Это система для работы со скрытыми интентами.
Формально, это статический семантический анализатор одного текстового запроса. Он не ищет товары, документы или страницы - он строит структурированную модель того, что запрос выражает явно, и что можно осторожно предположить как скрытую потребность, стоящую за формулировкой.
Скилл решает задачу:
запрос → явный интент + ограниченный набор скрытых гипотез + неопределенность
без обращения к каталогу, истории пользователя, сессии, поведенческим сигналам или внешним API. Это принципиальное архитектурное решение: скилл - чистый слой анализа текста, а не поисковый или рекомендательный движок.
Скилл - первая (и на сегодня единственная реализованная) итерация более широкой концепции Latent Intent Discovery & Evaluation - многоступенчатой архитектуры для discovery-поиска, в которой анализ интента, генерация гипотез, проверка через каталог и планирование действия разделены на независимые модули:
Latent Intent Discovery & Evaluation
├── 1. Intent Analyst ← latent_intent_analyst v2.2 (эта версия)
├── 2. Catalog / Retrieval Validation (не реализовано)
├── 3. Personalization Layer (не реализовано)
└── 4. Dialogue / Clarify Mode (спроектирован, не реализован)
Изначально идея разрабатывалась для e-commerce discovery-поиска (расширение товарного поиска связанными интентами - substitute, complement, scenario), но, поскольку скилл работает только с текстом запроса и не привязан к товарному домену, он одинаково применим к:
- поисковым запросам в e-commerce;
- ключевым словам в SEO (в том числе данным Google Search Console);
- запросам в справочных и support-системах;
- формулировкам задач для контент-планирования.
Для чего нужен скилл
Скилл отвечает на один и тот же вопрос независимо от домена:
Какие интерпретации запроса семантически возможны, какие из них > поддержаны текстом, с какой степенью риска, и какой вопрос лучше всего снял бы неопределенность?
Практические применения:
➡️Диагностика намерения запроса - до того, как писать контент, страницу выдачи или карусель, понять, что запрос выражает буквально и что можно предположить.
➡️Content gap анализ -
hidden_intents и uncertainties - это, по сути, список подтем, которые страница должна закрывать, чтобы полностью соответствовать запросу.➡️Приоритизация уточнений -
recommended_question показывает, какой единственный вопрос или блок контента снимет наибольшую неопределенность.➡️Защита от переинтерпретации -
semantic_drift_flag и rejected_hypotheses не дают модели/автору контента свалить запрос в случайные ассоциации.➡️Классификация задачи ключа -
query_nature (transactional / informational / navigational / mixed) - первый фильтр перед любым дальнейшим анализом ключа.Приёмы работы со скиллом
1. Одиночный запрос
Базовый паттерн - подать один запрос, получить структурированный анализ в режиме
human (по умолчанию). Подходит для точечной диагностики одного ключа или формулировки.2. Пакетный анализ (batch)
Скилл не имеет встроенного batch-режима в схеме v2.2, но его можно использовать в цикле: подавать список ключей по одному и агрегировать результаты в таблицу (например, для последующей приоритизации в контент-плане). Для этого удобнее режим
json или minimal - они дают машиночитаемый объект без пояснительного текста, который проще сводить в таблицу.3. Переключение режима вывода
Режим переключается явной командой в диалоге:
- "работай в human-режиме"
- "выведи в JSON"
- "используй минимальный режим"
Нужно просматривать
rejected_hypotheses даже когда не нужен полный список: это лучший индикатор того, где граница между "обоснованным расширением темы" и "додумыванием за пользователя". Для SEO это прямая защита от избыточной, нерелевантной ключевой оптимизации на странице.Более подробное описание - см в нашем чате. Там же плайбук и приемы работы.
#DrMax