1783
Автоматизация SEO c помощью AI и Вайбкодинга
Структура SEO-AI агентства!
Пока не без кожаных, но уже с нейро агентами!
Я надеюсь всем понятно куда мы идем? 😉
PS На картинках не видно OnPage и блока по линкбилдингу. Короче это как с суликом 🐿 его не видно, но оно там есть) просто на картинку не поместилось
ИИ уничтожит вас и оставит без работы
Кликбейт, каюсь. Но то, что сейчас происходит в SEO индустрии уже можно смело назвать революцией. Изменения колоссальны, скорость неимоверная.
То чем мы занимались еще год назад (умные боты помощники в телеграме) кажутся теперь детскими играми в песочнице. Выход Claude Code, внедрение ИИ агентов, Скиллы - всё это переворачивает шахматную доску, я уж молчу про OpenClaw.
Вангую - скоро появятся коробочные решения, это когда ты клонируешь папочку со скилами на серваке, заводишь в неё вводные по очередному проекту даешь команду ИИ агенту и.... И всё процесс пошел!
Вчера был очередной созвон нашего SEO Python чата, это выпускники моих курсов и такие же как я больные на всю голову амбассадоры ИИ. Чем только народ не развлекается! Пилит целые новостные агрегаты, ИИ агентов которые меж собой общаются и взаимодействуют, дашборды, автоматизации, я по ходу встречи, скажем так, был пару раз несколько удивлен)) и задавал себе вопрос, ОГО! А так можно было? )
И вот на этом контрасте я последние 3 недели активно собеседовал кандидатов. Мы искали себе в команду SEOшника. Обычного, кожаного) Блин! Как всё печально! Вот общаешься с человеком, 5-10 лет в SEO. Ничего нового, работа по чек листам, DR>10, ИКС, длина title <70 ... Спрашиваю - у кого учились? Нас ХЭД учил. На кого подписан в телеге - да особо ни на кого. Эксперименты ставишь? Вайбкодишь? Ну да chat gpt юзаю. Опыт накрутки ПФ есть? Да через сервис 🙈
Что я вижу? 👀
1. Настало время умных SEOшников способных в соло с помощью ИИ агентов разгребать за час задачи целого агентства.
2. SEO Джуны, работники по чек листам и люди с закостеневшим мозгом и мышлением - пора надевать желтый рюкзачок, садится на электровелосипед (на завод вас тоже не возьмут)
Наблюдаю отход от стандартных грейдов: Хард, Мидл, Джун. Скорее всего будет так:
1. SEO супервайзер + ML инженер + ИИ агенты
2. Руки - по факту админы сайтов и контент менеджеры (сайты на Тильде никто не отменял)
Йорошику онегай шимас! - Или прошу любить и жаловать новый дивный мир! (вольный перевод с 🇯🇵 )
AI-first подход для сложного парсинга
На прошлой неделе повозился полдня с Клодом и сделал умный парсер ЖК для сайта о недвижимости.
Предыстория: нужно добавить на проект порядка 200 объектов – жилых комплексов. Как бы я поступил раньше? Я бы выгрузил топы, спарсил картинки, заголовки, нанял бы четверых фрилансеров, чтобы они руками заполнили информацию об объектах.
Каюсь, первая мысль была именно такой – сделать все по старинке. Но как только моя рука потянулась, чтобы написать сообщение моему ассистенту, я почувствовал дискомфорт. Это было моё уязвлённое самолюбие! Эй, чел, ты же автоматизатор, блин, нейронщик, пропагандируешь принцип AI-first, а сам втихаря ручками?))
Неее, так не пойдёт, подумал я и за пару тройку часов написал умный парсер.
Идея предельно проста: вытаскивать парсером все тексты со страниц ЖК и отправлять их по API в OpenAI, снабдив мастер-промптом, который найдёт в текстах нужную мне информацию, структурирует её и выдаст в Markdown по шаблону. Написал скрипт, покрутил мастер промпт и температуру, протестировал разные модели, лучшей оказалась GPT-5.
Схема работы
1. На вход - список жилых комплексов
2. Парсим топы, в том числе используя вайт-лист и стоп-лист сайтов
3. Готовим табличку: объект, урлы доноры (от 5 до 7 в среднем ), и тайтлы для проверки адекватности найденных углов
4. Следующий шаг пришлось сделать вручную – это проверить URL-адреса и теги title, чтобы выкинуть нерелевантные странички. На данном этапе лучше кожаных пока не справляется никто
5. Дальше всё улетает в GPT и возвращается в виде Markdown списка и json файла
6. Маркдаун нам пригодится для итоговой проверки. В нем собрана и структурирована информация по объекту, например, срок сдачи, ближайшие локации, тип недвижки (апарты, таунхаусы и прочее), статус объекта, класс объекта и прочее и прочее
7. Json файл пойдет у нас для импорта в админку после проверки и фактчекинга риэлторами
Знаете, что самое интересное? Я думал, у меня израсходуется куча денег, тем более что я использовал дорогую модель GPT-5. 100 объектов мне встали в 12 центов или примерно в 10 рублей!
