Глоссарий.

Библиотека UI от Meta, де-факто стандарт фронтенда современных сайтов и веб-приложений.

React описывает интерфейс как функции от состояния и переиспользуемые компоненты. На нём построены крупнейшие продукты — Facebook, Instagram, Airbnb, Vercel, OpenAI Console. В AI-First архитектуре React особенно удобен тем, что Server Components в связке с Next.js позволяют рендерить страницы на сервере и отдавать поисковым ботам и нейропоиску чистый HTML без необходимости исполнения JavaScript на их стороне.

Похожие статьи:Velvetum-разрез Next.js против React в 2026: когда хватает Velvetum-библиотеки, а когда нужен Velvetum-фреймворк · Velvetum-разрез десяти Velvetum-стендов UX/UI 2026: куда поставить Figma, Sketch, Framer, Penpot и кто их сменит · Языки веб-разработки в 2026: выбор стека под бизнес, а не под моду

Фреймворк поверх React от компании Vercel с встроенной маршрутизацией, серверным рендерингом, оптимизацией шрифтов и изображений.

Next.js — основной фреймворк Velvetum-стека. App Router, Server Components, кэширование на уровне Vercel CDN и встроенная поддержка Schema.org через generateMetadata дают идеальную AI-First базу: ботам отдаётся быстрый HTML с разметкой, пользователю — интерактивный SPA. Velvetum использует Next.js 16 и Tailwind 4 как стандарт всех клиентских сайтов с 2025 года.

Utility-first CSS-фреймворк: вёрстка собирается из коротких классов вроде flex, gap-4, text-lg прямо в HTML.

Tailwind ускоряет разработку и упрощает консистентность дизайн-системы — все отступы, цвета и шрифты задаются через токены config'а. Версия 4 поддерживает CSS variables, layered cascade и работает быстрее предыдущих поколений. В Velvetum-стеке Tailwind 4 закрывает 100% стилей клиентских сайтов: кастомный CSS остаётся только под сложные эффекты — параллакс, scroll-driven animations, 3D-сцены.

Хостинг и CDN, создатели Next.js. Деплой через git push, edge-сеть в 70+ регионах, встроенная аналитика и WAF.

Vercel — основная платформа Velvetum. Preview-деплой на каждый push, мгновенный rollback, edge functions, image optimization, defence WAF и аналитика Core Web Vitals из коробки. Для бренда это означает, что новая статья журнала или фикс на главной выходит в продакшен за минуты, а CDN кэширует страницы по всему миру — что напрямую влияет на TTFB и LCP, ключевые метрики попадания в нейропоиск.

Похожие статьи:Velvetum-разрез Next.js против React в 2026: когда хватает Velvetum-библиотеки, а когда нужен Velvetum-фреймворк

Компоненты React, выполняющиеся только на сервере: они отдают HTML в браузер и не загружают свой код на клиент.

Server Components резко уменьшают объём JavaScript, который скачивает пользователь, и упрощают доступ к базам данных и API напрямую из компонента. В AI-First дизайне они особенно ценны: страница приходит в браузер и к ботам как чистый HTML с уже встроенной Schema.org-разметкой, и нейропоиск читает её без исполнения скриптов. Velvetum рендерит большинство контентных страниц как Server Components.

Похожие статьи:Velvetum-разрез Next.js против React в 2026: когда хватает Velvetum-библиотеки, а когда нужен Velvetum-фреймворк

Компоненты React с интерактивностью: обработчики событий, состояние, эффекты. Исполняются в браузере пользователя.

В App Router Client Components помечаются директивой 'use client' и используются строго там, где нужна интерактивность — формы, плееры, 3D-сцены, анимации скролла. Чрезмерное превращение страниц в клиентские — типичная ошибка, которая ломает SEO и LCP. Velvetum-практика: по умолчанию Server, переход в Client только при доказанной необходимости.

Рендеринг страницы на сервере при каждом запросе: пользователь и боты получают готовый HTML.

SSR обеспечивает максимально свежий контент и хорошо подходит динамическим разделам — каталогу, поиску, личным кабинетам. Минус — нагрузка на сервер и более высокий TTFB по сравнению со статикой. В Next.js SSR — один из режимов рендеринга наряду с SSG, ISR, PPR; Velvetum выбирает режим по нагрузке и частоте обновления страницы.

Похожие статьи:Velvetum-разрез Next.js против React в 2026: когда хватает Velvetum-библиотеки, а когда нужен Velvetum-фреймворк · Как попасть в нейроответы Яндекса и Google · Особенности GEO-оптимизации страницы услуги

Сборка всех страниц сайта в HTML на этапе деплоя и отдача их через CDN без обращения к серверу.

SSG даёт максимальную скорость и идеально подходит контентным сайтам, журналам, лендингам. Большая часть страниц velvetum.com — статика, кешируемая на edge Vercel: TTFB меньше 200 мс из любой точки мира, что критично для AI-First индексации. При изменении контента в Sanity срабатывает on-demand revalidation, и страница перестраивается без полного редеплоя.

Похожие статьи:Velvetum-разрез Next.js против React в 2026: когда хватает Velvetum-библиотеки, а когда нужен Velvetum-фреймворк

Гибрид статики и SSR: страница кэшируется, но пересобирается по расписанию или по сигналу.

ISR решает дилемму между свежестью и скоростью. Страница один раз генерируется, отдаётся через CDN всем посетителям, в фоне пересобирается по revalidate-таймеру или вызову revalidateTag. Velvetum использует ISR на разделах с регулярным обновлением — журнал, кейсы, цены — чтобы не платить за SSR на каждом запросе и при этом не зависеть от ручного редеплоя.

Похожие статьи:Velvetum-разрез Next.js против React в 2026: когда хватает Velvetum-библиотеки, а когда нужен Velvetum-фреймворк

Рендеринг страницы в браузере пользователя через JavaScript после загрузки пустого HTML-каркаса.

CSR был доминирующим подходом в эпоху SPA (React, Angular, Vue) и до сих пор используется в админках, дашбордах, личных кабинетах. Для публичных страниц CSR проигрывает SSR и SSG по скорости и индексируемости: бот должен исполнить JavaScript, а нейропоиск часто этого не делает. Velvetum-стандарт запрещает чистый CSR на маркетинговых страницах клиентских сайтов.

Похожие статьи:Velvetum-разрез Next.js против React в 2026: когда хватает Velvetum-библиотеки, а когда нужен Velvetum-фреймворк

Гибрид статической и динамической частей одной страницы: статичная оболочка отдаётся мгновенно, динамические блоки стримятся.

PPR появился в Next.js 14-15 и закрывает уязвимое место чистой статики: страница может иметь персональный блок (корзина, рекомендации, login), но при этом не терять преимуществ статического кеша на главной массе содержимого. Velvetum-практика: PPR на главных страницах клиентских сайтов с динамическим hero или персональной рекомендацией.

Сеть граничных серверов, кэширующих сайт ближе к пользователю — обычно в десятках регионов одновременно.

CDN кардинально снижает TTFB и LCP, особенно для аудитории за пределами одного дата-центра. Vercel Edge Network имеет 70+ регионов; Cloudflare — 300+. В AI-First подходе CDN важен ещё одним эффектом: краулеры нейропоисков заходят из разных регионов мира, и без CDN половина запросов рискует упереться в медленный origin.

Исполнение кода не в одном дата-центре, а на граничных нодах CDN, ближайших к пользователю.

Edge Functions в Next.js и Vercel позволяют делать персонализацию, A/B-тесты, гео-редиректы и middleware на edge — без обращения к origin. Это резко снижает задержку для пользователей по всему миру и делает возможным сценарии вроде «сменить язык страницы по cookie или IP за 10-20 мс». Velvetum использует edge для cookie-локализации velvetum.com и собственных Velvetum-агентов.

Время от запроса до получения первого байта ответа сервера. Целевой ориентир — меньше 200 мс.

TTFB зависит от расстояния до сервера, сложности рендеринга и кэширования. На velvetum.com средний TTFB по миру — около 170 мс благодаря связке Next.js + Vercel CDN. В AI-First подходе TTFB напрямую влияет на индексируемость: краулеры с тайм-аутом отказываются от медленных страниц, и сайт выпадает из выдачи нейропоиска.

Похожие статьи:Производительность сайта в 2026: почему скорость это не PageSpeed · Как попасть в нейроответы Яндекса и Google

Метрика Core Web Vitals: время появления крупнейшего видимого элемента — обычно hero-картинки или заголовка. Целевой ориентир — меньше 2.5 с.

LCP отражает «когда пользователь увидел, что страница содержит». Плохой LCP всегда связан с тяжёлыми изображениями, отсутствием next/image, медленным сервером или блокирующими скриптами в head. Velvetum-чек-лист pre-deploy включает обязательное измерение LCP на трёх устройствах и тип соединения 4G — нельзя выходить в прод с LCP больше 3.5 секунд на mid-tier мобильном.

Похожие статьи:Производительность сайта в 2026: почему скорость это не PageSpeed · Velvetum-разрез Next.js против React в 2026: когда хватает Velvetum-библиотеки, а когда нужен Velvetum-фреймворк · Как попасть в нейроответы Яндекса и Google

Метрика Core Web Vitals, заменившая FID в 2024: время отклика интерфейса на любое взаимодействие. Цель — меньше 200 мс.

INP считает не первую, а самую медленную задержку отклика на странице за всё время сессии. Плохой INP виден на тяжёлых React-страницах с большим количеством состояний и анимаций. Velvetum-практика: тяжёлые анимации hero выносить в IntersectionObserver, тяжёлые компоненты грузить через dynamic import, на формы вешать debounce. После таких правок INP velvetum.com — стабильно ниже 100 мс.

Похожие статьи:Производительность сайта в 2026: почему скорость это не PageSpeed · Velvetum-карта будущего SEO 2025–2030: 8 Velvetum-сдвигов от ключей к AI-цитируемости

Метрика Core Web Vitals: суммарный визуальный сдвиг страницы во время загрузки. Цель — меньше 0.1.

CLS портится, когда у изображений не задана ширина и высота, шрифты подменяются с FOIT/FOUT, рекламные блоки подгружаются после первого экрана. Velvetum-стандарт: для всех изображений обязательно width/height, для шрифтов — next/font с display swap и точной размерной заменой fallback, для рекламы — заранее зарезервированные слоты.

