10 промтов, которые вернули мне SEO-трафик после AI Overviews: полный цикл от семантики до структурированных данных
После запуска AI Overviews и последовавших обновлений алгоритма Google в 2025–2026 годах кликабельность по информационным запросам упала у многих проектов. Когда ответ виден прямо в выдаче, пользователь часто не переходит на сайт. Я пересобрал свой SEO-пайплайн так, чтобы работать не против AI Overviews, а с ними: получать упоминания в блоках генеративных ответов и параллельно удерживать трафик по коммерческим и навигационным запросам.
Ниже — 10 промтов, которые я использую в ежедневной работе. Они закрывают полный цикл: от сбора и кластеризации семантики до разметки Schema.org и аудита E-E-A-T. Каждый промт — рабочий, с примером запроса и объяснением задачи. Промты написаны так, чтобы их можно было вставить в любую LLM с поддержкой длинного контекста.
Если вы только начинаете: семантическое ядро — это набор всех запросов, по которым вы хотите показываться. Кластеризация — группировка этих запросов по интенту, чтобы под каждый кластер делать отдельную страницу. AI Overviews — блок генеративного ответа в верхней части выдачи Google. E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) — набор сигналов доверия, которые Google использует для оценки качества контента; официальное описание есть в Search Quality Rater Guidelines.
1. Кластеризация семантического ядра по интенту
Задача: разбить выгрузку из Wordstat или GSC на кластеры так, чтобы каждая группа тянула на отдельную страницу и не каннибализировала соседнюю.
Промт:
Ты SEO-аналитик. Ниже список запросов с частотностями.
1) Определи интент каждого запроса: информационный, коммерческий, навигационный, транзакционный.
2) Сгруппируй в кластеры по интенту и семантической близости.
3) Для каждого кластера предложи: заголовок страницы, URL-слаг, тип страницы.
4) Отметь запросы, которые лучше отдать в блог, а не в коммерческий раздел.
Данные: [вставьте список]
Пример: я загрузил 480 запросов по теме «vpn для роутера». Модель собрала 7 кластеров, из которых 3 оказались коммерческими (сравнение, купить, цена) и 4 информационными. Кластер «как настроить vpn на роутере asus» отделился от общего — под него сделали отдельный гайд.
2. Поиск точек роста через анализ SERP
Задача: понять, какие страницы конкурентов уже попали в AI Overviews и что у них общего.
Промт:
Ниже — фрагменты топ-10 выдачи по запросу [запрос].
1) Определи, какие страницы с высокой вероятностью попадают в AI Overviews (структура, наличие FAQ, списков, таблиц).
2) Выдели общие паттерны: длина, формат ответа, источники, на которые они ссылаются.
3) Предложи 5 улучшений для нашей страницы [URL], чтобы её цитировали в генеративном блоке.
Фрагменты: [вставьте]
Пример: по запросу «как выбрать автономный генератор» модель показала, что в AI Overviews попадают страницы с таблицей характеристик и блоком «короткий ответ» в первых 100 словах. Мы добавили оба элемента — через две недели страница появилась в цитировании.
3. Генерация мета-тегов под AI Overviews
Задача: title и description должны и удерживать CTR, и давать LLM готовый ответ для цитирования.
Промт:
Сгенерируй 5 вариантов title (до 60 символов) и description (до 155) для страницы [URL].
Требования: ключ [ключ] в начале title, конкретная выгода, цифра или срок.
Description должен содержать прямой ответ на запрос в первом предложении — так его проще цитировать генеративным моделям.
Пример: для страницы про настройку VPN получили title «Настройка VPN на роутере за 15 минут: инструкция 2026» и description с прямым ответом. CTR в GSC вырос заметно на информационном кластере.
4. Структурированные данные Schema.org
Задача: разметить страницу так, чтобы поисковик и LLM однозначно поняли тип контента. Официальная документация — schema.org и developers.google.com/search.
Промт:
Сгенерируй JSON-LD разметку для страницы типа [Article/FAQPage/HowTo/Product].
URL: [url], заголовок: [title], автор: [имя], дата: [дата].
Включи: headline, author, datePublished, dateModified, mainEntity.
Для FAQPage — вынеси 5 вопросов из текста в mainEntity.