Короче, AI-first подход работает! Теперь не нужно выискивать CSS-селекторы, XPath-выражения – экономия времени в разы. Если для интернет-магазинов, как будто бы, до сих пор лучше парсить по старинке с помощью XPath-выражений, то для разнородных страниц – например, для сайтов услуг или объектов недвижимости – выделение сущностей без нейронок выглядело просто неосуществимой задачей!
Не отпускают меня сущности)
Вчера в очередной раз посмотрел доклад Олега Шестакова про сущности и задал ему вопрос по итогам своего эксперимента.
Скажу вкратце, не все так красиво и гладко как в докладе, есть нюансы. Так например если вы делаете статью о том как поступить в MIT (Массачусетский технологический университет) из РФ, то за счет сущностей entities и ноулидж графа вы получите строгую академичную статью про MIT, да там будет масса информации об основателях, о кампусе, благотворительной деятельности, выдающихся выпускниках, но! Именно про особенности поступления из РФ и прочие моменты будут отсечены по порогу косинусной близости, потому что main entity (главная сущность) у нас это MIT. На вебинаре, который я проводил, я как раз это подсвечивал. И вопрос который у меня был - баг это или фича? На что последовал ответ, что да тупо по одной кнопке не всегда получается, есть разные ниши, разные запросы и иногда нужно бить полученные данные на 2 или 3 статьи. Примерно эти же выводы я озвучил у себя на вебинаре, что одних сущностей недостаточно, что это скорее хороший инструмент обогащения, но ни как не сильвер буллит!
Запилить бота, чтоли очередного, который будет это доставать 🤔? Накидайте огонёчков, если их наберется, что нибудь замучу в ближайшие дни!
Как устроена работа в нашем агентстве и причем тут Python 🐍
Начнем с того, что типовые задачи у нас оцифрованы и шаблонизированы. Для каждой задачи в рамках проекта идет описание, порядок выполнения, чек-лист для проверки, примерное время выполнения и самое важное - ЦКП
Мы для каждой задачи ставим ЦКП (ценный конечный продукт). Так, например, для задачи «написать статью в блог» - ЦКП звучит как: опубликованная на сайте, проиндексированная в Яндексе и Google статья написанная под определенную семантику, проверенная по SEO параметрам согласно чек-листа.
Зачем мы это сделали? Да потому что конечную цель все воспринимают по разному. Кто-то может посчитать, что достаточно написать статью в Гугл докс и приложить её к отчету. Кто-то может разместить её на сайте но не опубликовать. Это не значит, что у нас работают тупые сотрудники)) это стандарт качества, который должен быть!
Есть несколько стилей управления командой. От: "Мы нанимаем самых лучших и дорогих и не лезем к ним", до регламентирования каждого шага. Мой подход - здоровая диктатура 👨✈ кто был в Сингапуре тот меня прекрасно поймёт). Я за планомерную четко регламентированную работу, но без микроменеджмента и задротства по мелочам.
В конце месяца мы делаем шахматку - строим планы на следующий месяц по всем проектам. В столбик у нас проекты, в строку - типовые задачи с комментариями. Обычная эксель таблица, очень удобно и наглядно.
А причем тут Python спросите вы?
Мы используем MooTeam - это CRM от Алаича и у неё довольно удобная API. И вот эту вот шахматку мы с помощью python и API импортируем в CRM, предварительно проставив дедлайны, приоритеты и ответственных. Удобно? Вы не предоставляете насколько! Мой хэд просто пищал от восторга когда мы это сделали. До этого приходилось заносить все вручную.
Второй писк радости был когда мы автоматизировали отчеты (полуавтоматизировали) если уж быть до конца честными. Фишка в том, что все выполненные нами в CRM системе работы мы экспортируем в заготовки презентаций отчетов о выполненных работах, экспортируем как вы догадываетесь одной кнопкой.
Что следующее на очереди и над чем я работаю сейчас? Это автоматизация аккаунтинга.
Краткое ТЗ выглядит так.
Регулярно скармливать LLMке (видимо это будет Gemini):
1. Мониторинг клиентских чатов
2. Самари зум созвонов
3. Отчеты и планы, а так же текущие спринты по задачам
Если еще закинуть туда какой нибудь крутой seoшный курс, я даже знаю чей 😉. Можно сделать идеального помощника аккаунт менеджера, который будет не просто тупо отвечать: "Здравствуйте передаю ваш запрос SEOшникам вернусь до конца дня". Грамотно и по существу закрывать тревоги клиента.
Если все сделать как я хочу, получится очень крутой и востребованный продукт! Я надеюсь вы понимаете что без Питона тут никак не обойтись?)))
Напоминаю, сегодня в 20-00 по Москве Вебинар по сущностям!
Читать полностью…
В новый 2026 год с новыми знаниями!
25.01.2026 стартует курс Python SEO Нейросети - 2.0! Выкатываю яйца) на нашем курсе проходили обучение SEOшники из Озона, МТС маркетолога, Ant Team, компаний Контур, Технониколь и так далее. И это уже 6-й поток!)
