// гайд
Почему вопрос «Какую LLM вы используете?» — не тот?

Автор: Dmitry Filippov, Founder, GET-GEO.AI
Опубликовано: 2026-08-03 · Обновлено: 2026-11-18
// краткий ответ
Поведение модели зависит от системы вокруг неё: поиска, инструментов, инструкций, ранжирования и защитных фильтров. Поэтому одна и та же модель в разных продуктах может ссылаться на разные источники. GEO (Generative Engine Optimization) работает с тем, как каждый продукт находит и читает страницы и какие внешние источники подтверждают сведения на них.
- «Какая LLM?» — не тот вопрос. Поместите одну модель в два продукта: облачные агенты Cursor и Claude Tag (Anthropic, июнь 2026). Из-за harness, то есть обвязки вокруг модели, она будет выполнять две разные работы.
- В harness четыре части: системный промпт, инструменты, контекст и память, рабочий цикл. Поменяйте их, и та же модель станет другим продуктом.
- Прежде чем платить за более сильную модель, проверьте четыре части harness: новая модель не добавит инструменты, память или доступ к данным, которых продукт ей не даёт.
- Когда ассистент ищет, идут три шага: поисковый инструмент находит страницы, парсер извлекает текст, модель пишет ответ. В нашем исследовании (сентябрь 2026) в 22 из 52 ответов ChatGPT не было ссылки на источник, которую можно записать.
- Измеряйте продукты одного разработчика отдельно: в нашей проверке 14 сентября 2026 года (20 ответов приложения Gemini и Google AI Mode) в обоих встретился один полный URL источника из полученных. Один день, неполные URL.
Почему одна модель работает по-разному?
Компании часто начинают выбирать ИИ-инструмент с вопроса о модели: GPT или Claude, какая версия, станет ли продукт лучше с новым релизом. Вопросы разумные, но они мало говорят о том, какими инструментами и сведениями продукт может пользоваться, чтобы выполнить задачу.
Допустим, одна и та же модель работает в двух продуктах, и оба принимают задачи в Slack. Первый — облачные агенты Cursor, продукт для программирования: агент запускается упоминанием @cursor, работает в изолированной виртуальной машине на модели, которую вы выбираете из списка Cursor, клонирует репозиторий, пишет и тестирует изменение и может открыть pull request.
Второй продукт — Claude Tag, который Anthropic запустил в бета-версии 23 июня 2026 года: Claude входит в выбранные каналы Slack как участник команды, собирает контекст из того, что там читает, и подключается к инструментам, данным и кодовым базам, которые выбирает администратор. Код он тоже пишет, но в канале, настроенном под работу с продажами, он с тем же успехом мог бы разобрать переписку с клиентом и подсказать, как ответить на третью просьбу о скидке.
В таком сценарии модель внутри одна, но продукты дают ей разные роли, инструменты и контекст. Агент для кода может обсудить разговор с клиентом, но у него не будет тех сведений и того порядка работы, что у инструмента, созданного под эту задачу.
Что такое harness?
Harness — это программная обвязка и настройки вокруг модели: инструкции, инструменты, контекст и рабочий процесс, которые превращают её в готовый продукт.
- Системный промпт — инструкции, которые задают роль, тон, приоритеты и границы. От него зависит, сводит ли агент любую задачу к коду или рассуждает о бизнесе.
- Инструменты — то, к чему у агента есть доступ. Терминал и git делают его программистом. CRM и почта делают его помощником по продажам. Веб-поиск и краулер превращают его в исследователя, который читает ваш сайт и сайты конкурентов, прежде чем что-то посоветовать.
- Контекст и память — что агент знает о вас: история канала, документы компании, прошлые решения. Модель без контекста знакомится с вами заново в каждом разговоре.
- Рабочий цикл — порядок действий: один ответ, долгая автономная сессия, проверка собственного результата, передача задачи человеку.
