Запис стріму: RAG для SEO. Що працює насправді?

RAG (retrieval-augmented generation) — це коли модель перед відповіддю спершу дістає готові тексти з інтернету або з бази і будує відповідь на них. На стрімі розділили два різні сенси цього слова: пошуковий RAG, на якому працюють AI-відповіді Google і ChatGPT і під який ми оптимізуємось, і власний RAG, яким SEOшник автоматизує свою роботу. Для видимості в AI-відповідях власний RAG не потрібен, він вирішує задачі оптимізації власної роботи.

Про пошуковий RAG: Google нарізає контент на шматки (чанки), кешує їх, у деяких нішах на кілька днів, і переранжовує знайдене окремим кроком. Вікно цього переранжування звузилось приблизно з 30 документів до 20, а зараз ближче до 10. Бренд, який уже є в тренувальних даних моделі, значно частіше потрапляє у відповіді і стоїть у них вище. ChatGPT спочатку формує відповідь і лише потім підставляє citations, які її підтверджують, тому потрапляння у citations означає згадку, а джерелом відповіді могла бути не ваша сторінка.

У найбільшому практичному блоці Олександра Хілова покроково показує, як зібрати власний RAG з нуля. Все починається зі звичайних табличок: сторінки з усіма параметрами, продукти з властивостями, кластеризовані ключові слова. Головна таблиця knowledge складається з перевірених фактів (колонка claim) із джерелом і статусом approved, факти перевіряє окремий агент на ім'я доктор. Агент-генератор пише тексти, спираючись на цю верифіковану базу, а векторна відстань між сторінками працює на перелінковку. Результат на її експериментальному сайті: жодної orphan page, глибина перелінковки два скроли, а з переходів з AI-чатів 6 із 10 людей сидять на сайті понад 3 хвилини. Окремий кейс: бот для рекрутерів, згодований її транскрибованими відео і резюме, який проходить співбесіду замість неї.

Блок Сашка з цього ефіру розгорнутий у покроковий гайд: Власний RAG для SEO з нуля.

Віра Сєчкіна розповіла кейс медичного клієнта, який потрапив в AI-відповіді практично всіх систем через структурований answer-questions контент у видачі, забитій однотипними текстами, і про контрольоване зовнішнє цитування: перехресні згадки бренду з правильно підібраних джерел, які підтверджують експертність. Про клієнтську реальність вона каже прямо: платити за таку роботу готові не всі, часто все закінчується посиланням з головної і прес-релізом.

Зі спостережень за видачею: у кластерах, де конкуренти роками не оновлювали контент, свіжа якісна сторінка має добрі шанси потрапити в AI Overviews. Олеся тепер шукає видачі, де немає YouTube і Reddit, бо там шанси вийти в топ значно вищі.

Таймкоди:

• 0:00 інтро і слово спонсора Collaborator
• 2:57 що таке RAG і кому потрібен власний
• 12:10 пошуковий RAG Google і власний: не плутати
• 14:32 як працює пошуковий RAG: чанки, переранжування, citations
• 22:30 для видимості в AI власний RAG не потрібен
• 23:26 кейс медичного клієнта в AI-відповідях
• 26:45 власний RAG з нуля: таблички, база фактів, агенти
• 32:53 кейси: бот для рекрутерів і агент для сапорту
• 39:26 як шукати дірки в базі через вектори запитів
• 43:00 питання глядачів
• 53:33 розіграш квитків на SERP Conf.
• 57:09 підсумок: що реально працює