Сегодня мне прислали скриншот ответа Gemini Flash. Человек спросил: «Модель Gemini Live доступна по API?» В ответе несколько утверждений были помечены источником pimenov.ai.
Это уже второй такой эпизод за две недели. Сначала Алиса AI отправила ко мне человека по вопросу Yandex SpeechKit и дала ссылку на мой сайт. Теперь Gemini использует pimenov.ai в ответе о собственном API.
Совпадение получилось почти лабораторным. Вопрос касается Gemini Live, а на сайте есть подробный справочник по Gemini и отдельный материал про Gemini Flash Live. Формулировки ответа на скриншоте хорошо совпадают с темами этих страниц: доступ через Live API, WebSocket, аудио и изображения на входе, потоковый звук, прерывание речи и вызов функций.
Точный внутренний маршрут Gemini мне неизвестен. Google не показывает, какая страница повлияла на каждую фразу и почему система выбрала именно её. Но сам наблюдаемый результат бесспорен: в ответе видны несколько ссылок на pimenov.ai, а содержание совпадает с опубликованными материалами сайта.
Какие страницы, вероятнее всего, нашёл Gemini
На pimenov.ai есть два особенно близких источника.
Первый — справочник «Gemini (Google) — линейка моделей и API». Он объясняет, что разработчики могут обращаться к моделям через Gemini Developer API и Google AI Studio, а для потокового голоса и видео предусмотрен Live API. В отдельных разделах разобраны WebSocket, входное аудио, кадры изображения, текст, нативный аудиоответ и транскрипция.
Второй — заметка «Google запустил Gemini 3.1 Flash Live». В ней прямо сказано, что Live API работает через WebSocket, принимает аудио, изображения и текст, поддерживает прерывание и вызов функций.
Официальная документация Gemini Live API подтверждает эти характеристики. Значит, pimenov.ai пересказывает первоисточник по существу и закрывает конкретный пользовательский вопрос на русском языке.
Именно такую страницу удобно извлекать для генеративного ответа: тема узкая, заголовки прямые, основные факты находятся в тексте, рядом стоят ссылки на официальную документацию.
Два ответа ИИ превращаются в сигнал
20 августа я уже описывал историю «Как Алиса устроила меня работать в Яндекс». Алиса нашла руководство по SpeechKit, увидела автора и Telegram, а затем слишком смело решила, что я представляю Яндекс.
Тот случай показал одновременно пользу и риск генеративного поиска. Система правильно распознала тему и автора, но придумала связь с компанией.
С Gemini ситуация чище. Вопрос был техническим, а ссылка вела на технические материалы pimenov.ai. Скриншот не доказывает стабильную позицию по всем запросам, зато подтверждает один реальный факт: сайт уже попадает в набор источников, из которых AI-ассистент собирает ответ.
Один эпизод можно списать на случайность. Два разных ассистента, две разные темы и две видимые ссылки на один сайт — уже практический сигнал. Особенно потому, что обе истории связаны с подробными материалами по узким запросам.
Как устроен контентный контур pimenov.ai
Я проверил текущий код сайта и публичную выдачу перед этой статьёй. Контент проходит несколько слоёв.
Редакционный источник находится в Notion. Там хранятся Статьи, Блог и База знаний, свойства материала, статус, дата, описание, slug, теги, обложка и полный текст. В публикационный контур попадают только материалы со статусом Опубликовано.
Дальше данные импортируются в Directus. Он служит общим контентным хабом и API-слоем. Публичный сайт не рендерит страницу из Notion при каждом открытии: Astro во время сборки получает подготовленные данные и создаёт статический HTML.
У такого подхода есть практический эффект. Основной текст уже находится в готовой странице, поэтому поисковому роботу или инструменту извлечения не нужно ждать сложного клиентского приложения. У каждого материала есть постоянный адрес, заголовок, описание и понятная структура.
