🤫 Продвинутый AI-копирайтинг 2025 (часть 1)

Решил выкатить серию статей по промптоведению, опираясь на собственный опыт использования промптов для генерации качественного контента.

ВАЖНО: Все промпты сознательно упрощены. Я хочу передать идею, а не способ её реализации. Потому вдумчиво относитесь к написанному. Например, мои рабочие промты состоят из 3-5 этапов, в каждом их которых 15-30 пунктов.

Итак, ключевая проблема при работе с LLM в e-commerce – генерация контента для тысяч однотипных товаров. Стандартный подход "напиши описание для товара X с ключами Y, Z" неизбежно ведет к созданию семантических дублей. Страницы имеют схожую структуру, фразы, интенты. Как результат – каннибализация запросов, размытие релевантности и риск фильтров за малоценный контент.

Делюсь методом, который позволяет генерировать довольно уникальный контент в промышленных масштабах, управляя структурой и смысловыми акцентами.

Технология: Генерация через УТП (Уникальное Торговое Предложение)

Суть в том, чтобы заставить LLM не просто описывать характеристики, а строить весь текст вокруг ключевой выгоды продукта. Это трехэтапный процесс.

Шаг 1. Идентификация и формулировка УТП

Здесь мы заставляем модель проанализировать характеристики и извлечь из них главный пользовательский бенефит.

Промпт:

Проанализируй характеристики товара: [список характеристик]. Определи его ключевое УТП. Что является ядром, главным эмоциональным крючком или уникальной функцией, решающей конкретную задачу клиента? Сформулируй УТП одной фразой.

Пример для электрочайника будет таков:

Характеристики: Smeg KLF03, 1.7 л, 2400 Вт, поддержание температуры 50-100°C, стальной корпус.

Результат (УТП): "Точный контроль температуры для идеального заваривания элитных сортов чая и приготовления детского питания."


Шаг 2. Проектирование УТП-ориентированной структуры

Теперь, имея УТП, мы заставляем LLM создать кастомную структуру (таксономию) текста, где каждый заголовок работает на раскрытие главной идеи.

Промпт:

Основываясь на УТП '[вставить УТП из шага 1]', создай уникальную структуру статьи (заголовки H2-H3). 40% заголовков должны быть нешаблонными, уникальными и неприменимы к иным обзорам и напрямую отражать УТП.

Стандартная таксономия так выглядит: Описание, Характеристики, Внешний вид, Плюсы и минусы.

УТП-структура: "Идеальная температура для каждого напитка: от улуна до пуэра", "Как быстро вскипятить воду для детской смеси?", "Безопасность прежде всего: термоизолированный корпус", "Точность до градуса: обзор панели управления".


Шаг 3. Генерация контента с привязкой к УТП

Промпт:

Напиши текст для карточки товара, используя УТП и структуру ниже.
Ключевое УТП: [УТП из шага 1]
Структура: [заголовки из шага 2]
Требование: Весь текст должен соответствовать УТП. В каждом абзаце логически раскрывай, как та или иная функция помогает достичь главной выгоды, заявленной в УТП."

В итоге:

⏺Рост по long-tail запросам. Вы начинаете ранжироваться по запросам вида "чайник с поддержанием температуры 90 градусов"

⏺Радикальная уникализация. Для ПС это не 50 страниц о "чайниках", а страницы, решающие разные задачи: "чайник для семьи с детьми", "чайник для ценителя чая", "дизайнерский чайник для кухни в стиле лофт".

⏺Улучшение ПФ и конверсии. Контент напрямую отвечает на невысказанный вопрос пользователя, что повышает вовлеченность (Time on Page, Scroll Depth) и ведет к целевому действию.

Внедряйте.

#DrMax #LLM #Промпты

🤫 Продвинутый AI-копирайтинг 2025 (часть 2.1)


ВАЖНО: Все промпты сознательно упрощены. Я хочу передать идею, а не способ её реализации. Потому вдумчиво относитесь к написанному. Например, мои рабочие промты состоят из 3-5 этапов, в каждом их которых 15-30 пунктов.

Эта статья состоит из 2 частей (особенности Телеграм). Вот первая часть:

Контент-инжиниринг с LLM - часть 1. Теория.

Суть в том, чтобы заставить LLM выступить в роли Chief Content Strategist и провести цикл анализа перед генерацией контента.

Итак, прежде чем создавать контент, необходимо тщательно и скрупулёзно разобраться о чем вообще мы пишем. Для этого необходимо определить онтологическую область создаваемого контента. Выявить все нюансы и особенности этого нового контента. Далее, постепенно расширять онтологическую область, определяя сущности (entities), связанные с этой тематикой. После этого собираем связанные сущности, собираем неявные сущности. Группируем сущности по их доменам.

Пример:
Тема — "выбор CRM-системы для малого бизнеса".
Прямые сущности: Bitrix24, amoCRM, HubSpot, цена, функции, интеграция.
Связанные сущности: Воронка продаж, отдел продаж, IP-телефония, автоматизация, клиентская база.
Неявные сущности: Безопасность данных, обучение сотрудников, масштабируемость, техническая поддержка, ROI.
Домены (группы): Функционал, Стоимость, Бренды, Бизнес-процессы, Технические аспекты.