Вас ждут 2 месяца ударной работы, масса практических заданий и полное переформатирование сознания!
Поверьте мне, что фразу: "А что так можно было?" – Вы зададите себе не раз по ходу курса!
Бонусы и плюшки!
1 – Цена старая 2025 года, поторопись! Следующий поток нескоро и дороже!
2 – Держи промокод на скидку SPECIAL
3 – Действует Рассрочка
4 – Бонус второгодника (не нашел время пройти курс до конца, не отчаивайся, заходи повторно!)
Информация тут https://sait-activator.ru/seo-python промокод на скидку SPECIAL
Всем привет! Сегодня в 17:00 по Москве буду у Михаила Шакина рассказывать про Вайбкодинг! Что это такое, какие как его правильно готовить и как не свалиться в Манкикодинг! 🐒
Читать полностью…
Пояснения к скриншоту.
1) Голубые круги справа - это entity обогащенные из Knowledge Graph Google. Там где нет синих кругов - это сущности добытые из статей из ТОПа.
2) Similarity - косинусная близость сущности к вектору кластера запросов
3) Mentions - количество упоминаний сущностей в статьях из ТОПа
4) У себя в докладе Олег судя по цифрам юзал эмбеддинги от openAI (но это не точно) поэтому у него значения косинусной близости ближе друг к другу. Я же юзал свои любимую базу от Яндекса и там всегда разброс идет больше.
Само собой есть шероховатости, но для первой итерации вполне себе интересный результат получается. Мне интересно другое смотрите Гарвард (ORGANIZATION) и Гарварде (LOCATION) - это косяк при обработке русского языка или он реально так думает? По идее я учусь (где?) в Гарварде действительно можно воспринимать как локейшн
Кластеризация – эксперименты и выводы, продолжение
Пример сложной тематики №2 - кредиты, эталонная выборка – 1490 ключей, 143 кластера, 24 алгоритма для исследования
Лучшие результаты кластеризации:
По ТОП-20 XML Яндексу по сайту banki.ru (middle)
По ТОП-20 Google по сайту banki.ru (middle)
По ТОП-20 XML Яндексу (middle)
По ТОП-20 Google по (\ middle)
Худшие результаты кластеризации:
Perplexity в режиме research
По ТОП-20 Google (soft)
По ТОП-20 Yandex (soft)
Дальше приводить результаты экспериментов не вижу смысла, поскольку спустя почти 2 месяца проб, ошибок и выгорания я смог сделать определенные выводы и давайте я вас с ними познакомлю.
Выводы из экспериментов
1) Софт не имеет значения, все они делают одно и то же, снимают ТОПы по запросам и находят пересечения. Я в исследовании использовал keyassort и собственный кластеризатор на Python, результаты идентичны.
2) XML и Live выдача в Яндексе – не увидел принципиальной разницы. XML работает стабильней и быстрее, поэтому нет смысла заморачиваться.
3) Лучший агрегатор XML для массовых проверок - https://xmlstock.com/, работает стабильнее чем River плюс поддерживает больше потоков
4) Как это не удивительно, но я не увидел большой разницы в оценках между Яндекс и Google. Честно говоря, ожидал большего разброса, но результаты схожи.
5) На схожесть результатов сильно влияет разброс ядра. Чем оно разнообразнее, тем лучше результаты.
6) Нейросети (LLM) пока рано использовать, слишком большой разброс и нестабильный результат.
7) Хорошо, когда в нише есть безоговорочный лидер, например exist.ru в автозапчастях. Зачастую кластеризация по сайту лидеру дает лучший процент схожести с эталонной выборкой. Ну и кто возразит, что banki.ru – у нас явный и многолетний лидер?
8) Кластеризация по жестким условиям – плохой результат, например по Хард алгоритму по ТОП-10 с порогом схожести 4 и выше
9) Кластеризация по Яндекс Вебмастеру – сложно, долго. ЯВМ больше под сбор семантики чем под кластеризацию
10) Кластеризация по эмбеддингам - хорошо отрабатывает на больших разнородных ядрах. Причем сами эмбеддинги стоят копейки. Я в общей сложности просмотрел порядка 500 к запросов и потратил на это не более 70 р. Да для сложных тематик эмбеддинги не подходят, но для тех же самых автозапчастей разобрать пару миллионов запросов - легко! Вы на таких объемах запаритесь ТОПы снимать.
Ну и возможно самый главный вывод: Кластеризация в Яндексе – напрямую коррелирует с ПФ вашей страницы. Чем лучше ПФ, тем больше он вам докидывает запросов. И то, что вы кластеризуете сейчас – это некая средняя температура по больнице. Если вдруг, ваш сайт окажется лучшим в ТОПе по ПФ, то с высокой степенью вероятности первоначальная кластеризация, которую вы делали по ТОПам или по Лидерам – сломается.
Я двигаю пару проектов в нише агрегаторов GPT и прочих нейросетей и могу сказать, что есть пара сайтов находящихся в ТОПе почти без вхождений, но поскольку там сумасшедшие ПФ за счет бесплатно представляемой услуги – они показываются по очень широкому ядру запросов!
