Механика RAG: как заставить ИИ читать ваш сайт

Почему обычное SEO перестаёт работать в эпоху ИИ

Традиционная поисковая оптимизация строилась на ключевых словах, обратных ссылках и поведенческих факторах. Поисковик показывал список ссылок — пользователь сам выбирал, куда кликнуть. Языковые модели меняют эту логику радикально.

Когда пользователь задаёт вопрос ChatGPT или Claude с подключённым поиском, модель не возвращает список URL. Она синтезирует единый связный ответ, опираясь на извлечённые фрагменты текста. Ваша страница либо попадает в этот синтез, либо остаётся невидимой — вне зависимости от позиции в выдаче Google.

Именно здесь вступает в игру RAG — архитектура, которая стоит за большинством современных ИИ-ассистентов с доступом к актуальным данным.

От запроса до ответа: что происходит внутри

Рассмотрим полный цикл подробнее. Когда пользователь вводит вопрос, система не передаёт его напрямую в языковую модель. Сначала запрос проходит через embedding-модель — специальную нейросеть, которая превращает текст в многомерный числовой вектор. Этот вектор отражает семантический смысл запроса, а не его буквальный текст.

Параллельно в векторной базе данных (Pinecone, Weaviate, pgvector и др.) хранятся векторы всех проиндексированных фрагментов текста. Система вычисляет косинусное расстояние между вектором запроса и каждым хранящимся вектором. Фрагменты с наименьшим расстоянием (наибольшим сходством) считаются релевантными.

Отобранные фрагменты — обычно от 3 до 10 — вставляются в системный промпт модели вместе с исходным вопросом. Только после этого языковая модель начинает генерировать ответ. Именно поэтому качество и структура вашего текста напрямую влияют на то, попадёт ли он в финальный ответ.

Представьте два абзаца об одном и том же продукте. Первый рассказывает сразу о цене, технических характеристиках, истории компании и условиях доставки — всё в одном блоке. Второй посвящён исключительно техническим характеристикам: процессор, объём памяти, время автономной работы, конкретные цифры.

Когда пользователь спрашивает «какой объём памяти у модели X», RAG-система извлечёт второй фрагмент с вероятностью, близкой к 100%. Первый фрагмент, скорее всего, окажется ниже порога релевантности — несмотря на то что технические характеристики там тоже упомянуты.

Это и есть суть оптимизации под RAG: один абзац — одна тема — максимальная плотность фактов по этой теме.

Роль заголовков H2 и H3 в RAG-оптимизации

Заголовки в HTML-разметке — не просто визуальное форматирование. Для большинства краулеров они служат семантическими маркерами, обозначающими границы смысловых блоков. Многие RAG-системы используют заголовки как точки разреза при чанковании: новый H2 означает начало нового фрагмента.

Это имеет прямое практическое следствие. Если ваш заголовок H2 звучит как «Немного о технических деталях», краулер не получает никакой семантической информации. Если заголовок звучит как «Технические характеристики процессора: тактовая частота и энергопотребление» — вектор этого чанка будет точно настроен на соответствующие запросы.

Заголовки H3 работают аналогично, но на уровне подразделов. Правильная иерархия H2 → H3 создаёт древовидную смысловую структуру, которую RAG-системы умеют эксплуатировать при поиске ответов на уточняющие вопросы.

Отдельно стоит сказать о плотности фактов. В традиционном SEO-копирайтинге была распространена практика «водянистых» текстов: много слов, мало смысла, ключевые слова вставлены механически. RAG полностью обесценивает этот подход.

Векторная модель «понимает» семантику, а не считает вхождения ключевых слов. Абзац с тремя конкретными цифрами и двумя точными фактами получит более высокое косинусное сходство с релевантным запросом, чем абзац вдвое длиннее, но наполненный общими словами.

Практическое правило: перечитайте любой абзац и спросите себя — можно ли заменить хотя бы одно слово конкретной цифрой или названием? Если да — сделайте это. Каждое такое замещение повышает «плотность вектора» фрагмента.