👀 LSI 2.0 Auditor для LLM-цитируемости страниц

Промпт проводит диагностику веб-страницы и превращает её в источник, максимально пригодный для цитирования LLM-поисковиками. В отличие от классических SEO-инструментов, он не оптимизирует под ранжирование по ключам, а работает с тем, как реально устроен внутренний конвейер LLM-поисковика: разбиение страницы на чанки, векторизация, отбор релевантных фрагментов и финальное решение о цитировании.

Промпт построен на выводах исследования устойчивости LLM-поисковиков к SEO-манипуляциям 🖥, которое протестировало девять реальных LLMSE-систем на 1000+ атаках и показало: что традиционные black-hat техники (keyword stuffing, ссылочные фермы, клоакинг) блокируются в 99.78% случаев, а работают только контентные техники.

Segmented Text (короткие самодостаточные абзацы) оказался самым эффективным методом - до 65% повышения шанса цитирования. Rewritten-query Stuffing занял второе место - учёт того, что LLM почти всегда переписывает запрос пользователя в более формальную формулировку перед поиском. Q&A Formatting и Relevance Enhancement статистически значимо усиливают шанс именно на финальной фазе Summarizing - то есть влияют не просто на попадание в индекс, а на реальный факт цитирования в ответе.

Концепция LSI 2.0 - смещение оптимизации от совпадения ключевых слов к совпадению векторных представлений (эмбеддингов) текста и запроса. Отсюда в промпте - принципы инвертированной пирамиды (первое предложение раздела должно быть самодостаточным прямым ответом), Entity Proximity (главная сущность и её атрибуты должны стоять в одном предложении, а не быть разнесены по абзацу) и Factual Specificity (конкретные цифры повышают доверие модели к фрагменту сильнее общих фраз).


Входные данные (передаются одним JSON-объектом).

mode (обязательно) - выбирает, как промпт будет искать семантические семена/seeds (ключевые термины и фразы) и считать метрики близости текста к теме запроса.

➡️competitor_seeds_compute_by_LLM - используйте, если у вас есть .md-файлы страниц конкурентов.

➡️deep_research_seeds_compute_by_LLM - используйте, если конкурентов нет или вы хотите более широкий семантический охват на основе внутренних знаний модели о теме. Это самый универсальный режим для старта.

➡️precise_external_compute_required - используйте, если нужны математически точные, воспроизводимые цифры. Промпт не считает похожесть векторов сам, а выдаёт готовый Python-скрипт, который вы запускаете отдельно и результат которого возвращаете обратно в чат.

➡️cross_validation - используйте, если хотите проверить надёжность оценок: промпт прогонит оба LLM-режима параллельно и покажет, насколько совпадают найденные семена (это индикатор того, можно ли доверять быстрым estimate-цифрам, или нужен точный расчёт через режим 3).

output_format (обязательно) - выбирает, какой из трёх результатов вы получите:

➡️json_summary - если результат нужен для дальнейшей автоматической обработки (интеграция с таблицей, дашбордом, другим скриптом) или если хотите быстро увидеть цифры по каждому чанку страницы.

➡️detailed_report - если готовите план работ для команды: нужны развёрнутые диагнозы, объяснение каждой проблемы со ссылкой на конкретный научный принцип (Segmented Text, Entity Proximity и т.д.), оценка трудозатрат.

➡️rewritten_page - если хотите на выходе получить готовый к вставке на сайт HTML/Markdown-код без метрик и объяснений: только чистый переработанный контент с JSON-LD разметкой.

page_markdown (обязательно) - сюда вставляется название .md-файла, полученного расширением Chrome PageMarkdown 🖥из вашей страницы. Саму страницу прицепляем к чату.

url - ваша страница. Можно оставить пустым.