---
title: "Як LLM обирає 3 цитати з 50 — стек сигналів | Answerly"
description: "Що вирішує, які 2–4 URL цитує LLM із пулу 30–80 кандидатів. Шість сигналів, які ми бачимо в 240 виміряних відповідях, з патернами які вигравали і які програвали."
url: https://answerly.agency/ua/blog/ai-source-selection-stack/
lang: uk
updated: 2026-05-20T00:00:00.000Z
---

GEO тактики · 9 хв

# Як LLM обирає 3 цитати з 50 кандидатів — стек сигналів

Пʼять LLM-двигунів, один prompt, у пулі ретриверу ~50 URL-кандидатів — а в відповідь потрапляють 3. Які сигнали вирішують. Reverse-engineering із 90 днів вимірювань — які наші сторінки взяли цитування, а які лишились у пулі дивитись.

Dmytro Popryadukhin & Yevhen Chyzh · 2026-05-20

## Ключові тези

-   Ретривер LLM витягує приблизно 30–80 URL-кандидатів на промпт. У фінальну відповідь потрапляють 2–4.
-   Найбільший сигнал у наших спостереженнях — extractability сніпета. Сторінка з direct-answer-first перемагає вищеавторитетну, в якій відповідь похована під вступом.
-   Recency важить більше, ніж більшість команд думає — сторінки старші за 12 місяців випадають із топ-3, навіть якщо ранжуються вище за класичним SEO.
-   Різноманіття джерел — жорсткий constraint. Модель майже не цитує 3 URL з одного домену, коли є інші домени.
-   Entity match у title та H1 перемагає keyword match. «Answerly Agency — AEO services» виграє у «AEO services explained» на тому ж промпті.

## Quick Facts

| Параметр | Значення |
| --- | --- |
| Розмір пулу кандидатів на промпт | 30–80 URL у наших трекових Perplexity / ChatGPT-ранах |
| Цитувань у фінальній відповіді | 2–4 (медіана 3) |
| Drop-off після 12 місяців без оновлення | Близько 60% наших трекових сторінок випали з топ-3 після того, як dateModified постаріла за рік |
| Частота double-cite з одного домену | Менш як 7% із 240 виміряних відповідей — модель свідомо розводить цитати |
| Snippet-first проти intro-first | Snippet-first вигравав цитування у 4,1× частіше у matched pairs |
| Робочий патерн title | Сутність + категорія + кваліфікатор — «Answerly Agency — AEO services for B2B SaaS» |

Промпт іде в ретривер. Ретривер витягує 30–80 URL-кандидатів. LLM читає, ранжує, цитує 2–4. Решта ~50 сидять у пулі і ніколи не потрапляють у відповідь, яку прочитає користувач.

Останнє речення — це вся AEO-проблема. Можна бути в пулі і не отримати цитування. Можна програти меншій, гострішій сторінці, яка знає, на що дивиться модель.

Це те, що ми бачимо у 240 трекових відповідях за останні 90 днів — шість сигналів, які пояснюють, які URL проходять, і як інженерити під кожен. Не теоретична робота. Нотатки зі шпредшіту.

## Модель retrieval-then-rerank

Пʼять двигунів, пʼять трохи різних стеків — але форма приблизно та сама. Ретривер (гібрид класичного лексичного пошуку і ембединг-моделі) витягує candidate set. Другий прохід — сам LLM або менший reranker — читає кандидатів і обирає кілька на цитування.

Два наслідки, які варто тримати перед очима.

Перший — класичне SEO заводить тебе в candidate pool. Рідко само по собі заводить у відповідь. Сторінка, що ранжується 4-ю на Google, але з якої важко extract’ити, сидітиме в пулі і дивитиметься, як сторінка з 11-го місця бере цитування.

Другий — reranker читає сніпети, не повні сторінки. У наших лог-кепчах reranker зазвичай працює з 300–800 токенами на кандидата. Тому питання не «чи є відповідь на моїй сторінці» — а «чи є відповідь у перших 600 токенах, структурована так, щоб модель її чисто витягла».

