Глоссарий терминов
Определения ключевых понятий из разработки, ИИ, SEO и AEO. Используется как справочник для статей журнала и страниц услуг.
ИИ и LLM
Термины разработки ИИ-систем: модели, RAG, агенты, fine-tuning.
RAG
Retrieval-Augmented Generation — архитектура ИИ-системы, при которой LLM отвечает не из «памяти», а опираясь на найденные в базе документы (PDF, Markdown, Confluence, Notion, переписка). Включает векторный поиск (pgvector, Qdrant, Weaviate), реранкер и генерацию ответа со ссылками на источники. Главное преимущество — минимизация галлюцинаций и возможность работать с приватными данными компании.
LLM
Large Language Model — большая языковая модель, обученная на корпусе текстов и способная генерировать связный текст, отвечать на вопросы, переводить, писать код. Примеры: GPT, Claude, GigaChat, YandexGPT, Llama, Qwen. Различаются качеством, ценой токенов, размером контекстного окна и юрисдикцией провайдера. Для бизнеса в РФ важен выбор между корпоративным GPT/Claude (через прокси), GigaChat/YandexGPT (российская юрисдикция) и локальной моделью (Llama/Qwen на своей инфраструктуре).
Fine-tuning
Fine-tuning — процесс дообучения LLM на собственных данных, чтобы модель лучше отвечала под конкретный домен или стиль. Применяется когда промпт-инженерия и RAG не хватает: например, специфический tone of voice, узкий доменный язык, классификация на сотнях категорий. Стоимость зависит от модели и объёма данных: GPT fine-tuning — несколько тысяч долларов, локальный LoRA на Llama — от 1500 ₽ за прогон. Часто RAG дешевле и проще fine-tuning для большинства задач.
ИИ-агент
ИИ-агент — программа, которая принимает решения на основе LLM и выполняет цепочку шагов с использованием инструментов (API, БД, веб-серфинг). В отличие от чат-бота агент не просто отвечает, а сам выбирает следующий шаг: исследовать, запросить, посчитать, отправить. Реализуется через LangChain Agents, LangGraph, AutoGen и подобные фреймворки. Подходит для повторяющихся бизнес-процессов: исследование рынка, обзвоны, формирование отчётов.
Embeddings
Embeddings — векторные представления текста (массивы чисел), которые позволяют сравнивать смысловую близость двух фрагментов через косинусное расстояние. Используются как ключевая технология RAG-поиска: документы превращаются в векторы и хранятся в векторной БД, при запросе система находит самые близкие по смыслу фрагменты и подмешивает их в промпт LLM. Популярные модели: OpenAI text-embedding-3-large, Cohere Embed v3, multilingual-e5.
Vector database
Векторная база данных — хранилище для embeddings с быстрым поиском ближайших соседей (ANN). Самые распространённые: pgvector (расширение PostgreSQL), Qdrant, Weaviate, Pinecone, Milvus. Для проектов, где уже есть PostgreSQL и объём документов до 1–5 млн, обычно достаточно pgvector. Для больших объёмов и сложного фильтрования — Qdrant или Weaviate.
Tool use
Tool use (function calling) — возможность LLM возвращать структурированный запрос на вызов функции, а не текст. Например, на вопрос «какая погода в Москве» модель отвечает не текстом, а JSON-объектом «вызвать get_weather(city='Москва')». Это превращает LLM в управляющий слой над API. Поддерживается GPT, Claude, Gemini, GigaChat 4. Основа для ИИ-агентов.
Токены
Токены — единицы текста, на которые LLM разбивает вход и выход. В среднем 1 русское слово ≈ 1.5–2 токена. Стоимость API-моделей считается за 1 миллион токенов отдельно для входа и выхода. Например, GPT в 2026 году — около $5 за 1M input и $15 за 1M output. На практике типовой чат-бот средней нагрузки (100 диалогов/день) обходится в 5–15 тыс ₽/мес. Контроль расходов на токены — отдельная инженерная задача (кэш, маршрутизация моделей, лимиты).
Контекстное окно
Контекстное окно — максимальный объём текста (в токенах), который LLM может обработать за один запрос. У GPT — 128k токенов, у Claude 4.7 — 200k–1M, у GigaChat — 32k. Для RAG это критично: чем больше окно, тем больше документов можно подмешать в промпт без сжатия. Для длинных документов (договоры, исследования) Claude часто выгоднее GPT.
LoRA
LoRA (Low-Rank Adaptation) — метод дешёвого дообучения LLM, при котором заморожены оригинальные веса модели и обучаются только небольшие адаптеры. Позволяет сделать fine-tuning за сотни рублей на одной видеокарте вместо полного дообучения за тысячи долларов. Применяется к открытым моделям: Llama, Qwen, Mistral.
SEO и AEO
Поисковая оптимизация и оптимизация под ИИ-поисковики.
AEO
AEO (Answer Engine Optimization) — дисциплина оптимизации сайта под движки, которые отвечают на вопросы пользователей: ChatGPT search, Perplexity, Claude, Bing Copilot, Алиса, YandexGPT в поиске. В отличие от SEO, цель AEO — не место в выдаче, а попадание в текст ИИ-ответа со ссылкой. Ключевые практики: llms.txt, llms-full.txt, Markdown-зеркала, расширенный schema.org, FAQ в self-contained-формате, EEAT-сигналы.
