⚙️Как устроен AI-поиск изнутри: RAG простыми словами

Большая часть плохих советов по оптимизации под AI-поиск растёт из одного неверного представления: будто языковая модель «знает» про ваш сайт и надо как-то попасть в её знания. Отсюда советы вроде «пишите так, чтобы нейросеть вас запомнила» — бессмысленные, потому что механизм устроен иначе.

Когда вы задаёте вопрос ChatGPT Search, Perplexity или Яндекс.Нейро, модель в момент ответа не вспоминает — она читает. Читает несколько документов, найденных за долю секунды до этого, и пересказывает их. Ваша задача — не «попасть в память модели», а оказаться среди тех документов, которые она прочитает.

Схема, по которой это работает, называется RAG. Разберём её по шагам, потому что из устройства механизма прямо следует список того, что реально стоит делать.

RAG в одном абзаце

RAG (Retrieval-Augmented Generation) — «генерация, дополненная поиском». Вместо того чтобы отвечать по памяти, система сначала находит релевантные документы, потом отдаёт их модели вместе с вопросом и просит сформулировать ответ по этим документам.

Зачем так: модель обучена на данных с фиксированной датой отсечения и не знает ничего свежего. Плюс она склонна выдумывать детали, когда не знает точно. RAG решает обе проблемы разом — свежесть берётся из поиска, а выдумки ограничиваются требованием опираться на найденный текст.

Побочный эффект этой схемы — то, ради чего мы здесь: у вашего сайта появляется шанс быть прочитанным в момент ответа.

Шаг 1. Из вопроса делают запросы

Пользователь спрашивает: «Стоит ли делать llms.txt в 2026 году и что туда писать?»

Первое, что происходит, — вопрос переписывается в набор поисковых запросов. Не один, а несколько: система разбивает сложный вопрос на подвопросы и формулирует их так, как обычно формулируют в поиске.

Из примера выше может получиться:

• llms.txt что это
• llms.txt поддержка поисковиками 2026
• llms.txt формат структура

Что отсюда следует практически: вас находят не по формулировке пользователя, а по нормализованным запросам. Попытка оптимизироваться под длинные разговорные фразы («как мне понять, нужен ли мне llms txt») мимо — до поиска эта фраза не доходит в исходном виде.

Шаг 2. Retrieval — поиск документов

Дальше система ищет. Чем именно — зависит от продукта:

• ChatGPT Search — собственный индекс плюс данные партнёрского поиска;
• Perplexity — собственный краулер плюс внешние индексы;
• Google AI Overviews — индекс Google, тот же, что и для обычной выдачи;
• Яндекс.Нейро — индекс Яндекса.

Это самый важный факт во всей статье: на шаге retrieval работает обычный поиск. Со всеми привычными факторами — индексируемость, релевантность, авторитетность домена, свежесть, качество ссылочного профиля.

Отсюда прямое следствие, которое стоит повторять при каждом разговоре про GEO: страница, которую не находит поиск, не попадёт в AI-ответ никогда. Не существует отдельного «AI-канала» в обход индексации. GEO не заменяет SEO — оно надстраивается сверху.

Ищут при этом двумя способами одновременно:

• Полнотекстовый поиск — по совпадению слов, привычная механика;
• Векторный поиск — по смысловой близости. Текст превращается в набор чисел (эмбеддинг), запрос — тоже, и система ищет ближайшие.

Векторная часть — причина, по которой механическое вписывание ключей под AI-поиск работает хуже, чем под классический. Фрагмент, где тема раскрыта ясно и своими словами, может оказаться ближе по смыслу, чем фрагмент, где нужная фраза повторена восемь раз.

Шаг 3. Чанкинг — страницу режут на куски

Вот здесь начинается специфика, которой в классическом SEO нет.

Модель не получает вашу страницу целиком. Страница нарезается на чанки — фрагменты по несколько сотен слов, обычно по границам заголовков и абзацев. Индексируются и ранжируются чанки по отдельности. В ответ попадает один-два лучших.

Практические следствия — и это, пожалуй, главный практический вывод всей статьи:

Каждый смысловой блок должен быть понятен без остального текста. Если абзац начинается со слов «Как мы уже выяснили выше, этот подход…» — вырванный из контекста, он бесполезен, и система его не выберет.

Заголовки — границы нарезки. Внятная структура H2/H3 буквально определяет, на какие куски порежут вашу страницу. Один заголовок = одна законченная мысль.

