RAID G-SEO: оптимизация контента для генеративных поисковиков через моделирование намерений

ШАГ 1: Content Summarization 
→ Сжатие текста до ключевой сути (убирает шум и стилистику)

ШАГ 2: Intent Inference 
→ Определение начального намерения пользователя (что он ищет)

ШАГ 3: 4W Multi-Role Reflection
→ Who: Какие типы пользователей ищут этот контент?
→ What: Какие у них потребности?
→ Why: Почему текущий текст им не подходит?
→ How: Как обобщить намерение под все группы?

ШАГ 4: Step Planning 
→ План конкретных улучшений (что добавить, убрать, переписать)

ШАГ 5: Content Rewriting
→ Переписывание контента по плану с учётом обобщённого намерения

Важно: Все шаги выполняются через промпты в одной модели. Это не требует кода или API — только структурированные инструкции.

Задача: У тебя есть статья про удалённую работу в IT. Ты хочешь чтобы её цитировали Perplexity.ai или ChatGPT Search когда люди спрашивают про работу из дома.

Промпт:

Вот моя статья про удалённую работу в IT:

[вставить текст статьи]

Помоги оптимизировать её для генеративных поисковиков (Perplexity, ChatGPT Search).

Сделай это в 5 шагов:

1. SUMMARIZATION: Выдели ключевую суть статьи в 3-4 предложениях. Убери стилистику и шум.

2. INITIAL INTENT: На основе сути определи — какое намерение пользователя может привести к этой статье?

3. 4W REFLECTION: 
 - Who: Какие 5-7 типов людей могут искать эту информацию? (например: джуниор разработчик, менеджер проекта, HR, фрилансер)
 - What: Для каждого типа — что конкретно они хотят узнать?
 - Why: Почему текущая статья не полностью отвечает на их вопросы?
 - How: Как переформулировать намерение чтобы покрыть все группы?

4. OPTIMIZATION PLAN: На основе обобщённого намерения составь план из 5-7 конкретных улучшений. Для каждого пункта укажи:
 - Какую цель он решает (полнота, ясность, факты, структура)
 - Какое действие нужно сделать (добавить, убрать, переписать)

5. REWRITE: Перепиши статью по плану. Сохрани мой стиль, но улучши под намерения всех типов пользователей.

Результат:

Модель выдаст поэтапный анализ:

• Summarization — короткая выжимка ключевых идей статьи
• Intent — формулировку намерения ("пользователь ищет практические советы по настройке удалённой работы")
• 4W Reflection — таблицу с типами пользователей (новичок, опытный, менеджер, HR), их потребностями, пробелами в статье
• Plan — список из 5-7 пунктов: "добавить раздел про home office setup", "убрать общие фразы", "добавить статистику по продуктивности"
• Rewrite — финальная версия статьи, оптимизированная под все выявленные типы запросов

Такой контент с большей вероятностью попадёт в ответы ChatGPT Search или Perplexity, потому что покрывает намерения разных аудиторий, а не только одну абстрактную задачу.

Слабость LLM: Генеративные поисковики не работают как Google. Они не ищут ключевые слова и не считают ссылки. Вместо этого модель читает несколько источников и синтезирует ответ. Если твой контент не попадает в её логику синтеза — он просто исчезает из результата. Традиционное SEO оптимизирует под видимость в списке, а здесь нужно оптимизировать под упоминание в тексте ответа.

Сильная сторона LLM: Модели хорошо понимают намерения и умеют рассуждать с разных ролевых перспектив. Если попросить модель "подумай как менеджер, потом как джуниор, потом как фрилансер" — она реально меняет фокус и выдаёт разные инсайты. Это не магия — это особенность архитектуры: модель обучена на текстах от разных людей с разными ролями, и она умеет симулировать эти перспективы.

Как метод использует это: RAID G-SEO заставляет модель думать как множество типов пользователей, а не как один абстрактный юзер. Через 4W-рефлексию метод выявляет разные потребности (джуниору нужны базовые советы, менеджеру — про управление командой, фрилансеру — про самодисциплину). Потом контент переписывается так, чтобы покрывать все эти намерения. В итоге когда Perplexity получает запрос от любого из этих типов пользователей, твой контент с большей вероятностью попадёт в ответ, потому что он релевантен с разных углов.