На втором этапе для всех найденных сущностей определяем поисковые намерения пользователей (интенты). Далее расширяем список найденных интентов связанными (Related) интентами, неявными (Implied) интентами, сравнительными (Comparative) интентами и наконец уточняющими интентами.

Пример для сущности "amoCRM":
Прямой интент: "купить amoCRM", "amoCRM тарифы".
Связанный (Related): "как amoCRM помогает увеличить продажи?".
Сравнительный (Comparative): "что лучше amoCRM или Bitrix24".
Неявный (Implied): "автоматизировать отчеты для отдела продаж" (amoCRM — одно из решений).
Уточняющий (Clarifying): "интеграция amoCRM и Tilda", "настройка digital pipeline в amoCRM".

На третьем этапе проводим анализ и классификацию поисковых интентов. После этого нужно собрать семантическое ядро не только по прямым запросам, но и по связанным, уточняющим, сравнительным и неявным интентам. Для каждого кластера интентов определить 2-3 важнейших ключевых вопроса, на которые пользователь ищет ответ.

Пример кластера "Интеграции":
Ключевой вопрос 1: С какими сервисами можно интегрировать CRM?
Ключевой вопрос 2: Как подключить телефонию к CRM-системе?
Семантика: "crm интеграция с сайтом", "подключить whatsapp к crm", "api для crm".

Для тестирования можно попросить вывести дерево в виде:

Домен сущности ->сущность -> интент пользователя -> важнейшие поисковые фразы этого интента -> полный список поисковых фраз для интента

При реальном написании контента, конечно, такого дерева выводить не нужно.

Вывод: Этот метод позволяет спроектировать материал, который максимально полно охватывает нишу, закрывает все возможные интенты и формирует мощный Topical Authority.

#DrMax #LLM #Промпты

🤫 Продвинутый AI-копирайтинг 2025 (часть 2.2)

Контент-инжиниринг с LLM - часть 2. Практика

Давайте внедрим наши теоретические изыскания в практику

Шаг 1: Онтологический анализ (Entity Mining)

Прежде чем писать, мы заставляем LLM определить "вселенную" нашего контента.

Задача для LLM: Разобрать основную тему на фундаментальные сущности (Entities). Определить не только очевидные, но и связанные, и неявные сущности.


Шаг 2: Картирование пользовательских интентов

Для каждой ключевой сущности мы выявляем все возможные поисковые намерения.

Задача для LLM: Расширить список интентов за рамки прямых запросов.


Шаг 3: Формирование семантического ТЗ

На основе анализа сущностей и интентов LLM формирует детализированную структуру и семантическое ядро.

Задача для LLM: Сгруппировать интенты в логические кластеры и для каждого определить ключевые вопросы, на которые должен отвечать контент.


Примерный мастер-промпт для реализации стратегии:

Действуй как Chief Content Strategist и SEO-аналитик. Твоя задача — провести полный онтологический анализ темы и создать основу для максимально полного и авторитетного контента.

Тема: [здесь ваша тема, например, "Выбор и укладка кварцвинила"]

Выполни следующие шаги:
1. Онтологический анализ:
1.1. Определи основную онтологическую область темы.
1.2. Выяви прямые, связанные и неявные сущности (Entities).
1.3.Сгруппируй все сущности по доменам (например: Типы продукта, Производители, Технология укладки, Уход, Стоимость и т.д.).

2.Картирование интентов:
2.1. Для 5-7 ключевых сущностей определи все типы поисковых интентов: Прямые, Связанные (Related), Сравнительные (Comparative), Неявные (Implied) и Уточняющие (Clarifying).

3. Формирование семантического ТЗ:
3.1. На основе интентов сформируй 5-8 основных семантических кластеров для будущего контента.
3.2. Для каждого кластера определи 2-3 главных вопроса, на которые ищет ответ пользователь.
3.3. Для каждого кластера приведи 5-10 примеров ключевых фраз, составляющих его семантическое ядро.

4. Представь результат в виде структурированного отчета.

Попробуйте выполнить этот промпт, прям с кварцвинилом. Полюбуйтесь на офигенно широко расписанные данные.

Естественно, когда мы добавим этот кусок промпта к рабочему промпту по генерации контента, ограничения на количество сущностей / запросов и прочего можно снять, да и выводить (пункт 4) ничего не нужно.

В итоге стратегии вы получаете не просто текст, а blueprint для создания контент-хаба (который можно реализовать и на 1 странице), который:
1. Формирует Topical Authority.
2. Охватывает всю семантику ниши
3. Дает четкое ТЗ для дальнейшего написания контента (генерации), основанное на данных, а не догадках.
4. Создает контент, полностью соответствующий принципам E-E-A-T и Helpful Content Update.

Продолжение следует....

#DrMax #LLM #Промпты

🤫 Продвинутый AI-копирайтинг 2025 (часть 3)

ВАЖНО: Все промпты сознательно упрощены. Я хочу передать идею, а не способ её реализации. Потому вдумчиво относитесь к написанному. Например, мои рабочие промты состоят из 3-5 этапов, в каждом их которых 15-30 пунктов.

