В сентябре 2025 года я работал мобильным разработчиком в компании Biblio Globus. В один из дней CEO в общем чате спросил: «Кто что знает про GEO?» — с этого момента интерес к термину начал расти. Я начал с небольшого технического аудита фронтенда, а по вечерам — с создания собственного продукта. Со временем вовлеченность на работе падала, и в декабре я уволился по соглашению сторон, перейдя на полную разработку продукта. Сейчас он занимает меня с утра до ночи.

Откуда взялся такой интерес? Не знаю. Возможно, из той же точки, что и увлечение нейросетями. Я начал использовать ChatGPT с первых новостей о нём, а с марта 2025 — стал ежедневным пользователем Claude.

Миссия платформы

Платформа призвана дать бизнесу инструмент, который полностью берёт на себя работу с видимостью бренда в генеративных нейросетях. Из этой потребности родился термин GEO (Generative Engine Optimization) — оптимизация под генеративные поисковые системы.

Как платформа решает эту задачу:

• Показывает видимость бренда и его конкурентоспособность в ответах нейросетей, строит графики
• Указывает, где именно есть пробелы в видимости, и какие источники используются нейросетями
• На основе конкурентных пробелов и анализа источников формирует и корректирует рекомендации в рамках еженедельного цикла, позволяет оценивать их влияние
• Превращает все метрики в понятные отчёты с динамикой изменений за неделю и объясняет, что изменилось

Мой напарник — Claude Code

Главный фактор моей вовлечённости — чувство созидания. Я выступаю как главный архитектор: ставлю задачи сессиям Claude Code, а они управляют субагентами. Вместе мы строим продукт блок за блоком.

Весь продукт реализован через ежедневные сессии. Пайплайн разработки быстро стабилизировался:

Основная сессия — это несколько параллельных вкладок Claude Code под разные задачи. Каждая задача проходит цикл: ресёрч → планирование (plan mode) → реализация → ручная проверка (UI/UX) → code review через отдельного агента. Если находятся проблемы — итерация возвращается на реализацию.

Раньше я создавал субагентов и просил Claude оркестрировать их. Сейчас эту функцию заменил встроенный Agent Team.

Мой любимый подход: один агент тестирует и составляет список проблем, второй — исправляет и отправляет на повторную проверку. Они итерируют между собой, пока результат не станет приемлемым. А я в это время перехожу к другой задаче.

Например, Agent Team включает QA-reviewer и ui-fixer, которые итерируют друг с другом.

MCP — прямой доступ к инфраструктуре

MCP дают Claude Code прямой доступ к проекту:

• Supabase MCP — самый важный. Все миграции и работа с данными идут через него. Активно используется в ежедневном пайплайне проверки корректности обработки ответов нейросетей
• Trigger.dev MCP — запускаю пайплайн проверки, чтобы убедиться, что все фоновые задачи завершены
• Next.js DevTools MCP — доступ к dev-серверу. Помог при обновлении до Next.js 16
• Exa MCP — поиск и ресёрч. Использую для поиска стандартов индустрии и актуальной документации
• Sentry MCP — Claude получает реальные ошибки и исправляет их. Использую ежедневно

Заметил закономерность: при приближении к лимитам подписки качество ответов падает. Паттерн стабильный, хотя причина неизвестна.

Стоимость четырёх месяцев разработки на Max-плане: 800$. В некоторые недели лимит исчерпывался — тогда продолжал на GLM от z.ai, потратив 45$ за квартал.

Экосистема платформы

Технологический стек:

• Фронтенд: Next.js + shadcn
• Бэкенд: Supabase
• Оркестрация: Mastra
• Хостинг: Dokploy с автоматическим деплоем через GitHub (на пуше в main — билд и выкатка на прод)

Также есть админ-панель для управления пользователями и подписками.

Как работает платформа

1. Конвейер мониторинга и обработка ответов

Сбор данных начинается ежедневно. На этапе онбординга система автоматически, на основе структуры сайта, генерирует 4–6 тематических кластеров и по 4–7 промптов для каждого.

Кластер — тематический набор промптов.
Промпт — запрос, отправляемый в нейросеть.

За каждым брендом закрепляется временной слот. Первая отправка — сразу, далее — ежедневно через trigger.dev task. Она отправляет промпты в нейросети, обрабатывает ответы и сохраняет в Supabase. В этой же задаче выполняется технический чек сайта: robots.txt, sitemap, качество Schema-разметки на главной, в каталоге и блоге. Проблемы отправляются в Командный центр.

