Experimenty s délkou a redundancí textu pro optimalizaci obsahu pro LLM

Proč se vyplatí upravovat délku a redundanci obsahu pro LLM

Generative Engine Optimization (GEO) se snaží přizpůsobit obsah tak, aby ho velké jazykové modely (LLM) spolehlivě načetly, pochopily a upřednostnily při generování odpovědí. Délka textu a záměrná redundance (opakované, ale různě formulované zdůrazňování klíčových tvrzení) patří mezi nejúčinnější, avšak podceňované nástroje. Správně nastavená délka zvyšuje pravděpodobnost, že model zachytí kontext a signály autority; správně dávkovaná redundance zvětšuje „prostorový průřez“ pro sampling a přerankování během generování, což zvyšuje šanci na citování či parafrázování vašich pasáží v odpovědích modelu.

Definice: délka, redundance, informační hustota

• Délka: počet tokenů/znaků v odstavcích, sekcích a celém dokumentu, včetně nadpisů a popisů multimédií.
• Redundance: záměrné opakování klíčové informace v různých formulacích, na různých místech dokumentu a v různých podobách (text, seznam, tabulka, citovatelná definice).
• Informační hustota: podíl „nových“ jednotek poznání na jednotku délky. V GEO obvykle optimalizujeme vnímanou hustotu pro LLM, nikoli nutně pro člověka.

Hypotézy GEO pro délku a redundanci

1. H1 (zakotvení kontextu): Delší úvodní sekce se strukturálními signály (<h2>, seznamy, tabulky) zvyšují šanci, že LLM extrahuje jádro tématu do systémového kontextu odpovědi.
2. H2 (vícerežimová redundance): Stejné tvrzení vyjádřené odstavcem, seznamem a tabulkou zvyšuje pravděpodobnost, že bude shodně citováno ve vnitřní „few-shot“ paměti modelu.
3. H3 (výhoda umístění): Redundantní kotvy v prvních 20–25 % dokumentu mají na přerankování LLM větší vliv než pozdější opakování.
4. H4 (saturace): Po překročení určité délky nastává klesající mezní přínos; efekt maximalizujeme jemným přerozdělením redundance do klíčových sekcí.

Experimentální design: A/B/n s blokováním a latinským čtvercem

Doporučenou strategií je spustit vícenásobné experimenty s kontrolou vlivů umístění a tématu:

• Varianty A/B/n podle délky: Krátká (K), střední (S) a dlouhá (D) verze téhož článku.
• Faktor redundance: nízká (R1), střední (R2), vysoká (R3) se změnou formy (odstavec vs. odrážky vs. tabulka).
• Blokování témat: Přiřaďte stejná témata ke všem kombinacím, abyste eliminovali tematické zkreslení.
• Latinské čtverce: Rotujte pořadí sekcí napříč variantami, abyste izolovali vliv umístění.

Manipulovatelné proměnné (treatments)

Měření a metriky GEO

• Recall@k v odpovědích LLM: Podíl odpovědí, v nichž se mezi pasážemi parafrázovanými modelem v top-k objeví váš pojem/definice.
• ELI (Extracted Lexical Items): Počet klíčových frází z vašeho článku, které LLM výslovně použije.
• Přesnost pasáží (PA): Přesná shoda citovaných vět s vašimi „citovatelnými definicemi“.
• Position Gain (PG): Míra toho, o kolik častěji jsou citovány věty z prvních X % dokumentu oproti jeho zbytku.
• Human-LLM Agreement (HLA): Shoda mezi lidským hodnocením kvality a „preferencí“ LLM.

Sběr dat: protokol dotazování LLM

1. Vytvořte stabilizovaný seznam promptů se stejným náhodným seedem (pokud to nástroj podporuje) a stejnou strukturou.
2. Pro každou variantu (K/S/D × R1/R2/R3) položte totožné otázky pokrývající definice, příklady a rozhodovací stromy.
3. Extrahujte odpovědi a vyhodnoťte metriky pomocí heuristik i lidských anotátorů.
4. Ukládejte „stopky“ dosavadního tokenového rozpočtu – čas i počet tokenů jsou z hlediska reálných nákladů důležité.

