, как бы неприятно для юзера, но эта штука рабочая. Агент может выглядеть вот так. Это может быть, э, я выкладывал анализатор свежести, это просто
Speaker A
веб-ресурс, то есть веб-приложение. Ты ключ вводишь, вводишь в регион, и он тебе показывает, как сейчас тебе контент надо обновлять. То есть он может жить просто в виде сайта. Telegram бот, например, у меня есть бот, который читает каналы, делает выжимку, вырезает
Speaker A
оттуда рекламу и присылает мне что самое интересное по моим критериям. Я с утра просыпаюсь, у меня есть уже под кофеёк дайдст. Такой я агент, он живёт в телеге. Есть са целые огромные мультиагентные системы, как вот, ну, SE Ags например наш да он кстати
Speaker A
изначально был в первой версии построен как Lovable на фронте и N8N на бейке. Сейчас, конечно, там уже посложнее всё стало, но можно делать вот таких агентов, которые как сасервисы полноценные. Давайте посмотрим, как какая должна быть логика агента, чтобы
Speaker A
сделать нормальные аутлайн статьи. А что должен сделать сегожник? Он должен взять топ-10, топ-20 собрать, а выбрать целевых конкурентов, а вот дальше вступает в силу агент. Как ещё раз объясню подход, да, агент берёт, обходит защиту сайта, вытаскивает оттуда контент, делает экстракцию, извлекает
Speaker A
сущности, векторизирует их, считает коственну сублизы, чтобы мусор отсеять. И прямо часто обсчитываем 600-700 сущностей и оставляем 4 тирево. Всё остальное откидывается, потому что это нерелевантно. Зачем кошка с кирпичом продлять вместе? Правильно. Ну, анализируются все связи, в результате выделяются субнтенты. Я покажу сейчас,
Speaker A
как выглядит субтенты и ранжирование от простого к сложному. Тоже очень важная вещь, чтобы выходить в топ. Тоже сейчас расскажу. И только потом создание H1, там, H3 заголовков структур и распределение ключей. Не надо вот здесь где-то ключи обсчитывать. Это не
Speaker A
работает. Пока вы сущности не посчитали, не надо впихивать ключи. У нас есть небольшая викторина. Что имеет в виду пользователя? Какие у него есть под интенты, когда он вводит запрос, как выбрать фундамент для домок? Тони, давайте, ну, накидывайте, что есть.
Speaker A
Ну, из из чего будет состояться выбор тип фундамента. Тип фундамента, выбор материала. Стоимость тип дома.
Speaker A
Стоимость тип дома. О'кей, на самом деле, да. Тип фундаментов. Нагрузка здания на на фундамент. Так, вы просто вот у вас векторная машина в голове, ребята. Характеристики грунт - это климатические условия. Как это выглядит?
Speaker A
Что когда вводишь ключ как выбрать фундамент для дома, он извлекает сущности. И тут видно, что юзеер хочет практическое руководство по выбору фундамента. Естественно, он видит вот такие сущности. Здесь, кстати, довольно очевидно. Это первая наша викторина.
Speaker A
Ответ Гугла может быть вообще не связан, ну, как бы лексически, то есть по вхождением с тем, что мы задали. Думаю, вот логика понятна, как мы вот у нас делаем, например, да, сейчас наша команда перешла отключить к сущностям полностью, там больше 150 человек. Мы
Speaker A
выбираем регион, язык. локацию, сколько топа проанализировать, потом видим урлы с этёд, вытаскивает со всех этих урлов, обходя защиту cloudфлеер и прочий капчи контент считает среднее там. И в результате вот всё, что я рассказал, он делает. Мы получаем такую штуку
Speaker A
прикольную. Я показываю уже про фундамент relationт tripl. И ещё мы считаем, как Google и Яндекс считают, какими авторитетными документами надо поддержать эту статью. Дальше это Supporting Entity Network. Я уже тоже показывал, просто вам ещё раз подсвечу, что нужно считать. И вот тот этап,
Speaker A
который мы хотим, ну, почти финальный - это суббинтенты. Интент один. Какие бывают виды фундаментов? Как раз ты сказал там, по-моему, да, про виды фунда Нет, ты сказал про материал, ты сказал про виды фундаментов, да. А что необходимо учитывать при выборе фундамента? Этих
Speaker A
пентентов в некоторых лонгридах может быть восемь, их всех надо закрыть. И в результате мы получаем outлайн, то есть план статьи. Это вот эта тзшечка всего на один из заголовков, который вот здесь их там дофига. Вот я себе вот здесь
Speaker A
увожу их. Здесь у вас должно быть для копирайтера либо для нейронки какие сущности покрыть summary. Как именно писать этот абзац, что там указывать, какие визуальные элементы. Например, вот для климатической особенности глубина промерзания, а агент предлагает сделать инфографику с карты глубины промерзания
Speaker A
грунта в различных регионах России. Релевантно суперрелевантно полезно. Определённо копирайтеры ещё не умеют работать с сущностями, поэтому copter notes отдельно им показываем, как это можно, ну, агент сам даёт инструкцию, как это можно вписать. Ну, и Entity conneнеction, как правильно связывать
Speaker A
сущности в этом абзаце. Вот такие аутлайны, если по ним копирайтер пишет либо нейронка пишет, они залетают. Я сейчас покажу, как. Но у нас же здесь, я думаю, сидят хитрецы, которые занимаются гемблинг. Поэтому ещё одна викторина.
