وقتی کسی در ChatGPT می‌پرسد «بهترین شرکت سئو در کاشان کدام است» یا در جمنای می‌نویسد «برای سئوی فروشگاه اینترنتی از کجا شروع کنم»، پاسخ با فهرست ده لینک آبی ساخته نمی‌شود. مدل چند جمله می‌نویسد و در همان چند جمله اسم دو یا سه منبع را می‌آورد. اگر نام شما در آن پاراگراف نباشد، آن پرسش و ده‌ها پرسش مشابه را به رقیب باخته‌اید، بدون اینکه حتی یک بازدید در گزارش سایت ثبت شود.
GEO یا بهینه‌سازی برای موتورهای مولد، کاری است که این فاصله را پر میکند. هدفش این نیست که در جایگاه یکم گوگل بایستید، هدفش این است که وقتی مدل زبانی می‌خواهد به کاربر جواب بدهد، شما را به‌عنوان منبع بشناسد، درست توصیف کند و اسمتان را بیاورد.
در این مقاله نشان می‌دهم موتورهای پاسخ چطور منبع انتخاب می‌کنند، چه چیزی باعث میشود برند شما در پاسخ بیاید، فایل llms.txt چه کاری میکند و با چه روش ساده‌ای می‌توانید دیده‌شدن خودتان را اندازه بگیرید. در انتها یک چک‌لیست اجرایی دارید که می‌توانید همان روز شروع کنید.
GEO چیست و با سئوی کلاسیک چه تفاوتی دارد
GEO مخفف Generative Engine Optimization است؛ یعنی بهینه‌سازی محتوا و برند برای موتورهای پاسخ‌دهنده‌ای که با هوش مصنوعی کار می‌کنند: ChatGPT، جمنای، پرپلکسیتی، Copilot و پاسخ‌های هوش مصنوعی گوگل. در سئوی کلاسیک، واحد پیروزی یک «کلیک» است. در GEO واحد پیروزی یک «ذکر» است: مدل اسم شما را در متن پاسخ می‌آورد و به صفحه‌تان ارجاع می‌دهد.
این تفاوت سه پیامد عملی دارد. اول، کاربر قبل از کلیک ممکن است قانع شود؛ پس محتوای شما باید در همان چند جمله‌ای که مدل نقل میکند هم کامل باشد. دوم، مدلها جمله‌های کوتاه و مستقل را بهتر از متن‌های طولانی و پرپیچ‌وخم استخراج می‌کنند؛ یعنی ساختار پاراگراف‌بندی شما مستقیماً روی شانس دیده‌شدن اثر میگذارد. سوم، اعتبار برند از خود صفحه مهم‌تر میشود، چون مدل قبل از جواب دادن، دربارهٔ شما از چند منبع دیگر هم پرس‌وجو میکند.
سه لایه‌ای که باید هم‌زمان درست باشد
- لایه فنی: صفحه باید برای خزنده‌های هوش مصنوعی قابل دسترسی و قابل تجزیه باشد؛ بدون بلاک شدن در robots.txt، با HTML تمیز و داده ساختاریافته.
- لایه محتوا: هر بخش باید یک پاسخ قابل استخراج داشته باشد؛ تعریف روشن، عدد مشخص، مرحله‌های شمارهدار.
- لایه اعتبار: نام برند باید در منابع بیرونی تکرار شده باشد و توصیفش همه‌جا یکسان باشد.
اگر یکی از این سه لایه بلنگد، نتیجه نصفه می‌ماند. صفحه‌ای که کامل نوشته شده اما هیچ‌جا درباره‌اش حرفی زده نشده، به‌سختی در پاسخ مدلها می‌آید. برندی که همه‌جا معروف است اما سایتش با جاوااسکریپت سنگین و محتوای کم ساخته شده، منبع خوبی برای نقل قول نیست.
موتورهای پاسخ هوش مصنوعی چطور منبع انتخاب می‌کنند
مدل‌های زبانی به دو شکل جواب می‌دهند. یک شکل، پاسخ از حافظه داخلی مدل است؛ چیزی که در زمان آموزش دیده. شکل دوم، جستجوی زنده در وب و خواندن چند صفحه پیش از نوشتن پاسخ است؛ پرپلکسیتی و حالت جستجوی ChatGPT و جمنای بیشتر همین مسیر را می‌روند. در حالت دوم، شما با یک فرایند بازیابی روبه‌رو هستید: پرسش کاربر به چند جستجو تبدیل میشود، چند صفحه خوانده میشود و بعد از آن‌ها جواب ساخته میشود.