Самопроверка LLM

Любая LLM, даже самая продвинутая, по своей природе склонна к словоблудию. Она обожает лить "воду": писать общие вступления, бессмысленные связки и пустые выводы. Это мусор, который размывает релевантность и убивает поведенческие.
Фишка, которой мы дополним наш промпт, — это встроенный механизм самопроверки. Мы заставим машину саму препарировать свой текст и вырезать все лишнее.

Каждый абзац контента должен иметь работу. Его работа — закрывать конкретный поисковый интент, который мы определили на этапе анализа. Если у абзаца нет четкой задачи, он не нужен.

На уровне абзаца: После написания фрагмента мы задаем машине вопрос: "Какую проблему пользователя или поисковый интент закрывает этот кусок текста?". Если внятного ответа нет — удаляем.

Пример "воды": "В современном мире выбор холодильника является важным решением для каждой семьи." -> Какой интент? Никакого. Удалить.

Пример полезного абзаца: "Одной из частых проблем холодильников Bosch является намерзание льда на задней стенке, что обычно связано с неисправностью датчика оттайки или утечкой фреона." -> Какой интент? Закрывает неявный интент "намерзает лед холодильник бош причины". Оставить.

На уровне раздела (H2): Каждый раздел должен быть сфокусирован на одном главном кластере интентов и, возможно, паре смежных. Не нужно мешать в одном разделе "цену ремонта" и "самостоятельную диагностику", если это разные пользовательские сценарии.

Итак, примерный промпт для решения такой задачи:

Проведи самопроверку созданного текста по следующим правилам:

Аудит абзацев: Для КАЖДОГО абзаца в тексте четко определи, на какой конкретный поисковый интент (найденный нами ранее) он отвечает.

Правило "Воды": Если абзац не закрывает ни одного явного или неявного интента, он является "водой". Перепиши его, чтобы он стал полезным и отвечал на один из интентов, или УДАЛИ его.

Аудит разделов: Проверь, что каждый раздел (заголовок H2) целенаправленно закрывает один основной кластер интентов и не содержит информации, относящейся к другим кластерам.

После аудита предоставь финальный, вычищенный и концентрированный текст.`

Это и есть тот самый Helpful Content, о котором так любят говорить гуглоиды (врут), только построенный не на их маркетинговых сказках, а на чистой инженерии и логике.

#DrMax #SEO #Промпт #Entities

♾ Суровые методы оптимизации под LLM

Друзья, сегодня эти все LLM находятся в "наивной" стадии развития, типа Гугла до 2011 года. Посему получать с них тонны трафика - наша прямая обязанность. Ну и конвертить оный потом.

Сейчас я расскажу пару про пару приемов сего действа.

Нумер 1. Улучшаем собственные проекты

У OpenAI есть свой юзер-агент — ChatGPT-User (равно как и у иных LLM). Берем лягушачий Log Analyzer (или как его там) и вдумчиво смотрим раз в неделю - куда шарился оный бот.

Проводим углубленный аудит именно этих страниц. Насколько хорошо они структурированы? Разбиты ли на логические чанки с четкими заголовками H2-H3? Насколько информационно плотный и сжатый контент в первом абзаце под каждым заголовком? Усиливайте эти страницы мультимодальным контентом (схемы, таблицы, видео), о котором я писал ранее.

Если вы видите, что ChatGPT постоянно сканирует страницы-инструкции, оформленные в виде "Шаг 1, Шаг 2...", а статьи-рассуждения игнорирует, это прямой сигнал к тому, чтобы переформатировать часть вашего контента в пошаговые гайды.

Если вы видите, что ChatGPT-User активно сканирует несколько страниц, посвященных одной узкой теме (например, разные аспекты "настройки CRM"), это значит, что AI идентифицировал ваш сайт как потенциально авторитетный источник по данной теме.

Используйте эти данные для подтверждения или создания семантических коконов. Если AI "щупает" 3-4 страницы по одной теме, это сигнал, что нужно создать еще 5-7 страниц, закрывающих все смежные интенты, и жестко перелинковать их вокруг Pillar Page.

Особое внимание уделите, если бот сканирует страницы поддержки, инструкции по устранению неполадок или разделы F.A.Q. Это золотая жила. Как я уже говорил, патент Google прямо указывает на анализ всего пути пользователя, включая этап после покупки. Максимально усиливаем такие страницы. Добавляем видео-инструкции, схемы, размечаем все с помощью HowTo и FAQPage schema. Это трафик, который ваши конкуренты, сфокусированные только на продажах, упускают.


Нумер 2. Черная оптимизация

Вот смотрите, что делают некоторые ухари. Они смотрят через сервисы, какие сайты / разделы наиболее облюбованы LLM. После этого тырят контент, меняют бренд, ссылки внутренние и выкладывают 10-15-20 копий сайта (текст и структуру не переделывают).

Посколь LLM ничего не знают о трасте, о PR, авторитете (им это и не нужно) - то они пожирают такой контент с новых сайтов с огромным удовольствием. Поскольку донор подобрал удачную схему доминирования в LLM.

Естественно, что эта шляпа не будет ранжироваться в Гугле. Но им это и не надо - они собирают море трафа на таких говносайтах через LLM.