Особенности некоторых провайдеров:

• DeepSeek — нет API с веб-поиском
• Google AI Mode и Google AI Overview — только скрапинг
• Google AI Overview может не дать ответа по поисковому запросу

Обработка ответов — ключевой этап. В контексте GEO важна не просто упоминаемость, а контекст. Программная обработка не сработала — лучшим решением стала постобработка с помощью LLM.

Каждый ответ обрабатывается отдельным вызовом с тщательно проработанным системным промптом. Из него извлекаются:

• Упомянутые бренды
• Тональность упоминания (позитивная, нейтральная, негативная)
• Наличие рекомендации (например, «один из лучших»)
• Позиция в списке (например, 2 из 8)

Claude Code проявил себя на полную: долгая итерация создания промптов, проверка и корректировка системного промпта через Agent Team. Один субагент запускал мониторинг, второй находил несоответствия, третий — исправлял.

Такие данные позволяют строить мощные графики для конкурентного анализа. Например: «Мы упоминаемся чаще, но при совместном упоминании с конкурентом — на более низкой позиции».

Затраты на API:

• Разработка и тестирование: 128$
• Яндекс: 4800 ₽ (цена одного вызова — 5 ₽)
• Обработка одного ответа: $0.0016

2. Визуализация данных

Весь фронтенд написан с помощью Claude Code. Используется shadcn. Раньше работал через MCP с документацией, сейчас — через агентский skill.

Метрики рассчитываются на лету с помощью PostgreSQL-функций при открытии дашборда через Supabase SDK. Результаты кэшируются с помощью TanStack Query.

Ключевые метрики:

• Охват ответов — процент ответов, где упомянут бренд
• Share of Voice (SoV) — доля упоминаний бренда среди всех конкурентов. Например: бренд упомянут 20 раз, конкуренты — 80. SoV = 20%. Эта метрика — основа для работы Командного центра
• Цитирование домена — процент ответов, где указан домен бренда (ссылка или упоминание)
• Share of Citation — доля цитирований бренда относительно конкурентов

В разделе конкурентной разведки — топ брендов. SoV здесь — главная метрика. Пример: 10 брендов имеют 100% охват, но SoV = 10% — значит, делят внимание поровну. Если появится 11-й, их доля уменьшится. SoV показывает реальную долю внимания на рынке.

По клику на конкурента — сравнение Head-to-Head, где бренд проигрывает.

Конкурентные пробелы — точки роста. Показывают, в каких промптах бренд уступает.

По клику — детальная страница промпта с данными.

Раздел Источники включает:

• Общую карту источников, использованных нейросетями
• Страницы домена, которые использовались, но не процитированы. С них можно запустить AI-аудит — агент возвращает структурированный JSON с рекомендациями по повышению шанса цитирования. Эти страницы также попадают в Командный центр при ежедневном чеке

Все разделы поддерживают фильтры по датам, нейросетям и кластерам. В фильтрах отображаются SoV и охват — так удобнее анализировать: выбрал фильтр → увидел сводку → нашёл проблему → дашборд обновился.

3. Из метрик — в рекомендации и отчёты

Команда AI-агентов работает с полным контекстом бренда. Оркестрацией управляет Mastra workflow.

Агенты получают данные из мониторинга, выполняют свои задачи по системным промптам. Некоторые работают параллельно, другие ждут результатов от других.

Каждую неделю они анализируют метрики, отдельные ответы, профили конкурентов и превращают всё в понятный отчёт. Есть два типа:

• Первичный — текущие данные + обзор видимости + рекомендации
• Еженедельный — сравнение с прошлым отчётом, динамика изменений, корректировка рекомендаций

Шаблон один, различие учтено в системных промптах.

Агенты также наполняют Командный центр. Туда попадают:

• Рекомендации на основе конкурентных пробелов и источников
• Данные из ежедневного технического чека сайта (Schema-разметка, robots.txt и др.)

Агенты знают о текущих рекомендациях: если проблема решена — закрывают её; если SoV изменился — обновляют рекомендации.

Главный способ роста видимости — размещение контента на источниках, которые используются в ответах. Подход один: разместить упоминание бренда в выгодном ключе. Для этого есть Контент-конвейер.

Он генерирует брифы с фокусом на то, чтобы модель процитировала контент. Можно сгенерировать текст и JSON-разметку для блога. В планах — добавить настройку «голоса бренда», чтобы контент создавался в нужном стиле.

Самой быстрой в реализации фичей стала отслежка эффективности опубликованного контента: по URL видно, как часто появляется ссылка и сколько промптов она затрагивает.