Роадмап
1) Снимаете ТОПы
2) Кластеризуете по несильно жестким условиям, выявляете лидеров
3) Крутите коэффициенты
4) Сравниваете с лидерами
5) Смотрите корреляцию по сайтам из ТОПов по Яндекс Вебмастеру.
Что делать после кластеризации? Внедрять в различные зоны документов, не забывайте при этом про n-граммы и LSI термины. Боты в помощь!
Кластеризация - какую таблетку ты выберешь?
Начну с метафоры. Читали Кастанеду ‘’Шаманский полет” и прочие его экзерсисы?
Индейцы Толтеки, как, впрочем, и создатели фильма Матрица, считают, что мир в котором мы живем – ни что иное как иллюзия. Человек находится внутри пузыря восприятия и видит окружающий мир как отражение самого себя на стенках этого пузыря. И только избранным, шаманам и Алексею Чекушину ) открыта возможность выходить за рамки оболочки и наблюдать этот мир таким какой он есть.
К чему это я? Да к тому, что кластеризация — это и есть попытка по отражению и ряби на поверхности пузыря восприятия понять, что там снаружи. Но! Есть один пикантный нюанс, реальной картинки как будто бы не существует, как, впрочем, и красной таблетки. 🤯
Задача – изучить 4 способа кластеризации с вариациями:
1 - кластеризация по ТОПу (по Яндексу, по Google, по Ozon, по живой выдаче, по XML, по ТОП-10, по ТОП-20, Soft, Midle, Hard …)
2 - кластеризация по эмбеддингами или векторным представлениям слов (KMeans, Agglomerative Clustering, HDBSCAN, Bayesian Gaussian Mixture и прочие алгоритмы)
3 - кластеризация с помощью LLM моделей (Sonar, Claude Sonnet 4.0, Gemini 2.5 Pro, GPT-5, Grok 3, Perplexity)
4 - кластеризация по Яндекс Веб-мастеру
Цель - найти лучший алгоритм, который, что называется в лоб, покажет лучший результат.
Оценка результата – схожесть с эталонными группировками, которые мне любезно предоставили SEOшники эксперты вампиры верхнего уровня.
Суть эксперимента:
1. Берём запросы, выполняем кластеризацию разными способами
2. Пытаемся найти оптимальный вариант
3. Сравниваем с эталонной выборкой
4. Делаем выводы
На бумаге все выглядит достаточно гладко за исключением пункта №2. Это как раз и есть попытка понять по каким-то метрикам правильно ли мы сгруппировали запросы.
Как это происходит у обычного сеошника?
Взяли запросы сняли топы, покрутили параметры, прикинули на глаз всё ли ок и дальше уже выгружаем все в Excel и начинаем руками перераспределять запросы если нужно. Достаточно муторная работа, требующая реального знания ниши усидчивости и определённых скилов.
Собственно исходя из этой боли и родилась идея. А что, если мы пойдём в учебник по машинному обучению, зададим кучу вопросов в Perplexity или ChatGPT и выведем такую формулу которая позволит нам избегать вот этой вот многочасовой и муторной доводки?
Я так и сделал! Результат тут 😆
Спойлерю - главный вывод, который я сделал в рамках исследования, заключается в том, что не существует идеального метода, позволяющего в лоб с первой итерации достичь приемлемого результата. Поэтому все сказки про некие чудо-инструменты и суперкластеризаторы - это всего лишь рябь на внутренней поверхности пузыря восприятия, не более.
Но, не стоит унывать! На самом деле получились довольно интересные результаты и алгоритм действий, который может приблизить вас к желаемому результату.
Начинаю серии публикаций про такую фундаментальную seoшную процедуру как "кластеризация запросов". Пристегните ремни будет интересно!
Держите новую классную фичу: подбор запросов по конкретной странице вашего сайта в Вебмастере!
Если у вас ещё нет сайта или вы хотите разобраться в новой области, вам подойдёт обычный подбор запросов по отдельным словам. Но если у вас уже есть страница в поиске - подбор запросов с опорой на поисковые данные поможет быстро найти целевые запросы и сэкономит ваше время. Обратите внимание на табик "дополнительные" - в нём вы можете найти неочевидные и при этом целевые запросы.
Можно указывать абсолютные или относительные урлы вашего сайта. Маски не поддерживаются, но вы можете указать до 50 страниц в одном запросе и можно сделать несколько запросов, чтобы таким образом охватить какой-то кластер страниц. Пробуйте, делитесь обратной связью с командой и оставляйте фичареквесты)
Репост
Внимание! 13.10.2025 стартует 5-й поток обновленного курса
💥💥 Python SEO Нейросети 💥💥
Что на курсе?
Ещё больше готовых решений, которые заменят вам 2-х SEO джунов и автоматизаций под ключ! Копируй, запускай в работу, экономь и зарабатывай!
Ссылка на курс https://sait-activator.ru/seo-python
ВНИМАНИЕ!!! Действует эксклюзивный промокод на скидку SPECIAL
Поторопитесь! Пока можно купить по старой цене!