Ответ должен идти первым предложением. Не «Этот вопрос волнует многих владельцев сайтов, и сегодня мы разберёмся…», а сразу ответ. Модель берёт начало чанка охотнее, чем середину.

Длинная статья без структуры проигрывает короткой со структурой. Не потому, что длина плохая — потому что бесструктурный текст режется по случайным местам, и ни один кусок не оказывается самодостаточным.

Таблицы, списки и пары «вопрос — ответ» — самые удобные для извлечения форматы. Они уже нарезаны на самодостаточные единицы.

Шаг 4. Отбор — из сотни фрагментов остаются единицы

Найденные чанки переранжируются и отсекаются: у модели ограниченное контекстное окно, и всё туда не влезет. До неё доедут 3–10 фрагментов.

На этом шаге решает не только релевантность:

• авторитетность источника — при равном содержании выберут более доверенный домен;
• свежесть — для вопросов, где она значима;
• разнообразие — системы стараются не брать все фрагменты из одного источника;
• однозначность — фрагмент с конкретной цифрой и формулировкой предпочтительнее фрагмента с «примерно», «как правило» и «зависит от многих факторов».

Последний пункт стоит подчеркнуть. Осторожные обтекаемые формулировки, которые в человеческом тексте читаются как признак взвешенности, на этом шаге проигрывают. Не нужно врать ради определённости — нужно давать конкретику там, где она у вас есть.

Шаг 5. Генерация и цитирование

Модель получает вопрос плюс отобранные фрагменты и пишет ответ. Ссылки под ответом расставляются по тем фрагментам, которые реально использованы.

Отсюда два наблюдения:

Цитируют фрагмент, а не сайт. В источники попадает конкретная страница, с которой взят кусок текста. Мощность домена помогает на шаге отбора, но в ссылку превращается конкретный чанк.

Ответ недетерминирован. Один и тот же вопрос завтра даст другой набор источников. Поэтому измерять цитируемость по одному прогону бессмысленно — нужен фиксированный список из 20–50 вопросов, прогоняемый регулярно, и сравнение долей, а не отдельных ответов.

Что из этого следует делать

Собрав цепочку, получаем список приоритетов — в порядке, соответствующем шагам.

1. Быть в индексе. Retrieval работает поиском. Всё остальное не имеет значения, если страница не индексируется. Проверяется в Вебмастере и Search Console, автоматизируется через API.
2. Резать текст заголовками по смыслу. H2 на каждую законченную мысль. Это управление чанкингом.
3. Ставить ответ в начало блока. Первое предложение под заголовком — сам ответ, дальше пояснение.
4. Писать самодостаточные блоки. Убрать «как мы говорили выше» из начала абзацев.
5. Давать конкретику — цифры, названия, версии, даты. Обтекаемое проигрывает при отборе.
6. Использовать таблицы и списки там, где содержание это позволяет.
7. Работать над авторитетностью источника — упоминания, авторство, внешние профили. Это влияет на шаг отбора.
8. Ставить структурированные данные — они дают однозначные утверждения, которые нечем интерпретировать неправильно.

Ни одного пункта про «понравиться нейросети». Всё — про то, чтобы быть найденным и удобно нарезанным.

Чего RAG не делает

Три заблуждения, которые снимаются пониманием механизма:

Не «запоминает» ваш сайт. Между сессиями ничего не сохраняется. Каждый ответ — новый поиск с нуля.

Не обучается на вашем контенте в момент поиска. Обучение и поиск — разные процессы. Материал, который модель прочитала при ответе, в неё не встраивается.

Не даёт способа «попасть в модель» напрямую. Обучающие данные формируются на стороне разработчика, обновляются редко, повлиять на попадание извне нельзя. Влиять можно только на retrieval — то есть на обычную находимость.

Именно поэтому услуги вроде «внесём ваш сайт в базу знаний нейросети» продают воздух. Базы, куда можно что-то внести, не существует.

Итог

AI-поиск — это поиск плюс пересказ. Сначала находят, потом читают, потом пересказывают.

Из этого следует всё остальное: индексируемость важнее любых «AI-приёмов», структура важнее объёма, самодостаточный абзац важнее красивого перехода между абзацами, а конкретная цифра важнее обтекаемой формулировки.

Никакой магии внутри нет. Есть поиск, нарезка на куски и требование к куску быть понятным сам по себе.