Итоги

• Интегрировал Claude Code в 100% рабочих процессов
• Создал полноценную платформу для GEO-мониторинга
• Монетизировал: 109 брендов попробовали, 9 — оплатили подписку
• Запустил открытый рейтинг видимости российских брендов в 8 нейросетях
• Разобрался с GEO и вижу результаты у бренда, с которым работаю

Что дальше

• Активно продвигать платформу и улучшать функционал. Цель — перенести уровень автоматизации из моего личного пайплайна в Mastra. Уверен, генеративный поиск станет основным каналом поиска и выбора
• Писать статьи на Хабр о работе платформы и опыте автоматизации с Claude Code. Если интересно — пишите в комментариях. Например, могу подробнее рассказать о генерации рекомендаций

Сентябрь 2025, шёл шестой год в роли мобильного разработчика, пишу приложение для туроператора Biblio Globus. В один день в общем чате CEO спрашивает "Кто что знает про GEO?" - с этого момента у меня периодически начал подогреваться интерес к этой аббревиатуре, позже я провёл небольшой локальный технический аудит фронтенда и в тихие вечера садился создавать свой продукт. Вовлеченность в рабочие процессы падала, в декабре увольнение по соглашению сторон и я ушёл в фулл-тайм разработку. Сейчас работа над продуктом поднимает меня рано утром и укладывает ночью. Откуда появился такой интерес? - не знаю, возможно оттуда, откуда и интерес к самим нейросетям (начал пользоваться ChatGPT с момента первых новостей о нем, а с марта 2025 являюсь постоянным ежедневным пользователем Claude)

Миссия платформы - дать бизнесу инструмент который возьмет всю работу с видимостью бренда в нейросетях на себя. Из этой потребности бизнеса родился термин GEO(Generative Engine Optimization) - оптимизация под генеративные движкиКак платформа решает эту потребность:

1. Показывает видимость бренда и его конкурентоспособность в генеративных ответах, рисует графики
2. Говорит где именно пробелы с видимостью, какие источники используют нейросети для генерации ответа
3. На основе конкурентных пробелов и классификации источников формирует/корректирует рекомендации в рамках еженедельного цикла, дает возможность оценивать влияние рекомендаций
4. Превращает все метрики в человекочитаемый отчет с динамикой изменений за неделю, говорит что поменялось

Мой напарник - Claude Code

Самым главным фактором моей вовлечённости, думаю, является чувство созидания, я в роли главного архитектора раздаю задачи архитекторам (сессиям Claude Code), а они в свою очередь управляют рабочими (субагентами) и мы вместе блок за блоком создаём продукт.

Собственно весь продукт реализован такими ежедневными сессиями, сам пайплайн разработки устоялся быстро:

Основная сессия - это несколько параллельных вкладок Claude Code под разные задачи. Каждая задача проходит цикл: ресёрч → планирование (plan mode) → реализация → ручная проверка (UI/UX) → code review через отдельного агента. Если на ручной проверке/ревью находятся проблемы - итерация обратно в реализацию.

Раньше я создавал отдельных субагентов и просил Claude Code оркестрировать их, сейчас это заменила встроенная функция Agent Team.

Мой любимый подход: один агент тестирует и составляет список проблем, второй исправляет и отправляет на повторную проверку. Они итерируют между собой, пока результат не станет приемлемым, а я в это время занимаюсь другой задачей.

Agent Team - QA-reviewer и ui-fixer итерируют между собой

Отдельное внимание MCP. Они дают Claude Code прямой доступ к инфраструктуре проекта:

• Supabase MCP- самый главный, все миграции и работа с данными через него, самое активное применение приходится на регулярный пайплайн проверки корректности обработки ответов нейросетей
• Trigger.devMCP- активно использую, периодически на основе него запускаю пайплайн проверки, все ли фоновые задачи завершились успешно
• Next.js DevTools MCP- доступ к dev-серверу, особо как-то не использую, помню точно помог обновиться до Next.js 16
• Exa MCP- поиск и ресёрч, с помощью него ищу информацию по стандартам индустрии или актуальную документацию
• Sentry MCP- Claude Code получает реальные ошибки и фиксит, использую ежедневно

По личному опыту заметил: когда лимиты подписки подходят к концу, качество ответов падает. Не знаю, с чем это связано, но паттерн стабильный.

