What is llms.txt and how should I fill it out for my site?

llms.txt is a machine‑readable “map of meaning” for AI crawlers: priority pages, facts, FAQ, regions. Include important URLs, core entities (brand, services, cities), question patterns with short ready answers, and geo rules. Separate blocks with headings/comments and use short lines: one fact per line. Update on each content release and keep it in the site root next to robots.txt.

Which metrics should I measure for GEO optimization and how to build the report?

Minimum set: share of questions mentioning the source, source position in the answer, brand mentions in quotes, clicks from answers, time to first mention, zero‑click impressions. Collect a table: “question — platform — mentioned? — position — clicks — date — page version”. Calculate shares by platform and weekly trends; log content versions and changes to robots/llms.txt.

How long does it take to appear in neural network answers for a local business?

First mentions typically appear in 2–6 weeks with proper indexing, correct robots.txt and extractable blocks. For multi‑geo sites and competitive niches — 1–3 months. Aggregators and Perplexity react fastest; larger ecosystems with extra validation take longer.

Which bots and entries should I allow in robots.txt so AI crawlers can see the site?

Allow GPTBot, OAI‑SearchBot, PerplexityBot, ClaudeBot, CCBot. Ensure no blocked sections contain answer content and that the sitemap is accessible. If you don’t want training, restrict appropriate endpoints, but don’t close crawling of pages that contain answers and facts.

Do I need to change page structure and add FAQ for each service?

Yes, if you want stable inclusion in answers. A service page should contain blocks “question → direct answer → context”, a brief summary with numbers, local markers (city), and a 3–5 question FAQ. This increases extractability and consistency of facts for RAG algorithms.

GEO Optimization: How to Appear in Neural Network Answers

GEO‑оптимизация — это не «новая SEO‑магия», а дисциплина, которая делает ваши страницы удобными для извлечения фактов нейросетями и AI‑поиском. Цель проста: чтобы ChatGPT (Search/with Web), Perplexity и Яндекс Нейро цитировали именно вас, а не соседний агрегатор. Для этого нужно совместить техническую доступность, извлекаемую структуру текстов и понятные для моделей факты — и регулярно измерять присутствие в ответах.

Что такое GEO (Generative Engine Optimization) и чем он отличается от SEO

GEO фокусируется не на позициях по ключам, а на том, чтобы модели брали из вас готовые фрагменты ответа. В классическом SEO вы добиваетесь клика; в GEO — целитесь в безкликовый показ (zero‑click impressions) и цитирование источника. Синонимы, которые встречаются в практике: AEO (Answer Engine Optimization), LLMO и AI SEO. На практике это три слоя:

Технический: индексация, robots.txt для AI‑краулеров, sitemap.xml, корректный HTML.
Контентный: извлекаемые блоки «вопрос → прямой ответ → контекст», микроразметка Schema.org (FAQPage, Organization, Service, BreadcrumbList, HowTo).
Внешний: упоминания и консенсус в экосистеме (агрегаторы, каталоги, медиа), который модели учитывают в RAG‑подходах.

Куда попадают ваши страницы — обзор AI‑каналов (Яндекс, Google, ChatGPT, Perplexity) и их особенности

Каналы различаются источниками и методами ранжирования цитат:

Яндекс Нейро и Поиск с Алисой — сильная связь с экосистемой: карточки организаций, NAP, качество в Яндексе и согласованность фактов.
Google AI Overviews/Gemini — осторожность к коммерческим нишам, высокая потребность в консенсусе, ценит структурированные фрагменты и FAQ.
ChatGPT (Search/with Web) — опирается на собственные краулеры (GPTBot, OAI‑SearchBot), любит краткие «готовые абзацы» и FAQ, хорошо цитирует списки и сравнения.
Perplexity — быстро подхватывает свежие страницы и агрегаторы, активно использует RAG и цитирование нескольких источников.