Этот метод работает прямо сейчас. Вполне возможно, что его скоро прикроют. А может и нет. Но прямо сейчас тысячи индусов клепают миллионы таких говносайтов.

Будете ли вы юзать это - дело ваше.

Вот как то так )))))

#DrMax #SEO #LLM

🤫 Продвинутый AI-копирайтинг 2025 (часть 4)

ВАЖНО: Все промпты сознательно упрощены. Я хочу передать идею, а не способ её реализации. Потому вдумчиво относитесь к написанному. Например, мои рабочие промты состоят из 3-5 этапов, в каждом их которых 15-30 пунктов.


Архитектура "Вопрос-Ответ" и оптимизация под Zero-Click

Какая должна быть архитектура контента? Сейчас мы спроектируем оную. Ключевые принципы таковы:

1. Иерархия на основе интентов.

Заголовки H2: Отвечают на основные, самые жирные интенты. Это как главные главы моей книги (кто не купил в свое время - тот ... ).
Пример: "Как правильно выбрать холодильник для семьи из 4 человек?"

Заголовки H3: Закрывают уточняющие и сравнительные интенты. Это параграфы внутри глав.
Пример: "Система No Frost против капельной: что лучше?", "Какой объем холодильной камеры нужен на 4 человека?"

Неявные интенты: Не требуют отдельных заголовков. Они органично вплетаются в текст соответствующих разделов.
Например, в разделе про No Frost неявно закрываем интент "как часто нужно размораживать холодильник".


2. Каждый заголовок — это поисковый запрос.

Мы должны формулировать заголовки не как повествование ("Особенности системы No Frost"), а как прямой вопрос, который пользователь вбивает в поиск: "В чем плюсы и минусы системы No Frost?". Это напрямую мэтчит текст с запросом.


3. Главный трюк: Формат "Ответ-Выжимка" под каждый заголовок.

Это чистый инжиниринг под Featured Snippet.

Первый абзац (1-2 предложения): Сразу под заголовком идет максимально сжатый, концентрированный, самодостаточный ответ на вопрос из заголовка. Это "дистиллят", который Google может моментально "вырезать" и показать в SERP.

Дальнейший текст: Уже подробно, с примерами и нюансами, раскрывает тему раздела.


4. Борьба с "водой" на уровне структуры.

Задаем жесткие рамки, чтобы LLM не создавала мусор.

1. Ограничение по объему (например >5000 слов).

2. Ограничение по минимальному размеру раздела (не менее 4 предложений).

Эти два правила заставляют модель логически группировать сущности и интенты, а не плодить 100500 микро-разделов по одному абзацу.


Сам мастер-промпт (Шаг "Проектирование Таксономии")

На основе всей ранее собранной информации (сущности, интенты, кластеры) разработай иерархическую таксономию для контента. Руководствуйся правилами:

1. Структура по Интентам: Иерархия H2-H3 должна строиться вокруг карты интентов. H2 закрывают основные интенты. H3 — уточняющие и сравнительные. Неявные интенты вплетай в текст релевантных разделов.

2. Формат "Вопрос-Ответ": Каждый заголовок H2 и H3 должен быть сформулирован как прямой вопрос, который задает пользователь.

3. Оптимизация под Featured Snippet: Сразу под каждым заголовком должен идти первый абзац-выжимка на 1-2 предложения. Это должен быть прямой, самодостаточный и исчерпывающий ответ на вопрос в заголовке. Остальной текст в разделе раскрывает этот ответ в деталях.

4. Контроль "Воды": Общий объем текста должен быть не менее 5000 слов. При этом каждый раздел (текст под заголовком) должен содержать не менее 4 предложений. Группируй связанные темы, чтобы избежать пустых и бессодержательных разделов.

Представь мне готовую таксономию в виде дерева заголовков H2/H3.`

Так мы проектируем контент, который будет эффективен как для пользователя, так и для поисковой системы.


#DrMax #SEO #Промпт #LLM

🔄 Поисковые 'Миссии' и 'Агенты'

Вышла интересная статья на SEJ, где разбирают, как гугловские ИИ-агенты и новый подход к поиску меняют выдачу.

Итак, Google теперь оперирует понятием "миссия" (mission) или "путь пользователя" (journey). Их AI-агенты не просто ищут ссылки, они пытаются выполнить задачу. И для этого они используют несколько механизмов.

1. Query Fan-Out

Мы уже говорили ранее про Query Fan-Out, но теперь это выходит на новый уровень. На ваш запрос "как выбрать велосипед для города" AI-агент в фоне сгенерирует десятки синтетических подзапросов: "сравнение шоссейных и гибридных велосипедов", "лучшие бренды городских велосипедов 2025", "нужна ли амортизация на городском велосипеде", "где купить велосипед в Москве недорого". И контент будут оценивать по способности ответить на весь этот веер, а не только на исходный ключ.

Одиночные страницы-ответы отмирают. Выживут только тематические хабы (коконцы 2.0 и 3.0), которые исчерпывающе закрывают всю тему. Отсюда проистекает задача: не просто написать статью, а построить для AI готовую, верифицированную базу знаний по теме.