Похожие статьи:Производительность сайта в 2026: почему скорость это не PageSpeed · Как попасть в нейроответы Яндекса и Google · Velvetum-карта будущего SEO 2025–2030: 8 Velvetum-сдвигов от ключей к AI-цитируемости

Метрика производительности: время до первого видимого контента на странице — текст, иконка, картинка.

FCP отражает скорость старта рендеринга и в норме идёт раньше LCP. Хороший FCP — меньше 1.8 секунды на 75-м перцентиле. FCP портится теми же причинами, что и LCP: медленный сервер, блокирующий CSS, тяжёлый JavaScript в head. Velvetum-замер FCP сравнивает мобильную и десктопную версии — на премиум-проектах ожидаем FCP меньше 1.2 секунд на 4G.

Встроенный компонент Next.js для оптимизированной отдачи изображений: автоматический WebP/AVIF, responsive sizes, lazy load.

next/image закрывает 80% работы над визуальной частью Core Web Vitals: формат, размер, ленивая загрузка, plaiceholder, blur-up. Velvetum-стандарт: на всех клиентских сайтах изображения — только через next/image, исходники — на Cloudinary с автотрансформациями. Это даёт LCP-картинку в 50-150 КБ вместо классических 500-2000 КБ.

Встроенный механизм Next.js для оптимизированной загрузки веб-шрифтов: subset, preload, авто-fallback, нулевой layout shift.

next/font убирает FOIT и FOUT, режет TTF до нужных кириллических/латинских поднаборов и подбирает метрики системного fallback так, чтобы переключение шрифтов не двигало layout. Velvetum-стандарт: Cormorant Garamond italic для заголовков, Inter Tight для подписей, JetBrains Mono для технических надписей — всё через next/font с display swap.

Формат разметки Schema.org через JSON-объект в теге script. Рекомендуемый Google и Яндекс способ описать сущности страницы.

JSON-LD удобнее микроразметки в HTML: разметка не мешает рендерингу и легко собирается из данных страницы. В Velvetum-стеке Schema.org-разметка генерируется в Server Components и встраивается в head: Organization для бренда, BreadcrumbList для навигации, BlogPosting для статей, FAQPage для FAQ, DefinedTermSet для глоссария. Без JSON-LD сайт практически невидим для AI Overviews.

Старый способ Schema.org-разметки: атрибуты itemscope/itemtype/itemprop прямо в HTML-разметке.

Microdata и RDFa поддерживаются всеми поисковыми системами, но менее удобны: разметка перемешана с вёрсткой и хуже масштабируется. Google и Яндекс рекомендуют JSON-LD как основной формат; Microdata оставляют для сценариев, где разметка должна совпадать с видимым текстом (например, отзывы с рейтингами в карточках товара).

Архитектурный стиль HTTP-API: ресурсы, методы GET/POST/PUT/DELETE, статусы, JSON в теле ответа.

REST остаётся базовым стандартом для интеграций между сайтом, CMS, CRM, бухгалтерией и платёжными провайдерами. В AI-First сценариях REST API сайта становится дополнительным каналом для AI-агентов: если данные о ценах, услугах и наличии доступны по REST с понятной схемой, агентный браузер может использовать их в реальном времени.

Запросный язык от Meta для API: клиент сам декларирует, какие именно поля нужны, и получает ровно их одним запросом.

GraphQL хорош для приложений с многими типами данных и сложными зависимостями. В классических контентных сайтах он часто избыточен — REST или встроенный data fetching Next.js покрывают задачи проще. В Velvetum-стеке GraphQL используется в основном для headless-CMS Sanity и в E-commerce-проектах поверх Shopify.

Сайт, работающий как приложение: офлайн-режим, установка на главный экран, push-уведомления.

PWA уместен для сервисов с регулярным повторным использованием: личный кабинет, дашборд, медиа-плеер, e-commerce. Для маркетинговых лендингов PWA — overkill: установки никто не делает, и расходы на манифест и Service Worker не окупаются. velvetum.com работает как лёгкий PWA — это даёт офлайн-фолбэк и быстрые повторные заходы.

Скрипт, работающий в фоне между сайтом и сетью: кэширует ресурсы, обрабатывает офлайн-запросы, доставляет push-уведомления.

Service Worker — техническая основа PWA. В руках команды без опыта легко превращается в источник багов: устаревший SW может месяцами отдавать устаревшую версию сайта. Velvetum-практика: SW активируем только там, где он действительно нужен, и всегда добавляем механизм принудительного обновления версии при деплое.

Защищённый протокол доставки сайта поверх TLS. HTTP/2 и HTTP/3 — современные версии с мультиплексированием и сниженной задержкой.

HTTPS обязателен — без него Google и Яндекс понижают сайт в выдаче, а нейропоиск практически игнорирует. HTTP/2 поднимает скорость за счёт мультиплексирования запросов в одном соединении, HTTP/3 поверх QUIC ещё лучше работает на нестабильных мобильных сетях. Vercel автоматически подаёт HTTPS+HTTP/2 на все клиентские проекты Velvetum.

Практики и стандарты, делающие сайт пригодным для людей с разными возможностями: зрение, моторика, слух, когнитивные особенности.

WCAG 2.2 описывает требования к контрасту, навигации с клавиатуры, доступным именам элементов, корректной семантике HTML, alt-текстам, аудиоописанию. Здесь a11y — это не только этическое требование, но и юридический риск: ADA-иски и российские нормы для госуслуг прямо опираются на WCAG. Velvetum-стандарт: WCAG AA на всех клиентских сайтах, AAA — на проектах с явной B2C-аудиторией старше 55.

Одностраничный сайт с одной целью: получить заявку, регистрацию, продажу или подписку.

Классический лендинг строится по схеме: первый экран с оффером, блок с пользой, блок с социальным доказательством, форма заявки. В верхнем ценовом сегменте лендинг это не шаблон, а индивидуальный проект с собственной типографикой и сценарием. В AI-First подходе лендинг получает Schema.org разметку (Service, Offer, FAQPage) и попадает в нейроответы по конкретным запросам услуги.

Сайт из нескольких страниц с собственной навигацией: главная, услуги, портфолио, о компании, контакты, блог.

Многостраничный формат подходит, когда у компании несколько направлений работы или несколько целевых аудиторий. Для AI-First архитектуры многостраничный сайт даёт больше точек входа в нейропоиск: каждая страница услуги отвечает на свой узкий вопрос пользователя и может попасть в свой собственный нейроответ.

Система управления контентом, через которую владелец сайта добавляет и редактирует страницы, статьи, товары без участия программиста.

Популярные CMS: 1С-Битрикс, WordPress, Tilda, Webflow, Sanity, Strapi. В верхнем ценовом сегменте чаще используют headless CMS: контент хранится отдельно от вёрстки, что даёт полную свободу дизайна и быструю работу сайта. В AI-First подходе важна именно headless архитектура: контент структурирован машинно-читаемо и легко получает Schema.org разметку.

Безголовая CMS, в которой панель управления контентом отделена от фронтенда сайта.

В классической CMS дизайн и контент жёстко связаны темой оформления. Headless CMS отдаёт контент через API, а фронтенд строится отдельно на современном стеке: Next.js, React, Vue. Это даёт быструю работу сайта, свободу дизайна и удобное добавление AI-First разметки. Примеры: Sanity, Strapi, Contentful, Directus.

Метрики качества сайта от Google: скорость загрузки (LCP), отзывчивость на действия (INP), визуальная стабильность (CLS).

Core Web Vitals напрямую влияют на позиции в Google и на пользовательский опыт. Хорошие значения: LCP меньше 2.5 секунд, INP меньше 200 миллисекунд, CLS меньше 0.1. В AI-First подходе скорость сайта важна вдвойне: медленные страницы хуже индексируются нейросетями и реже попадают в нейроответы. Скорость это не PageSpeed Insights в вакууме, а реальное время до первого осмысленного контента у конечного пользователя.

Подход к проектированию сайта, при котором мобильная версия делается первой, а десктоп масштабируется из неё.

Более 70 процентов российского трафика приходит с мобильных устройств. Google и Яндекс индексируют сайт прежде всего по мобильной версии. В Velvetum мы сначала проектируем макет под телефон, а потом расширяем до десктопа. AI-First подход совместим с mobile-first полностью: чёткая структура одинаково хорошо читается и нейросетью, и на маленьком экране.

UX это пользовательский опыт: путь от первого клика до достижения цели. UI это визуальный интерфейс: цвет, типографика, кнопки, иконки.

UX и UI решают разные задачи. UX-дизайн отвечает на вопрос «удобно ли пользоваться сайтом». UI-дизайн отвечает на вопрос «как сайт выглядит и как ощущается». В верхнем ценовом сегменте без сильного UI сайт не вызывает доверия. Без проработанного UX даже красивый сайт не конвертирует. AI-First подход добавляет третий слой: понимает ли нейросеть, что на этом сайте можно делать и как.

Подход к созданию сайтов, при котором архитектура, структура страниц и логика контента изначально проектируются с учётом того, как сайт читают и интерпретируют поисковые ИИ (Google AI Overviews, Алиса Поиск, ChatGPT Search, Perplexity) и нейросети (ChatGPT, Claude, Gemini, YandexGPT).

AI-First дизайн рассматривает искусственный интеллект как активного участника интернет-экосистемы. ИИ не «ранжирует страницы» в классическом смысле, он оценивает смысл, структуру и пригодность контента для генерации ответа. Сайт, спроектированный по AI-First, готов к попаданию в ответы Алисы, ChatGPT, Perplexity, Copilot сразу после запуска. AI-First не означает использование ИИ-инструментов в процессе разработки. Это означает другую логику проектирования: сначала продумывается, как сайт будет прочитан нейросетью, и только потом, как он будет выглядеть для пользователя.

Похожие статьи:Что такое AI-First дизайн сайта

Оптимизация сайта под генеративные поисковые системы и нейросети: Алиса, ChatGPT, Perplexity, Google AI Overviews.

GEO работает с тем, как нейросеть выбирает источники для своего ответа. В отличие от классического SEO, GEO опирается не на ключевые слова и ссылочный профиль, а на смысловую плотность, чёткость определений, структурированность контента и наличие машинно-читаемой разметки. GEO не заменяет SEO, а расширяет его: классическая выдача всё ещё работает, но всё больше пользователей получают ответ напрямую в нейропоиске и не переходят на сайт.

