Transformar consultas da Search Console e do Bing numa carteira de prompts de IA

A Search Console e o Bing Webmaster Tools registam as consultas em que o seu site apareceu, mas uma consulta de pesquisa não é automaticamente um bom prompt para monitorizar respostas de IA. Cruze essa procura com os prompts que já acompanha e obterá uma lista selecionada justificável, além de valores de referência para o grupo que lançar.

O problema GEO que resolve

Ordenar as consultas por impressões e copiá-las para uma lista de prompts equivale a mudar o nome a uma exportação de palavras-chave. As impressões medem exposição observada num motor de pesquisa; nada dizem sobre a frequência com que alguém faz essa pergunta a um assistente. Um fragmento como «agência crm frança» sugere uma intenção, mas não contém contexto de decisão.

O fan-out de consultas mostra pesquisas Web observadas nas respostas monitorizadas e os prompts que as originaram; o inventário de prompts mostra o que já acompanha. A lista selecionada passa a reunir novas intenções sustentadas por dois sinais independentes.

As etapas do fluxo de trabalho

1. Registar a procura de pesquisa. list_brands define a marca. Depois, get_search_console_metrics e get_bing_metrics devolvem linhas de consultas ou páginas com cliques, impressões, CTR e posição média, uma dimensão por chamada. Uma integração em falta devolve connected false e nenhuma linha; a execução prossegue com o motor que responder.

2. Confirmar com pesquisas observadas em IA. get_query_fan_out devolve as pesquisas Web detetadas nas respostas monitorizadas, com frequência, presença da marca, número de concorrentes e prompts de origem. Percorra as páginas até cobrir o total: são pesquisas observadas, não volume de prompts dos utilizadores.

3. Excluir o que já monitoriza. get_prompts percorre a carteira por páginas, com texto exato, estado e número de respostas. Não existe uma pontuação de duplicação, pelo que a classificação cabe-lhe a si: duplicação exata, variante próxima, abrangida por um prompt mais amplo ou nova intenção.

4. Lançar o grupo etiquetado e analisá-lo. Criar um prompt não é uma ação MCP; acrescente os prompts aceites sob uma etiqueta de grupo comum. Após um ciclo completo, get_matrix com detalhe por etiqueta e get_answers nessa etiqueta devolvem taxa de menção, citações e discriminação por fornecedor. get_prompt_answers mostra o texto dos prompts cujos números pareçam incorretos.

Como aproveitar os resultados

Aplique três testes por ordem. Contexto de decisão: a consulta exprime uma escolha, comparação, seleção dos melhores ou alternativa? Se não, rejeite-a independentemente das impressões. Sobreposição com o fan-out: a mesma intenção aparece nessa lista? Procura: pelo menos 100 impressões num único motor, nunca somadas entre motores.

A sobreposição substitui o limiar de impressões; não se soma a ele. Aceite primeiro contexto de decisão com sobreposição, depois contexto de decisão com o limiar, e adie o resto. Ordene por impressões dentro de cada grupo, corte a lista ao número de prompts que vai acrescentar e submeta temas regulados a validação humana.

Guarde primeiro o registo de lançamento: texto exato do prompt, consultas de origem, tema, fase do funil, etiqueta do grupo e fornecedores, pois uma alteração de redação cria uma pergunta diferente. Nunca compare a CTR orgânica com a taxa de menção do prompt que a consulta inspirou. Interprete prompts sem respostas como dados em falta, não como ausências de menção.

O prompt completo

Transforma as minhas consultas da Search Console e do Bing Webmaster numa carteira revista de prompts de IA e depois regista os valores de referência do grupo que lançar. Começa com list_brands e pergunta qual a marca se houver mais do que uma. Usa os últimos 90 dias, salvo indicação contrária.

1. Chama get_search_console_metrics com dimension=query e limite 100, depois com dimension=page, e chama get_bing_metrics da mesma forma. Guarda o indicador connected, o intervalo de datas e as linhas de cada chamada. Se um motor devolver connected false, continua com o outro; se ambos o fizerem, pára e indica que não há dados de procura. Nunca juntes linhas de consultas a linhas de páginas nem somes os dois motores.
2. Chama get_query_fan_out para o mesmo período e percorre as páginas até cobrir o total. Guarda consulta, frequência, presença da marca, número de concorrentes e prompts de origem. Se não devolver dados, indica-o e marca todos os candidatos como apoiados num único sinal.
3. Chama get_prompts com paginação e classifica cada consulta orgânica face à carteira: duplicação exata, variante próxima, abrangida por um prompt mais amplo ou nova intenção. Uma carteira vazia torna todas as consultas novas intenções.
4. Agrupa as restantes por intenção, conservando cada consulta original com o respetivo motor e métricas, e escreve um prompt de monitorização por grupo.
5. Aplica três testes por candidato e mostra os três resultados: exprime uma escolha, a intenção aparece na lista de fan-out, atinge 100 impressões num único motor? Rejeita tudo o que não tiver contexto de decisão. Ordena os restantes com escolha e sobreposição primeiro, escolha e limiar de impressões depois; dentro de cada grupo, ordena por impressões. Devolve uma tabela ordenada e uma tabela de candidatos adiados com motivos; se nenhum sobreviver, mostra os três mais próximos e o que lhes falta.
6. Pergunta-me qual a etiqueta do grupo e quantos prompts vou acrescentar neste ciclo; limita a tabela a esse número. Não podes criar prompts, por isso entrega-me a lista com tema, fase do funil e etiqueta do grupo.
7. Quando o grupo completar um ciclo, chama get_matrix com granularity=tags e encontra a linha da minha etiqueta; chama get_answers para ela com paginação e get_prompt_answers quando os números surpreenderem. Apresenta número de respostas, taxa de menção e taxa de citação de fontes próprias por fornecedor. Uma linha de etiqueta em falta ou uma lista de respostas vazia significa que ainda não foram geradas, não visibilidade zero.