Верни только валидный JSON-LD без пояснений.
Пример: разметка FAQPage на странице гайда дала расширенный сниппет с вопросами. Важно: разметку нужно валидировать в Rich Results Test — модель иногда путает поля.
5. Оптимизация под E-E-A-T
Задача: усилить сигналы опыта и экспертности в тексте.
Промт:
Проанализируй текст [текст] на соответствие E-E-A-T.
1) Найди места без подтверждённого опыта (общие фразы).
2) Предложи, где добавить: личный опыт, кейс, цифры с источником, ссылку на первичный документ.
3) Проверь, есть ли автор с биографией и датой обновления.
Верни список правок с конкретными формулировками.
Пример: в статье про выбор оборудования модель указала на 6 общих утверждений. Заменили их на описание собственного теста с указанием условий — время отклика, температура, нагрузка.
6. Извлечение «короткого ответа» для генеративного блока
Задача: дать LLM готовый фрагмент, который она процитирует.
Промт:
Из текста [текст] выдели прямой ответ на запрос [запрос] в 2–3 предложениях.
Ответ должен быть самодостаточным, без отсылок «как сказано выше».
Затем предложи 3 варианта формулировки для блока «Коротко».
Пример: для запроса «что такое кластеризация запросов» получили определение в одно предложение, которое поставили в начало страницы.
7. Аудит каннибализации запросов
Задача: найти страницы, которые конкурируют друг с другом в выдаче.
Промт:
Ниже данные GSC: URL и запросы с показами.
Найди запросы, по которым показываются 2+ URL нашего сайта.
Для каждой пары предложи: какой URL оставить основным, что сделать со вторым (объединить, редирект, переписать под другой интент).
Данные: [вставьте]
Пример: обнаружили, что блог-пост и коммерческая страница делили запрос «vpn для дома». Коммерческую оставили, блог переписали под информационный интент.
8. Внутренняя перелинковка по кластерам
Задача: связать страницы внутри кластера, чтобы усилить релевантность.
Промт:
Вот список страниц кластера [список URL и заголовков].
Предложи схему внутренних ссылок: какая страница — хаб, какие — дочерние.
Для каждой дочерней укажи 3 анкора с целевого URL.
Анкоры — естественные, без переспама ключом.
Пример: построили хаб «VPN: полное руководство» с 6 дочерними гайдами. Позиции по кластеру подтянулись за месяц.
9. Генерация FAQ-блока из PAA
Задача: собрать блок вопросов из «Люди также спрашивают» и оформить под FAQPage.
Промт:
Ниже вопросы из People Also Ask по теме [тема].
1) Отбери 5 самых релевантных.
2) Дай краткий ответ на каждый (2–3 предложения), опираясь на факты из текста [текст].
3) Оформи как FAQ с JSON-LD.
Пример: блок из 5 вопросов про совместимость роутеров дал дополнительные показы в расширенных сниппетах.
10. Мониторинг упоминаний в AI Overviews
Задача: отслеживать, цитируют ли вас в генеративных блоках.
Промт:
Ты аналитик. Ниже выгрузка упоминаний бренда за период [данные].
1) Определи, в каких типах запросов бренд упоминается в AI Overviews.
2) Сравни с прошлым периодом: что выросло, что упало.
3) Предложи 3 темы контента, которые усилят цитируемость.
Пример: выяснили, что бренд цитируется по запросам про настройку, но не по запросам про выбор. Сделали сравнительную статью — цитируемость выросла.
Что важно помнить
Промты — это ускоритель, а не замена аналитики. LLM ошибается в фактах, поэтому любые цифры, ссылки и разметку проверяйте вручную: Schema.org валидируйте в Rich Results Test, статистику — по первичным источникам (GSC, Wordstat, официальная документация Google Search Central).
Начните с двух промтов — кластеризации и анализа SERP. Это даст быстрый эффект: вы увидите структуру спроса и точки, где конкуренты выигрывают у вас в генеративных блоках. Дальше подключайте разметку и E-E-A-T — они работают вдолгую. Если хотите разобрать свой проект по этому пайплайну, напишите в комментариях запрос и текущую позицию — покажу, где искать точки роста.
Комментарии