در هر دو حالت، چند عامل تعیین میکند چه کسی انتخاب شود. تطابق معنایی پرسش با متن صفحه، تازگی محتوا، روشن بودن ساختار، اعتبار دامنه و تعداد منابع مستقلی که به آن صفحه اشاره کرده‌اند. مدل به‌طور طبیعی سراغ صفحه‌ای می‌رود که در چند جمله اولش، جواب همان سؤال را صریح گفته باشد.
یک سناریوی کاربردی
فرض کنید یک فروشگاه لوازم خانگی دارید و می‌خواهید در پاسخ به سؤال «چطور مصرف برق کولر گازی را کم کنیم» دیده شوید. حالت اول: صفحه‌ای دارید با ۲۵۰۰ کلمه متن دربارهٔ تاریخچهٔ برند و مزایای محصول. حالت دوم: صفحه‌ای دارید که با تیتر «چرا کولر گازی برق زیاد می‌کشد» شروع میشود، در پاراگراف اول سه دلیل را می‌گوید، بعد یک فهرست شمارهدار از پنج اقدام عملی می‌آورد و در پایان جدول مقایسه دمای تنظیم‌شده و مصرف تقریبی دارد. حالت دوم شانس بیشتری دارد، چون مدل می‌تواند سه دلیل و پنج اقدام را عیناً استخراج کند. اقدام شما در این سناریو روشن است: هر صفحه را طوری بازنویسی کنید که به یک پرسش مشخص جواب بدهد، نه به ده پرسش مبهم.
ذکر برند و استناد؛ چطور اسم ما در پاسخ بیاید
مدلها برند شما را از سایت خودتان نمی‌شناسند، از تصویری که کل وب از شما ساخته می‌شناسند. اگر در پنج جای مختلف، توصیف متفاوتی از کسب‌وکار شما وجود داشته باشد، مدل مردد میشود و ترجیح می‌دهد سراغ برندی برود که توصیفش یکدست است. اولین کار، ساختن یک «توصیف مرجع» است: یک یا دو جمله ثابت که در صفحه درباره ما، در پروفایل‌های شبکه‌های اجتماعی، در دایرکتوری‌های کسب‌وکار و در امضای ایمیلی تیم دقیقاً تکرار شود.
دومین کار، استناد است. استناد دو معنا دارد و هر دو مهم است. معنای اول، ارجاع دادن شما به منبع اولیه در محتوای خودتان است؛ وقتی آماری می‌آورید یا نقل قولی می‌کنید، لینک بدهید. این کار به مدل نشان می‌دهد صفحه شما بر پایه شواهد نوشته شده. معنای دوم، ارجاع دیگران به شماست؛ یعنی سایت‌های دیگر با نام شما به صفحه‌تان لینک بدهند و درباره‌تان بنویسند. هر دو نوع استناد، شانس آورده شدن نام شما را بیشتر میکند.
چهار جایی که بیشترین اثر را دارد
- نقل قول با نام و سمت: جمله‌ای از مدیر یا متخصص تیم با نام کامل، سمت و عکس در صفحه بگذارید. مدلها نقل قول مستقیم را راحت‌تر از متن بی‌نام نقل می‌کنند.
- صفحه درباره ما مبتنی بر واقعیت: سال شروع، تعداد اعضای تیم، شهر، حوزه فعالیت و خدمات مشخص. بدون صفت‌های تبلیغاتی.
- حضور در رسانه‌های تخصصی: یک مصاحبه یا یادداشت در یک سایت مرتبط، بیشتر از ده پست شبکه اجتماعی به شناخت موجودیت شما کمک میکند.
- یکدستی نام: اگر نام برند را در جایی با فاصله و در جای دیگر با نیم‌فاصله می‌نویسید، آن را یکسان کنید. مدل باید مطمئن شود همه این‌ها یک موجودیت است.