Speaker A
Что имеется в виду пользователь, который ищет ключевое слово best time to play online slots? Когда лучше играть в онлайн-слоты? Как вы думаете, что он ищет поза по запро?
Speaker A
Ское время лучше процент выигрыша. Процент выигрыша, возможно, да. Ну, в целом, да, но какие там есть под интенты? Что именно? Почему он думает, что есть какое-то время процент выигрыша?
Speaker A
Счастливые числе. Ещё варианты. Меньше пользователей. Меньше пользователей. Хорошо, почти всё отгадали. Так вот, первое, он думает, что есть возврат какое-то время RTPрей лучше, да? Вероятность выигрыша, как когда-то есть. активность игроков, пик оф пик, часы, да, и оптимальные какие-то
Speaker A
тайминги, когда надо там кликать. А сейчас я покажу, как это выражается в сущностях. То же самое, такой же разбор, а, делается примерно семантически. Это диаграмма показала. Сейчас покажу, э, как на самом деле надо написать эту статью. То же самое. Берём, берём топ по
Speaker A
США. Ну, в новой версии тут уже др есть и количество домеров, когда ты понимаешь, что вот этот вот сайт Redit не надо исследовать, он тебе не нужен, например, да, хотя нет можно, а вот Sport какой-то, вопрос. То есть сейчас
Speaker A
агент уже все данные собирает. И вот тут главная сущность - это онлайн slots. И у неё есть главные атрибуты, что она, ну, онлайны слоты работают с помощью генератора случайных числ. Мы к этому ещё вернётся, регулируется там комиссиями, доступны 24 часа и так
Speaker A
далее. И вот тут три три триплеты есть. Онлайнслоты используют генератор случайных чисел. Онлайнслоты предлагают прогрессивные джекпоты. Кстати, это важная штука, оказывается, из-за чего это ищут. Я сам, ну, не ложу в слоты, поэтому не знал. А статью надо было
Speaker A
написать. Онлайнслоты оперируют независимо от времени дня. То есть, ну, как бы Google в knowledge graphic знает, как работают слоты и как про них правильно писать. А вот supporting network random number generator, да, то есть генератор случайных чисел - это такая специальная
Speaker A
сущность, которую надо в этой статье использовать. Дальше прогрессивные джекпоты, казино промоs, потому что оказывается казино дают в определённые дни скидки фри спины и прочее. И плеер трафиков, раз ты сказал, что от трафика может зависеть почему-то, да?
Speaker A
Оказывается, зависит. Там есть какие-то джек, это влияет на прогрессивные джекпоты. И вот какие есть субнтенты.
Speaker A
Интент один, а он они хотят понимать, влияет ли время, которое ты играешь в слот на доход. Лучшее время, чтобы выигрывать прогрессивный джекпот. Я не знаю, что такой прогрессивный джекпот и почему, да? Но агент не сам говорит: "Посмотри, когда казино даёт скидки
Speaker A
всякие фплы и intтент, там ещё есть ещё несколько интентов, но опи и пик times, да? То есть когда есть наплыв игроков, когда нет, как вести себя. И вот прикольная штука, что он говорит: "А сделаешь два, как слоты, как как реально
Speaker A
работают онлайн-слоты. Горькая правда про генераторов случайных чисел". Он тут пишет: "Напиши, что нельзя обмануть генераторов случайных чисел. Он всегда отдаёт в одно и то же время одинаковые выигрыши". То есть семантический анализ даёт тебе понимание, что тебе надо писать, потому что никак запрос best
Speaker A
time to play analot не связан с словом генератора случайных чисел. Просто вот так вот, ну, по вхождением. Но если ты про это не напишешь, ты не выйдешь топ.