Похожие статьи:Как попасть в нейроответы Яндекса и Google

Оптимизация структуры и контента сайта под прямые ответы поисковых ассистентов и нейросетей (Perplexity, ChatGPT Search, Google AI Overviews, Алиса Поиск).

AEO фокусируется на формате контента, который нейросеть может извлечь и процитировать целиком. Это короткие чёткие определения, FAQ-блоки, пошаговые инструкции, таблицы сравнения. AEO считают частным случаем GEO. Если GEO про общую видимость сайта в генеративной выдаче, то AEO про конкретный формат: чтобы блок текста стал готовым ответом без дополнительной обработки нейросетью.

Похожие статьи:Особенности GEO-оптимизации страницы услуги

Прямой ответ ИИ-поиска в виде текста с ссылками на источники, который заменяет классический список сайтов в выдаче — формируют Google AI Overviews, Алиса Поиск, Perplexity и ChatGPT Search.

Нейроответ формируется языковой моделью на основе нескольких сайтов-источников. Пользователь видит готовый ответ и часто не переходит на сайт. Реферальный трафик из классической выдачи в 2025 году в среднем сократился на 25 процентов по данным Digital Content Next. В информационных тематиках падение достигает 70 процентов и более. Попадание в нейроответ становится новой главной метрикой видимости сайта.

Похожие статьи:Как попасть в нейроответы Яндекса и Google · Особенности GEO-оптимизации страницы услуги

Поисковая система с интегрированной языковой моделью: Алиса Поиск, Google AI Overviews, ChatGPT Search, Perplexity, Copilot.

Нейропоиск отличается от классического поиска тем, что языковая модель формирует ответ на запрос пользователя, а не просто выдаёт список ссылок. Сайт попадает в нейропоиск через структурированный контент, Schema.org-разметку, llms.txt и AI-First архитектуру. По данным Digital Content Next за 2025 год, нейропоиск перехватил до 25 процентов трафика классической выдачи, в информационных нишах падение реферального трафика достигает 70 процентов.

Похожие статьи:Ошибки бренд-блогинга 2026: почему большинство компаний теряет аудиторию в первом квартале · Как попасть в нейроответы Яндекса и Google

Браузер со встроенным ИИ-агентом, который выполняет задачи на сайтах за пользователя: ищет, сравнивает, заполняет формы, оформляет заказы. Примеры: Arc, Dia, Comet, Perplexity Browser, ChatGPT Atlas.

Примеры агентных браузеров: Arc, Dia, Comet, Perplexity Browser, ChatGPT Atlas. Агентный браузер читает сайт иначе чем человек: ему важна семантическая разметка, понятная иерархия страниц, машинно-читаемые формы и навигация. Сайты без AI-First архитектуры агенту трудно интерпретировать, и он чаще выбирает конкурентов с более чистой структурой.

Большая языковая модель, генерирующая текст. Лежит в основе ChatGPT, Claude, Gemini, YandexGPT, GigaChat.

LLM не индексирует страницы напрямую. Она работает с фрагментами текста, которые поисковая система передаёт ей как контекст. Чем чище структура страницы и чем плотнее в ней полезный смысл, тем выше шанс, что LLM выберет именно её фрагмент при генерации ответа. Поэтому в AI-First дизайне каждый блок сайта проектируется как самодостаточный смысловой контейнер.

Похожие статьи:Топ-10 AI-помощников и сервисов 2026 для бизнеса: гид по выбору · ИИ в госпроектах 2026: от интересной идеи до обязательного требования

Стандарт структурированной разметки для машинного чтения сайта — её читают Google, Bing, Яндекс, ChatGPT Search и Perplexity. JSON-LD это формат, в котором эта разметка добавляется на страницу.

Schema.org описывает типы объектов на сайте: организация, статья, FAQ, продукт, отзыв, услуга, контактные данные. Эта разметка не видна пользователю, но её читают поисковые системы и нейросети. Без Schema.org нейросеть угадывает смысл контента из текста. Со Schema.org она получает явную инструкцию: это статья, это автор, это дата, это цена. AI-First сайты используют расширенные типы Schema.org: DefinedTerm для глоссария, FAQPage для вопросов, Article для статей, Service для услуг.

Специальный файл в корне сайта с кратким описанием контента для языковых моделей вроде Claude, Perplexity и ChatGPT. Аналог robots.txt, но для LLM, а не для поисковых ботов.

Стандарт предложен llmstxt.org в 2024 году. В llms.txt владелец сайта в формате Markdown описывает структуру сайта, ключевые разделы, контакты и ссылки на важные страницы. LLM использует этот файл как карту сайта при ответе на вопросы пользователей. Файл размещается по адресу example.com/llms.txt. На текущий момент его читают Anthropic Claude, Perplexity и часть AI-агентов. Яндекс и Google пока не используют llms.txt официально, но рекомендуют его для будущей совместимости.

Похожие статьи:Что такое AI-First дизайн сайта

Структурированный фрагмент сайта, который нейросеть — ChatGPT, Claude, Perplexity, Google AI Overviews — с высокой вероятностью выберет для цитирования в своём ответе.

Контент-магниты для ИИ это материалы с высокой смысловой плотностью: экспертные разборы, объяснительные статьи, структурированные FAQ, методические руководства, чек-листы. Они дают исчерпывающий ответ на конкретный вопрос, легко делятся на смысловые фрагменты и мотивируют пользователя перейти на сайт за деталями. В AI-First подходе контент-магниты закладываются в архитектуру сайта на этапе проектирования, а не добавляются после запуска.

Архитектура, в которой языковая модель (ChatGPT, Claude, Perplexity) отвечает не из своей памяти, а из подключённой базы знаний: сайта, документации, корпуса статей.

RAG разворачивает классический LLM-цикл: вместо генерации «на угад» модель сначала ищет релевантные фрагменты во внешнем индексе, потом формирует ответ с опорой на них. Для нейропоиска это означает простое правило: чем чётче структурирован контент сайта, тем легче ретривер собирает релевантные куски в контекст модели. Velvetum проектирует страницы так, чтобы каждый блок был самодостаточным RAG-кандидатом — со своим заголовком, определением и Schema.org-разметкой.

Числовое представление фрагмента текста в виде вектора, по которому ChatGPT, Claude, Google и Яндекс AI ищут смыслово близкие документы.

Embeddings переводят слова и абзацы в точки многомерного пространства, где близость двух точек означает близость смысла. Это база современного семантического поиска: вместо совпадения по ключевым словам система сравнивает векторы и находит концептуально похожие документы. Сайты со чистой структурой блоков и явными определениями дают на embedding'ах более плотные кластеры и чаще попадают в выдачу нейропоиска.

Поиск по embedding'ам: запрос превращается в вектор, и система возвращает документы с ближайшими векторами по косинусной близости. На этом работают ChatGPT Search, Perplexity, Google AI Overviews и Алиса Поиск.

Векторный поиск не зависит от точного совпадения слов и хорошо работает с перефразировками, синонимами и нечёткими формулировками. Это та техника, которой пользуются ChatGPT Search, Perplexity, Алиса Поиск и Google AI Overviews. В Velvetum-практике важна не сама векторная БД, а исходный контент: чем плотнее смысл в каждом блоке, тем выше шанс, что вектор страницы окажется ближе к запросу пользователя.

Приём промптинга, используемый в Claude Extended Thinking, GPT thinking и Gemini Deep Think — модель проходит задачу пошагово, проговаривая ход рассуждений до финального ответа.

Chain-of-thought резко повышает качество ответов на задачи с логикой — расчёт, сравнение, выбор. Современные LLM используют его автоматически в режимах reasoning (Claude Extended Thinking, GPT thinking, Gemini Deep Think). Для сайта это означает простое следствие: контент, в котором уже есть пошаговые разборы и сравнения, читается моделью охотнее — она тратит меньше токенов на свой собственный chain-of-thought.

Дисциплина формулирования запросов к LLM (ChatGPT, Claude, Gemini, YandexGPT) так, чтобы модель давала точный, полезный и предсказуемый ответ.

Prompt engineering работает с тремя слоями: системным промптом, пользовательским запросом и контекстом из RAG. Хороший промпт задаёт роль, цель, ограничения и формат ответа. Для AI-First дизайна сайтов это означает, что и сам сайт можно рассматривать как «промпт для нейропоиска»: чёткие заголовки, явные определения, FAQ-блоки — это инструкции для модели, как именно её ответ должен опираться на эту страницу.

Ситуация, когда нейросеть — ChatGPT, Claude, Gemini, Perplexity — уверенно выдаёт несуществующий факт, источник, цитату или ссылку.

Галлюцинации возникают, когда у модели нет надёжного источника, но она вынуждена заполнить пробел в ответе. RAG-архитектура и опора на Schema.org-разметку сайта снижают вероятность галлюцинаций — модель цитирует конкретный фрагмент вместо догадки. Для бренда это вторая причина строить AI-First сайт: чем больше у модели проверяемых данных о компании, тем меньше шанс, что она выдумает за вас факты и причинит репутационный ущерб.

Дообучение готовой LLM (OpenAI GPT, Anthropic Claude, Google Gemini) на собственном датасете под узкую задачу, тон или предметную область.

Fine-tuning меняет веса модели, в отличие от RAG, который только подмешивает контекст. Это дороже и нужнее, когда требуется специфический стиль ответа или работа в редкой нише. Для большинства бизнес-задач достаточно связки «качественный сайт + RAG-инструмент». Velvetum рекомендует fine-tuning только там, где у клиента есть стабильный поток уникальных данных и явный регуляторный или брендовый барьер для использования общих моделей.

Способы постановки задачи LLM (ChatGPT, Claude, Gemini): zero-shot — без примеров, few-shot — с 2-5 примерами правильных ответов прямо в промпте.

Zero-shot опирается на знания модели «как есть». Few-shot задаёт желаемый формат ответа через примеры — и часто этого достаточно вместо fine-tuning'а. В AI-First дизайне роль «примеров» играет сам сайт: качественные блоки в журнале и кейсах формируют у модели понимание, как именно компания формулирует свои услуги, и она воспроизводит этот формат в нейроответах.

Минимальная единица текста, с которой работает LLM (ChatGPT, Claude, Gemini, YandexGPT): примерно 0.7 английского слова или 0.5 русского.