نکته‌ای که زیاد نادیده گرفته میشود: مدلها بدشان نمی‌آید دربارهٔ محدودیت‌های شما هم بشنوند. صفحه‌ای که صادقانه می‌گوید «این سرویس برای چه کسی مناسب نیست» قابل‌اعتمادتر از صفحه‌ای است که همهچیز را بی‌عیب نشان می‌دهد.
محتوای ساختاریافته و مبتنی بر واقعیت
ساختار، مهم‌ترین ابزاری است که در اختیار دارید. هر تیتر H2 باید به شکل یک سؤال واقعی باشد که کاربر در ChatGPT تایپ میکند. زیر هر تیتر، پاراگراف اول باید جواب را بدهد؛ نه مقدمه‌چینی، نه تعریف کلی. جمله اول را با تعریف یا عدد شروع کنید و بگذارید مدل آن را بردارد.
واقعیت، بخش دوم ماجراست. مدلها روی جمله‌های کلی و صفت‌های تبلیغاتی چیزی برای نقل ندارند. «کیفیت بالا» قابل استخراج نیست، اما «مراحل تحویل پروژه و زمان‌بندی هر مرحله» هست. تاریخ به‌روزرسانی صفحه، نام نویسنده، اطلاعات دقیق، نام استاندارد یا ابزار، همه این‌ها سیگنال‌هایی هستند که میگویند این متن را یک آدم نوشته که موضوع را می‌شناسد.داده ساختاریافته و قالب‌بندی
داده ساختاریافته و قالب‌بندی
- از Schema استفاده کنید: Organization برای معرفی برند، FAQPage برای بخش پرسش‌ها، Article برای مقالات، Product برای صفحه محصول.
- فهرست‌های شمارهدار برای مراحل و فهرست‌های نشانه‌دار برای ویژگی‌ها بگذارید؛ مدل این دو را بهتر از متن پیوسته می‌خواند.
- هر بخش را زیر ۳۰۰ کلمه نگه دارید و بین بخش‌ها تیتر بگذارید.
- جدول مقایسه اضافه کنید؛ جدول یکی از قابل‌استخراج‌ترین قالب‌ها برای مدل‌هاست.
- تاریخ آخرین بازبینی را در بالای مقاله بنویسید.
یک نکته عملی: متن را با صدای بلند بخوانید. اگر جمله‌ای را نمی‌توانید در یک نفس بگویید، مدل هم در برش دادنش دچار مشکل میشود. جمله‌های کوتاه، دقت استخراج را بالا می‌برد.
فایل llms.txt و دسترسی خزنده‌های هوش مصنوعی
llms.txt یک فایل متنی ساده در ریشه دامنه است که فهرست صفحه‌های مهم سایت را برای مدل‌های زبانی توضیح می‌دهد. ساختارش شبیه یک نقشه سایت خوانا برای انسان است: یک تیتر، دو خط توضیح دربارهٔ کسب‌وکار، بعد فهرست لینک‌ها با یک توضیح یک‌خطی برای هرکدام. این فایل هنوز استاندارد رسمی و پذیرفته‌شدهٔ همه موتورها نیست، اما ساختنش نیم ساعت وقت می‌برد و راهنمای خوبی برای مدل‌هایی است که دنبال منبع می‌گردند.
مهم‌تر از llms.txt، اجازه دسترسی است. اگر robots.txt شما خزنده‌های هوش مصنوعی را بلاک کرده باشد، هیچ محتوایی از سایت شما به مدل نمی‌رسد. فایل robots.txt را باز کنید و مطمئن شوید مسیرهای اصلی برای GPTBot، Google-Extended، ClaudeBot، PerplexityBot و Bingbot باز است. اگر از CDN یا فایروال استفاده می‌کنید، بررسی کنید که این خزنده‌ها بلاک نشوند. صفحه‌هایی که پشت لایه ورود یا جاوااسکریپت سنگین پنهان شده‌اند، برای این خزنده‌ها تقریباً وجود ندارند.
ساختار پیشنهادی برای llms.txt
- خط اول: نام برند و یک جمله دربارهٔ کاری که می‌کنید.
- بخش خدمات: لینک هر صفحه خدمت با توضیح یک‌خطی.
- بخش مقالات: لینک ده تا بیست مقاله‌ای که بیشترین ارزش اطلاعاتی را دارند.
- بخش درباره ما: لینک صفحه معرفی تیم و اطلاعات تماس.
