Краткое введение
Addy Osmani, директор инженерного направления в Google Cloud AI, предложил концепцию Agentic Engine Optimization (AEO) — набор практик для подготовки веб‑контента под автономные AI‑агенты. Это не то же самое, что Answer Engine Optimization: AEO ставит задачей сделать контент удобным для систем, которые автоматически извлекают, парсят и используют информацию без привычного пользовательского взаимодействия.
Основные детали новости
Osmani фиксирует ключевую трансформацию в том, как AI‑агенты работают с сайтом: многозвенные сценарии серфинга сводятся к единому запросу. Агентам не нужно прокручивать страницы, нажимать кнопки или взаимодействовать с интерфейсом — они извлекают нужные фрагменты сразу. В этом контексте традиционные метрики вовлечения теряют релевантность.
Главная техническая проблема — ограничение контекстного окна токенов. Если страница слишком большая, агент может столкнуться с:
- усечённой информацией,
- пропуском страниц,
- галлюцинациями в ответах.
Вывод Osmani однозначен: количество токенов становится ключевым критерием оптимизации.
Практические рекомендации по структуре контента ориентированы на то, как агенты «читают» страницу:
- давайте ответы как можно раньше — ориентир примерно первые ~500 токенов,
- делайте страницы компактными и целевыми,
- избегайте длинных вступительных рассуждений и прятать ключевые инсайты глубоко в тексте — у агентов ограниченное «время внимания».
Osmani также советует предоставлять чистые Markdown‑версии материалов параллельно традиционным HTML‑страницам. Markdown уменьшает «шум» от навигации, скриптов и вёрстки, что упрощает и удешевляет разбор содержимого для агентов. Речь идёт о прямом доступе к файлам .md — чтобы они были обнаруживаемы и пригодны для парсинга.
Дополнительные факты
Для упрощения обнаружения и использования контента AI‑системами предлагаются стандартизированные машинно‑читаемые файлы и конвенции:
- llms.txt — структурированный индекс документации для агентов,
- skill.md — файл, описывающий возможности и навыки,
- AGENTS.md — машинно‑читаемая точка входа для кодовых баз.
Эти элементы служат «шорткатами», помогающими агенту решить, что стоит читать и использовать.
Важно отметить границу применения AEO: обсуждаемая модель не связана с ранжированием в Google Search. Противоречия во мнениях уже есть: Джон Мюллер из Google ранее рекомендовал не создавать отдельные Markdown‑страницы специально для LLM, а сама компания заявляла, что не использует llms.txt для ранжирования в классическом поиске. Osmani же рассматривает AEO не как замену SEO, а как дополнительный уровень оптимизации — цель меняется: не только привлечение клика, но и обеспечение корректного и компактного представления контента внутри AI‑рабочих процессов.
Почему это важно для SEO
Для специалистов по поисковой оптимизации AEO открывает новый фронт задач. Если AI‑агенты станут шире применять контент для ответов, автоматизации задач и действий от имени пользователя, то способность вашего контента быть правильно распознанным и использованным станет критичным конкурентным преимуществом.
Ключевые последствия для стратегии:
- Фокус смещается с показателей кликов и времени на странице к способности передать суть быстро и компактно — первые ~500 токенов приобретают коммерческую ценность.
- Длинные, насыщенные интерфейсом страницы могут «потеряться» для агента; упрощённые форматы (включая Markdown) улучшают парсинг и снижают риск усечения контекста.
- Новые машинно‑читаемые файлы и конвенции (llms.txt, skill.md, AGENTS.md) станут инструментами навигации для агентов; даже если поисковые системы не используют их напрямую, они ускоряют попадание контента в рабочие процессы AI.
Практический вывод для SEO‑специалистов: не торопитесь бросаться в создание отдельных LLM‑страниц ради ранжирования, но начните тестировать компактные версии ключевого контента, оптимизацию первых секций страниц под короткие контекстные окна и доступность контента в .md‑формате. Это позволит сохранить видимость в классическом поиске и одновременно подготовить ресурсы к использованию внутри AI‑агентов.