## Сигнал 1 — extractability сніпета

Найбільший патерн, який ми вимірюємо. У matched pairs — дві сторінки на схожі теми, схожої авторитетності, обидві в пулі — snippet-first версія вигравала цитування у 4,1 разу частіше за intro-first.

Snippet-first означає, що пряма відповідь на промпт стоїть у першому абзаці, 25–40 слів, без преамбули. Далі Quick Facts таблиця або короткий definition list. Потім глибина.

Версія, яка програє, — та, що відкривається «In recent years, AI search has changed the way users discover information…», а реальна відповідь похована під H2 через чотири абзаци.

Цей патерн важить більше за авторитет. Ми бачили, як no-name домен віком 11 місяців забирав цитування у Forbes-колонки на тому ж промпті, бо no-name відкривався відповіддю, а Forbes відкривався гачком.

## Сигнал 2 — entity match у title та H1

Title робить подвійну роботу. Це перший рядок «пітчу» кандидата до reranker, і це водночас спосіб, яким LLM визначає, про яку саме сутність ця сторінка.

Патерн, що виграє в наших даних — title містить назву бренду + категорію. «Answerly Agency — AEO services for B2B SaaS» виграє у «AEO Services Explained» на промптах з комерційним інтентом, навіть коли в другої сторінки більше беклінків.

Чому — reranker паралельно робить entity resolution разом з relevance scoring. Якщо користувач питав «best AEO agency for SaaS», модель хоче на поверхні бренди (сутності), а не дженерик-експлейнери. Title, який називає сутність, виграє слот.

Для не-комерційних промптів правило інвертується — експлейнери виграють у брендів. «What is answer engine optimization» виграє сторінка «What is Answer Engine Optimization (AEO)?», а не «Answerly Agency — AEO services».

## Сигнал 3 — recency

Ми відстежували вік dateModified у 240 відповідях. Близько 60% сторінок, які втратили цитування, втратили його після того, як dateModified постаріла за 12 місяців.

Найжорсткіше recency важать два двигуни — Gemini і Perplexity. Обидва, здається, агресивно карають за stale-дати. ChatGPT і Claude милостивіші до evergreen, але навіть вони викидають сторінки з топ-3 після 18–24 місяців без refresh.

Що рахується як refresh — реальні правки, не лиш порушений dateModified. Ми перевірили обидва варіанти. Сторінки, де тільки оновили dateModified (без правок тіла), відновлювались ненадовго. Сторінки, які отримали реальні правки — новий приклад, оновлений стат, секція «що змінилось», — тримали позицію.

Деталі half-life — у нашому [дослідженні half-life цитувань](/ua/blog/citation-half-life/). Коротка версія — квартальний refresh, видимий date stamp, реальні правки.

## Сигнал 4 — різноманіття джерел

Це constraint, не безперервний сигнал. У 240 виміряних відповідях модель брала два URL з одного домену менш як у 7% випадків. Три з одного домену — ніколи.

Тож якщо твій клієнтський домен уже у відповіді з одним URL, другий URL з того ж домену конкурує сам із собою, а не з рештою поля. Оптимізувати пʼять сторінок під один prompt cluster не дає пʼять цитувань. Дає те ж саме одне, інколи в ротації.

Практичний висновок — обирай одну найкращу сторінку на prompt cluster і вливай зусилля в неї, а не розпорошуй на пʼять. Ми переписували клієнтські roadmap’и після цього спостереження — менше URL, більше глибини на URL.

## Сигнал 5 — уникання суперечностей

Тонший сигнал, який ми помітили приблизно у 30 випадках. Коли два кандидати дають суперечливі твердження, модель або обирає того, чия позиція збігається з консенсусом решти пулу, або не цитує жодного і хеджує.

Урок — бути контраріаном заради трафіку б’є по AEO. Сторінка, яка аргументує не-консенсусне число («AI-цитування розпадаються за 7 днів») буде пропущена, якщо решта пулу кластеризується довкола іншого числа (медіана 18 днів у наших даних). Модель не хоче цитувати щось, що сперечається з пʼятьма іншими кандидатами.