В локальных темах доля агрегаторов в ответах выше, чем у сайтов компаний — по наблюдениям в городах‑миллионниках. Делайте так, чтобы ваш сайт и карточки в каталогах подтверждали одни и те же факты.

Where AI most often takes facts in local topics (observation)

Техническая база: индексация, доступ AI‑краулеров и требования к HTML

Коротко: страница должна быстро индексироваться и быть доступной для приоритетных ботов, а её HTML — простым и предсказуемым.

Что проверить:

Индексация: страница без noindex, открыта канонической ссылкой, в sitemap.xml, загружается <1,5 с на мобильном.
Robots: явное разрешение для AI‑краулеров, отсутствие блокировок ключевых разделов.
HTML: один H1, логичная иерархия H2/H3, текст не спрятан за скриптами, таблицы — настоящие table, данные — без «картинок с текстом».

Список приоритетных ботов для GEO:

GPTBot
OAI‑SearchBot
PerplexityBot
ClaudeBot
CCBot (Common Crawl)
Googlebot/Google‑Extended (контроль использования контента для ИИ)

Пример robots.txt (базовый допуск для AI‑краулеров):

# Базовый доступ для AI‑краулеров и карты сайта
User-agent: GPTBot
Allow: /

User-agent: OAI-SearchBot
Allow: /

User-agent: PerplexityBot
Allow: /

User-agent: ClaudeBot
Allow: /

User-agent: CCBot
Allow: /

# Ограничьте служебные разделы для всех
User-agent: *
Disallow: /admin/
Disallow: /cart/
Disallow: /search?
Allow: /

# Карта сайта
Sitemap: /sitemap.xml

Мини‑чек‑лист HTML перед релизом:

На первом экране — краткий ответ по теме страницы в 2–3 предложениях с числами.
Блоки «вопрос → ответ → контекст» размечены в DOM обычными параграфами/заголовками.
Таблицы сравнений — нативный table с thead/tbody, не div‑сетка.
Важные факты продублированы текстом (не только в картинках/иконках).

llms.txt — зачем нужен, структура и готовый пример файла

llms.txt — это файл в корне сайта, упрощающий LLM‑моделям навигацию по вашим смысловым «якорям»: приоритетные страницы, сущности (бренд, услуги, города), готовые Q&A и краткие факты. Он не заменяет контент, но помогает краулерам быстрее понять, что у вас главное и где это лежит.

Рекомендуемая структура:

[pages] — список ключевых URL и их роли (главная, услуги, цены, регионы).
[entities] — бренд, NAP, продукты/услуги, синонимы.
[faq] — 5–10 Q&A в одну строку: вопрос | краткий ответ.
[regions] — города/районы/языки, предпочтения показа.
[policies] — что можно цитировать, что уточнять.

Пример llms.txt:

# llms.txt — карта смысла сайта
[pages]
/ — главная: обзор услуг и кейсов
/uslugi/ — список услуг
/uslugi/audit/ — аудит сайта: сроки, цена, этапы
/ceny/ — прайс и условия
/blog/geo/ — гайд по GEO: извлекаемые блоки, robots, разметка
/contacts/ — контакты и NAP

[entities]
brand: "ООО ТехМаркет"
nap: name=ООО ТехМаркет | address=Москва, ул. Примерная, 10 | phone=+7-495-000-00-00 | hours=Пн‑Пт 10:00–19:00
services: аудит сайта; внедрение analytics; локальное продвижение
synonyms: GEO=Generative Engine Optimization; AEO=Answer Engine Optimization

[faq]
Сколько длится аудит? | 10 рабочих дней, черновой отчёт на 7‑й день.
Есть ли рассрочка? | Да, 50/50 по этапам.
Работаете по договорам? | Да, ЭДО и бумажные носители.