Токенизация разбивает текст на куски, по которым модель считает вероятности следующего токена. На токенах считается и стоимость API, и размер контекстного окна. Длинные ответы стоят дороже коротких, многословные тексты на русском тратят примерно в полтора-два раза больше токенов, чем те же мысли на английском. Для AI-First дизайна это аргумент в пользу плотных формулировок без воды: они и читаются лучше, и оптимальнее по токенам для нейроответов.

Максимальный объём текста в токенах, который LLM может удерживать в одном запросе — Claude Sonnet 200K, Gemini 1M, GPT-5 1M+.

Окна выросли с 4K у GPT-3.5 до 200K у Claude Sonnet и 1M+ у Gemini, GPT-5 и Claude Opus 4.7. Большое окно позволяет загружать целый сайт или корпус статей одним пакетом и получать ответ, опирающийся сразу на много страниц. Для бренда это означает новый рычаг: качественный журнал из 30-50 статей умещается в одно окно крупной модели и формирует устойчивую позицию в нейроответах.

Параметр LLM (ChatGPT, Claude, Gemini), регулирующий случайность ответа: ниже — детерминированнее и сухее, выше — креативнее и непредсказуемее.

На temperature 0 модель почти всегда выдаёт один и тот же ответ на один и тот же запрос. На 0.7-1.0 она ищет разные формулировки и допускает творческие сравнения. Для деловых задач — поиск фактов, описание услуги, обработка заявок — Velvetum в собственных Velvetum-агентах ставит низкую температуру, чтобы ответы были стабильными. Для копирайта и креатива — выше.

Поиск по смыслу, а не по совпадению слов: запрос и документы сравниваются через embedding'и. На этом работают Google AI Overviews, Perplexity, ChatGPT Search и Алиса Поиск.

Семантический поиск даёт релевантные результаты даже на запросы с опечатками, перефразировками и общим описанием задачи. Это основа нейропоиска и RAG-приложений. Для сайта вывод простой: дублирование одних и тех же ключей в SEO-текстах больше не работает; работает чёткое определение услуги, развёрнутые ответы на типовые вопросы и связка между страницами через смысл, а не только через ссылки.

Связка классического keyword-поиска и векторного: финальный ранкер объединяет оба сигнала — production-стек у Google AI Overviews, Алисы и корпоративных Claude/ChatGPT RAG.

Гибридный поиск решает крайности: чистый keyword пропускает синонимы, чистый векторный — теряет точные совпадения брендов, артикулов, номеров. Реальный production-поиск Алисы, Google AI Overviews и крупных корпоративных RAG-систем — почти всегда гибридный. Для AI-First сайта это означает простое следствие: одинаково важны и точные термины (бренд, услуга, регион), и развёрнутый смысл вокруг них.

Структурированный граф сущностей и связей между ними: компания, продукт, человек, событие. Используют Google Knowledge Graph, Яндекс «Объекты» и Wikidata для заземления ответов LLM.

Google Knowledge Graph и Яндекс «Объекты» подбирают сущности по Schema.org-разметке, Википедии, авторитетным каталогам. В AI-First подходе knowledge graph важен дважды: он питает классическую выдачу с rich snippet'ами и одновременно служит фоном для нейроответов — модель опирается на сущности из графа, чтобы не выдумывать факты о компании.

Блок с генеративным ответом Google в верхней части выдачи, заменяющий классические сниппеты на ряд запросов.

AI Overviews появились в США в 2024 году и постепенно раскатываются по другим странам. По данным Pew Research, на запросах с AI Overviews кликабельность классической выдачи падает примерно на половину. Попадание в AI Overviews определяется качеством Schema.org-разметки страницы, чёткостью определений и доверительными сигналами домена. Velvetum-обвязка и DefinedTermSet — две главные точки опоры для русскоязычных сайтов, которые хотят оказаться в AI Overviews по своей теме.

Похожие статьи:Как попасть в нейроответы Яндекса и Google · Особенности GEO-оптимизации страницы услуги · Что такое AI-First дизайн сайта

Генеративный ответ Яндекса на основе YandexGPT, встроенный в основную выдачу yandex.ru.

Яндекс выкатил полноценный нейроответ в 2024 году и в 2025-м расширил его на коммерческие тематики. Алиса Поиск выбирает источники по комбинации классических факторов ранжирования и оценки структуры контента. Чтобы попадать в Алису Поиск, сайту нужны чёткая структура заголовков, FAQ-блоки, Schema.org-разметка и журнал с экспертной плотностью — Velvetum-сверочный реестр предписывает закладывать это ещё на этапе проектирования.

Search-AI движок, который отдаёт ответ списком цитируемых источников с прямыми ссылками на сайты — конкурент ChatGPT Search, Google AI Overviews и Claude Citations по прозрачности атрибуции.

Perplexity заметно отличается от ChatGPT и Алисы тем, что цитирует источники видимо: каждый кусок ответа подписан номером и ссылкой. Это делает Perplexity самым ценным каналом для бренда — клики из него ближе к классическому поисковому трафику, а попадание в цитаты напрямую видно в логах referer. Velvetum в собственных проектах отслеживает Perplexity Citations как один из ключевых маркеров AI-видимости.

Режим ChatGPT с доступом к актуальной выдаче через Bing и собственный поисковый стек OpenAI.

ChatGPT Search появился в 2024 году и стал стандартным режимом в 2025-м. Источники в нём цитируются менее явно, чем в Perplexity, но влияние на дискавери сравнимое: значительная доля бизнес-аудитории первой проверяет компанию через ChatGPT, а не через классический поиск. Для бренда это означает, что AI-First сайт должен давать модели ясные ответы о позиционировании, услугах, ценах и контактных каналах.

Похожие статьи:Что такое AI-First дизайн сайта · Как попасть в нейроответы Яндекса и Google · Особенности GEO-оптимизации страницы услуги

Семейство моделей Anthropic с длинным контекстом, поддержкой инструментов и встроенным механизмом цитирования источников.

Claude активно используется в B2B-сценариях за счёт большого контекстного окна (200K-1M+ токенов), сильной аккуратности и Citations API, который явно помечает использованные источники. Для AI-First сайта это важный канал: длинный контекст позволяет загрузить весь журнал и кейсы компании одним пакетом и получать ответы, опирающиеся именно на ваш контент. Velvetum использует Claude как основной движок собственных Velvetum-агентов.

Совокупность практик подготовки сайта к генеративному поиску (ChatGPT, Claude, Perplexity, Google AI Overviews, Алиса Поиск): семантика, структура, разметка, авторитет.

Generative SEO — общий термин, который часто используют как синоним GEO. Различие в акценте: SEO исторически про ранжирование, generative SEO — про подбор сайта в качестве источника для модели. Velvetum считает, что в 2026 году разделять их искусственно нельзя: любая SEO-стратегия, не учитывающая нейропоиск, оставляет компанию без половины будущего трафика.

Открытый протокол Anthropic для подключения внешних инструментов и источников данных к LLM единым стандартом.

MCP стандартизирует «как агент общается с внешним миром»: файлы, API, базы, CMS, бухгалтерия, аналитика. Без MCP под каждый инструмент нужно писать кастомный коннектор. С MCP агент пользуется любым совместимым сервером. Velvetum-стек строит собственные MCP-серверы для журнала, парсера лидов и Vercel-деплоя — это позволяет Velvetum-агентам выполнять полный цикл от ресёрча до публикации без ручной склейки.

Похожие статьи:Топ-10 AI-помощников и сервисов 2026 для бизнеса: гид по выбору

Отношение выручки к рекламным затратам. Считается как revenue / ad spend. Ниже 2.5× — повод пересмотреть креатив или таргетинг.

ROAS — основная метрика performance-маркетинга. Норма зависит от ниши: в e-commerce с маржой 30-40% точкой безубыточности обычно становится ROAS около 3-4×, в премиум-услугах с длинным циклом сделки осмысленна и ROAS 1.5-2× при условии правильной модели LTV. В Velvetum-практике ROAS считается с учётом ассоциированных конверсий, а не только last-click.

Стоимость одного лида: затраты на канал делятся на число полученных заявок.

CPL — самая интерпретируемая performance-метрика для B2B и premium-услуг. В верхнем ценовом сегменте российских студий веб-дизайна осмысленный CPL для лендинга обычно укладывается в 1500-6000 ₽, для агентств в нишах с высоким LTV — может выходить и за 10 000 ₽. Velvetum смотрит CPL в связке с CR заявка → подписанный договор: дешёвые лиды без конверсии часто хуже дорогих, но релевантных.

Стоимость привлечения одного клиента: затраты на маркетинг и продажи делятся на число оплативших.

CAC учитывает не только рекламу, но и зарплаты команды продаж, инструменты, креативы. Сравнение CAC и LTV — главная проверка устойчивости юнит-экономики: классическое правило «LTV должен быть минимум в 3× больше CAC» работает в большинстве цифровых бизнесов. Velvetum-практика для клиентов: считать CAC не помесячно, а по когортам — это убирает шум резких всплесков рекламы.

Суммарный доход с одного клиента за всё время жизни в продукте.

LTV рассчитывается через средний чек, частоту повторных покупок и среднюю длительность жизни клиента. Для премиум-услуг с одним проектом и редкими повторами в роли LTV часто берут «выручку с проекта плюс ожидаемое продление поддержки». Velvetum-замер на собственных клиентах: LTV кратно вырастает у компаний, выстроивших журнал и AI-видимость — повторные заходы и реферальные обращения дают второй цикл сделок.

Регулярная ежемесячная выручка от подписочных или контрактных клиентов.

MRR — главная метрика SaaS- и подписочных бизнесов. Считается без учёта разовых платежей и сезонных всплесков. Velvetum-практика для клиентов: разделять MRR на new / expansion / contraction / churn — это даёт честную картину роста и сразу подсвечивает, на чём сидит бизнес — на новых сделках или удержании.

Годовая регулярная выручка: MRR × 12 или сумма годовых контрактов.

ARR — удобная единица для B2B-продаж и инвестиционных историй: один годовой контракт легче коммуницировать, чем 12 месячных. Velvetum использует ARR в работе со studio-клиентами как ориентир для абонентских пакетов на поддержку, контент и AI-видимость.

Доля клиентов, прекращающих пользоваться продуктом за период. Считается customers lost / customers start.