Стоимость 4 месяцев разработки на Max плане: 800$

В некоторые недели доходил до лимита, продолжал разрабатывать на GLM отz.ai, отдал 45$ за квартал

Экосистема платформы

Плюс админ-панель для управления пользователями и подписками.На хостинге стоитDokployк которому подключены github репозитории, при пуше в main идет билд и изменения оказываются на проде

Как работает платформа и что получилось

1. Конвейер мониторинга и обработка ответов.Все начинается с ежедневного сбора данных, система на этапе онбординга бренда автоматически на основе структуры сайта генерирует базовый набор кластеров (4–6) и промптов для них (4–7),

Кластер- тематический набор промптовПромпт- запрос который отправляется в AI

При старте мониторинга за брендом закрепляется свободный временной слот, первая отправка происходит сразу, далее в фоне в закрепленный за брендом временной слот каждый день вызываетсяtrigger.devtask, которая отправляет активированные промпты в нейросети, обрабатывает ответы и записывает в Supabase. В этой же таске выполняется daily check технический чек сайта бренда: robots.txt, sitemap, наличие и качество Schema разметки для главной/каталога/блога - выявленные проблемы отправляются вКомандный центр(о нем дальше)

Особенности некоторых провайдеров:

• У DeepSeek нет API с веб-поиском
• Google AI Mode и Google AI Overview можно только скрапить.
• Google AI Overview может не дать ответы на поисковой запрос вообще.

Отдельного внимания заслуживает обработка каждого ответа, в контекстеGEOбольшую ценность имеет контекст упоминания. Было много попыток программно обрабатывать ответ, но самым лучшим решением оказалась постобработка с помощью LLM. Каждый ответ отправляется отдельным вызовом с проработанным системным промптом, по итогу из ответа извлекаются все упомянутые бренды, которые конкурируют за внимание в промпте со следующим набором данных: тональность упоминания (позитивная - "хорошим вариантом", нейтральная "один из/сухой ответ бренда", негативная - "но есть проблемы с качеством"), рекомендация("один из лучших"), позиция в списке (2 из 8).Здесь Claude Code проявил себя во всей красе, по сути это была долгая итерация создания брендов с разными промптами в разных нишах и последующая проверка с корректировкой системного промпта, вот как это выглядело с помощью Agent Team:1 субагент создавал и запускал первый мониторинг -> 2 проверял и находил несоответствия -> 3 находил проблему и фиксил. По итогу для каждого ответа имеем такой ui:

Такие данные позволяют сформировать думаю один из самых интересных графиков для конкурентного сравнения, например по нему можно сделать вывод по типу "мы упоминаемся чаще, но если упоминаемся вместе с конкурентом, то стоим на позиции ниже"

Затраты на API на этапах разработки и тестирования платформы: 128$ + 4800 рублей за Яндекс

Цена 1 API-вызова генеративного поиска Яндекс: 5 ₽

Цена обработки одного ответа: $0.0016

2. Визуализация данных.Весь фронтенд, как и код написан на100% с Claude Code.Использовал shadcn(у shadcn есть mcp со всей документацией, сейчас он отключен и вся работа с компонентами выстроена через агентский skill).Все метрики считаются на летуPostgreSQL-функциями при каждом открытии дашборда через вызовыsupabase sdk, а результаты кэшируютсяTanStack Query. Центральными метриками платформы я сделал следующие:

Охват ответов- процент ответов нейросетей, в которых бренд упомянут.

Share of Voice- доля бренда среди всех упоминаний. Считаетсяупоминания_бренда / (упоминания_бренда + упоминания_всех_конкурентов) × 100. Если бренд упомянут 20 раз, а конкуренты суммарно 80 - SoV = 20%, такую долю внимания занимает бренд в ответах. На повышение этой метрики работаетКомандный центр.

Цитирование домена- процентов охваченных ответов где фигурирует домен бренда. Бренд может быть просто упомянут, может быть упомянут с ссылкой (это идеальный вариант), может быть упомянута просто ссылка(как правило в информационных запросах).

Share of Citation- это Share of Voice для доменов брендов, показывает какую долю забирает бренд в цитированиях относительно конкурентов.

Раздел конкурентной разведки -самое интересное здесь топ, по скриншоту частично видно почемуShare of Voice нужно считать главной конкурентной метрикой в GEO.Небольшой пример: 10 брендов имеют охват 100%, но их SoV 10% - значит они в равной мере делят внимания. Если появляется еще 1 бренд, они также могут иметь 100% охват, но их SoV уже станет ниже. По сути эта цифра показывает какой % внимания имеет бренд относительно рынка

По клику на конкурента можно открытьHead-to-Headсравнение и узнать где именно бренд проигрывает конкуренту

Конкурентные пробелы- ключевые точки роста, показывают, в каких промптах бренд уступает конкурентам.