[regions]
primary: Москва | вторично: Санкт‑Петербург | язык: ru
pages-by-region: /ceny/ | Москва; Санкт‑Петербург

[policies]
quote: разрешено цитировать блоки ответа и FAQ при указании источника
clarify: цены и сроки актуальны на странице /ceny/

Совет: держите генератор llms.txt в репозитории вместе с данными о навигации и FAQ, обновляйте при каждом релизе.

Как писать извлекаемые блоки: паттерн «вопрос → прямой ответ → контекст»

Извлекаемый блок — это абзац, который «живет» вне страницы. Структура:

Вопрос — коротко и по‑человечески.
Прямой ответ — 1–2 предложения с числом/диапазоном.
Контекст — уточнение условий/метода.

Ориентир по KPI пилота GEO через 3 месяца — доля вопросов с упоминанием источника 30–40% по приоритетному пулу.

What KPI to set for a GEO pilot in 3 months

Примеры извлекаемых блоков (цена, сроки, сравнения) — HTML и текст

Цена (HTML):

<section>
  <h3>Сколько стоит технический аудит сайта?</h3>
  <p><strong>Короткий ответ:</strong> от 90 000 до 140 000 ₽ за 10 рабочих дней.</p>
  <p><em>Контекст:</em> цена зависит от объёма страниц (до 5 000 URL), интеграций и необходимости внедрения правок.</p>
</section>

Сроки (HTML):

<section>
  <h3>Сколько длится внедрение GEO‑оптимизации?</h3>
  <p><strong>Короткий ответ:</strong> первые упоминания — за 2–6 недель при открытом краулинге и FAQ.</p>
  <p><em>Контекст:</em> мультигео и высокая конкуренция удлиняют срок до 1–3 месяцев.</p>
</section>

Сравнение (HTML):

<section>
  <h3>GEO vs SEO: в чём разница?</h3>
  <p><strong>Короткий ответ:</strong> SEO добивается клика и трафика, GEO — цитирования и безкликовых показов в ответах ИИ.</p>
  <p><em>Контекст:</em> практики пересекаются: индексация, структура и факты важны для обоих направлений.</p>
</section>

Микроразметка: FAQPage, Organization, Service, Breadcrumbs — примеры JSON‑LD

FAQPage:

{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [{
    "@type": "Question",
    "name": "Сколько длится GEO‑пилот?",
    "acceptedAnswer": {"@type": "Answer", "text": "2–6 недель до первых упоминаний."}
  }]
}

Organization:

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "ООО ТехМаркет",
  "url": "YOUR_DOMAIN",
  "telephone": "+7-495-000-00-00",
  "address": {"@type": "PostalAddress", "addressLocality": "Москва", "streetAddress": "ул. Примерная, 10"}
}

Service:

{
  "@context": "https://schema.org",
  "@type": "Service",
  "name": "GEO‑оптимизация",
  "areaServed": ["Москва", "Санкт‑Петербург"],
  "provider": {"@type": "Organization", "name": "ООО ТехМаркет"},
  "offers": {"@type": "Offer", "price": "90000", "priceCurrency": "RUB"}
}

BreadcrumbList:

{
  "@context": "https://schema.org",
  "@type": "BreadcrumbList",
  "itemListElement": [
    {"@type": "ListItem", "position": 1, "name": "Главная", "item": "YOUR_DOMAIN/"},
    {"@type": "ListItem", "position": 2, "name": "Блог", "item": "YOUR_DOMAIN/blog/"},
    {"@type": "ListItem", "position": 3, "name": "GEO‑оптимизация"}
  ]
}

Совет: валидируйте JSON‑LD перед публикацией и держите FAQ локально на странице, а не только в отдельном разделе.

Работа с внешними источниками: агрегаторы, каталоги, медиа — план и шаблоны

Модели доверяют консенсусу. Если агрегатор пишет одно, а сайт — другое, цитата уйдёт агрегатору.