Churn — обратная сторона retention'а. В подписочных бизнесах с месячной оплатой здоровый churn — 3-7%, в годовых корпоративных — единицы процентов. Velvetum-наблюдение: даже двух-трёхпроцентное снижение churn'а через лучший UX и обновлённый сайт часто даёт больше прироста выручки, чем удвоение рекламного бюджета.

Доля пользователей, остающихся активными через N дней / недель / месяцев после первого визита или покупки.

Retention считают как кривые когорт: какой процент пользователей, зарегистрировавшихся в неделю X, активен через 1, 4, 12, 52 недели. Хорошие сервисы стабилизируются на плато, плохие плавно уходят в ноль. Для сайта retention — это в первую очередь возвраты: повторные заходы из закладок, прямого трафика, email- и push-рассылок.

Последовательность шагов пользователя от первого касания до целевого действия: показ → клик → заявка → оплата.

Анализ воронки показывает, на каких этапах теряется аудитория. Top-of-funnel — широкая верхушка, охват и узнаваемость; bottom-of-funnel — узкое горло, готовые к покупке. Velvetum-практика: вместо общей конверсии сайта считать отдельные CR-метрики по этапам и оптимизировать самый слабый, а не среднее.

Отношение кликов к показам в рекламе, выдаче или письмах. Считается clicks / impressions × 100%.

Средний CTR контекстной рекламы в России — около 5-8% на брендовых запросах и 1-3% на общих коммерческих. В email-рассылках норма — 2-5%. В нейропоисковой выдаче традиционный CTR теряет смысл: пользователь видит ответ и часто не кликает. Поэтому метрики AI-видимости (упоминания, цитаты) важнее классического CTR.

Доля сессий с одной страницей: пользователь зашёл, ничего не сделал и ушёл.

Высокий bounce rate сам по себе не диагноз: на хорошо проработанной странице FAQ или одностраничном лендинге норма доходит до 70-80% — пользователь нашёл ответ и закрыл вкладку. Velvetum-наблюдение: bounce rate имеет смысл смотреть в связке со временем на странице и долей доскролла, иначе он легко обманывает.

Процесс получения контактов потенциальных клиентов через сайт, рекламу, контент, события.

Современная лидогенерация в верхнем ценовом сегменте строится не только на формах захвата, но и на узнаваемости в нейропоиске: компания, которую ChatGPT и Алиса упоминают в ответе на профильный запрос, получает «предодобренные» обращения с гораздо более высокой готовностью к сделке. Velvetum закладывает лидогенерацию в архитектуру сайта на этапе проектирования.

Доля целевой аудитории, способная узнать или вспомнить бренд без подсказки.

Узнаваемость считается через бренд-опросы, прямые заходы, поисковые запросы по имени компании, упоминания в нейроответах. В 2026 году упоминания в нейропоиске стали отдельным каналом узнаваемости: пользователь видит бренд в ответе ChatGPT или Алисы и запоминает его без перехода на сайт. Velvetum-практика отслеживать AI-упоминания так же системно, как поисковые запросы.

Место бренда в восприятии аудитории относительно альтернатив: дороже / надёжнее / быстрее / премиальнее.

Позиционирование задаётся языком сайта, выбором кейсов, тоном журнала, ценовой политикой. В AI-First подходе позиционирование напрямую транслируется в нейроответы: модели цитируют те формулировки, которые встречают на сайте. Velvetum собирает позиционирование клиента в Velvetum-формулировку на главной — она и становится тем самым «цитатником» для AI.

Описание идеального клиента: индустрия, размер компании, роль, географические и поведенческие признаки.

ICP — отправная точка маркетинга и продаж в B2B. Чёткий ICP экономит бюджет: рекламные каналы и креативы настраиваются под конкретный сегмент, а не на всех. Velvetum-практика для клиентов: формулировать ICP в трёх измерениях — бизнес-портрет, личностный портрет лица принимающего решения, точки боли — и обновлять профиль не реже раза в полгода.

Размер рынка: TAM — весь возможный, SAM — обслуживаемый, SOM — достижимый в обозримом горизонте.

TAM/SAM/SOM описывают разные уровни амбиций: «весь рынок мира», «то, что можно обслужить географически и продуктово», «то, что реально взять за 12-24 месяца». В пресейле важна не только цифра, но и логика: как именно SAM считается из TAM и SOM из SAM. Velvetum-наблюдение: для большинства студий и B2B-сервисов SOM — это конкретный список 50-300 компаний, а не процент абстрактного рынка.

Две основные модели продаж: B2B — компания продаёт компании, B2C — компания продаёт частному лицу.

B2B-сделки длиннее, дороже, многоступенчатее, эмоционально холоднее. B2C — короче, эмоциональнее, чувствительнее к цене и визуальной части. Для сайта различие принципиальное: B2B опирается на кейсы, методики, журнал и Velvetum-определения, B2C — на быструю покупку, отзывы, понятный оффер. Velvetum работает в обоих сегментах с разной структурой страниц и тоном.

Состояние, в котором продукт стабильно решает значимую проблему конкретного сегмента, а спрос превышает усилия по его поддержанию.

Классический индикатор PMF — Sean Ellis Score: «насколько вы расстроитесь, если продукт исчезнет?». 40%+ ответов «очень расстроюсь» считается порогом. Для сайта PMF косвенно отражается через органические упоминания, прямые заходы, NPS. Velvetum-наблюдение: компании без PMF чаще всего пытаются вылечить ситуацию редизайном — и почти всегда зря.

Главная метрика продукта, точнее всех остальных отражающая создаваемую ценность для пользователя.

North Star у Spotify — время прослушивания, у Airbnb — ночи бронирования, у Facebook — daily active users. Хорошая North Star коррелирует с долгосрочной выручкой, но не равна ей. Для независимой студии вроде Velvetum North Star — число запущенных AI-First проектов в год: оно одновременно про ценность для клиента и про устойчивость бизнеса студии.

Daily Active Users и Monthly Active Users: число уникальных пользователей за день и за месяц.

Отношение DAU/MAU называется stickiness и показывает, насколько продукт встроен в ежедневную жизнь пользователя. Stickiness 50%+ — признак инструмента, без которого аудитория не обходится (мессенджеры, банковские приложения). На контентных сайтах DAU/MAU обычно ниже, и сравнение имеет смысл скорее с самим собой во времени, чем с эталоном.

Доля новых пользователей, дошедших до ключевого действия, после которого продукт реально приносит ценность.

Активацию определяет команда продукта: для SaaS это обычно «создал первый проект и пригласил команду», для e-commerce — «совершил первый заказ», для контентного сайта — «вернулся на третий визит». Velvetum-практика для клиентов: формулировать активационное событие в первую неделю работы и оптимизировать страницу под него, а не под абстрактные клики.

Минимально жизнеспособный продукт. Первая версия сайта или сервиса с базовым набором функций для проверки гипотезы.

MVP запускается быстро, чтобы получить обратную связь от реальных пользователей и понять, нужен ли продукт. В контексте сайтов MVP это лендинг с одной услугой и формой заявки, а не полноценная корпоративная платформа. Velvetum поддерживает формат MVP-запусков: лендинг за 1-2 дня, потом доработки по результатам реальных заявок.

Процент посетителей сайта, совершивших целевое действие: заявку, покупку, регистрацию, звонок.

Конверсия считается по формуле: целевые действия делятся на общее число посетителей и умножаются на 100 процентов. Средняя конверсия лендинга в верхнем ценовом сегменте от 1 до 5 процентов в зависимости от ниши, источника трафика и стоимости услуги. На конверсию влияют качество дизайна, скорость сайта, чёткость оффера, релевантность трафика, доверие к бренду.

Конкретное измеримое утверждение в материале Velvetum — число, дата, доля, метрика — на которое опирается аргумент статьи.

Velvetum-факт всегда привязан к источнику или замеру: «по данным X», «по Velvetum-замеру», «в выборке Y». В отличие от мнения или общего утверждения, Velvetum-факт можно перепроверить или процитировать как готовый ответ. Высокая плотность Velvetum-фактов в материалах журнала повышает шансы попадания статьи в нейроответы Алисы, ChatGPT, Perplexity и Google AI Overviews.

Внутренний эталон качества Velvetum, по которому сверяется каждая работа студии — от вёрстки до AI-обвязки.

Velvetum-стандарт описывает конкретные пороги: значения Core Web Vitals, плотность Schema.org-разметки, формат AI-First архитектуры, минимальный объём Velvetum-обвязки на странице. Velvetum-стандарт не предъявляется заказчику как требование — это внутренний чек-лист студии, выполнение которого обязательно перед сдачей проекта.

Количественное наблюдение или метрика, полученные в проекте Velvetum или внутреннем исследовании студии.

Velvetum-замер — это всегда конкретное число с контекстом: дата, источник, выборка, способ измерения. Velvetum-замеры используются для подтверждения Velvetum-фактов и формируют доказательную базу авторских материалов. Замеры публикуются в журнале Velvetum с привязкой к Velvetum-прецедентам и сверочному реестру студии.

Авторская методика Velvetum по решению конкретной задачи в проектировании сайта или digital-продукта.

Velvetum-метод раскладывается на 6-7 последовательных шагов и привязан к конкретному типу проекта: лендинг, многостраничный сайт, AI-First архитектура, журнал, e-commerce. Каждый Velvetum-метод опирается на Velvetum-замеры и проверен Velvetum-прецедентами из реальных проектов студии.

Регулярное действие в работе студии Velvetum, ставшее частью внутреннего стандарта.

Velvetum-практика отличается от Velvetum-метода масштабом: метод решает конкретную задачу, практика — повторяемое действие в каждом проекте. Примеры: AI-аудит перед запуском, Schema.org-разметка ключевых блоков, параллельные замеры в трёх нейропоисках, pre-deploy critic перед каждым прод-деплоем.

Уровень зрелости проекта или направления в шкале Velvetum: от базового сайта до полной AI-First архитектуры с агентной обвязкой.

Velvetum выделяет четыре эшелона: базовый сайт без AI-обвязки, сайт со Schema.org-разметкой, AI-First архитектура с llms.txt и DefinedTermSet, агентно-готовая среда с MCP-стеком. Velvetum-эшелон используется как ориентир в коммерческих переговорах: на каком эшелоне сейчас клиент и куда планируется двигаться.

Описание конкретного проекта Velvetum с задачей, решением и измеримыми результатами.