Возможна оплата частями через Яндекс Сплит, есть оплата от ЮЛ, QR кодом и картой. Не отставайте от тренда 2025, записывайтесь на курс https://sait-activator.ru/seo-python и становитесь в разы эффективнее!
Кластеризация запросов по LLM моделям, Илон Маск опять всех удивил?)
Мое исследование подходит к финалу и есть ряд интересных наблюдений.
Итак, первый сенсационный результат!
На довольно простом ядре (порядка 2000 запросов) типа
- запчасти Хавал
- автозапчасти Haval
- запчасти хавейл по VIN номеру
Лучший результат – почти 100% совпадение с экспертной оценкой показал… Grok3! Причем результат лучший среди всех нейросеток и среди других методов кластеризации! Да, есть нюансы, поскольку это дешевая модель с небольшим контекстным окном он вам не даст откластеризовать, к примеру, ядро из 5000 запросов (остальные он просто выкинет). Второе – да, на сложных нишах типа, займов и кредитов там все не очень, но нужно отметить, что и кластеризация по ТОПу в лоб, тоже дает результаты так себе. Но, советую присмотреться, по крайней мере это любопытно!
Второе крайне забавное наблюдение, про которое мне рассказал Андрей Буйлов. Если в Perplexity в режиме labs загрузить список запросов, которые были изначально кластеризованы (взяли эксель файл и убрали колонку с кластерами, оставили только фразы) – результат очень достойный. Если загрузить фразы в случайном порядке – результат намного хуже. То есть Perplexity запоминает порядок слов – positional encoding в действии!
Третий момент. Многие нейросетки когда их просишь кластернуть запросы пишут код на Python. Прямо пишут код и запускают в интерпретаторе! А мой любимый Sonet вообще кинул в меня скриптом на Питоне и сказал – чувак, вот тебе код, давай сам развлекайся, мне тут не до тебя, я занят более важными делами мыслями как мне поработить мир этих тупых двуногих кожаных. Причем Claude Sonet использует tf/idf и метрику k-means. Результат, мягко говоря, не очень!
Вот такие новости из увлекательного мира нейросетей 😉
Тизеры доклада по кластеризации!
Что я делаю или в чем суть эксперимента?
Мне регулярно задают вопросы, Влад, а ты не пробовал делать кластеризацию по эмбеддингам (векторам слов)? Влад, а какую LLMку лучше юзать для кластеризации? Плюс постоянно возникают вопросы как лучше кластеризовать: по Яндексу, по Google, по Ozon? Какие пороги схожести при кластеризации по ТОПу использовать? Какие ТОПы анализировать, ТОП-20, ТОП-10? А, что, если позициям присваивать вес (гиперболическая кластеризация)? А, что, если делать кластеризацию только по лидерам ниши? И тому подобное!
Ну вот я и решил скучно стало ) погрузиться в данную тему с головой капец я загнался!
На гистограммах оценка разных методов кластеризации с эталонным ядром в суперконкурентной нише: ЗАЙМЫ НА КАРТУ, любезно предоставленным моими друзьями. Кластеризация в лоб, без последующего разбора руками. Таким образом я анализирую ядра и пытаюсь делать выводы.
Парни и девчонки, если у кого завалялись ядра, скиньте в личку пожалуйста, не жмитесь, ваши ядра никуда не уйдут! Очень было бы интересно пощупать разные ниши.
Пишите в личку @siteactivator
https://youtu.be/GD0MwuGAP18?is=ekj4XmMZN_u8HIRA
Читать полностью…
Опыт использования Вайбкод платформ от учеников
Небольшое овервью, данный пост написал Адександр Чумак, один из лучших учеников на курсе). Я попросил у него разрешения опубликовать личный опыт проб, ошибок и набивания шишек!
Пост Александра:
Я сделал сбор семантики.
Изначально начинал вайб-кодить на ChatGPT через диалоговое окно.
Потом перешёл на Claude AI, также в окне.
Потом стал пробовать разные IDE.
Начал с Cursor. За 5 дней улетели 20$ месячной подписки + ещё в минус 43$.
На этом с Cursor закончил.
Потом поставил Antigravity AI от Google.
За пару дней закончились лимиты от Антропик, пауза на 5 дней. Но плюс в том, что можно почти неограниченно использовать родную гугловскую модель Gemini 3 Pro High.
Она конечно похуже, чем Сонет 4,5 и Опус 4, но работает. Правда нужен аккаунт не Российский и хороший сами знаете что)) на зарубежном сервере.
На днях ещё опробовал TRAE.AI, но в нем нет моделей от Антропик, но есть ChatGPT 5,2 High, который по ощущениям работает лучше, чем также Gemini 3 Pro High.
Плюс а том, что месячная подписка на Trae в 1й месяц 3$, далее 10$.
На днях поставил VS Code + Claude Code Cli.
Фишка в том, что можно использовать обычную подписку за 20$ без API.
Пока только начал и не могу оценить, но судя по отзывам как людей, так и нейронок , последний вариант в настоящее время - это самое лучшее решение для вайб-кодера.