План работ на 4 недели:

Составить реестр площадок по нише и региону (топ‑каталоги, отраслевые объединения, отзывы, локальные медиа).
Синхронизировать NAP и факты (цены «от», время работы, зоны обслуживания, бренды/сертификаты).
Обновить карточки и добавить короткие Q&A там, где возможно.
Договориться о цитате/экспертном комментарии в 2–3 медиа.
Добавить упоминания в llms.txt (entities/regions), чтобы модели «склеили» источники.

Шаблон письма в каталог:

Тема: Обновление карточки и подтверждение NAP
Здравствуйте! Просим обновить карточку компании «ООО ТехМаркет». Корректные данные:
— Название: ООО ТехМаркет
— Адрес: Москва, ул. Примерная, 10
— Телефон: +7-495-000-00-00
— Часы работы: Пн‑Пт 10:00–19:00
— Короткое описание: GEO‑оптимизация и технический аудит сайтов
Спасибо!

Шаблон экспертного комментария для медиа:

Тезис: «Чтобы попасть в ответы нейросетей, дайте один абзац с числом и контекстом».
Комментарий (500–700 знаков): короткий ответ + методика измерения + локальный нюанс.

Чек‑лист GEO‑готовности (таблица «что проверить — как проверить — устранение”)

Пункт	Как проверить	Приоритет	Ответственное	Дедлайн
Индексация страниц	Страница в sitemap, нет noindex/canonical‑конфликтов	Высокий	SEO	Дата
Robots для AI	GPTBot/OAI/PerplexityBot/ClaudeBot не заблокированы	Высокий	SEO/DevOps	Дата
Скорость	LCP < 2,5 с, TTFB < 0,8 с	Средний	Frontend	Дата
Извлекаемые блоки	На каждой услуге: 3–5 Q&A, резюме с числами	Высокий	Контент	Дата
Микроразметка	FAQPage, Organization, Service, Хлебные крошки	Средний	Разработчик	Дата
llms.txt	Актуален: pages/entities/faq/regions	Высокий	SEO/Редактор	Дата
NAP/локалка	Единообразный NAP на сайте и в каталогах	Высокий	Маркетинг	Дата
Внешние источники	10+ карточек актуализировано, 2 медиа‑цитаты	Средний	PR	Дата
Мониторинг GEO	Еженедельный замер пула вопросов	Высокий	Аналитик	Дата

Методика измерения видимости в ответах: KPI, метрики и шаблон отчёта

Метрики для GEO:

Доля вопросов с упоминанием источника (по площадке/в целом).
Позиция источника в ответе (1 — первый абзац/цитата, 2 — далее и т. д.).
Упоминания бренда в ответе (да/нет) и тип упоминания (цитата/список/карточка).
Переходы из ответа (если площадка даёт клик).
Время до первого упоминания (дней с даты релиза).
Безкликовые показы (если доступны прокси‑сигналы).

Формулы:

Доля упоминаний = Упоминаний / Количество вопросов в пуле.
Средняя позиция = сумма позиций / количество упоминаний.

Шаблон отчёта (CSV):

week,platform,question,mentioned,position,clicks,first_seen_days,content_version
2026-W10,Perplexity,цена аудита,1,1,4,9,v1.2
2026-W10,ChatGPT,сроки внедрения,1,2,0,14,v1.0
2026-W10,Яндекс Нейро,geo оптимизация что это,0,,0,,v1.2

Процесс замера:

Формируем пул из 30–100 вопросов по услугам/локалкам.
Еженедельно спрашиваем на целевых площадках в одинаковой формулировке.
Фиксируем упоминание/позицию/клики, обновляем CSV.
Раз в месяц сопоставляем с изменениями контента/robots/llms.txt.

