Jak formatować treści na stronie, aby ChatGPT łatwo wyciągał z nich cytowania?

Po pierwsze, nie ma bardziej czytelnej dla robotów struktury treści niż pytanie-odpowiedź.

Styl Q&A w content marketingu i w SEO sprawdzał się zawsze, ale przy pozycjonowaniu pod LLM-y działa jeszcze lepiej. Chodzi o to, aby bloki treści – na przykład sekcje H2/H3/… w artykułach blogowych – były budowane według schematu:

1. Pytanie – jasno sformułowane na początku sekcji, na przykład w nagłówku.
2. Prosta, bezpośrednia odpowiedź – w pierwszych 2-3 zdaniach po pytaniu.
3. Uzasadnienie i kontekst – z rozwinięciem, przykładami, danymi itd., które wspierają odpowiedź.

Takie podejście bardzo przypomina zasadę odwróconej piramidy, której uczy się każdy dziennikarz: najważniejsza informacja idzie na samą górę, szczegóły i kontekst dopiero potem. Sprawdza się ona zarówno wtedy, gdy czytelnikiem jest człowiek, jak i wtedy, gdy model językowy analizuje tekst. Dla GPT nagłówek i pierwsze zdania danego fragmentu treści sygnalizują jego temat – pozwalają ocenić, czy ten konkretny fragment jest w istotny sposób powiązany z promptem, na który model odpowiada, czy nie.

Modele językowe są trenowane w dużej mierze na danych ustrukturyzowanych, w których dominującym formatem przekazywania informacji są listy i tabele. Można powiedzieć, że LLM-y nauczyły się z nich „myśleć”, więc naturalnie preferują treści, które wyglądają podobnie – widać to nawet po tym, jak często ChatGPT udziela odpowiedzi właśnie w formie bullet pointów.

Nie oznacza to oczywiście, że wystarczy upchnąć w tekście kilka tabel, aby lepiej zadziałały na roboty. W przypadku list pamiętaj:

• dla modelu każdy punkt listy to osobna, samodzielna jednostka informacji. Jeśli więc punkt składa się z jednego słowa albo urwanego zdania bez kontekstu, model nie będzie miał czego cytować;
• punkty powinno się zaczynać od konkretnego pojęcia albo tezy – nie od „oraz”, „również” albo „a także”;
• każdy punkt na liście powinien być napisany tak, aby można było go zrozumieć bez czytania pozostałych;
• w kodzie HTML listę bullet pointów oznaczamy znacznikiem ul, a listę uporządkowaną – czyli taką, w której kolejność punktów ma znaczenie – znacznikiem ol.

Natomiast w przypadku tabel:

• nagłówki kolumn powinny być jednoznaczne; mogą być bardziej opisowe, jeśli to konieczne – hasła w stylu „Wartość” czy „Opis” powiedzą modelowi mniej niż np. „Miesięczny koszt w euro” albo „Główne zastosowanie”;
• każda komórka powinna zawierać kompletną, samodzielną informację – raczej unikamy skrótów, które są zrozumiałe tylko w kontekście innych komórek;
• nie powinno się scalać komórek bez potrzeby; tabele z połączonymi komórkami są trudniejsze do sparsowania i model może zgubić relację między danymi.

Poza formatowaniem tekstu spore znaczenie ma to, jak piszesz – czy używasz konwersacyjnego, raczej prostego języka, takiego jak użytkownicy w promptach, jak definiujesz pojęcia, nawet to, jak formułujesz zdania. Modele językowe mają jednak swoje „preferencje” stylistyczne, wynikające bezpośrednio z tego, na jakich danych były trenowane.

Jakie są dobre praktyki, których radzimy się trzymać:

• pisz naturalnie, po ludzku, „konwersacyjnie” – raz, że wtedy łatwiej będzie dopasować treść do promptu, a dwa, treści, które brzmią jak rozmowa z ekspertem są dokładnie tym, do czego modele językowe aspirują w swoich własnych odpowiedziach;
• uważaj na metafory i ironię – modele językowe mogą ich nie rozumieć. Używaj ich ostrożnie, raczej gdy rozwijasz jakiś temat czy opisujesz przykład „dla człowieka”; pisząc definicję czysto „pod AI” albo otwierając nową sekcję tekstu lepiej postawić na prosty język niż na kwiecisty;
• wyjaśniaj pojęcia, których czytelnik może nie zrozumieć – LLM-y wręcz uwielbiają proste, encyklopedyczne definicje, ponieważ bardzo łatwo je zacytować;
• planuj kolejne akapity tak, aby każdy miał sens i w kontekście tekstu, i bez kontekstu – najlepiej trzymaj się przy tym zasady „jeden akapit, jedna myśl”;
• unikaj pustosłowia – jeśli zdanie można usunąć bez straty dla sensu, po prostu je usuń albo przepisz tak, żeby wniosło jakąś nową informację;
• wplataj w tekst liczby i suche dane, bo stanowią prostą, jednoznaczną informację, ale zawsze z kontekstem – dobrze, aby każda statystyka miała wyjaśnienie, co mierzy, w jakich warunkach i skąd pochodzi.

Z kwestii czysto technicznych, ważne jest też to, w jaki sposób struktura treści jest opisana w kodzie strony. Dla botów GPT i innych LLM-ów najbardziej czytelne są semantyczne znaczniki HTML, które wprost informują, jaką funkcję na stronie pełni dany element, czyli inaczej niż klasyczny kontener:

<div>