Рычаги управления промптом:

• Количество ролей — можно запросить 3-5 типов пользователей (для простых тем) или 10-15 (для сложных)
• Глубина рефлексии — можно упростить 4W до "Who + What" или углубить до "Who + What + Why + How + What if"
• Баланс обобщения vs специфики — в "How" можно попросить "максимально широкое намерение" или "сохрани фокус на X аудитории"
• Приоритет улучшений — в Step Planning можно ограничить "только структурные правки" или "фокус на факты и статистику"

Вот мой контент: {текст}

Оптимизируй его для генеративных поисковиков (ChatGPT Search, Perplexity.ai) через моделирование намерений.

ШАГ 1 — SUMMARIZATION:
Выдели ключевую суть контента в 3-4 предложениях. Убери стилистику, оставь только смысл.

ШАГ 2 — INITIAL INTENT:
На основе сути определи: какое намерение пользователя может привести к этому контенту?

ШАГ 3 — 4W REFLECTION:
- Who: Перечисли 5-7 типов пользователей, которые могут искать эту информацию.
- What: Для каждого типа — какая у них конкретная потребность?
- Why: Для каждого типа — почему текущий контент не полностью им подходит?
- How: Переформулируй начальное намерение так, чтобы оно покрывало потребности всех типов.

ШАГ 4 — OPTIMIZATION PLAN:
Составь план из 5-7 улучшений. Для каждого укажи:
- Цель (полнота / ясность / факты / структура)
- Действие (что добавить / убрать / переписать)

ШАГ 5 — REWRITE:
Перепиши контент по плану. Сохрани стиль, но улучши под обобщённое намерение.

Плейсхолдеры:

• {текст} — твой исходный контент (статья, пост, описание продукта)

🚀 Быстрый старт — вставь в чат:

Вот шаблон RAID G-SEO. Адаптируй под мою задачу: [твоя задача]. 
Задавай вопросы, чтобы заполнить поля.

[вставить шаблон выше]

LLM спросит про тип контента, целевую аудиторию, контекст — потому что для 4W-рефлексии нужно понимать кто твои читатели. Она возьмёт паттерн из шаблона и адаптирует под задачу.

⚠️ Эффективность: Метод работает в 62.8% случаев — это лучше базовых методов, но всё равно меньше 70%. Генеративные поисковики непредсказуемы, и даже хорошая оптимизация не гарантирует попадание в ответ.

⚠️ Overfitting риск: Слишком специфичное намерение может привести к тому, что контент идеально подходит под один запрос, но проваливается на всех остальных. 4W-рефлексия помогает, но баланс между точностью и широтой намерения — всё ещё открытая проблема.

⚠️ Только текст: Метод работает только с текстовым контентом. Картинки, диаграммы, таблицы — игнорируются, хотя они могут влиять на видимость в реальных генеративных поисковиках.

⚠️ Узкая задача: Метод полезен только если твой контент индексируется генеративными поисковиками (сайты, статьи, документация). Для обычных чатов или закрытых систем — не применимо напрямую.

Исследователи смоделировали генеративный поисковик на базе GLM-4-9B — это open-source модель с низким уровнем галлюцинаций (по Hallucination Leaderboard). Логика простая: система получает запрос → находит 5 релевантных источников → генерирует ответ с цитатами. Задача G-SEO — увеличить шанс, что твой источник попадёт в цитаты.

Взяли 100 реальных запросов из Bing, Google, Perplexity и для каждого сгенерировали 4 варианта через GPT-4 (итого 500 задач). Это покрывает разнообразие формулировок — люди же не спрашивают одинаково. Сравнили RAID G-SEO с девятью базовыми методами из GEO-bench: традиционное SEO, уникальные слова, упрощение, авторитетность, терминология, статистика, цитаты.

Оценивали двумя способами:

1. Объективно — Position-Adjusted Word Count (PAWC): считали сколько слов из источника попало в ответ, с учётом позиции (чем раньше упомянули — тем больше вес). RAID G-SEO дал +8.49 против +7.03 у лучшего baseline (статистика).
2. Субъективно — семь критериев (релевантность, уникальность, разнообразие, вероятность клика, видимость). Оценивали через G-Eval 2.0 — это улучшенная версия, где GPT-4o генерирует детальные промпты для каждого критерия (шкала 0-5), а GLM-4-9B выставляет оценки. RAID G-SEO дал +4.72 в среднем против +3.63 у терминологии.