Speaker A
Просто дальше можно сгенерить текст. То есть агент может сгенерить текст, как, ну, как мы делаем. Можно кто-то отдаёт копирайтеру, мы там у себя с помощью редакционных политик это генерим. И получается вот такая такой замечательный стендент допустим понимание волантильности и возврата там денег
Speaker A
слота. То есть сгенерить табличку, потому что потому что он знает всё, о чём ему надо сгенерить.
Speaker A
Ещё немножечко про генерацию текстов. Ну, наверное не будем останавливаться. Я вам покажу вообще вообще, кстати, да, вот вот какой тези здесь хотел закинуть.
Speaker A
Почему вам никогда не понравится текст, который вы сгенерите? Потому что у нейронки нет редакционной политики. Вы не даёте редакционную политику нейронке.
Speaker A
О вашем, о вашей компании, о вашем авторе, а то какая длина предложения должна быть H2, H3 читать за главной буквой или с маленькой. Кто автор читателю братан либо там суперэксперт, там авторитетный профессор, сложность текста. Поэтому, например, мы используем
Speaker A
редакционные политики подробные, чтобы нейронка правильно генерирола. И плюс у, так как у нас это мультиагентная система, у нас есть агент фактчекер. Он проверяет все факты, которые она нарыла.
Speaker A
Если он уверен, больше чем на меньше, чем на 85% он переписывает. Вот это крутая штука. Что по галюцинация? Вот здесь представлена странная странная на первый взгляд табличка, а с уровнем галлюцинации модели. Если мы видим Clлоet, там галлюцинирует там в 17%, а
Speaker A
вот Clлоet 4%. Это чистые, э, галлюцинации нейронок, если бы у них не было контекста и рага, то есть аугмента интеллекта. А вот данные компании Вектара. Викторы - это векторные базы для поставления рагов, то есть retenation, генерации с с учётом данных по вашей
Speaker A
компании, по вашей базе. И мы видим, что Дмини уже галлюцинирует, сколько там у нас было? 38%. А если дать правильный контекст, 1.3%. Поэтому, если вы хотите убрать галлюцинации, давайте нейронке максимум информации, а лучше используйте рак системы. На чём построит рак
Speaker A
система? Можете подойти, я расскажу. Какой эффект вообще мы получили, когда внедрили агентов и пришли на систематический поязд? То есть создание одной статьи экономия от 2-т часов есть.
Speaker A
Мы не говорим, а если мы пишем какие-то говностатьи, которые там 20 минут у тебя есть на ТЗ и как бы можно забить. Дальше 2-3 часа у нас всего экономит на одной статье. Оптимизация страницы под гео.
Speaker A
Под гео вам нужно чанками делать вот такими кусками типа вопрос-ответ. Не вопрос-ответ, а такие ёмкие предложения.
Speaker A
Раньше 2 часа занимало, чтобы GPT тебя индексировало и выдавало в том, но при этом не сломать логику поиску. упущенных сущностей около 2 часов. И, ну, кано сейчас наши ребята из западного отдела, из русских отделов. А раньше у нас
Speaker A
среднем 23% статей залетало в топ момент индексации, сейчас 48%. Вот тут есть примеры ключей на разных языках, да, это на любом языке работает, кроме там Злукого. Это аренда машин в Дубае, это Новареги. Всё, все эти кейсы - это Новореги домены, то есть это
Speaker A
зарегистрированные домена без истории. И в моментодексации они получают вот такие результаты. Это аренда в Маракеше на испанском. Э, всё стоит там в топ-10 в момент индексации просто потому что систематически правильно сделано. Это на испанском тоже в ракеш тоже три статьи,
Speaker A
они сразу лезут в топ. Ну, вы знаете, надо добавить ссылочек по всё можешь зарабатывать деньги. Что делает с оптимизацией существующих страниц? Мы агента обучили на оптимизацию существующих страниц. Даёте свой урл, даёте конкурентов, он все вот эти вектора считает между топом и вашей
Speaker A
страницей, даёт рекомендации. Например, здесь он говорит: "У нас есть проект по туризму в Антарктиду, и тут статья Арктика против Антарктики". В чём разница? Он говорит: "Сделай новую секцию, она должна быть H2. Поставь её после вот этой секции и вот так вот как
Speaker A
бы вот тут вот напиши вот это вот так и такие сущности учти". Тогда ты конкурента обойдёшь. И он тебе даёт экшн-план. Типа что надо сделать?
