Sitefire автоматизирует оптимизацию поиска с помощью ИИ через контент-агентов.

Sitefire — это платформа, которая помогает брендам улучшить свою видимость в поиске ИИ, автоматизируя мониторинг и оптимизацию контента. Основатели, Винсент и Йохен, имеют опыт в области RL/оптимизации в Стэнфорде и программной инженерии.
Как работает Sitefire
Система работает по многоэтапному процессу:
- Пользователи определяют промпты для мониторинга — это синтетические промпты, созданные на основе SEO-ключевых слов и ежемесячного поискового трафика
- Sitefire ежедневно отправляет эти промпты в ChatGPT, Gemini, Google AI Mode и т.д., фиксирует ответы, извлекая расширенные запросы, исходные страницы, цитаты и упоминания бренда
- Для каждой темы агенты анализируют, какие веб-страницы чаще всего используются и цитируются, и почему, а также учитывают похожие страницы, которые уже есть у клиента
- На основе этой диагностики контент-агенты составляют улучшения или создают новые страницы и отправляют их напрямую в CMS клиента
- Платформа интегрируется с логами сети клиента и Google Analytics для отслеживания увеличения запросов от ИИ-ботов и переходов от людей
Технический подход
Основатели отмечают, что в то время как Google выполняет один поиск, поисковые системы ИИ расширяют пользовательские промпты до 3-10 расширенных запросов. Исходные страницы ранжируются с использованием классифицированного алгоритма, похожего на Reciprocal Rank Fusion (RFF), а LLM просматривают страницы, чтобы решить, какие фрагменты цитировать. Sitefire стремится обеспечить, чтобы у брендов был контент, который проходит через эту воронку.
Результаты и снижение рисков
Для одного клиента, оптимизировавшего свой блог, статьи, оптимизированные под ИИ, увеличили количество запросов от ИИ-ботов с примерно 200/день до примерно 570/день в течение десяти дней. Основатели признают риск того, что контент, созданный ИИ, может стать «мусорным», и снижают его, фокусируясь на конкретной, уникальной информации: реальных возможностях продукта, реальных ценах и честных сравнениях. Клиенты проверяют каждую страницу перед публикацией, чтобы убедиться, что контент соответствует их бренду.
Модели внедрения
Некоторые клиенты используют платформу самостоятельно, в то время как для других Sitefire действует скорее как агентство, автоматизируя шаги по мере продвижения. Цель состоит в том, чтобы Sitefire работала в основном независимо, а клиенты утверждали изменения через Slack, Claude или свою CMS.
Дифференциация
Когда спрашивают о конкурентах, таких как Profound или Airops, основатели говорят, что эти инструменты ориентированы на существующие маркетинговые команды, в то время как Sitefire стремится быть более автономной, чтобы пользователям не нужна была выделенная команда. Они описывают Peec как в первую очередь аналитическое решение, которое ещё не предпринимает действий по созданию контента.
📖 Read the full source: HN AI Agents
👀 Смотрите также

Dirac: Агент с открытым исходным кодом лидирует в TerminalBench с результатом 65.2%, дешевле и открыт
Dirac, агент для программирования с открытым исходным кодом, набрал 65,2% в TerminalBench 2.0 для gemini-3-flash-preview, обойдя базовый показатель Google (47,6%) и лучшего закрытого агента Junie CLI (64,3%). Он также снижает затраты на API на 64,8% по сравнению с конкурентами.

ClawCall получает выделенные телефонные номера: агенты теперь могут зарезервировать номер для исходящих звонков
ClawCall — навык AI-звонков для агентов OpenClaw — теперь позволяет резервировать номер телефона по коду города. Ваш агент использует его по умолчанию для звонков. 10 тыс. загрузок, 300 звонков в день.

AI Подпрограммы: Детерминированная автоматизация браузера с нулевой стоимостью токенов
AI Subroutines от rtrvr.ai позволяют записывать действия в браузере один раз в виде вызываемых инструментов, которые затем воспроизводятся в контексте веб-страницы с автоматической передачей аутентификации, исключая затраты на LLM-инференс и недетерминизм для повторяющихся задач.

Jan-Code-4B: Облегченная модель, настроенная для работы с кодом, предназначенная для локальной разработки
Команда Jan выпустила Jan-Code-4B — модель с 4 миллиардами параметров, настроенную для работы с кодом, на основе Jan-v3-4B-base-instruct. Она предназначена как прямая замена модели Haiku в Claude Code, предлагая улучшенную помощь в программировании при локальном запуске.