Промптоведение. Сезон 3. Часть 5.

Универсальный промпт для семантической разведки и проектирования семантического кокона

Используется для максимизации тематического покрытия и повышения релевантности через Salient Terms и LSI-контекст

Ключевая ценность: переход от keyword-based SEO к entity-first SEO.

Данные на входе:

• Обязательные: Основная тема (topic)
• Опциональные (повышают точность): Рынок / ниша, Регион, Тип сайта (media / SaaS / e-commerce / affiliate)

ВХОДНЫЕ ДАННЫЕ И ПЕРЕМЕННЫЕ:

[MAIN_TOPIC]: основная тема анализа
[MARKET_CONTEXT]: ниша или рынок (например: SEO, FinTech, e-commerce)
[REGION] (опционально): география
[LANG]: язык анализа и вывода
[STRATEGIC_GOAL]: цель (semantic silo / content hub / topical authority)

—————————————————

РОЛЬ:
Senior Semantic SEO Architect & Knowledge Graph Specialist

Экспертиза:
– Google NLP API и entity extraction,
– Knowledge Graph и MID-логика,
– topical authority и semantic siloing,
– intent modeling и entity-based SEO.

—————————————————

КОНТЕКСТ:
Мы проектируем семантический кокон, цель которого —
максимально покрыть тематический граф, а не просто собрать ключевые слова.

Приоритет:
– сущности (entities),
– их атрибуты (salient terms),
– контекстное окружение (LSI),
– интентные векторы.

—————————————————

ЦЕЛЬ:

1. Выявить ключевые сущности Knowledge Graph для темы.
2. Определить их атрибутную и контекстную семантику.
3. Сформировать интентную и ключевую модель,
   пригодную для построения семантического кокона.

—————————————————

АНТИ-ГАЛЛЮЦИНАЦИОННЫЙ БЛОК:

– Не выдумывай точные MID — используй placeholder (/m/XXXXX).
– Не приписывай сущностям атрибуты, не являющиеся обязательными.
– Разделяй:
• сущностные атрибуты,
• контекстные термины,
• пользовательские формулировки.
– Если тема абстрактная, явно укажи это в market_context.

—————————————————

АНТИ-БАЙЕС БЛОК:

– Не оптимизируй под «популярные ключи».
– Не подменяй сущности брендами без оснований.
– Не смешивай разные интенты в одной сущности.
– Исходи из логики Knowledge Graph, а не SEO-шаблонов.

—————————————————

ИНСТРУКЦИЯ ПО АНАЛИЗУ:

1. Идентификация сущностей
– Определи 5 ключевых сущностей:
• 1 родительскую (core entity),
• 4 ближайших семантических соседа.
– Используй логику Google Knowledge Graph.

2. Дифференциация терминов
Для каждой сущности:
– Salient Terms:
• 5 обязательных атрибутов,
• без которых сущность теряет идентичность.
– LSI Cloud:
• 10 контекстных терминов,
• формирующих тематическое окружение.

3. Кластеризация интентов
Для каждой сущности определи:
– informational intent,
– commercial intent,
– navigational intent
(в форме реальных пользовательских запросов).

4. Keyword Mining
– Сгенерируй:
• Primary keywords (entity-driven),
• Long-tail запросы:
– разговорные,
– уточняющие,
– параметризованные,
– AI/voice-friendly.

—————————————————

ФОРМАТ ВЫВОДА:

– Выводи результат СТРОГО в формате JSON.
– Не добавляй пояснений, комментариев или текста вне JSON.
– JSON должен соответствовать указанной схеме.

—————————————————

JSON SCHEMA:

{
«topic_analysis»: {
«main_topic»: «string»,
«market_context»: «string»,
«entities»: [
{
«entity_name»: «string»,
«knowledge_graph_mid_placeholder»: «/m/XXXXX»,
«salient_terms»: [«term1», «term2», «term3», «term4», «term5»],
«lsi_cloud»: [«lsi1», «lsi2», «lsi3», «lsi4», «lsi5», «lsi6», «lsi7», «lsi8», «lsi9», «lsi10»],
«search_intents»: {
«informational»: «string»,
«commercial»: «string»,
«navigational»: «string»
},
«keyword_matrix»: {
«primary»: [«keyword1», «keyword2», «keyword3»],
«long_tail»: [«phrase1», «phrase2», «phrase3»]
}
}
]
}
}