Полезно? По моему да!
Как бы я начинал с нуля?
Проведем мысленный эксперимент!
29.01.2026 08:00 на часах. Я оказался в новом мире, в котором меня никто не знает, в котором нет сотрудников, заказчиков, сарафанки. В активе только 15 летний опыт в SEO, набор хард и софт скиллов. И всё, чистый лист!
Идеальный белый лист, на котором можно написать всё, что угодно, формулу, скрипт, хокку на хирагане, резюме на вакансию SEO оптимизатора, манифест политической партии.
Нулевой километр, точка отсчета, почти-что дзен…
В японской кинематографе есть такое понятие Ма, 間) — это фундаментальный художественный прием, означающий «пробел» или «пустое пространство» между звуками, действиями или кадрами.
Мы сейчас в точке Ма.
Какой следующий шаг?
ОК стартуем! Идти во фриланс в клиентское SEO вот так вот с нуля – долго и больно, отметаем сразу. Идти в найм… спасибо, этот путь я уже проходил.
Первое, что я бы сделал – определился с нишей. В ней должны быть деньги, она должна расти, и в этой нише не должно быть кровавой бойни как в гемблинге.
Второе, я бы планомерно каждый день начал мониторить, выкупать и поднимать дропы. Несмотря на мнение, что все хорошие дропы давным, давно разобрали – найти можно. В основном все смотрят на пузомерки, но по факту можно найти много интересного даже за 190 р.
Что для этого нужно? Да по факту сервак с Питоном за 50$, индусский semrush за 160 руб, парсер ahrefs ну или платный ahrefs через тех же индусов для допроверки.
Скрипты крутятся, дропы мутятся). На выходных спарсили бэкордер на неделю вперед, потом в 17-55 проверили ставки. Если ок, докупили, нажали на кнопку, развернули дроп и всё.
Что дальше делать надеюсь всем понятно? )
16-02-2026 Мы с Алексеем Файнгором запускаем второй поток курса Python SEO PBN и вот там как раз мы эту схему с вами и провернём!
https://sait-activator.ru/kurs-seo-pbn
Держи промокод на скидку SPECIAL и жду на курсе!
NEW у нас теперь 2 тарифа ну и как прежде есть рассрочка через СПЛИТ
Побуду Инфоцыганом
Я специально сделал кликбейтный заголовок, чтобы не дать ни единого шанса тем кто захочет меня в этом обвинить)
Короче! Я принял решение я финалю курс https://sait-activator.ru/seo-python.
25.01.2026 – стартует последний поток!
Хочешь, залетай, Промокод Special, другого шанса уже не будет!
Ловим сущности в прямом эфире! Анонс вебинара!
С некоторых пор /channel/seo_python_2neuron/173 меня интересуют сущности 👻👻👻. Речь не о привидениях, домовых и прочей нечисти, речь идет про entities.
Как поступает настоящий адепт Python? Правильно погружается в кодинг и готовит исследование! Новогодние выходные прошли крайне продуктивно я допинал скрипт, который находит сущности на поиске, векторизирует их, обогащает через Google Knowledge Graph и потом готовит по ним аутлайн для статьи.
Да, SEO статья это не только про "Давай спарсим h2 конкурентов и добавим ключи по списку в перемешку с LSI". Нужно ещё раскрыть все интенты, ответить на вопросы, и вот тут-то как раз нам и пригодится NLP от Google со своими сущностями (entities).
Ну, что интересно?
Тогда присоединяйся к Вебинару!
Тема: Сущности (entities) на поиске, как их юзать в SEO?
Время: 15 янв. 2026 08:00 PM Москва
Подключиться к конференции Zoom
https://us06web.zoom.us/j/81317083935?pwd=A4ajQCO4bbOZCvro0RMaQWnFG0VBsA.1
Идентификатор конференции: 813 1708 3935
Код доступа: 054742
Инструкции по подключению
https://us06web.zoom.us/meetings/81317083935/invitations?signature=A5b4fl16kWuDqnFJX7G3h_p7JYt0BrmfOaQ8B3xbbV8
Присоединяйтесь, будет интересно! Покажу, что у меня получилось, а с чем возникли проблемы и как это юзать для SEO!
🗂Кластеризация в «Подборе запросов и анализе рынка β»
В инструменте «Подбор запросов и анализ рынка β» теперь есть столбец «Кластер».
Кластеризация — группировка поисковых запросов, близких по смыслу или по намерению пользователя. Каждый кластер — это группа запросов, характеризующая конкретную нишу. В столбце кластер называется по самому высокочастотному запросу в нём.
например, информационные «как выбрать ноутбук», и коммерческие «купить ноутбук», которые стоит распределить по разным страницам, чтобы они не конкурировали между собой в поисковой выдаче
Трансляции:
https://vkvideo.ru/video80770238_456241281
https://rutube.ru/video/93f7ff62e356b6fa73ab3727b170e9f4/
https://www.youtube.com/watch?v=JZvCajlx8mM
GEO конференция, доклад Олега Шестакова, готовлюсь к вебинару у Шакина
Краткий дайджест как я провел прошлую неделю.