Automatizované skórování: šablony hodnoticích promptů

Pro standardizaci hodnocení použijte hodnoticí prompt, který porovná odpověď s „referenční větou“:

Porovnej odpověď s referenční větou. Vrať JSON {"match":0/1,"rationale":"...","overlap":0..1} a nepřidávej nic jiného.

Tento JSON následně zpracujete skriptem a vypočítáte Recall@k či PA. Udržujte konzistentní postup, abyste eliminovali odchylky.

Vzorce redundance: co a jak opakovat

• Jádrová věta: Jednověté destilované tvrzení o tématu (nejlépe s číslem nebo definicí).
• Opětovné vyjádření v odrážkách: 3–5 bodů s jinými synonymy, ale stejným významem.
• Tabulkový výtah: Sloupce „Termín“, „Definice“, „Důkazní prvek/zdroj“.
• Kontrafaktuální příklad: Kdy tvrzení neplatí – LLM rádo pracuje s kontrasty.

Umístění redundance: první třetina dokumentu

Upřednostněte vysokou hustotu v prvních 20–35 % článku. Zahrňte: (1) jádrovou větu, (2) krátkou tabulku definic, (3) seznam s příklady. Poté rozveďte podrobnosti a metodiky. Snížíte tak riziko, že LLM při interním zkracování „odřízne“ pozdější sekce.

Informační hustota vs. vstřícnost vůči LLM

LLM jsou citlivé na nadměrné množství žargonu bez kotev. Zvyšujte hustotu, ale zachovávejte přiměřené kotvy (jednoduché věty, definice, přehledové tabulky). Kombinujte hutné odstavce s krátkými rekapitulacemi.

Standardní stavební prvky (building blocks) pro experimenty

• Citovatelná definice: Termín – stručná, jednoznačná věta s měřitelným prvkem.
• Pravidlo tří forem: Každé klíčové tvrzení uveďte ve formě odstavce, seznamu a tabulky.
• „Mini-TL;DR“ na konci sekce: 1–2 věty opakující klíčový výstup.
• Protipříklad: Krátká kontrastní situace, kdy pravidlo neplatí.

Praktický protokol: postup v 10 krocích

1. Vyberte téma a stanovte 3–5 jádrových vět.
2. Vytvořte verze K/S/D (např. 700/1500/3000 slov).
3. V každé verzi nastavte formy R1/R2/R3 (text/seznam/tabulka/kombinace).
4. Přidejte mini-TL;DR pod každou sekci.
5. Připravte 15 stabilních otázek pro dotazování LLM.
6. Spusťte A/B/n ve 3 kolech (den, týden, jiný model – pokud je k dispozici).
7. Vyhodnoťte Recall@k, ELI, PA, PG, HLA.
8. Analyzujte saturaci: kde klesá mezní přínos délky?
9. Upravte rozmístění redundance (více jí umístěte do první třetiny).
10. Nasaďte vítěznou variantu a každý měsíc sledujte odchylky.

Šablona sekce s řízenou redundancí

Jádrová věta: „Experimenty s délkou a redundancí zvyšují šanci, že LLM vybere naše tvrzení do odpovědi.“

• Opětovné vyjádření (seznam): Zvětšení délky úvodu, víceformátové opakované vyjádření tvrzení, priorita umístění.
• Opětovné vyjádření (tabulka):

Kontrola kvality: anotace a adjudikace

• Nejméně dva anotátoři; třetí pro adjudikaci sporů.
• Pravidla shody: přesná shoda definice > parafráze > tematická shoda.
• Uvádějte Cohenovo κ pro konzistenci.