Что меняется, если поменять harness?
Поменяйте harness, и та же модель станет другим продуктом: у неё будут другая роль, другие инструменты и другие сведения для работы. Обратное важно, когда продукт разочаровывает. Более сильная модель не добавит инструмент, память или доступ к данным, которых продукт ей не даёт, поэтому мы советуем проверить harness, прежде чем платить за более сильную модель. Сами мы не сравнивали в тестах вклад модели и вклад harness; считайте это рабочим правилом и проверьте его на своей задаче.
Какое отношение это имеет к вашему сайту?
Всё это касается не только инструментов, которые вы покупаете, но и того, как ИИ видит ваш бизнес. Когда потенциальный клиент спрашивает ChatGPT, Claude или Perplexity: «Какой сервис выбрать для X?» — harness сначала решает, искать ли в интернете вообще. В нашем исследовании страниц, которые цитируют ассистенты, проведённом 14 и 15 сентября 2026 года, в 22 из 52 ответов ChatGPT (без входа в аккаунт, веб-поиск включён) не было ссылки на источник, которую мы могли бы записать: либо поиск не запускался, либо интерфейс показывал подписи источников без URL, и наша цифра эти два случая не разделяет. Когда поиск всё же запускается, поисковый инструмент находит страницы, парсер извлекает текст, и только потом модель составляет ответ. На каждом шаге ваш сайт либо проходит фильтр, либо нет.
От того, какой продукт отвечает, может зависеть и то, откуда берутся источники. 14 сентября 2026 года мы задали пять вопросов компаний, выбирающих подрядчика по GEO, по два раза в приложении Gemini и в Google AI Mode, двух продуктах одного разработчика: в этих 20 ответах в обоих продуктах встретился один из полных URL источников, которые удалось получить (проверка описана в нашем гайде о цитировании в Gemini). 27 сентября 2026 года мы задали ChatGPT 30 вопросов о местных компаниях, каждый дважды, в восьми нишах в Хьюстоне, Майами и Лондоне: в 55 ответах, где была карта, 280 из 305 названных им компаний были и на карточках этой карты. Это признак того, что такой короткий список формирует инструмент с карточками компаний, то есть другая часть harness, чем веб-поиск. Обе проверки однодневные и на английском. По трём из пяти вопросов в Gemini полные URL получить не удалось, AI Mode показывал часть источников подписями без URL, и проверка не установила, какая версия модели отвечала в каждом из продуктов. Считайте это первым взглядом на два продукта с разными списками источников, а не на одну модель, которая ведёт себя двумя способами.
Красивый сайт, который целиком собирается в браузере на JavaScript, парсер может просто не увидеть. Страницу без чёткой структуры (заголовков, фактов, конкретики) могут прочитать и всё равно не процитировать: модели почти нечего из неё взять. Если о вас мало пишут на внешних сайтах, на поисковом шаге находить почти нечего, кроме ваших собственных страниц. Для узкого вопроса этого может хватить: в шести чистых сессиях ChatGPT 13 и 17 августа 2026 года на вопросы о многоязычном GEO-агентстве нас каждый раз называли первыми, а в ответе 17 августа наш сайт был процитирован прямо в тексте. Это один ассистент и наш собственный бренд на узких вопросах, а среди источников в тех прогонах были и наши профили на Crunchbase, LinkedIn и Trustpilot. Для широкого вопроса «лучшие X» закладывайте, что часть ответа будет опираться на сторонние страницы: на вопросах о выборе поставщика в сентябрьском исследовании, о котором сказано выше, на каталоги и сайты сравнения пришлось 77 из 306 ссылок (25%) у четырёх ассистентов.
Именно этим и занимается GEO: оптимизирует сайт не под алгоритм ранжирования, а под harness ИИ-ассистентов, то есть под то, как ИИ-агенты находят, читают и пересказывают ваш контент. Классическое SEO спрашивало: «Как попасть в топ-10 ссылок?» GEO спрашивает: «Как попасть в сам ответ?»