1. Сгонял на конфу от Ашманова по продвижению в нейросетях. Встретил кучу знакомых, очень рад был всех видеть. Что касается конфы – сыровато, но оно и понятно, все только начинают въезжать в тему. По моему скромному мнению, лучший доклад был у хэда сравни.ру Артема Багненко.
2. 15 декабря будет теплый ламповый вебинар у Михаила Шакина посвященный хайповой теме Вайбкодинга, анонс сделаю чуть позже
3. Ну и событие, поразившее меня в самую пятку – доклад Олега Шестакова на SEO клубе СПБ. Рекомендую к просмотру! Вообще команда Рашей, пожалуй, глубже и фундаментальнее всех копает в сторону ИИ. Основная идея доклада – строить структуру инфостатей на основе entities (сущностей), обогащать их с помощью API Google Knowledge Graph и потом на триплетах строить статьи, предварительно отсеяв нерелевантные сущности с помощью механизма косинусной близости. Надеюсь несложно написал? 😉
Короче, идея мне зашла настолько, что в один из вечеров, я открыл свой любимый МАК где живет Питон и собрал скриптину по докладу Олега. Получилось прикольно и довольно быстро, учитывая, что у меня уже была куча решений и связок, которые я собрал воедино. Спасибо Олег!). Короче у меня новая игрушка теперь. Посмотрим как будут заходить в ТОП статьи написанные по данному алгоритму
Сравнение алгоритмов кластеризации – Займы на карту
Эталонное ядро: 6521 ключа,141 кластер
Сравниваемые алгоритмы и модификации (всего 51 шт.)
1) Кластеризации по ТОПу Яндекса и Google
2) По ТОП-10 и ТОП-20
3) По типам Hard, Soft, Middle
4) Кластеризация по Сайтам Чемпионам
5) Кластеризация по Эмбеддингам по алгоритмам KMeans, Agglomerative Clustering, Spectral Clustering, DBSCAN, Gaussian Mixture , Bayesian Gaussian Mixture, HDBSCAN
Метрика для оценки ARI
Индекс Adjusted Rand (ARI) – это метрика, используемая в анализе кластеризации для оценки сходства между двумя разбиениями данных (кластеризациями), скорректированная с учетом случайного совпадения, что делает его наиболее надежным показателем.
Лучшие результаты
- кластеризация по sravni.ru и banki.ru
- по middle по Яндексу по ТОП-20
- агломеративная кластеризация по эмбеддингам
Худшие результаты
- кластеризация по ТОПу с жесткими ограничениями (например по ТОПу по Hard c порогом 4) и
- почти все LLM
- плюс кластеризация по ряду алгоритмов по эмбеддингам.
Вывод - с первой итерации хотя бы 90% результат не дал ни кто!
Путеводитель по каналу
Боты и SEO автоматизации
@ngram_check_bot – проверка вхождений ключевых фраз и n-грам на странице
@vector_keywords_bot – этот бот умеет находить семантически релевантные SRW (LSI) n-граммы для ключевого слова и проверять их вхождения на странице
@vector_words_reserve_bot – зеркало для @vector_keywords_bot
@vector_words_mirror_bot – зеркало для @vector_keywords_bot
@clean_param_bot – обработка clean param в два клика
@words_comparison_bot – сравнение 2-х фраз по косинусной близости
@vector_text_bot – проверка текста по косинусной близости
@sa_supp_bot – саппорт по сервисам, обратная связь
Выступления на вебинарах и конференциях
- Optimization 2025 (Ашмановка) - Кластеризация семантики в эпоху нейросетей: презентация, видео (выложу как только разрешат организаторы)
- Optimization 2024 (Ашмановка) - Текстовый анализ, результаты эксперимента: презентация, vkvideo, youtube
- Текстовый анализ в эпоху нейросетей: vkvideo, youtube
- Вкалывают роботы или автоматизация SEO агентства: vkvideo, youtube
- Выбираем лучшую нейросеть для SEO: vkvideo, youtube
Как устроены большие LLM модели (нейросети трансформеры)
Серия постов про векторное представление текстов
Как обучаются нейросети или почему GPT такая умная?
Механизм Attention
Магия трансформеров, BERT и GPT на пальцах
Рейтинг текстовых анализаторов
Гайд по маркдаун разметке
Гайд по вайб-кодингу
Гайд по внедрению ключевых слов на странице
Полезное
Лучший плейлист про нейросети для чайников
Визуализация внимания, сердце трансформера
Трансформеры в Поиске: как Яндекс применил тяжёлые нейросети для поиска по смыслу
Разборы патентов Google и Яндекс от Виктора Репина Head of SEO OZON
Разборы патентов Google и Яндекса от Ивана @hoolz
Как Яндекс решает задачу ранжирования с помощью больших нейросетей – Александр Готманов, Яндекс
Яндекс Трансформеры для персонализации
Attention is all you need
Курсы и обучение
Python SEO Нейросети
Python SEO PBN
Коротко про Optimization 2025
Сейчас буду хвастаться))
Второй год подряд выступил с докладом на легендарной Ашмановке и ….Передам слова модератора секции: Влад у тебя стабильно хороший результат, ждём на следующий год!