По клику на конкурентный пробел открывается детальная страница промпта, здесь можно посмотреть данные именно по промпту.

Раздел «Источники»- здесь есть 2 вкладки:

1. Общая карта источников, которые использовались нейросетями

2. Страница для оптимизации - сюда попадают страницы домена, которые нейросети использовали, но не процитировали. Отсюда можно сразу запустить AI-аудит страницы, который даст рекомендации по повышению вероятности цитирования. (страницы отсюда также попадают вКомандный центрв рамках ежедневного чека)

Для страницы можно запустить AI аудит, по сути структура страницы отправляется в агента с системным промптом который возвращает структурированный json с рекомендациями .

Для всех этих разделов работают фильтры по датам, нейросетям и кластерам. В фильтрах нейросетей и кластеров также виден отдельный SoV в % и охват ответов - думаю, так удобнее всего работать с аналитикой. Нажал на фильтр → увидел основную сводку → выбрал, что проседает → данные на дашборде обновились

3. Из метрик в рекомендации и отчеты. На бренд работает команда AI-агентов со всем контекстом бренда, за оркестрацию отвечаетMastra workflow.Сюда попадают данные из мониторинга и каждый агент выполняет свою задачу на основе системного промпта, некоторые работают параллельно, некоторые ждут данные от других агентов и потом делают свою работу

Каждую неделю они проходятся по метрикам, отдельным ответам, составляют профили конкурентов и превращают все метрики и числа в понятный для человека отчет. Отчет может быть первичным и еженедельным. Отличие в том, что первичный берет текущие данные и превращает их в обзор видимости бренда + рекомендации, еженедельный получает данные за прошлый отчет и эту неделю, генерирует отчет с динамикой изменений и корректирует уже данные рекомендации. Это учтено в системных промптах агентов, шаблон остается один

Помимо отчета они наполняют ядро продукта -Командный центр.У нас есть данные где бренд проигрывает, есть данные какие источники используются в пробелах и их тип(справочник, сообщества, конкуренты). Агенты просто на основе этих данных генерируют рекомендации и корректируют их при изменениях, они знают о уже данных рекомендациях, например если проблема исчезла могут просто ее сами закрыть, а при обновлении SoV - обновить текущую.Сюда же попадают рекомендации из ежедневного технического чека сайта бренда (Наличие и качество Schema разметки на главной, страницах каталога/блога, проверка robots.txt на доступность AI ботами и некоторые другие)

Основным двигателем роста видимости в генеративных ответах является размещение контента на блоге сайта/источниках которые используются в генеративном ответе выбранной моделью, источники могут быть разные, но подход один - в выгодном ключе на используемом источнике разместить контент с упоминанием бренда/стимулировать изменения если источник это карта или каталог. Для этого на платформе реализованКонтент конвейер.Он генерирует контент брифы со структурой нацеленной на то чтобы зацепить модель процитировать контент, отсюда также можно сгенерировать текст + Json разметку для блога. Дальше планирую добавить возможность модификации промпта с "голосом бренда", чтобы контент генерировался в стиле бренда.

Самой быстрой в реализации фичей в проекте стала возможность отслеживания эффективности опубликованного контента, мы просто по url отслеживаем как часто начала появляться ссылка и сколько промптов она затрагивает.

Итоговый результат проделанной работы за эти месяцы:

1. Интегрировал Claude Code в 100% своих рабочих процессов
2. Создал платформу полного цикла для работы с видимостью бренда в генеративных ответах
3. Получилось монетизировать, сейчас 109 брендов которые попробовали и 9 платных подписок
4. Запустил открытый рейтинг видимости российских брендов в 8 нейросетях.
5. Разобрался с GEO, сейчас вижу результаты у бренда с которым работаю на базе своей платформы

Что дальше

1. Буду активно продвигать платформу и улучшать ее функционал, цель перенести то качество автоматизации которое сейчас есть в моем Claude Code пайплайне для работы с брендом в Mastra). Делаю ставку что генеративный поиск станет основным каналом выбора у покупателей и поиска информации в целом.
2. Писать для Хабра статьи как работает какая-то часть платформы или делиться опытом своей автоматизации процессов с помощью Claude Code ( напишите в комментариях если есть интерес к чему-то, мне нравится делиться своим опытом, например могу рассказать больше о генерации рекомендаций).