- یک خط پایانی با تاریخ آخرین به‌روزرسانی فایل.
همین چند خط، مسیر مدل را کوتاه میکند و باعث میشود به‌جای صفحه‌های تصادفی، سراغ صفحه‌هایی برود که خودتان انتخاب کرده‌اید.
سنجش دیده‌شدن در پاسخ‌های ChatGPT و جمنای
چیزی که اندازه‌گیری نشود، بهتر نمی‌شود. برای GEO هم می‌توان سنجه ساخت. سادهترین روش این است که فهرستی از ۲۰ تا ۳۰ پرسش واقعی مشتری‌هایتان بنویسید؛ همان جملههایی که در تماس تلفنی یا چت پشتیبانی می‌شنوید. بعد ماهی یک بار همان پرسش‌ها را در ChatGPT، جمنای و پرپلکسیتی بپرسید و نتیجه را در یک شیت ثبت کنید.
برای هر پرسش چهار چیز را یادداشت کنید: آیا نام برند شما در پاسخ آمد، در چه جایگاهی نسبت به رقبا، توصیف مدل از شما درست بود یا نه، و چه منابعی را به‌عنوان مرجع آورده است. آن ستون آخر مهم‌ترین بخش است، چون فهرست منابع به شما می‌گوید مدل از کجا تغذیه میکند و همان‌جا باید سرمایه‌گذاری کنید.
سنجه‌هایی که در دسترس‌ترند
- سهم از پاسخ: از هر ده پرسش، در چند مورد اسم شما آمده است. این عدد را ماه به ماه مقایسه کنید.
- ترافیک ارجاعی: در گوگل آنالیتیکس، ترافیک ورودی از دامنه‌های chatgpt.com، perplexity.ai و gemini.google.com را جدا ببینید.
- دقت توصیف: آیا مدل خدمات شما را درست معرفی میکند؟ اگر اشتباه می‌گوید، یعنی منبع اشتباهی درباره‌تان نوشته و باید اصلاح شود.
- پرسش‌های جدید: پرسش‌هایی که در آن‌ها غایب هستید، بهترین فهرست کار برای ماه بعد هستند.
این کار در ابتدا دستی و کمی خسته‌کننده است، اما بعد از دو سه ماه الگوها را می‌بینید. مثلاً متوجه می‌شوید مدلها بیشتر از یک سایت مرجع خاص نقل می‌کنند یا بیشتر به صفحه‌هایی ارجاع می‌دهند که جدول مقایسه دارند.
اشتباهات رایجی که نتیجه را از بین می‌برد
چند خطای تکراری، تلاش شما را بی‌اثر میکند. اول، بلاک کردن خزنده‌های هوش مصنوعی به امید حفظ محتوا. این کار فقط شما را از پاسخها حذف میکند. دوم، نوشتن صفحه درباره ما با صفت‌های تبلیغاتی و بدون هیچ عدد و تاریخ. سوم، استفاده از محتوای تکراری که در ده سایت دیگر هم هست؛ مدل دلیلی برای انتخاب شما ندارد.
چهارم، نبود تناقض‌زدایی. اگر در یک مصاحبه گفته‌اید در تهران هستید و در سایت نوشته‌اید در کاشان، مدل یکی را انتخاب میکند و شما کنترلش را ندارید. پنجم، انتظار نتیجه یک‌شبه. مدلها با تأخیر به‌روزرسانی می‌شوند و ممکن است چند هفته طول بکشد تا تغییر محتوا در پاسخها دیده شود.
چک‌لیست اجرایی GEO برای سایت شما
- robots.txt را بررسی کنید و دسترسی GPTBot، Google-Extended، ClaudeBot و PerplexityBot را باز بگذارید.
- یک توصیف مرجع دو جمله‌ای از برند بنویسید و در همه پروفایل‌ها یکسان کنید.
- فایل llms.txt را با فهرست بیست صفحه مهم بسازید.
- بیست پرسش واقعی مشتری را جمع‌آوری و در قالب تیتر H2 در صفحات پیاده کنید.
- پاراگراف اول هر بخش را با جواب مستقیم شروع کنید، نه با مقدمه.
- داده ساختاریافته Organization و FAQPage را به صفحات اصلی اضافه کنید.
- برای هر صفحه یک جدول یا فهرست شمارهدار اضافه کنید.