Как я писал выше, при подготовке к конфе я прошел все стадии эмоциональных качелей, от веры и надежды, до гнева, торга и смирения)) но оно того стоило! Для чего мне это? Где вы еще сможете пообщаться в неформальной обстановке с хэдами ОЗОНа, ЦИАНА, Сравни.ру, Рутуба, а так же с лучшими SEOшинками страны?
Тезисы своего доклада «Кластеризация в эпоху нейросетей» выложу позже на канале!
Arigato mata-ne 🇯🇵
Как правильно внедрить семантику на сайт и причем тут ПФ?
В Яндексе все построено на поведенческих факторах. Каждый запрос, поступающий в поиск, проходит процесс, так называемых, переформулировок и перекодировок. Фактически Яндекс вас ранжирует не по одному запросу «пластиковые окна в Москве цены с установкой», а по целому пулу запросов и синонимов (окна ПВХ, остекление).
Именно поэтому если вы 20 раз напишете слово “пластиковые окна” на странице, но при этом не будете использовать синонимы, семантические релевантные слова и самое главное, максимально собранную семантику, прицепленную к данной странице, вы не встанете в топ!
А что делать если у вас 250 ключевых фраз на страницу, как их можно внедрить? Не спамить же простыней ключей?
Работы по внедрению ключевых слов можно разделить на следующие этапы:
1. Внедряем самые частотные фразы и часто повторяющиеся хвосты фраз. Лучший способ это сделать – плагин SEO Excel
2. Дальше нужно разбить все ключевые фразы на n-граммы (двух трёх четырёх словники) и посчитать какие из них встречаются наиболее часто в списке из ваших 250 ключевых слов, допустим их будет 20. Согласитесь, что 20 фраз внедрить проще чем 250!
3. Построить частотный словарик униграмм и добавить самые частотные в текст (при условии что они не входят в пункт 1 и пункт 2), пусть их будет ещё 20
4. Слова из подсветки
5. На последнем этапе можно внедрить семантический релевантные слова или lsi фразы и тут вам поможет /channel/vector_keywords_bot
Как проверить вхождения ключей и n-грам в зону документа?
Встречайте новый бот
💥💥 /channel/ngram_check_bot 💥💥
На вход список фраз в столбик, на выходе ключи и n-граммы (леммы) и количество вхождений. Предельно, максимально просто!
Если зайдет раскидаю по зеркалам для стабильной работы и сделаю разбивку по зонам документа!
Все предложения и пожелания пишите сюда => /channel/sa_supp_bot
Ну и вообще, как это сейчас стало модно, открываю рубрику Вопросы и Ответы, пишите их тоже сюда /channel/sa_supp_bot
Так, стоп, а в заголовке написано про поведенческие факторы, это что кликбейт?
Нет! ПФ не работает без максимально собранной и внедрённой семантики! Так устроен YATI!
Ни стыда не совести! История о том, как меня жестко развели 🙈
Вот уже третью неделю бьюсь с кластеризацией по векторам эмбеддингам в рамках моего предстоящего доклада на Ашмановку. За время подготовки моё эмоциональное состояние прошло все стадии, от веры любви и надежды, до гнева, торга и принятия))
В чем причина спросите вы? Ну во-первых, сначала у меня ничего не получалось, ядра не хотели кластеризоваться, получался то 1 кластер то 1000. А во-вторых, внезапно, на прошлой неделе все пошло гладенько и приятно!
Первая мысль – ура наконец-то! Но, чем больше я начал масштабировать методику, тем больше у меня закладывалось сомнений, что, что-то здесь нечисто.
Штудирую код и вижу:
def seo_heuristic_k(n_phrases):
Так, стоп, что это за такие SEO эвристики и откуда они появились в коде? Оказывается, эта зараза, когда я ему пожаловался, что у меня идет смещение в пользу крайних значений, любезно подсунул функцию, которая сглаживает края и выпячивает середину! Дальше диалог был такой: “Так, вот такой-то метод и такие-то коэффициенты – это же подгон под эталонный результат!” Ответ: “Да это читинг и смайлик!!!”
Вот сволочь, ни стыда не совести, врёт ещё и смайлики ставит!
Короче! Развел меня Claude как школьника 🙈🙈🙈. Но, как говорится, кто не познал неудач, тот их не познал 😁 Работаем дальше, доклад почти готов и будет много интересного!
Optimization 2025!
Всем привет! 9 октября выступаю на легендарной Ашмановке с докладом про кластеризацию запросов.
Будет анализ как старых и проверенных методов (кластеризация по ТОПу) так и новых (кластеризация по векторам и с помощью LLM). Приходите будет интересно!
Ну и куда же без подарков?
Держите промокод SPEAKER_30 . Он действует на тарифы "Стандарт" и "Маркетинг". Дает право на покупку билета с 30% скидкой.