Сайт дополнительно строит поисковый индекс, sitemap, страницы тем и граф связей между материалами. В конце статей стоят проверенные ссылки на продолжение и близкие материалы. Так отдельная публикация становится частью системы знаний, а не изолированным документом.
Что именно помогает машине понять страницу
На примере опубликованной статьи про Алису сейчас можно увидеть весь базовый набор.
Страница возвращает HTTP 200 и разрешена к индексации через index, follow. В head находится canonical — единственный предпочтительный адрес страницы. Рядом опубликованы обычные метаданные: title, description, Open Graph и изображение.
Для статьи формируется JSON-LD с типом Article. В нём указаны заголовок, описание, язык, автор Sergey Pimenov, издатель pimenov.ai, основной URL, даты публикации и обновления, ключевые слова и изображение.
robots.txt разрешает обход сайта и указывает на sitemap. В sitemap перечислены опубликованные страницы Статей, Блога и Базы знаний. Публичный search-index.json содержит заголовок, описание, адрес, тип, теги и текст для поиска. На момент проверки в нём было 784 записи, а в sitemap — 752 URL контентных разделов.
Эти цифры являются снимком на 2 сентября 2026 года и будут меняться. Важнее сама конструкция: материал можно обнаружить, открыть, прочитать как текст, связать с автором и соседними страницами.
Почему здесь нет секретного GEO-тега
GEO называют оптимизацию контента для генеративных систем. Вокруг термина быстро вырос рынок обещаний: специальные файлы, особая разметка и почти гарантированное попадание в ответы.
На момент, когда Gemini и Алиса начали ссылаться на pimenov.ai, файла /llms.txt на сайте не было. Значит, он не был причиной этих результатов. После этого наблюдения мы решили рассмотреть его как отдельный эксперимент: проверить, поможет ли он другим агентам быстрее ориентироваться в системе знаний сайта.
Google Search в официальном руководстве по оптимизации для генеративных функций прямо сообщает, что не использует llms.txt. Файл не улучшает и не ухудшает видимость или позиции сайта ни в обычном, ни в генеративном Google Search. Поэтому называть его GEO-фактором или обещать от него эффект нельзя.
Возможная роль /llms.txt — дополнительный навигационный слой для других агентов и инструментов, которые умеют читать такой формат. Это пока гипотеза, а не установленный результат.
Если проводить эксперимент, файл должен формироваться автоматически только из опубликованных материалов. Проверять его пользу нужно по фактическим обращениям к /llms.txt и дальнейшему поведению агентов. Ручной файл быстро устареет и превратится в ещё одну неподдерживаемую копию каталога. Сам эксперимент относится к отдельному инженерному контуру и в рамках этой статьи не реализуется.
JSON-LD всё равно полезен: он даёт поисковой системе явные подсказки о типе страницы, авторе и датах. Но сама разметка не гарантирует показ. Google отдельно предупреждает, что выполнение технических требований не обещает обход, индексацию или выдачу.
С GEO здесь работает инженерная дисциплина контента. Страница должна точно отвечать на вопрос, иметь проверяемые источники, понятное авторство, постоянный URL и место в связанной системе знаний.
Как материал доходит до ответа ИИ
Наблюдаемую цепочку удобно разделить на четыре этапа.
- Публикация. На сайте появляется законченная страница с конкретной задачей, фактами, заголовками и источниками.
- Индексация. Поисковая система или другой веб-краулер обнаруживает URL через ссылки и sitemap, получает страницу и добавляет её в доступный индекс.
- Извлечение. При вопросе пользователя система ищет релевантные документы или их фрагменты. Google описывает для AI-поиска технику разветвления запроса: один вопрос может породить несколько поисков по подтемам.
- Цитирование. Модель собирает ответ и показывает связанные источники. Справка Gemini уточняет, что такими ссылками могут быть публичные сайты, хотя источники появляются не во всех ответах.