2. Принудительная триангуляция фактов (Intelligent Grounding)

AI-агент не доверяет одному источнику. Чтобы верифицировать факт (например, "емкость аккумулятора iPhone 16 Pro – 4500 мАч"), он будет искать подтверждение на нескольких авторитетных, независимых ресурсах. Он сопоставляет данные из статей, видео, официальных сайтов, форумов. Если ваш контент уникален, но не подтверждается нигде больше, его могут счесть недостоверным.

Отсюда вывод, что мультимодальность ныне – не опция, а необходимость. Контент должен подкрепляться видеообзором, инфографикой, таблицами с данными. Ссылайтесь на авторитетные первоисточники (статистика, исследования, официальные документы). Работайте над тем, чтобы ваша информация цитировалась на других ресурсах. Это и есть E-E-A-T на машинном уровне.

3. Граф знаний

Вся работа Гугла одержима идеей достоверности данных. Внутри KG есть строгая иерархия доверия:

kc (knowledge collection): факты из проверенных корпусов (государственные реестры, официальные данные). Это высшая каста.

ss (web facts): "Веб-факты", извлеченные из триллионов страниц в интернете. Большинство наших сайтов болтаются здесь.

hw (human curated): Данные, проверенные и одобренные вручную асессорами.

SEO-задача №1: стать для Гугла "kc" или хотя бы "hw" в своей нише. Вы должны доказать свою экспертность настолько, чтобы ваш сайт стал первоисточником. Это достигается не SEO-текстами, а созданием единого, сфокусированного тематического авторитета. Сливы подтвердили наличие siteFocusScore, который напрямую пессимизирует сайты с размытой тематикой.

Фишка: Гугл использует "призрачные сущности" (ghost entities) для реакции на новые события в реальном времени. Это временные объекты в KG, которые позволяют ему ранжировать контент о трендах, еще не прошедших полную верификацию. Если вы работаете в новостной или трендовой нише, ваша задача — максимально быстро создавать контент, который поможет Гуглу "закрепить" эти призрачные сущности, ссылаясь на ваш сайт как на первоисточник.

По сути, Гугл строит децентрализованную базу знаний, а наши сайты — это ее ноды. Те, кто предоставляет наиболее качественные, структурированные и верифицируемые данные, станут доверенными источниками для AI-агентов.

Остальные будут отфильтрованы как информационный шум.

ЗЫ.
там в статье много всего понаписано, я только кусочек разобрал малый


#DrMax #SEO #Google #SGE #AIOverviews

🤫 Продвинутый AI-копирайтинг 2025 (часть 5)

ВАЖНО: Все промпты сознательно упрощены. Я хочу передать идею, а не способ её реализации. Потому вдумчиво относитесь к написанному. Например, мои рабочие промты состоят из 3-5 этапов, в каждом их которых 15-30 пунктов.


Собрать семантику и список сущностей — это необходимый, но недостаточный шаг. Получается плоский список, при этом Google видит не список, он видит многомерную "модель" темы: что с чем связано, что из чего следует, что чему противопоставляется. Чтобы генерировать контент, обладающий реальной тематической глубиной, мы должны научить LLM строить такую же модель.

Принудительная категоризация сущностей (NER-подход)

NER (Named Entity Recognition) — это технология, которую Google использует для извлечения и классификации именованных сущностей из текста. Сейчас мы заставим LLM саму провести этот анализ и структурировать "сырые" сущности по логическим категориям.

Зачем это нужно?

Без категоризации все сущности для LLM лежат в одной куче (на примере велосипеда) : "Shimano", "карбон", "байкпакинг" и "Specialized" — просто набор слов. Категоризация позволяет выявить разные грани темы. Каждая категория — это потенциальный раздел статьи, новый угол подачи, новый кластер запросов. Это прямой путь к созданию исчерпывающего контента, который закроет тему со всех сторон и покажет поисковику ваш запредельный E-E-A-T.

Пример на модели велосипеда: Specialized Diverge

Если мы просто попросим LLM найти сущности, получим кашу. Если же мы заставим ее провести NER-анализ, то получим вот такую структурированную картину:

[Бренд/Производитель]: Specialized
[Тип/Класс]: Гравийный велосипед, грэвел
[Ключевые технологии]: Future Shock 2.0, SWAT Box (встроенный бардачок)
[Материалы]: Карбон FACT 8r, алюминий
[Компоненты/Оборудование]: Shimano GRX, SRAM Apex, дисковые гидравлические тормоза
[Сценарии использования/Назначение]: Байкпакинг, туринг, гонки по гравию (e.g., Unbound Gravel), зимние тренировки
[Конкуренты/Аналоги]: Cannondale Topstone, Canyon Grizl, Merida Silex
[Целевая аудитория]: Велосипедисты-энтузиасты, путешественники, шоссейные гонщики в межсезонье

Мы получили готовую, многомерную структуру для контента. Каждый из этих доменов — это потенциальный H2/H3 заголовок: "Обзор технологий: как работает Future Shock?", "Сравнение с конкурентами: Diverge против Topstone", "Для кого этот велосипед: сценарии использования".

Фрагмент промпта для встраивания (Шаг "Анализ Сущностей")

Проведи анализ извлечения именованных сущностей (Named Entity Recognition) для темы "[Тема статьи]". Твоя задача — не просто найти сущности, а классифицировать их по категориям, чтобы раскрыть все грани темы.

