Скилл оценивает не то, как написан текст, а то, насколько он заменяем AI-суммаризацией. Основной вопрос: если пользователь получит только краткий пересказ от AI Overview или ChatGPT, потеряет ли он что-то ценное, ради чего стоило кликнуть на исходную страницу.
Итог - численный Replaceability Score и вероятностный вердикт по устойчивости ранжирования (Ranking Survival Probability).
Как работает.
Текст разбивается на смысловые юниты (личный опыт, данные, выводы, общие факты, визуальные артефакты), каждый юнит получает вес по значимости. Затем LLM реально генерирует summary - не имитирует, а пытается сжать текст так же хорошо, как настоящий answer engine. После этого каждый юнит сверяется: попал ли он в summary полностью, частично или пропал. Из этой сверки считается итоговый процент заменяемости, скорректированный на нишу и на размер собственной аудитории сайта (OAM).
Совместимость с GIST-логикой.
GIST ищет смысловые пробелы и избыточность относительно конкурентов - отвечает на вопрос "что упущено или продублировано в контентном поле". CVD отвечает на смежный, но иной вопрос - "то, что есть на странице, можно ли безопасно пересказать AI". Их можно применять последовательно: GIST определяет, какие смысловые узлы должны быть на странице, CVD проверяет, что уже написанные узлы не сводятся к обобщению. Оба используют схожую unit-based логику (юниты смысла вместо ключевых слов), поэтому легко стыкуются в одном workflow.
Как использовать в одном чате
Просто приложить текст (или URL с полным текстом), указать режим и, если нужно, нишу и размер аудитории. Скилл запрашивает эти данные сам, если их не хватает. Всё выполняется в одном диалоге без внешних вызовов.
Как использовать в составе агентской системы
Каждый режим выдаёт машиночитаемый JSON с фиксированными полями (replaceability_score_raw, content_archetype, business_risk_index и т.д.). Оркестрирующий агент может:
вызывать Mode A на этапе аудита контента, Mode D - на этапе аудита сайта, и объединять их в комбинированную рекомендацию без ручного маппинга;
вызывать Mode B параллельно с детектором роботности v3.8.12, беря поле robotness_score из второго скилла и вычисляя combined_risk_index по фиксированной матрице;
прогонять Mode C батчем по списку URL для кластерного аудита, собирая результаты в единую таблицу для поиска "смысловой монокультуры".
Ключевое требование для агентских систем: саммаризация (шаг сжатия) и юнитизация/сверка должны по возможности выполняться разными вызовами модели - это снижает same-model bias, зафиксированный в самом скилле как обязательная проверка.
Хэлп по режимам
Mode A - Solo Audit
Базовый режим. Полный анализ одного текста: юнитизация, саммаризация, diff-сверка, Replaceability Score, архетип контента, рекомендация.
Пример запуска в чате:
Режим A, ниша: Food
[текст статьи или файл]
Mode B - Combined Risk Audit
Совмещает CVD с детектором роботности v3.8.12. Нужен текст, прошедший (или проходящий параллельно) через оба скилла.
Пример запуска:
Режим B: сначала прогони детектор роботности v3.8.12, затем CVD Mode A на этом же тексте,
выведи Combined Risk Index
[текст]
Mode C - Batch/Cluster Audit
Прогон Mode A по нескольку страницам/URL сразу для поиска кластеров с системно высокой заменяемостью (типична для аудита целого сайта или ниши).
Пример запуска:
Режим C, ниша: Finance
Проанализируй пачку текстов ниже, выведи сводную таблицу Raw RS по каждому и отметь кластеры с RS > 70%
[список текстов или URL]
Mode D - Business Model Overlay
Не анализирует текст - проверяет структурную устойчивость сайта по 4 признакам (опыт, аудитория, продукт/бренд, brand search). Обычно запускается вместе с Mode A для получения комбинированной рекомендации.
Пример запуска:
Режим D для сайта [URL/описание]: есть ли owned audience, brand search, product tie,
demonstrated experience? Дай Business Risk Index и скомбинируй с Raw RS = 68% из Mode A
Mode E - Deep Text Quality Signals (опциональный)
Дополнительная диагностика: 6 качественных шкал (специфичность, авторство, опыт, объективность, actionability, структура) и