Сравнения
Что выбрать: разборы «X vs Y» по стандартам AI-готовности — различия, когда что применять и можно ли использовать вместе.
- A2A vs MCP: чем различаются MCP соединяет агента с инструментами, A2A — агентов между собой. Разные оси, дополняют друг друга.
- AI bot rules vs Content Signals: доступ или использование AI bot rules решают, можно ли боту обходить сайт; Content Signals — можно ли использовать контент для обучения/поиска/ответов. Разные вопросы.
- GEO vs SEO: дополнение или замена? Чем GEO (оптимизация под AI-ответы) отличается от классического SEO, что общего, и почему делать стоит оба — через одну техническую работу.
- llms.txt vs ai-agent.json: что и зачем llms.txt — кураторская карта контента для LLM; ai-agent.json — манифест идентичности и возможностей. Разные задачи — нужны оба.
- MCP vs OpenAPI: что выбрать для агентов OpenAPI описывает HTTP-эндпоинты, MCP даёт агенту инструменты в стандартном протоколе. Это разные слои — часто используются вместе.
- Schema.org vs Markdown for Agents: факты или контент Schema.org описывает структурированные факты, Markdown отдаёт чистый контент для LLM. Разные слои — работают вместе.
- Static vs Dynamic agent-card: статичный файл или SSR Статичный agent-card.json проще, кешируемее и надёжнее; SSR нужен только если данные реально меняются по запросу. Для большинства — static.