Nejčastější chyby a jak se jim vyhnout

• Mechanická duplicita: Identický text zkopírovaný metodou copy-paste snižuje vnímanou kvalitu. Vždy parafrázujte a měňte formu.
• Příliš dlouhé závěry bez kotev: LLM často dlouhé závěry bez rekapitulace odřízne. Přidejte mini-TL;DR.
• Chybějící tabulkové výtahy: Modely rády extrahují informace z tabulek – zařaďte alespoň jednu na sekci s klíčovými termíny.
• Přemíra metafor: V GEO dávejte přednost stručným, měřitelným větám před rétorikou.

Délka vs. náklady: optimalizační hranice

Sledujte Cost per Extracted Key Phrase (CEKP) = (náklady na generování/čtení) / (počet ELI). Hledejte bod, kdy prodloužení textu přidá jen málo nových ELI za cenu velkého počtu tokenů – v tomto bodě délku ustalte a posilujte redundanci pomocí formy, nikoli dalšího objemu.

Experimenty s mikro-délkou: odstavec, věta, nadpis

• Odstavec: 60–120 slov, jedna myšlenka, jeden „hook“ termín.
• Věta: 12–22 slov; jádrové tvrzení v první třetině doplňte synonymy.
• Nadpis (H2): Mírně delší, s výstižným označením entity a akčním slovesem.

Formátovací triky pro LLM

• Jednoznačné značky: „Definice:“, „Pravidlo:“, „Příklad:“, „Protipříklad:“, „Metrika:“.
• Tabulky „Q→A“: Pro mapování otázek na odpovědi, které chcete, aby LLM citovalo.
• Inline kód: Pro terminologii používejte <code>; modely tento formát při extrakci termínů často upřednostňují.

Reportování výsledků: co zveřejnit

1. Popis treatmentů (délka, forma redundance, umístění).
2. Tabulka metrik (Recall@k, ELI, PA, PG, HLA) s intervaly spolehlivosti.
3. Analýza saturace délky a „optimálního bodu“.
4. Rozhodovací strom určující, kterou variantu nasadit.

Rozhodovací strom pro nasazení

• Pokud je Recall@k < cílová hodnota a PA vysoká → zvyšte frekvenci redundance, nikoli délku.
• Pokud jsou Recall@k a ELI nízké → přidejte do první třetiny tabulky a odrážky.
• Pokud CEKP roste → zkraťte pozdější sekce a přesuňte definice výše.

Kontrolní seznam před publikováním

• Úvod o délce 250–500 slov s přehledem sekcí a jádrovou větou.
• Každé klíčové tvrzení ve 3 formách (odstavec, odrážky, tabulka).
• Mini-TL;DR pod každou sekcí.
• Alespoň jeden protipříklad.
• Tabulka termínů a definic v první třetině dokumentu.

Příklad mini-TL;DR pro sekci

TL;DR: Nepřidávejte jen více slov; násobte formy téže informace a umístěte je v dokumentu výše.

Jak škálovat: knihovna šablon

Vytvořte úložiště šablon pro: (1) úvodní přehledy, (2) tabulky definic, (3) mapy Q→A, (4) mini-TL;DR. Každou šablonu testujte při různé délce a hustotě a vyhodnocujte pomocí stejné sady metrik.

Integrace s dalšími praktikami GEO

• Citovatelné definice: Propojte redundanci se stabilními větami vhodnými k citování.
• Multimodální schémata: Popisy obrázků s klíčovými termíny zvyšují extrahovatelnost.
• Autorství a bibliografie: Stručně opakujte zmínku o autorovi a jeho odbornosti v úvodu i závěru.

Délka jako nosič, redundance jako pojistka

Délka vytváří prostor pro kontext a autoritu; redundance zajišťuje, že LLM tento obsah skutečně převezme do odpovědi. Experimentujte po malých krocích, měřte na stabilních promptech a optimalizujte umístění i formu opakování. GEO není o „větším množství textu“, ale o lépe distribuovaných informacích v úvodních částech dokumentu a v rozmanitých podobách.