Что с этим делать?
Выбирая ИИ-инструмент, проверьте, подходят ли задаче его инструменты, доступ к данным и рабочий процесс. Это может значить больше, чем то, стоит ли внутри самая мощная модель.
Если вы строите внутренний ИИ-инструмент, сначала определите роль агента: какие сведения он видит, какие действия может выполнять и где должен остановиться. Модель выбирайте уже внутри этой схемы: её можно поменять, когда изменятся требования.
Если речь об ИИ-видимости сайта, подумайте, что ассистент может взять с ваших страниц и использовать в ответе. Понятные и доступные сведения дают ему полезный контекст, когда он отвечает на вопрос покупателя. Проверяйте ответы каждого ассистента отдельно и задавайте каждый вопрос не один раз: судя по проверкам выше, результат в одном продукте может не повториться в другом. Мы измеряем по четырём ассистентам на каждом языке: ChatGPT, Perplexity, Gemini и Google AI Overviews или AI Mode, где они доступны.
Вопросы по теме
Что такое harness в ИИ-продуктах?
Harness — всё, что окружает языковую модель и превращает её в рабочий инструмент: системный промпт, инструменты, которые она может вызывать, контекст и память о вас и рабочий цикл, который задаёт порядок действий. Поменяйте harness, и та же модель станет другим продуктом.
Исправит ли слабый продукт переход на более сильную модель?
Сам по себе нет, если слабое место в harness. Более сильная модель не вызовет инструменты, которых продукт ей не даёт, и не прочитает данные, к которым у неё нет доступа. Мы советуем выписать, что нужно задаче (инструменты, память, доступ к данным, рабочий цикл), исправить то, чего не хватает, и только потом сравнивать модели на одной и той же задаче.
Как идея harness связана с GEO?
Когда ChatGPT, Claude или Perplexity отвечает на коммерческий вопрос, его harness решает, искать ли в интернете. Если поиск запускается, он находит страницы, парсер извлекает текст, а модель составляет ответ. GEO готовит к этим шагам ваш сайт и внешние источники, которые вас описывают, чтобы ассистенты могли вас найти, прочитать и процитировать.
Значит, можно не смотреть, какая LLM внутри инструмента?
Нет, модель всё равно важна. Считайте её одним из нескольких факторов. Сначала спросите, подходит ли harness вашей задаче: роль, инструменты, доступ к вашим данным, устройство рабочего цикла. Модель часто можно заменить потом, поэтому мы советуем сначала решить, каким должен быть harness.
Материалы по теме
Источники
- 01Anthropic — анонс Claude Tag (23 июня 2026)
- 02Anthropic — обзор Claude Managed Agents (как Anthropic использует термин «agent harness»)
- 03Cursor — документация по Cloud Agents (прежнее название — Background Agents)
- 04Исследование Принстона (Aggarwal и соавторы, 2023): «GEO: Generative Engine Optimization», arXiv:2311.09735
- 05Наше исследование: какие страницы цитируют ИИ-ассистенты (569 ссылок, четыре ассистента, 14–15 сентября 2026)
- 06Наше исследование: откуда ChatGPT берёт рейтинги компаний (проверка карты и рейтингов, 27 сентября 2026)
- 07Наш гайд: как добиться цитирования в Gemini и Google AI Mode (с проверкой приложения Gemini и AI Mode 14 сентября 2026)
- 08Наш кейс: шесть чистых прогонов по многоязычным промптам о GEO (13 и 17 августа 2026)
// поделиться
Как процитировать эту страницу
Материалы можно цитировать и использовать со ссылкой на эту страницу.
“Почему вопрос «Какую LLM вы используете?» — не тот?” — GET-GEO.AI, 2026-11-18. https://get-geo.ai/ru/guides/model-vs-harness