- نام نویسنده و تاریخ به‌روزرسانی را در همه مقالات بگذارید.
- یک فایل شیت سنجش بسازید و ماهی یک بار پرسش‌ها را در سه مدل تست کنید.
- لینک ترافیک ارجاعی از دامنه‌های هوش مصنوعی را در آنالیتیکس جدا کنید.
سوالات متداول درباره GEO
GEO جای سئو را میگیرد؟
نه، کنارش مینشیند. بخش زیادی از کارها مشترک است: محتوای خوب، ساختار تمیز، سرعت و اعتبار دامنه. تفاوت اصلی در هدف است. سئو دنبال رتبه در صفحه نتایج است و GEO دنبال حضور در متن پاسخ. سایتهایی که سئوی فنی درستی دارند، شروع بهتری در GEO خواهند داشت.
چقدر طول می‌کشد تا در پاسخ ChatGPT دیده شویم؟
بستگی به این دارد که مدل از حافظه جواب بدهد یا جستجوی زنده. در حالت جستجوی زنده، تغییر محتوا می‌تواند در چند روز اثر بگذارد. در حالت حافظه داخلی، به‌روزرسانی مدلها زمان‌بر است و ممکن است هفته‌ها یا ماه‌ها طول بکشد. به همین دلیل، استناد از منابع بیرونی معمولاً سریع‌تر از تغییر سایت خودتان جواب می‌دهد.
آیا llms.txt واقعاً اثر دارد؟
هنوز استاندارد رسمی نیست و هیچ موتور جستجویی اعلام نکرده که آن را الزام میکند. اما ساختنش ارزان است و به مدل‌هایی که دنبال نقشه سایت می‌گردند کمک میکند. آن را به‌عنوان یک اقدام کم‌هزینه در کنار کارهای اصلی ببینید، نه راه‌حل اصلی.
چطور بفهمیم مدلها چه چیزی درباره ما میگویند؟
مستقیم از خودشان بپرسید. جملههایی مثل «دربارهٔ [نام برند] چه میدانی» یا «خدمات [نام برند] چیست» را در چند مدل امتحان کنید و پاسخها را ثبت کنید. اگر توصیف اشتباه بود، منبع اشتباه را پیدا و اصلاح کنید. این سادهترین و در دسترسترین روش پایش است.
آیا باید محتوای سایت را برای هوش مصنوعی بازنویسی کنیم؟
لازم نیست همهچیز از صفر نوشته شود. بیشتر اوقات کافی است ساختار را عوض کنید: تیتر سؤالمحور، پاراگراف اول پاسخ مستقیم، فهرست شمارهدار برای مراحل و جدول برای مقایسه. محتوای موجود را میشود با همین تغییرها قابل استخراجتر کرد.
محتوای فارسی در GEO شانس کمتری دارد؟
رقابت در فارسی کمتر است، اما حجم داده آموزشی مدلها هم کمتر. این یعنی ساختن محتوای فارسی روشن و منبعدار، شکاف سریعتری پر میکند. مزیت دیگر این است که در فارسی، منابع کمتری وجود دارد و تکرار نام برند در چند سایت معتبر زودتر اثر میگذارد.
از فردا سه کار را شروع کنید
اول، robots.txt را باز کنید و مطمئن شوید خزنده‌های هوش مصنوعی بلاک نشده‌اند. این تنها کاری است که اگر اشتباه باشد، بقیه تلاش‌ها را صفر میکند. دوم، بیست پرسشی را که مشتری‌ها واقعاً می‌پرسند بنویسید و پنج تای اول را به تیتر مقاله تبدیل کنید؛ زیر هر تیتر، در دو جمله جواب بدهید و بعد توضیح را ادامه دهید. سوم، یک شیت ساده بسازید و همین هفته اولین اندازه‌گیری را انجام دهید تا بدانید از کجا شروع کرده‌اید.
اگر ترجیح می‌دهید این کارها را به تیم بسپارید، خدمات سئو در کاشان دیماکو همین مسیر را پوشش می‌دهد؛ از بررسی دسترسی خزنده‌ها و ساخت llms.txt تا بازنویسی ساختار محتوا و راه‌اندازی پایش ماهانه پاسخ‌های ChatGPT و جمنای.