Идентифицируй все возможные сущности, связанные с темой.

Классифицируй каждую сущность. Используй следующие категории, но не ограничивайся ими, а дополняй и адаптируй их под специфику темы: [Бренды/Модели], [Ключевые технологии], [Материалы/Компоненты], [Процессы/Методологии], [Сценарии использования/Назначение], [Проблемы/Решения], [Конкуренты/Альтернативы], [Географические локации], [Персоналии/Эксперты].

Структурируй результат в виде списка, где каждая категория — это заголовок, а под ним — список релевантных сущностей.

Этот анализ станет основой для создания многомерной и исчерпывающей структуры контента. Это переход от плоского "SEO-текста" к созданию многомерного информационного актива. Это то, как поисковые системы видят контент.


#DrMax #SEO #NER #Промпт #LLM

🤫 Продвинутый AI-копирайтинг 2025 (часть 6)

ВАЖНО: Все промпты сознательно упрощены. Я хочу передать идею, а не способ её реализации. Потому вдумчиво относитесь к написанному. Например, мои рабочие промты состоят из 3-5 этапов, в каждом их которых 15-30 пунктов.


Интегрируем в промпт блок контроля качества. Каждое правило здесь — это директива, направленная на устранение конкретного недостатка ИИ-генерации и усиление сигналов качества для поисковых систем. Список можно и нужно дополнять и изменять, исходя из вашей тематики и желаемой структуры контента.


3.4. Правила и ограничения к качеству контента:

3.4.1. Максимальная салиентность сущностей: Текст должен иметь максимальную семантическую плотность. Используй все сущности, выявленные на Этапе 1, их синонимы и связи. Они должны присутствовать в заголовках, подзаголовках и тексте для максимального охвата предметной области. Не допускай отбрасывания или игнорирования сущностей.

3.4.2. Абсолютная достоверность: Используй только проверенную, фактическую информацию. Исключи любые предположения, допущения и гипотезы. Если данные неизвестны или не могут быть проверены — не упоминай их.

3.4.3. Принципы E-E-A-T и экспертность: Контент должен демонстрировать глубокое понимание темы. Демонстрируй реальный опыт (Experience), экспертизу (Expertise), авторитетность (Authoritativeness) и надежность (Trustworthiness). Внедряй факты, цифры, результаты исследований.

3.4.4. Ясность языка и тональность (Monosemanticity): Используй однозначный, профессиональный, сдержанный и объективный тон. Избегай двусмысленности, разговорного стиля и излишне сложного жаргона. Пиши для умного, но не вовлеченного в тему пользователя.

3.4.5. Полное исключение "воды" (fluff): Удаляй любые общие фразы, не несущие смысловой нагрузки. Каждый абзац должен нести конкретную информацию и отвечать на какой-либо интент.

3.4.6. Запрет на ИИ-клише: Не используй фразы, характерные для ИИ-генерации (например: "в заключение", "таким образом", "стоит отметить", "важно понимать", "в современном быстро меняющемся мире", "является важным аспектом" и т.п.).

3.4.7. Оригинальность и фокус на уникальности: Избегай стандартных, шаблонных фраз, типичных для обзоров. Сфокусируйся на уникальных аспектах, неочевидных деталях и глубоком анализе. Контент должен представлять собой оригинальную мысль, а не пересказ общедоступной информации.

3.4.8. Запрет на рекламу и CTA: Полностью исключи призывы к действию, рекламные формулировки, оценочные суждения ("превосходный", "лучший") и любые попытки продать товар или услугу.

3.4.9. Форматирование списков: Избегай маркированных и нумерованных списков. Преобразуй их в перечисления в рамках естественного языка, через запятую, в одном или нескольких предложениях.


#DrMax #SEO #NER #Промпт #LLM

🤫 Продвинутый AI-копирайтинг 2025 (часть 7)

ВАЖНО: Все промпты сознательно упрощены. Я хочу передать идею, а не способ её реализации. Потому вдумчиво относитесь к написанному.

Теперь интегрируем в промпт две концепции: условную логику для построения адаптивной структуры и специализацию через смену ролей для повышения качества выполнения каждого этапа.

1. Ветвление Промптов (Prompt Branching)

Назначение: Создание динамических, контекстно-зависимых структур контента. Вместо использования одного статичного шаблона для всех случаев, модель адаптирует архитектуру статьи на основе данных, полученных на начальных этапах анализа. Это позволяет одному мастер-промпту генерировать высокорелевантный контент для разных подтипов одной и той же сущности.

Механизм: В промпт встраивается логическая конструкция ЕСЛИ-ТО, которая срабатывает, например, на этапе проектирования таксономии. Условие (ЕСЛИ) основывается на результатах NER-анализа (Этап 1), в частности, на определении типа сущности. Действие (ТО) заключается во включении в структуру статьи предопределенных, специфичных для данного типа разделов.


Пример реализации для темы "Обзор велосипеда":

Анализ (Этап 1): Модель анализирует сущность "Trek Madone" и определяет ее категорию [Тип/Класс] как "Шоссейный велосипед".