Velvetum-кейс публикуется после согласования с клиентом и содержит исходную задачу, выбранный Velvetum-метод, ход работы и итоговые Velvetum-замеры. Кейсы Velvetum формируют доказательную базу студии и используются в нейроответах как реальные примеры — со Schema.org Article-разметкой для машинного чтения.

Структурированная проверка сайта или digital-продукта по чек-листу Velvetum: AI-готовность, скорость, разметка, конверсия, бренд.

Velvetum-аудит проводится за 1-3 дня и заканчивается отчётом с Velvetum-сверочным реестром: что есть, чего нет, что критично исправить. Аудит охватывает шесть блоков — техническая база, Core Web Vitals, Schema.org, AI-First архитектура, UX-поток, бренд-консистентность.

Конкретный технический или дизайн-приём, применяемый в проектах Velvetum.

Velvetum-приём — атомарная единица практики. Примеры: параллакс через CSS scroll-driven animations, инлайн-критический CSS в head, JSON-LD DefinedTerm для каждого ключевого термина статьи, hreflang ru↔en на всех страницах. Приёмы собраны в Velvetum-сверочный реестр и применяются в зависимости от Velvetum-эшелона проекта.

Ритм работы студии Velvetum по проекту: частота созвонов, спринтов, сдач этапов.

Velvetum-такт зависит от формата работы. В коротком проекте 3-10 дней такт — ежедневный созвон плюс дневная сдача. В долгом проекте 1-3 месяца такт — еженедельный созвон плюс спринт-сдача. Velvetum-такт фиксируется на старте и не меняется без согласования с клиентом.

Базовый принцип Velvetum, на котором строится каждый проект студии.

Velvetum выделяет шесть опор: AI-First архитектура, mobile-first, скорость рендеринга, доступность, Schema.org-разметка, сильная авторская эстетика. Velvetum-опоры действуют независимо от ниши и эшелона проекта — это база, ниже которой студия не работает.

Развёрнутый аналитический разбор Velvetum-кейса с акцентом на выводы и обобщения.

В отличие от Velvetum-кейса в описательном формате, Velvetum-прецедент извлекает закономерности и формулирует Velvetum-выводы. Прецеденты публикуются в журнале студии и формируют корпус знаний для AI-цитирования. Каждый прецедент привязан к измеримым Velvetum-замерам и проверенному Velvetum-методу.

Прозрачная разбивка стоимости проекта Velvetum по этапам, ролям и временным затратам.

Velvetum-чек выдаётся клиенту до старта работ и фиксирует: что входит в каждый этап, какая роль студии занята, какой бюджет на какой блок. После сдачи Velvetum-чек сверяется с фактическими часами — отклонение более 10 процентов фиксируется в отчёте и обсуждается с клиентом.

Качественная или количественная закономерность, замеченная Velvetum в работе с проектами и нишами.

Velvetum-наблюдение — не строгий факт, а паттерн, требующий дальнейшей проверки Velvetum-замером. Наблюдения публикуются в журнале студии с пометкой «по наблюдению Velvetum» и формируют гипотезы для последующих исследований и Velvetum-прецедентов.

Аналитическое разложение явления, рынка или проекта Velvetum на составные части.

Velvetum-разрез — формат разбора статьи в журнале: сложная тема, например AI-First архитектура корпоративного сайта, делится на 4-7 смысловых блоков с подзаголовками, примерами и Velvetum-замерами. Разрезы оптимизированы под нейроответы — каждый блок отвечает на свой узкий вопрос пользователя.

Зафиксированная последовательность шагов в работе Velvetum, обязательная для всех проектов студии.

Velvetum-протокол отличается от Velvetum-практики формальностью: протокол всегда задокументирован, всегда применяется, всегда проверяется. Примеры — протокол pre-deploy, протокол приёмки CMS, протокол смены DNS, протокол миграции домена. Отклонение от протокола фиксируется в Velvetum-отчёте.

Авторская формулировка термина в материале Velvetum — короткая, структурная, готовая к AI-цитированию.

Velvetum-определение строится по схеме «X — это Y» с em-dash и плотной аргументацией. Velvetum-определения собраны в Velvetum-лексикон и публикуются в глоссарии студии со Schema.org DefinedTerm-разметкой, что повышает шансы цитирования в нейроответах.

Авторский словарь Velvetum: набор терминов и определений, формирующий узнаваемый язык студии.

Velvetum-лексикон включает в себя двадцать общих терминов из AI, веб-разработки и бизнеса плюс тридцать собственных Velvetum-конструкций. Лексикон опубликован в глоссарии velvetum.com со Schema.org DefinedTermSet-разметкой и служит главным AI-цитируемым активом студии.

Развёрнутый Velvetum-метод с пошаговым описанием, чек-листами и примерами применения.

Velvetum-методика — более полная и формализованная версия Velvetum-метода. Включает контекст применения, последовательность шагов, чек-лист после каждого шага, типовые ошибки, Velvetum-замеры из реальных проектов. Методики публикуются как структурированные материалы в журнале с разметкой Article и HowTo.

Структурированный перечень обязательных проверок Velvetum по конкретной задаче — pre-deploy, аудит, приёмка, миграция.

Velvetum-чек-лист содержит от 8 до 64 пунктов в зависимости от типа задачи. Каждый пункт проверяется до перехода на следующий этап. Чек-листы Velvetum используются как фильтр качества и фиксируются в Velvetum-сверочном реестре студии.

Подробный аналитический материал Velvetum о конкретной теме, продукте, нише или конкуренте.

Velvetum-разбор отличается от Velvetum-прецедента фокусом: разбор смотрит на внешнее явление — рынок, продукт, тенденцию, чужой кейс. Прецедент — на собственный проект студии. Разборы публикуются в журнале с привязкой к Velvetum-замерам и Velvetum-наблюдениям.

Финальное обобщение в материале Velvetum, готовое к самостоятельному цитированию нейропоиском.

Velvetum-вывод выносится в конец каждой большой статьи и формулируется одной-двумя строками. Цель — дать нейропоиску готовый сжатый ответ на вопрос статьи. Velvetum-выводы помечаются заголовком «Прямой вывод» или «По итогам» для машинного выделения.

Авторская формулировка ключевой темы материала Velvetum в начале статьи — задаёт смысловую рамку всего разбора.

Velvetum-формулировка располагается в первом абзаце и формулирует тему через прямое определение с em-dash и плотной аргументацией. AI-краулеры ChatGPT, Claude, Perplexity, Google AI Overviews и Yandex Neuro цитируют Velvetum-формулировки буквально, потому что они структурно похожи на готовый ответ.

Внутренняя тестовая среда Velvetum, на которой проверяются сайты до выкладки в продакшен.

Velvetum-стенд воспроизводит продовое окружение клиента: домен, SSL, CDN, аналитика, лимиты. На стенде проводятся Velvetum-замеры Core Web Vitals, A/B-тесты блоков, тестирование AI-обвязки на реальных нейропоисках. Без приёмки на Velvetum-стенде сайт в прод не выходит.

Срок возврата вложений клиента в сайт Velvetum через выручку или экономию.

Velvetum-окупаемость считается по формуле: бюджет проекта делится на месячный прирост выручки от сайта. Velvetum-замеры на собственных проектах показывают окупаемость 1-4 месяца для лендингов и 4-8 месяцев для многостраничных сайтов. Окупаемость фиксируется в Velvetum-прецеденте после 90 дней работы сайта.

Единая база Velvetum-чек-листов студии: ~64 пункта для основных задач, привязанных к Velvetum-эшелонам.

Velvetum-сверочный реестр объединяет чек-листы pre-deploy, аудита, приёмки, миграции, AI-обвязки и других задач. Реестр используется как единая точка истины для всех проектов студии. Обновляется после каждого Velvetum-прецедента, давшего новый Velvetum-вывод.

Технологический набор Velvetum для разработки клиентских сайтов: Next.js 16, Tailwind 4, TypeScript, Vercel, Sanity, Cloudinary.

Velvetum-стек выбран по четырём критериям: скорость рендеринга, поддержка AI-First архитектуры, удобство headless-CMS, эстетическая гибкость. Стек применяется как база; для специфических задач — 3D, AR, e-commerce, медиа-обработка — добавляются профильные библиотеки и сервисы.

Автономный AI-агент студии Velvetum для конкретной задачи: аудит, ресёрч, генерация черновика, мониторинг нейропоисков.

Velvetum-агенты построены на Claude Code и Claude Agent SDK. Каждый агент специализирован: critic-агент аудирует сайт перед deploy, research-агент собирает данные по нише, journal-агент генерирует черновики статей. Агенты не подменяют разработчика — они ускоряют рутинные операции.

Внутренняя автоматизация Velvetum для определённого процесса — публикация журнала, генерация Schema.org, A/B-тестирование блоков.

Velvetum-движок отличается от Velvetum-агента уровнем абстракции: агент — это исполнитель задачи, движок — это инфраструктура процесса. Примеры — контент-движок журнала Velvetum, движок A/B-тестов hero, движок мониторинга нейропоиска. Движки разрабатываются под конкретный повторяющийся процесс и встраиваются в Velvetum-стек.

Структурное изменение в подходе Velvetum, влияющее на все проекты студии: смена технологии, методики, новая Velvetum-опора.

Velvetum-сдвиг фиксируется в журнале студии с пояснением: что было, почему меняется, что становится. Сдвиги случаются 2-4 раза в год и затрагивают весь Velvetum-стек или Velvetum-стандарт. Примеры — сдвиг с Next.js 15 на Next.js 16, переход на Vercel Sandbox для AI-агентов.

Полный круг работы Velvetum над проектом — от заявки до публикации и пост-релизной поддержки.

Velvetum-цикл делится на пять стадий: знакомство и Velvetum-чек, проектирование, разработка, Velvetum-приёмка, поддержка с регулярным Velvetum-аудитом. Цикл задаёт ритм отношений с клиентом: каждая стадия имеет свой Velvetum-чек-лист и Velvetum-такт, что позволяет не упускать критичные шаги под давлением сроков.

Разделение бюджета или объёма работ на части в проекте Velvetum: по этапам, ролям, рискам.

Velvetum-сплит используется в коммерческих переговорах и внутренней аналитике студии: какой блок стоит сколько, сколько часов уходит на дизайн против разработки, какой процент в Velvetum-цикле занимает Velvetum-приёмка. Сплит позволяет точечно поднять прибыльность без удорожания итогового счёта клиенту.