Speaker A
Добавить новый H2 expand. Он говорит: "У тебя фигово вот этот абзац написан. Там не хватает сущности, там не хватает смысла, там вода". Что такое вода? Вода - это использовать в вашем контейне слова, сущности и прочее, лежащие далеко от вашей основной темы по нолиграфу. Вот
Speaker A
что такое по научному вода. И он говорит: "Ещё новые H3 создание. Вот там вот не хватает типа про туризмов за полярный полярный регион". И вот у тебя есть план, как по сематическому поиску оптимизировать твою статью, чтобы обойти конкурентов в топе. Ну и приоритет там
Speaker A
до пяти деся там до 0.5. Вот мы юзаем, закидываем просто текущую статью, выбираем конкурентов из топа, и он сам всё это нарезает и разрезает. Кстати, можете потестить. Мы выдадим всем сегодня бесплатно 15 лимитов, но на самом деле мы решили
Speaker A
сегодня утра, что дадим 30 лимитов каждому. А напишите в Telegram, там будет наш официальный аккаунт. Напишите, желательно дайте свою нишу, тогда мы вам дадим рекомендации, как лучше анализировать ваши ниши, кого выбирать, какие редакционные политики делать. И ребята, инженеры помогут. Кстати, тут у
Speaker A
нас несколько инженеров наших есть в зале, можно будет к нам подойти, пообщаться. Ну и ещё там на сладенькое несколько таких штук. Э, забанят ли вас законтент? Вот это вот эти слайды с Чандмая. Это 3 недели назад была конференция. Это данные, ребята из
Speaker A
графит, погуглите супеаналитическое агентство. И сейчас в сети показывают этот график, что-контента стало больше, чем живого контента. Вот в двадцать втором году джиптишка запустилась нормально, да? Это двадцать пятый год.
Speaker A
То есть тут драматические количество выросло. То есть сейчас, а, в целом, э, количество я контента уже превышает человеческий контент. Люди не хотят писать. Но многие слышали про брейрод, что типа загнивание мозгов, что модели будут обучаться на моделях. А об этом
Speaker A
можно говорить отдельно целый доклад. Вот. И почему Google борется с Ай-контентом только по причине того, чтобы не обучать свою модель на второсортном контенте, который был сгенерирован. Это единственная причина.
Speaker A
Сколько же э контента в топе? Его много как никогда. Это данные оригиналити. Кстати, презентацию я дам, там будет нормально видно. Она контрастное, на самом деле, проекты так показывают. Это Google мартовский апдейт двадцать четвёртого года. Несмотря на это, контент ээ в топ залетает массово.
Speaker A
Почему? Потому что появились вот, ну, как бы различные методики генерации, которые ну практически ну не отличить. Тоже орижиналити дали стату.
Speaker A
Вот эта дисперсия попадания в топ. С двадцать четвёртого года количество AI контента в топе, где вот это бледненькая топ- оди, а, это топ-10, да, драматически выросло. То есть говорит о том, что не работает контент, нельзя.
Speaker A
Почему один контент в топе, а один нет? Это Surфер SEO на 10 млнах ключей исследования. Они выключали все сайты в этом году и распределили по факторам, какие факторы больше всего влияют. Самый неважный фактор вхождение ключевых слов на выборке 10 10 млн. Неважный вообще.
Speaker A
Самый важный фактор Topical Coverage, раскрытие интентов пользователей. Рецепт идеального текста. Можете себе сфоткать. Покрыты все интенты, сущности правильно расставлены, они достаточно детализации раскрыты. В статье нет воды, слишком далеко лежащих терминов. Проведён фактчекинг. Мы субагенты используем. Архитектура сделано от простого от простого к
Speaker A
сложному. Не наоборот. Не надо про фундаменты, арматуру М300 там писать в начале. Напишите. Логика выбора фундамента. Дайте человеку почитать сверху вниз, чтобы ещё поведенческие были хорошие. Ответ на основа интент на первом экране до сгиба экрана. Выбрана правильная модель. Джеми не использовать
Speaker A
нельзя. Она ставит буддиные знаки. вас забанит Google и в чат GPT то же самое.
Speaker A
Topical coverage самый главный фактор. Все те же факторы работают, что и для обычного текста. Но всё важное внутри первых 1.500 слов. Дальше чат GPT не индексирует, не читает текст. И важность упоминания много упоминаний на других ресурсах. Вот у меня последний слайд
Speaker A
есть для вас. Это исследование HFS, тоже этого года с конференцией в Чангмая. Самый важный фактор - это когда на других ресурсах ваш бренд упоминается.
Speaker A
желательно в положительной коннотации и брендовые анкоры, брендовые Search Volum. Всё, семантик села статьи, плюс упоминания. Вы молодцы. Вот у меня на этом всё. Можно подписаться телегу. И вот мой личный Telegram.
Speaker A
Yeah.
Topics:семантическое SEOсущностиграф знанийтриплетывекторный поискAI-агентыRAGнейропоискинтентэмбеддинги