Ветвление (Этап 2): Срабатывает условие ЕСЛИ [Тип/Класс] == "Шоссейный велосипед".

Результат: В структуру статьи автоматически добавляются разделы, релевантные именно для шоссейных велосипедов.

Пример промта: Ветвление по подразделам

Примени логику условного ветвления на основе категории [Тип/Класс] сущности, определенной на Этапе 1.

ЕСЛИ [Тип/Класс] == "Шоссейный велосипед", ТО обязательно включи в таксономию подразделы:
"Анализ аэродинамики: профили труб и интеграция компонентов"
"Жесткость кареточного узла и рамы: эффективность передачи мощности"
"Расчет трансмиссии: соответствие передаточных чисел скоростным режимам"

ЕСЛИ [Тип/Класс] == "Горный велосипед (двухподвес)", ТО обязательно включи в таксономию подразделы:
"Кинематика подвески: анализ работы рычагов и anti-squat эффект"
"Прогрессивная геометрия: влияние угла рулевой и reach на управляемость"
"Настройка амортизаторов: сэг, отскок, низко- и высокоскоростная компрессия"

ЕСЛИ [Тип/Класс] == "Городской велосипед (комьютер)", ТО обязательно включи в таксономию подразделы:
"Эргономика и комфорт: геометрия посадки для ежедневных поездок"
"Практичность и функциональность: крепления для багажника, крыльев, освещение"
"Надежность и низкие эксплуатационные расходы: планетарные втулки, защита цепи"

Ветвление с переходом (GOTO-логика)

Этот вариант используется для кардинально разных форматов контента под одной темой.

Проанализируй определенный на Этапе 1 интент.

ЕСЛИ основной интент == "сравнение моделей", ТО перейди к Шагу 2.3 (Проектирование сравнительной таблицы) и построй структуру вокруг прямого сопоставления характеристик [Модель 1] vs [Модель 2].

ИНАЧЕ, продолжи выполнение Шага 2.2.`

2. Специализация через динамическую смену ролей

Попробуем повысить качество выполнения каждого этапа за счет фокусной специализации модели. Это эмулирует рабочий процесс команды из нескольких специалистов.

Механизм: Каждый этап промпта начинается с явного назначения новой роли.

ЭТАП 1: Роль "Дата-аналитик / Семантолог". Задача: объективный сбор и структурирование данных (NER, интенты) без генерации креатива.

ЭТАП 2: Роль "Информационный архитектор". Задача: проектирование логической и эффективной структуры контента на основе данных из Этапа 1, включая применение условного ветвления.

ЭТАП 3: Роль "Отраслевой эксперт-писатель". Задача: генерация текста, наполнение спроектированной структуры глубоким и фактическим контентом.

ЭТАП 3 (Аудит): Роль "Редактор-критик / Факт-чекер". Задача: аудит сгенерированного текста на соответствие всем правилам качества, логики и достоверности.

#DrMax #SEO #NER #Промпт #LLM

🔍 Обзор закрытого клуба Максима Котенкова

Как и обещал, расскажу малость о курсах, доступ к которым мне выдал на ознакомиться Максим.

Первым делом я полез смотреть библиотеку промптов. Она лежит там в готовом к использованию виде. Что сказать - промтов там не много (не тысячи и даже не сотни), но они все профессиональные, многоэтапные, включают в себя хитрые фишки, пару из которых я притырил себе.

Есть промпты для коммерции, есть для текста, есть для генерации мета заголовков и мета описаний с хитрой проверкой на релевантность, промпты для проектирования структуры, генерации отзывов, всяческих там аудитов и так далее. Повторюсь, все промпты сделаны профессионально, но естественно, каждый из них для полной отдачи надо затачивать под себя, под свою тематику, под свой сайт. Впрочем, об этом я твержу постоянно.

Собственно промпты - это лишь малая часть контента в этом клубе. Там имеется порядка 50 полноценных уроков, с видео, с пошаговым обучением, которые призваны обучить всяким хитростям использования LLM- начиная от продвижения под всякие LLM (о чем я периодически публикую посты) и заканчивая работой с N8N (надо как нибудь пару постов про это выложить).

Собственно, наличие готовых промтов и агентов для N8N - уже огромадный плюс. А то, что Максим обучает и растолковывает как это работает - это овер плюс ))))

Там пришлось на бота подписаться - так вот он практически ежедневно докладывает о готовности нового урока или еще чего. Всего, в среднем выходит 5 уроков в неделю (Полноценный урок + таблицы/шаблоны/промты/код).

В целом там есть (скопипастил):

✔️ серия уроков по n8n: создаём своих AI-агентов, дает рабочий код;
✔️ Онлайн AI-анализатор текстовой релевантности (на основе косинусной близости) - типа нащей софтинки "SEO Релевантность", но только браузерный и со всякими там плюшками;
✔️ курс по GEO / SGE (вывод в AI-выдачу, KPI-дашборды, чек-листы и промты);
✔️ super RAG-агент «УБИЙЦА SEO-копирайтеров v1.0»: векторные БД, авто-бриф, парсинг конкурентов, авторские статьи с 1-й итерации.
✔️ Курсы по росту дохода: Максим делится всем своим путем от фрилансера до владельца агентства в формате отдельного курса.
✔️ Комьюнити из 200 участников и практика: чат, еженедельные мастермайнды и Q\&A, воркшопы, поиск менторов/менти, витрина услуг участников.