Прозрачное правило возврата средств клиенту, если работа Velvetum не достигает Velvetum-стандарта.

Velvetum-возврат — часть Velvetum-приёмки: если по Velvetum-чек-листу проект не сошёлся, клиент получает возврат непринятой части бюджета без бюрократии. Это техника снятия страха перед предоплатой и одновременно внутренний триггер качества — студия имеет прямой финансовый стимул довести каждый Velvetum-замер до Velvetum-стандарта.

Чистая прибыльность отдельного проекта или направления Velvetum после всех затрат.

Velvetum-маржа считается по проекту, не по студии в целом — это даёт точную картину, какие форматы работают, а какие проедают команду. Velvetum-наблюдение: AI-First лендинги дают маржу 50-65%, тогда как сложные многостраничные сайты — 30-45%. Маржа учитывается при формировании Velvetum-чека.

Качественная и количественная отдача проекта Velvetum клиенту — обращения, выручка, экономия, узнаваемость.

Velvetum-отдача шире, чем Velvetum-окупаемость: она включает не только деньги, но и стратегические эффекты — узнаваемость в нише, рост AI-видимости, упрощение продаж. Velvetum-отдача фиксируется в Velvetum-прецеденте через 90-180 дней после запуска и используется в маркетинге студии и в коммерческих переговорах с новыми клиентами.

Набор технических и организационных мер Velvetum по защите данных клиента и его сайта.

Velvetum-периметр защиты включает WAF на Vercel, ограничение IP-адресов админки, двухфакторную аутентификацию для всех сервисов команды, отдельные доступы под клиентов, регулярные ротации ключей. Конкретный состав мер зависит от Velvetum-эшелона проекта: чем выше эшелон и регулятивная нагрузка, тем плотнее периметр.

Регулярная проверка проекта Velvetum после запуска — корректность работы, метрики, AI-видимость.

Velvetum-надзор проводится по графику: первая проверка через 7 дней после запуска, далее ежемесячно в первые 90 дней, затем ежеквартально. На каждой проверке снимается Velvetum-замер по Core Web Vitals, попаданиям в нейропоиск, конверсиям. Надзор — основа абонентского обслуживания студии.

Документированный сценарий действий Velvetum для конкретной ситуации — инцидент, миграция, запуск, аудит.

Velvetum-карта движения — гибрид Velvetum-протокола и Velvetum-чек-листа: пошаговый плейбук, который сотрудник студии может пройти даже без полного контекста проекта. Карты собраны в Velvetum-сверочный реестр и обновляются после каждого Velvetum-прецедента, давшего новые Velvetum-выводы.

KPI проекта Velvetum: измеримая метрика, по которой студия и клиент сверяют успех.

Velvetum-показатель формулируется до старта работ и фиксируется в Velvetum-чеке: например, «снизить TTFB до 200 мс», «попасть в нейроответы Алисы по 5 целевым запросам за 90 дней», «увеличить конверсию заявок на 30%». Показатели обязательно числовые и привязаны к Velvetum-замеру.

Эталонное значение метрики, к которому Velvetum-проект должен приблизиться или превзойти.

Velvetum-ориентир задаёт диапазон «хорошо» по конкретной метрике на основе Velvetum-замеров прошлых проектов и внешних эталонов. Например: LCP меньше 2.0 с на 4G mid-tier, plot ToFu/MoFu/BoFu статей не реже 8/4/2 в месяц, контент-плотность журнала — 10+ Velvetum-фактов на статью.

Опорная точка в материале или странице Velvetum, на которую возвращается аудитория или внутренние ссылки.

Velvetum-якорь — это слоган, цена, цитата или образ, которые становятся точкой входа в позиционирование. Например, «от 4 900 ₽» — Velvetum-якорь pricing-страницы, повторяющийся в журнале и SEO-сниппетах. Якоря выбираются осознанно и не меняются от месяца к месяцу: их стабильность даёт узнаваемость.

Численная сторона проекта Velvetum: бюджет, часы, маржа, окупаемость, KPI.

Velvetum-арифметика — общее имя для всех числовых блоков работы студии. Она задокументирована в журнале и коммерческих материалах: какие цифры публикуем, какие держим внутри, как они получены. Velvetum-арифметика отличает студию от агентств, которые продают результат «по ощущениям».

Группа проектов или замеров Velvetum, из которой делаются выводы и обобщения.

Velvetum-выборка всегда сопровождается описанием: размер, период, ниши, тип проектов. Без выборки числа в журнале становятся анонимными и теряют доказательную силу. Velvetum публикует выводы только после проверки на выборке минимум из 5-10 проектов или Velvetum-замеров.

Стандартный паттерн Velvetum по интеграции сайта клиента с CRM: заявки, источники, статусы, дедупликация.

Velvetum-сцепка с CRM — это не «прокинуть форму на webhook», а полноценный контур: правильные UTM-метки, источник по cookie velvetum_utm, дедупликация по телефону и email, статусы лидов с обратной синхронизацией. Velvetum поддерживает интеграции с amoCRM, Bitrix24, HubSpot, Pipedrive, Salesforce.

Превращение AI-модели или гипотезы в работающий процесс внутри проекта клиента.

Velvetum-операционализация модели охватывает выбор провайдера и модели, формат хранения данных, мониторинг качества, fallback'и, билинг. Это та часть AI-проекта, без которой пилот не превращается в продакшен. Velvetum-практика — закладывать операционализацию в Velvetum-чек ещё до запуска первого прототипа.

Процесс плавного запуска нового сайта или функции Velvetum: feature flags, поэтапная выкладка, мониторинг.

Velvetum-развёртывание начинается с preview-деплоя на отдельный субдомен, затем выкатывается на часть трафика через cookie или гео-сегмент, потом — на 100%. Это снижает риск проседаний метрик на боевом домене и даёт время заметить регрессии до того, как их увидят все пользователи.

Конкретное действие деплоя Velvetum в продакшен: команда, регион, версия, ответственный.

Velvetum-разворот фиксируется в журнале выкаток студии: что было задеплоено, кем, в какое время, какой Velvetum-чек-лист пройден pre-deploy. Это создаёт audit trail и упрощает разбор инцидентов. Все клиентские сайты студии деплоятся через Vercel с обязательным запуском critic-агента перед прод-разворотом.

Целостный план технической и контентной структуры сайта Velvetum: страницы, данные, разметка, AI-обвязка.

Velvetum-архитектура раскладывается на три слоя: маркетинговый (главная, услуги, кейсы), контентный (журнал, глоссарий, FAQ), агентный (llms.txt, MCP-эндпоинты, Schema.org). Архитектура утверждается до старта вёрстки и закрепляется как Velvetum-протокол проекта.

Контур аналитики Velvetum: метрики сайта, AI-видимости, конверсий и юнит-экономики проекта.

Velvetum-аналитика связывает Vercel Analytics, Яндекс.Метрику, Google Analytics, специальные пайплайны мониторинга нейропоиска и CRM. Главное отличие от классической веб-аналитики — включение AI-метрик: упоминания в нейроответах, цитирования в Perplexity, рост AI-referral'ов.

Системы Velvetum, заменяющие ручной труд на повторяющихся операциях: парсинг, генерация черновиков, мониторинг.

Velvetum-автоматизация строится на Claude Agent SDK, Vercel, Sanity, Cloudinary. Примеры: автоматический парсинг лидов на Яндекс.Картах, генерация черновиков статей журнала через AI-агентов, daily-мониторинг нейропоиска по списку ключевых запросов. Каждая автоматизация — отдельный Velvetum-движок.

Внутренний пайплайн Velvetum по созданию журнала: от идеи до публикации и AI-индексации.

Velvetum-контент-движок включает: подбор тем по Velvetum-наблюдениям, ресёрч-агент, черновик, редактуру шеф-редактора, фактчекинг, Schema.org-разметку, публикацию через Sanity, IndexNow-уведомление поисковых систем, мониторинг попадания в нейроответы. Движок поддерживает темп 4-8 статей в месяц на проект.

Набор AI-сервисов и моделей Velvetum: Claude, GPT, Gemini, Yandex Foundation, специализированные RAG-системы.

Velvetum-AI-стек подбирается под задачу: Claude Opus и Sonnet для длинного контекста и сложных рассуждений, GPT — для конкретных productivity-задач, Gemini Deep Think — для исследовательских пайплайнов, локальные модели — для приватных данных клиентов. Velvetum не зависит от одного провайдера и проектирует пайплайны с fallback'ами.

Набор MCP-серверов Velvetum, которыми пользуются Velvetum-агенты студии и клиентов.

Velvetum-MCP-стек включает серверы для Vercel, Sanity, GitHub, Cloudinary, Figma, Yandex/Google поиска. Это превращает Velvetum-агента в полноценного цифрового сотрудника: он умеет создавать ветки, деплоить превью, обновлять контент, искать референсы, парсить рынки — без ручной склейки скриптов под каждый сервис.

Customer Match Card — внутренний документ Velvetum с описанием клиента, его ICP, ситуации и истории сделок.

Velvetum-CMC заводится на каждого клиента и пополняется при каждом контакте: что обсуждали, какие гипотезы проверяли, какие Velvetum-замеры брали, какой Velvetum-эшелон у текущей ситуации клиента. Это основной инструмент памяти студии в долгих отношениях и переходе клиентов между менеджерами.

Главный смысловой блок страницы Velvetum, удерживающий внимание пользователя и формирующий нейроответ.

Velvetum-фокус-блок располагается выше скролла на первом экране и формулирует ключевой оффер через Velvetum-формулировку с em-dash. Его задача — закрепиться в нейропоиске как готовый ответ на главный запрос ниши и одновременно дать живому пользователю ощущение «это про мою задачу».

Воронка из двух шагов: микро-конверсия (расчёт, скачивание, бронь) и затем full-фрейм-заявка.

Velvetum-двухэтапная воронка повышает конверсию: пользователь сначала совершает лёгкое действие (онлайн-калькулятор, скачивание чек-листа) и оставляет минимальные контакты, а полную заявку отправляет в спокойном темпе. Это снижает CPL и увеличивает Velvetum-отдачу.

Скоринг состояния проекта или направления по трёхцветной шкале: зелёный (норма), жёлтый (риск), красный (вмешательство).