SEO
SEO (Search Engine Optimization) — комплекс работ по продвижению сайта в выдаче поисковиков (Яндекс, Google). Включает технический аудит, формирование семантического ядра, написание контента, перелинковку, внешнее продвижение, EEAT-сигналы, schema.org-разметку, оптимизацию Core Web Vitals. В 2026 году дополняется AEO — оптимизацией под ИИ-поисковики.
EEAT
EEAT (Experience, Expertise, Authoritativeness, Trustworthiness) — качественные сигналы, на которые опирается Google и косвенно Яндекс при ранжировании. Для сайтов услуг важны: реальные авторы с биографиями (Person schema), даты публикации и обновления, ссылки на источники данных, отзывы клиентов с верификацией, юридические сведения, контакты. EEAT критично для YMYL-тематик и постепенно для всех коммерческих сайтов.
llms.txt
llms.txt — текстовый файл в корне сайта в формате Markdown, который описывает структуру сайта для ИИ-краулеров. Стандарт llmstxt.org: список разделов и страниц с короткими саммари. Дополнение — llms-full.txt: полный контент сайта в Markdown для прямой подачи в LLM. Позволяет ИИ-поисковикам быстрее понимать сайт и точнее цитировать.
Schema.org
Schema.org — словарь структурированных данных (типов и свойств), который понимают Google, Яндекс, Bing и ИИ-системы. Размечается через JSON-LD-скрипты в HTML. Для сайтов услуг минимум: Organization, WebSite, BreadcrumbList, Service, FAQPage, Article, LocalBusiness. Расширения для AEO: Person (авторы), HowTo, Product/Offer, Review/AggregateRating, SpeakableSpecification, DefinedTerm.
Core Web Vitals
Core Web Vitals — набор метрик пользовательского опыта от Google: LCP (Largest Contentful Paint, ≤ 2.5s — скорость загрузки), INP (Interaction to Next Paint, ≤ 200ms — отзывчивость), CLS (Cumulative Layout Shift, ≤ 0.1 — стабильность вёрстки). Считаются на 75-перцентиле реальных пользователей. Влияют на ранжирование в Google и Яндексе. Измеряются через Yandex.Metrika, GSC, PageSpeed Insights.
Lighthouse
Lighthouse — инструмент Google для аудита веб-страниц по 4 категориям: Performance, Accessibility, Best Practices, SEO. Запускается в Chrome DevTools или через PageSpeed Insights. Включает синтетические замеры Core Web Vitals и проверку лучших практик. Цель для сайтов услуг — 90+ во всех категориях, 100 в SEO.
SpeakableSpecification
SpeakableSpecification — тип в schema.org, размечающий блоки страницы, которые имеют смысл при озвучке голосовым помощником (Алиса, Google Assistant). Особенно важен для AEO: помогает ИИ-системам выделить TL;DR / ключевые ответы. Применяется через cssSelector или xpath в JSON-LD-разметке Article.
Семантическое ядро
Семантическое ядро — структурированный список поисковых запросов, под которые продвигается сайт. Делится на коммерческие (с покупательским интентом: «купить», «заказать», «цена») и информационные («что такое», «как», «зачем»). Для сайтов услуг ядро привязывается к URL-структуре: services/calculators — коммерческие, journal/glossary — информационные. Каждый URL получает primary KW + secondary + LSI + PAA-вопросы.
LSI
LSI (Latent Semantic Indexing) — в SEO-смысле это термины и сущности, тематически связанные с основным запросом. Поисковики используют LSI для понимания темы страницы, а не только для совпадения ключей. Для услуги «разработка сайта» LSI: Next.js, WordPress, лендинг, корпоративный сайт, адаптивная вёрстка, MVP. Помогают избежать переспама ключевыми и лучше отвечать на пользовательский интент.
Разработка
Технические термины веб- и мобильной разработки.
MVP
MVP (Minimum Viable Product) — минимально жизнеспособная версия продукта с базовым набором функций, достаточным для проверки гипотезы с реальными пользователями. Для софта типичный MVP: 5–8 экранов, авторизация, БД, базовая логика, деплой — обычно 1.5–2 млн ₽ и 30–60 дней. Цель MVP — узнать, нужен ли продукт рынку, а не сделать готовый сервис.
ASO
ASO (App Store Optimization) — оптимизация мобильного приложения для попадания в топы App Store и Google Play. Включает работу с названием, описанием, ключевыми словами, скриншотами, иконкой, отзывами и метриками. Аналог SEO для мобильного. Без ASO даже хорошее приложение может не получить органических установок.
Бизнес-модели
Модели работы и оплаты в IT-услугах.
Fixed price
Fixed price — модель оплаты, при которой стоимость и объём работ фиксируются в договоре до начала работы. Противоположность почасовке (T&M). Защищает клиента от размытия бюджета и сроков, но требует чёткого ТЗ и грамотной приёмки. Современная модификация — outcome-based pricing с привязкой к KPI.
ИИ-native компания
ИИ-native компания — организация, у которой ИИ-инструменты встроены в основные процессы с самого начала, а не добавлены поверх старого процесса. В сфере разработки это означает, что ИИ делает 50–70% типовой работы (генерация кода, дизайна, текста), а специалисты доводят до качества. Результат — скорость и цена в 3–10 раз ниже традиционной студии.