Для Алисы официальный механизм описан ещё прямее: она изучает релевантные страницы из Поиска и готовит ответ со ссылками на источники.
Какая именно система обошла pimenov.ai в случае со скриншотом Gemini, когда это произошло и какие сигналы оказались решающими, остаётся неизвестным. Это граница доказательства, которую я не хочу заменять красивой легендой.
Что можно повторить на своём сайте
Механизм выбора источников закрыт, но подготовка сайта вполне воспроизводима.
- Соберите страницу вокруг одного вопроса. Для Gemini это «доступен ли Live API и как он устроен», а не общий текст про весь искусственный интеллект.
- Пишите основной ответ обычным текстом. Критичные факты не должны жить только в видео, изображении или клиентском интерфейсе.
- Добавьте первоисточники. Ссылка на официальную документацию помогает читателю проверить материал и снижает риск устаревшего пересказа.
- Дайте странице постоянный URL, title, description, canonical и корректный статус индексации.
- Опишите автора и тип материала структурированными данными, которые совпадают с видимым текстом.
- Свяжите публикацию с соседними материалами, тематическими страницами и sitemap.
- Обновляйте быстро меняющиеся руководства и показывайте дату проверки.
- Проверяйте ответы ассистентов вручную. Важно увидеть не только ссылку, но и то, правильно ли система поняла вашу роль и утверждения.
Последний пункт уже спасает от ложного триумфа. В кейсе с Алисой ссылка была настоящей, а должность — выдуманной. GEO без контроля точности может продвигать ошибку вместе с именем автора.
Как превратить этот эпизод в хороший инфоповод
Сам по себе скриншот хорошо работает в соцсетях: Gemini объясняет собственный API и несколько раз ссылается на pimenov.ai. Но ценность истории появляется после разбора механики.
Это публичное доказательство того, что экспертный сайт может стать рабочим источником для AI-ассистента. Причём результат получен на русском материале о международном продукте и без специального «текста для нейросетей».
Для продвижения я бы формулировал тезис аккуратно: «Мы системно готовили pimenov.ai к машинному чтению, а теперь видим первые независимые результаты в Gemini и Алисе». Здесь есть наблюдаемый эффект и нет обещания гарантированного ранжирования.
Следующий уровень проверки — мониторинг. Нужно выбрать набор приоритетных вопросов, повторять их в нескольких AI-системах и фиксировать четыре показателя: появился ли сайт в источниках, использованы ли его факты, правильно ли указан автор и пришёл ли переход или обращение.
Так единичный скриншот превращается в измеряемый GEO-кейс.
Что я считаю главным результатом
Мы строили pimenov.ai как систему знаний: редакционный процесс, технические справочники, авторские статьи, понятные адреса, связи между темами и машинно читаемые страницы.
Сначала эта система помогла Алисе найти руководство по SpeechKit. Теперь Gemini использовал сайт в ответе о Gemini Live API. В обоих случаях ассистент пришёл к конкретному материалу по конкретному вопросу.
Это не финальная победа в поиске. Это более полезный результат: сайт начал работать как источник за пределами собственного интерфейса.
Именно так я понимаю GEO. Хорошо упакованные знания становятся доступными людям, поиску и AI-ассистентам. А дальше каждый новый ответ даёт данные, что в этой системе уже работает и что нужно уточнить.
Следующий шаг
Сайт будущего будут читать не только люди. Его будут читать ИИ
Связанные материалы
Статья: Как Алиса устроила меня работать в Яндекс
Блог: AI SEO — это по-прежнему ссылки. Просто теперь их читают не только поисковики
База знаний: Cloudflare AI Search — как превратить сайт или набор файлов в поисковый индекс для агента
Если вы развиваете экспертный сайт и хотите понять, какие страницы уже готовы становиться источниками для ИИ, полезно разобрать его структуру, контент и наблюдаемую выдачу вместе.
Если захотите обсудить, как это применить у себя или в команде — пишите в Telegram @pimenov