Це не означає «відмовся від гострої думки». Це означає прив’язуй гостру думку до чисел і методології, які модель може звірити з іншими джерелами — щоб ти продовжував консенсус, а не ламав його.

## Сигнал 6 — domain authority, але інакше зважений

Авторитет лишається важливим. Просто не є тим домінантним сигналом, яким він є у класичному пошуку.

Що ми бачимо — авторитет працює як tiebreaker. Коли два кандидати мають схожу якість сніпета, recency, entity match — модель обирає вищеавторитетний домен. Коли в нижчеавторитетної сторінки помітно кращий сніпет — авторитет програє.

Тож Forbes-колонка з похованою відповіддю програє гострому пості на маленькому домені. Але дві однаково гострі сторінки — виграє Forbes.

Є ще категорійний ефект. На YMYL-промптах (медичних, юридичних, фінансових) авторитет важать помітно вище, і малому блогу треба бути дуже гострим, щоб витиснути регулятор-видане джерело.

## Як інженерити під selection

Перестань оптимізувати під candidate pool. Ти, ймовірно, вже там. Оптимізуй під rerank-прохід.

**Винеси відповідь наперед.** Перший абзац, 25–40 слів, пряма відповідь на домінантний промпт цієї сторінки. Далі структура може дихати.

**Title, який називає сутність на комерційному промпті, концепт на експлейнерному.** Підбирай title під intent промпта, який ця сторінка ціляє.

**Квартальний refresh з реальними правками і видимим date stamp.** Не порушене поле. Правки, які модель може зчитати як substance.

**Одна сторінка на prompt cluster.** Не пʼять. Обери найкращу, вливай зусилля.

**Прив’язуй гострі думки до перевіряних чисел.** Гостро — добре. Сперечатись із рештою пулу без доказів — самогубство для цитування.

## Що це означає для вимірювання

Якщо ти трекаєш ранкінг у candidate pool, але не цитування у фінальній відповіді — міряєш не те. Ці дві метрики корелюють слабко: високий pool rank піднімає шанси на цитування, але купа сторінок з низьким pool rank беруть цитування, і купа сторінок з високим pool rank їх не отримує.

Метрика, яка важить — на кожному трекованому промпті, на кожному двигуні: URL у cited set чи ні. Бінарно. Логається щодня. Агрегується тижнево у «актично цитується останні 7 днів».

Це водночас єдина метрика, яка не бреше тобі. Pool rank виглядає як прогрес, коли в реальній відповіді користувачу не змінюється нічого.

Якщо хочеш повний measurement-стек — промпти, платформи, логери, криві виживаності — починай з [вимірювання AI-цитувань](/ua/blog/measuring-ai-citations/), далі [AEO-чекліст](/ua/blog/aeo-checklist/) для структурної роботи.

Retrieval pool заводить тебе в розгляд. Шість сигналів вище заводять тебе в цитування.

## Дивись також

-   [**Безкоштовний AI-аудит** — твій бал AI-видимості за 60 секунд](/ua/ai-visibility-audit/)
-   [**Що таке AEO?** — definitional pillar](/ua/blog/what-is-answer-engine-optimization/)
-   [**Найкращі AEO-інструменти 2026** — порівняння](/ua/blog/best-aeo-tools-2026/)

## Схоже до прочитання

-   [Патерн «as of» — вбудовані verifiable таймстемпи всередині копії](/ua/blog/as-of-date-pattern)
-   [Анатомія comparison-сторінки — «X vs Y», що виграють LLM extraction](/ua/blog/comparison-page-anatomy)
-   [Glossary-сторінка AEO — definitions як evergreen-фабрика цитувань](/ua/blog/glossary-page-aeo)

## Запусти безкоштовний AI-аудит

60 секунд заповнити, повний 47-перевірочний звіт у тебе на пошті за 24 години. Без signup-стінки, без обовʼязкового дзвінка.

[Замовити аудит](/ua/ai-visibility-audit/) [Подивитися ціни](/ua/pricing/)

Оновлено 2026-05-20.