Кому подойдёт: новички, которые ничего не слышали про LLM - сразу в сторону. Для начала почитайте последние 100 постов моего канала - потом, с базовой подготовкой, можете вступать в оный клуб. Если уже разобрались в основах - то всё будет понятно без проблем.

Для кого будет крайне полезно: тем кому нравятся мои посты про промтоведению и продвижению под LLM. А также разнообразным фрилансерам, инхаус, владельцам агентств, чтобы делегировать обучение сотрудников, кто продвигает в основном коммерческие сайты (в т.ч. Google/бурж).

Есть промо доступ, где можно глянуть:
• 3 открытых урока по AI-практикам.
• Пробный урок по GEO/SGE аудиту на 45 минут.
• Пробный урок по n8n

Вступление, оплата, пробные уроки тут → https://seomeat.ru

Вопросы — в ЛС: @ceoresultup (можете спросить подойдет ли клуб под ваши проблемы, задачи)

Канал с анонсами школы: https://t.me/closedchannelkotenkov

Важно понимать:

Это не канал с лайфхаками за 5 штук. Это не кнопка Бабло. Это еще один срез того, что я пытаюсь донести в своем канале - думайте, пробуйте и всегда получите профит.

По сути - это обучающая платформа для специалистов: классические SEO-процессы, автоматизация, рост доход, промты, готовые агенты, чтобы делать быстрый и повторяемый результат в SEO.

Каждый найдет себе обучающие уроки на месяц по душе.

ЗЫ.

И, кстати, Максим тоже почитывает мой канал

ЗЗЫ.
А название "SEO Мясо" - всё равно странное ))))

#DrMax #SEO #LLM #Софт #Обзоры

🤫 Продвинутый AI-копирайтинг 2025 (часть 10.1)

Внедрение перелинковки

Контекстная ссылка, окруженная правильным сопутствующим текстом, в разы привлекательней для гугла и LLM, чем иные варианты проставления ссылок. Поэтому мы просто обязаны массово внедрят ссылки в надлежащий контент.

Я поступаю просто - у меня, например, для сайта с 30 тыс страницами собран файлик с несколькими именованными подразделами внутри, где на каждой строке через разделитель стоит краткое (2-3-4 слова) наименование важной страницы и через разделитель её URL. Таких разделов может быть сколь угодно, например, важнейшие производители (например адидас), важнейшие товары, важнейшие категории товаров и так далее.

Теперь я закидываю файл в системные инструкции (для Клавдии) или загружаю на гугл драйв, подцепляю к промпту и сохраняю вместе с системными инструкциями (для Гугл АИ) как заготовку промпта. Ну и в промпте прошу проставить ссылки (имеющиеся в файлике)на соответствующие, сгенерированные ранее, наименования.

Этот блок промта стоит запускать после генерации контента и перед финальной проверкой.

Тут возникает 2 проблемы:

1. Когда перегруженный иными правилами промпт просто пропускает проставление ссылок

2. Когда LLM начинает фантазировать и строит ссылки по имеющимся в файлике паттерну URLа ссылки, кои не прописаны в файлике - т.е. выдумывает URL.

Поэтому, после проставления ссылок внедряем блок самопроверки, где контролируем, что на все наименования ссылки проставлены (можно ограничить, например, не более 2 штук на наименование, встречающееся в контенте) и также контроллируем валидность ссылок и нахождение такой ссылки в файлике.

Вот промпт

3.5.1. Процесс простановки ссылок
Роль: SEO-инженер по внутренней перелинковке
Задача: Проанализируй текст, сгенерированный на Этапе 3, и интегрируй в него контекстные гиперссылки, используя приложенный файл [указать имя файла, например, "internal_links_map.txt"] как единственный и абсолютный источник данных (source of truth).
Регламент выполнения:
Источник данных: Файл содержит строки формата: [Наименование] | [URL]. Наименования могут быть сгруппированы по разделам (#Важнейшие производители, #Важнейшие категории товаров).
Процесс: Последовательно прочитай сгенерированный на Этапе 3 текст. При нахождении точного вхождения [Наименования] из файла, которое еще не является ссылкой, преобразуй его в гиперссылку формата Markdown: [Найденное Наименование](URL из файла).
Ограничение по частоте: Если одно и то же [Наименование] встречается в тексте многократно, проставь ссылку на него не более двух раз. Приоритет отдавай первому вхождению, а также вхождениям, окруженным наиболее тематическим контекстом.
СТРОГО ЗАПРЕЩЕНО:
Выдумывать, генерировать или строить по паттерну URL-адреса для наименований, которых нет в предоставленном файле. Если наименования нет в файле, оно остается простым текстом.
Изменять анкорный текст. [Наименование] из файла должно точно соответствовать тексту, на который ставится ссылка.

Промпт настраиваем под себя, указывая число ссылок на наименование, точное/неточное/разбавленное использование наименования и т.д.

#DrMax #SEO #NER #Промпт #LLM