Локальная/региональная специфика: NAP, карточки в справочниках, региональные запросы

Для локального бизнеса полезность GEO максимальна. Правила:

Единообразный NAP: одинаковые название, адрес, телефон на сайте, в микроразметке и во всех карточках.
Региональные маркеры: город в заголовке H1/H2, в тексте и в llms.txt (раздел regions), отдельные URL для мультигео.
LocalBusiness/Service в разметке с areaServed и часами работы.
Пилотные вопросы формулируйте с локальными частями: «в Москве», «на Петроградке», «Алматы центр».
Отдельные страницы по городам с конкретными ценами/сроками повышают шанс цитирования.

Автоматизация мониторинга и частота замеров (инструменты и ограничения)

Автоматизируйте, но учитывайте правила площадок:

Скрипт‑оркестратор опрашивает платформы по расписанию, пишет результаты в CSV/таблицу.
Для платформ с API используйте официальный клиент и лимитируйте частоту.
Для интерфейсов без API — полуавтомат: шаблоны вопросов, ручной ввод результата, контроль версий контента.

Псевдокод для пайплайна замера:

for q in questions:
  for p in ["Perplexity","ChatGPT","Яндекс Нейро","Google AO"]:
    ans = ask_platform(p, q)   # через API/ручной ввод
    row = parse_answer(ans)    # mentioned=0/1, position=1..n, clicks
    write_csv(row)

Частота: еженедельно для пилота; далее — раз в 2 недели. Доработки контента/robots/llms.txt — батчами, чтобы видеть влияние в динамике.

Частые ошибки и как их избежать

Блокируете AI‑ботов в robots.txt. Исправление: явный Allow для GPTBot, OAI‑SearchBot, PerplexityBot, ClaudeBot.
Нет цитируемых блоков. Исправление: добавьте FAQ и резюме с числами на каждую услугу.
Несогласованный NAP. Исправление: единый эталон NAP, сверка в карточках и микроразметке.
Отсутствует llms.txt или он не обновляется. Исправление: держите файл рядом с релизами контента.
Ставите ставку только на сайт. Исправление: укрепляйте агрегаторы и медиа‑цитаты — модели любят консенсус.

План работ на 3–6 месяцев с KPI и распределением задач

Месяц 1:

Аудит индексации и robots; публикация llms.txt; базовый FAQ/ответ‑блоки на 5 ключевых услугах.
Настройка шаблона замера и первый срез по 50 вопросам. KPI: упоминания ≥ 15% в Perplexity/ChatGPT по пилоту.

Месяц 2:

Микроразметка (FAQPage, Organization, Service, Breadcrumbs); локальные страницы по 2–3 городам.
Обновление карточек в 10+ каталогах, 1–2 экспертных комментария в медиа. KPI: доля упоминаний 25%+, первые упоминания в Яндекс Нейро/Google AO.

Месяц 3:

Расширение FAQ и сравнения, добавление таблиц цен/сроков, улучшение скорости.
Ротация вопросов в пуле, A/B короткого резюме на страницах услуг. KPI: 30–40% упоминаний, средняя позиция источника ≤ 2.

Месяцы 4–6:

Мультигео‑масштабирование, углубление в ниши, регулярные медиа‑цитаты.
Автоматизация опросов и отчётности, регулярные релизы llms.txt. KPI: стабильность метрик, рост безкликовых показов и переходов из ответов там, где доступны.

Чек‑лист перед публикацией страницы

Страница в sitemap, нет noindex, корректный canonical.
Robots не блокирует AI‑ботов, карта сайта указана.
Первый экран: краткий ответ с числом/диапазоном.
На странице 3–5 FAQ и 1 таблица сравнения.
JSON‑LD валиден (FAQPage/Organization/Service/Breadcrumbs).
Обновлён llms.txt и добавлен раздел о странице.
Добавлен региональный маркер и NAP (если локалка).

Главная мысль: модели любят короткие ответы и согласованные факты. Дайте им это технически (robots, llms.txt, простая страница), контентно (блоки ответа, разметка) и внешне (агрегаторы/медиа) — и фиксируйте прогресс в понятных метриках.