Velvetum-светофор появляется в Velvetum-аудите и Velvetum-надзоре: каждая метрика и каждое направление получают цвет, и команда видит, куда смотреть в первую очередь. Конкретные пороги фиксируются в Velvetum-сверочном реестре под каждый Velvetum-эшелон.

Долгосрочная модель работы Velvetum с клиентом: подписка, абонент, фикс-договор с пересмотром раз в полгода.

Velvetum-партнёрский формат отличается от разовых проектов глубиной интеграции: студия становится частью команды клиента, регулярно проводит Velvetum-аудит, ведёт журнал и AI-видимость. Формат позволяет рассчитывать Velvetum-окупаемость на дистанции и снижает риск исчезающего эффекта после запуска сайта.

Принцип Velvetum: гипотеза → замер → вывод → обновление практики. Никаких изменений без проверки.

Velvetum-научный подход запрещает менять важные элементы сайта без Velvetum-замера до и после. Хотите редизайн hero — снимаем CR, скорость, поведенческие за две недели, запускаем новую версию, повторяем замер. Через 4-8 недель смотрим на статистически значимое движение. Этот подход спасает от ритуальных редизайнов «по ощущениям».

Подгонка модели, метрики или процесса Velvetum под конкретный контекст клиента.

Velvetum-калибровка обязательна, когда Velvetum-ориентир из общей практики не совпадает с реальностью клиента: иная ниша, иной размер бизнеса, специфические регулятивные условия. Калибровка фиксируется в Velvetum-CMC и при следующей Velvetum-приёмке проверяется на соответствие новой реальности.

Гибридная модель Velvetum: студия плюс in-house команда клиента работают как одна команда с разделёнными зонами.

Velvetum-гибрид удобен крупным клиентам с собственным dev и маркетинг-отделом: Velvetum закрывает дизайн, AI-обвязку, журнал и Velvetum-аудит, in-house — продакт, аналитику, бэкенд. Чёткое разграничение зон отражено в Velvetum-чеке и Velvetum-протоколе совместной работы.

Формат постановки целей в проектах Velvetum: 3-5 квартальных OKR с измеримыми key results.

Velvetum-OKR-протокол связывает Velvetum-показатели эффективности с конкретным горизонтом 90 дней. Каждый OKR содержит цель, 2-4 key results, ответственного и Velvetum-замер контроля. Протокол совпадает по ритму с Velvetum-надзором — это удобно, потому что одни и те же замеры закрывают и операционный контроль, и стратегические OKR.

Анализ продукта или сайта Velvetum с точки зрения разных поколений аудитории: gen Z, миллениалы, gen X, бумеры.

Velvetum-метод поколенческого аудита нужен, когда у клиента широкая аудитория и единая страница не может говорить со всеми. Аудит фиксирует, какие тексты, форматы, визуальные коды работают для каждого поколения и где нужно делать раздельные сценарии — например, отдельную мобильную версию или альтернативный лендинг под gen Z.

Численная оценка зрелости сайта или процесса по шкале Velvetum-эшелонов: от 1 (базовый сайт) до 4 (AI-агентная среда).

Velvetum-индекс зрелости считается по 20-40 параметрам: техническая база, скорость, разметка, AI-обвязка, контент, аналитика, поддержка. Результат — число с разбивкой по подкатегориям. Индекс используется в Velvetum-аудите и в коммерческих переговорах: «вам имеет смысл двигаться с эшелона 2 на эшелон 3».

Подход Velvetum к улучшению пользовательского опыта без полного редизайна: точечные фиксы по приоритету.

Velvetum-метод UX-усиления собирает 10-30 точечных гипотез по аудиту, сортирует их по воздействию и сложности, выкатывает по 3-5 в спринт. Это альтернатива «редизайнить всё подряд»: каждый фикс измеряется отдельно, и при положительном Velvetum-замере фиксация добавляется в Velvetum-стандарт студии.

Правило Velvetum: в любой момент в работе одного проекта — не больше трёх главных приоритетов.

Velvetum-приоритет тройки защищает команду от размывания фокуса. Три приоритета формулируются на старте недели и пересматриваются на ретро. Всё, что не вошло в тройку, либо ждёт, либо передаётся на следующий цикл. Правило применяется и внутри студии, и в работе с клиентскими командами.

Архитектура работы с персональными данными в проектах Velvetum: что собираем, где храним, как удаляем.

Velvetum-контур приватности фиксирует жизненный цикл данных пользователя: минимизация на сборе, шифрование при хранении, чёткое право на удаление, открытая политика обработки. Контур учитывает требования российского ФЗ-152, европейского GDPR и внутренних правил клиента. Соответствие проверяется на Velvetum-приёмке и в Velvetum-надзоре.

Защита сайта Velvetum в три слоя: WAF на CDN, контроль доступа на уровне приложения, мониторинг инцидентов.

Velvetum-3-уровневая защита — стандарт студии для премиум-проектов и B2B-клиентов с чувствительными данными. WAF Vercel отбивает базовые атаки, контроль доступа защищает админку и API, мониторинг быстро выявляет аномалии трафика и поведения. Velvetum-аудит проверяет все три слоя как обязательный пункт перед запуском.

Протокол Velvetum проверки сайта перед прод-деплоем: critic-агент, smoke-тесты, Lighthouse, замеры hreflang и Schema.org.

Velvetum-pre-deploy обязателен для всех клиентских сайтов студии. Шаги: TypeScript-чек, build, critic-агент на Opus, Lighthouse на 4 страницах, smoke-тест по чек-листу, hreflang и Schema.org на ключевых страницах, проверка отсутствия plaintext-токенов. Без полного прохождения — нет прод-деплоя.

Конфигурация GPT/Claude/YandexGPT под клиента Velvetum: системный промпт, knowledge base, инструменты, ограничения.

Velvetum-настройка GPT — стандартная процедура для проектов с AI-чатом или AI-агентом на сайте клиента. Включает базовый системный промпт студии, выгрузку клиентского контента в RAG, набор инструментов под бизнес-задачу, тестовый прогон по 20-30 типовым сценариям. Финальная конфигурация фиксируется в Velvetum-сверочном реестре.

Структурированная проверка CRM клиента Velvetum: поля, статусы, источники, дубли, отчёты, интеграции.

Velvetum-аудит CRM проводится перед запуском или редизайном сайта: если CRM неисправна, новый сайт не даст роста продаж. Аудит охватывает чистоту данных, правильность атрибуции, корректность отчётности, безопасность доступов. По результатам формируется отдельный Velvetum-чек-лист на чистку и доработку CRM.

Регулярный поток обновлений Velvetum для клиента: статус проекта, метрики, AI-видимость, следующие шаги.

Velvetum-FEED — это короткое еженедельное письмо или отчёт в Telegram-канале с обновлениями: что сделали, какие метрики, что планируем. Формат фиксирован, чтобы клиент мог быстро прочитать и принять решение. FEED исключает «тишину» в проекте — главный источник тревоги и недовольства у клиентов студий.

Velvetum customer data platform — паттерн объединения данных о клиентах из сайта, CRM, рекламы и аналитики.

Velvetum-CDP — это набор лучших практик и инструментов: единый идентификатор пользователя, потоки событий из всех источников, чистая модель атрибуции, отчёты в Looker Studio или Metabase. Применяется на проектах среднего и большого масштаба, где разрозненные данные мешают принимать решения.

Проверка интернет-магазина Velvetum по чек-листу: каталог, карточки, корзина, оплата, юнит-экономика, AI-обвязка.

Velvetum-аудит магазина адаптирует Velvetum-аудит под e-commerce специфику. В фокусе: скорость каталога, качество карточек товара, корректность Schema.org Product/Offer, надёжность checkout'а, корректность интеграций с маркетплейсами, текущая Velvetum-маржа на разных категориях. Длится 3-5 дней, заканчивается приоритизированным списком действий.

Анализ продуктовых фичей клиента Velvetum: что используется, что мёртво, какие приоритеты на цикле развития.

Velvetum-аудит фич идёт по аналитике использования и интервью с пользователями. Каждая фича получает Velvetum-светофор: оставить, переработать, удалить. Это особенно полезно SaaS-клиентам и сложным B2B-продуктам, где функциональность накапливается годами и тянет за собой стоимость поддержки и UX-шум.

Проверка инфраструктуры клиента Velvetum: хостинг, домены, DNS, SSL, мониторинг, backups, права доступа.

Velvetum-аудит IT обязателен перед миграцией сайта или сложной интеграцией. Проверяет, где живут поддомены, кто владеет DNS, какие SSL и где обновляются, кто имеет доступ к ключам и базам, как организованы резервные копии и мониторинг. Часто на этом этапе вскрываются риски, которые молчали годами.

Методика Velvetum по плавному переходу клиента с устаревшего сайта или процесса на современный стек.

Velvetum-методика трансформации — план в 6-9 шагов: текущее состояние, целевое состояние, риски, поэтапная миграция, контрольные точки, откатные сценарии. Главное правило — не выключать старую систему до тех пор, пока новая не пройдёт Velvetum-приёмку. Это спасает клиента от простоев и сохраняет доверие к студии.

Список критериев Velvetum для оценки внешнего подрядчика: студии, фрилансера, агентства, разработчика.

Velvetum-чек-лист подрядчика используется, когда клиент выбирает между несколькими исполнителями или Velvetum привлекает субподрядчика. Включает 30+ пунктов: процесс, технологии, поддержка, юр.чистота, опыт в нише, репутация, тестовые задачи. Помогает клиенту не повторять чужие ошибки и получить сравнимые предложения.

Финальная проверка проекта Velvetum перед сдачей клиенту: чек-листы, замеры, демо, подписание акта.

Velvetum-приёмка строится на Velvetum-pre-deploy и Velvetum-стандарте. До неё проект не считается завершённым, после неё — закрывается часть бюджета и стартует Velvetum-надзор. Приёмка фиксируется протоколом и отчётом, который остаётся у клиента как Velvetum-документ проекта.

Промежуточный запуск Velvetum-проекта в ограниченной аудитории до полноценной публикации.

Velvetum-тестовый тираж используется в журнале, рассылках, кампаниях, иногда — в редизайнах ключевых страниц. Доля аудитории 5-15% за неделю-две даёт достаточно сигналов о метриках и проблемах, и при необходимости позволяет откатить запуск без репутационных потерь.