Что удивило: Традиционное SEO провалилось (+2.28 объективно, +0.11 субъективно) — это шестое место из девяти. Методы с терминологией и статистикой оказались в топ-2, а репутация и авторитетность — в аутсайдерах. Вывод для практики: LLM ценят экспертность контента (специальные термины, цифры, данные) больше, чем внешнюю авторитетность (цитаты известных людей, ссылки на регалии). Это, вероятно, связано с обучающими данными — модели видели больше текстов с терминами, чем с пруфами авторитета.

Ещё провели анализ ролей из 4W-рефлексии: собрали 8030 экземпляров ролей, кластеризовали — получилось, что модель генерирует в основном Knowledge Producers (учителя, аналитики) и Civic Actors (повара, DIY-энтузиасты). Это две трети всех ролей. Health Stakeholders и Creative Professionals — всего 6% и 3%. Модель предпочитает общедоступные перспективы, а не узкоспециализированные.

Хотя метод создан для генеративных поисковиков, принципы применимы в обычных чатах ChatGPT/Claude:

Задача: Написать пост для LinkedIn про свой опыт найма разработчиков.

Промпт:

Вот черновик моего поста:

[вставить текст]

Помоги улучшить его через 4W-рефлексию:

1. Who: Какие 4-5 типов людей могут читать пост в моём LinkedIn? 
 (например: рекрутеры, тимлиды, джуниоры, основатели стартапов)

2. What: Для каждого типа — что они хотят узнать из поста про найм?

3. Why: Почему текущий текст не полностью отвечает на их вопросы?

4. How: Переформулируй главную мысль поста так, чтобы она была полезна всем типам.

5. Перепиши пост с учётом обобщённой мысли. Сохрани мой стиль.

Результат: Пост станет релевантнее для разных аудиторий. Вместо "мой опыт найма" получишь текст, который отвечает рекрутерам (про процесс), тимлидам (про критерии), джуниорам (как выделиться), фаундерам (про стратегию).

Что меняем: Убираем Why и How, оставляем только Who + What.

Эффект: В 2-3 раза быстрее, меньше расход токенов, но теряем глубину анализа пробелов.

Когда использовать: Для простых текстов (посты, емейлы), где не нужна глубокая рефлексия.

Промпт:

Проанализируй мой текст через 2W:

1. Who: Какие 3-4 типа людей прочитают это?
2. What: Для каждого типа — одна главная потребность.

Перепиши текст так, чтобы отвечать всем потребностям.

Что добавляем: После How добавляем шаг "Check: насколько обобщённое намерение покрывает все типы пользователей?"

Эффект: Модель перепроверяет себя, находит пропущенные группы или слишком узкие формулировки.

Промпт (фрагмент):

ШАГ 3.5 — CHECK:
Проверь обобщённое намерение из How:
- Покрывает ли оно потребности всех типов из Who?
- Есть ли типы, которые мы пропустили?
- Слишком ли узкое намерение или слишком общее?

Если нужно — скорректируй намерение.

Идея: Применить 4W не к тексту, а к креативной идее (дизайн, продукт, стратегия).

Задача: У тебя есть идея для нового курса по промптингу.

Промпт:

Вот моя идея курса:

[описание идеи]

Проверь через 4W-рефлексию:

1. Who: Какие 5-6 типов людей могут купить курс?
2. What: Для каждого типа — какой результат они хотят?
3. Why: Почему текущая программа курса не даст им этот результат?
4. How: Как изменить программу, чтобы она подходила всем типам?

Выдай улучшенную программу курса.

Результат: Курс станет привлекательнее для разных сегментов — новички получат основы, опытные — продвинутые техники, менеджеры — кейсы применения в бизнесе.

Role-Augmented Intent-Driven Generative Search Engine Optimization (2025)

Xiaolu Chen, Haojie Wu, Jie Bao, Zhen Chen, Yong Liao, Hu Huang

University of Science and Technology of China

Связанные работы:

• GEO-bench — первый бенчмарк для оценки G-SEO методов
• G-Eval — фреймворк для субъективной оценки через LLM
• Retrieval-Augmented Generation (RAG) — архитектура генеративных поисковиков