Cara Memakai Jev untuk SEO dan GEO: Search Intent, Penilaian Passage, dan Pelacakan Jawaban AI

Tipe pertanyaan Jev mana yang cocok untuk tugas SEO dan GEO apa?

Bagaimana cara memakai Jev untuk SEO dan GEO?

1. 1

   Ambil API key dan instal SDK

   Buat key di console.typesafe.ai/keys lalu export sebagai TYPESAFE_API_KEY; SDK membacanya dari sana. SDK Python butuh Python 3.10 atau lebih baru; SDK JavaScript (@typesafe-ai/sdk) butuh Node.js 20 atau lebih baru. Sebelum menulis kode, coba satu pertanyaan di Playground (console.typesafe.ai/playground) untuk melihat bentuk jawabannya. Pakai alias model jev-latest. Response menyebut versi persis yang menjawab (misalnya jev-1.13.0); simpan bersama hasil Anda, karena output bisa berubah antar rilis.

   export TYPESAFE_API_KEY="your-api-key"
   
   python3 -m venv .venv
   .venv/bin/pip install typesafe-sdk

2. 2

   Klasifikasikan search intent untuk daftar keyword Anda

   Ekspor keyword dari Search Console atau tool keyword ke keywords.csv lalu jalankan masing-masing lewat pertanyaan Choice dengan empat intent (skrip lengkap ada di contoh di bawah). Tulis setiap opsi sebagai deskripsi, bukan sekadar label: Jev memutuskan dari deskripsinya, dan criterion yang dibiarkan null dinilai dari namanya saja. Simpan confidence di samping setiap baris dan kirim yang di bawah batas Anda ke manusia. Intent menentukan jenis halaman yang Anda buat, jadi keyword yang salah klasifikasi merugikan satu halaman, bukan satu sel.

3. 3

   Nilai setiap passage untuk kesiapan menjawab (GEO)

   AI answer engine mengutip passage, bukan halaman. Untuk setiap pertanyaan yang ditargetkan sebuah halaman, kirim query dan passage bersama-sama sebagai state lalu ajukan pertanyaan Score: seberapa baik passage ini menjawab query secara mandiri, kalau dikutip tanpa sisa halaman? Tambahkan dua cek Noul: apakah kalimat pertama menjawab query, dan apakah passage memberi angka, langkah, tanggal, atau nama yang konkret? Tulis ulang passage yang nilainya rendah, lalu nilai lagi. Ini mengukur rubrik Anda, bukan ranking engine mana pun, jadi anggap sebagai checklist yang bisa diskalakan, bukan prediksi kutipan.

4. 4

   Pilih antara dua judul atau snippet untuk sebuah query

   Saat Anda punya dua kandidat judul, meta description, atau paragraf pembuka, taruh query dan kedua kandidat di state lalu ajukan pertanyaan Choice dengan opsi a dan b. Probabilitasnya menunjukkan seberapa jelas preferensinya: 0,9 lawan 0,1 adalah keputusan, 0,55 lawan 0,45 adalah lempar koin yang sebaiknya Anda putuskan sendiri atau lewat tes live. Ajukan pertanyaan yang sama dengan a dan b ditukar untuk menangkap bias posisi sebelum memercayai hasilnya.

5. 5

   Beri label pada jawaban AI yang Anda kumpulkan untuk prompt Anda

   Jev tidak bertanya ke ChatGPT, Perplexity, atau Gemini, dan tidak menjelajah web. Kumpulkan sendiri jawaban mereka untuk sekumpulan prompt tetap yang biasa ditanyakan pembeli Anda, lalu kirim setiap jawaban ke Jev dengan pertanyaan Choice tentang perlakuannya terhadap brand Anda (direkomendasikan, disebut, hanya kompetitor, tidak muncul) dan pertanyaan Noul tentang apakah framing-nya positif. Jalankan prompt yang sama dengan jadwal yang sama agar label bisa dibandingkan dari minggu ke minggu. Apakah domain Anda muncul di sumber yang dikutip adalah pencocokan string persis: lakukan di kode, bukan dengan Jev.

6. 6

   Tandai draf tulisan AI sebelum terbit

   Kalau draf Anda ditulis LLM, taruh Jev di antara penulis dan CMS. Ajukan pertanyaan Noul yang menangkap kegagalan yang merugikan SEO dan GEO: draf menyebut angka tanpa menyebut sumbernya; intro hanya mengulang judul tanpa menambah informasi; draf menjawab pertanyaan yang berbeda dari target query. Kirim yang di atas batas Anda ke editor, jangan langsung diblokir. Jev menandai; manusia memutuskan.

7. 7

   Tentukan ambang batas dari contoh berlabel milik Anda

   Beri label manual pada 50 sampai 100 contoh untuk setiap pertanyaan (keyword dengan intent yang akan Anda pilih, passage yang akan atau tidak akan Anda kutip) lalu jalankan Jev atas contoh itu. Pilih batas di mana jawabannya cukup sering sama dengan jawaban Anda, sesuai mahalnya sebuah kesalahan. TypeSafe menjelaskan probabilitasnya terkalibrasi secara agregat: dari banyak jawaban, 0,8 seharusnya benar sekitar 80% dari waktu, dan satu jawaban tetap bisa salah. Confidence menggambarkan seberapa terkonsentrasi probabilitasnya, bukan apakah jawabannya benar, jadi ia pemicu review, bukan ukuran akurasi.

8. 8

   Opsional: berikan skill TypeSafe ke coding agent Anda

   Kalau Anda membuat skrip ini dengan Claude Code atau coding agent lain, instal skill resmi TypeSafe supaya agent mengenal API-nya, bukan menebak. Instalasi default-nya lokal per project; tambahkan -g untuk instal global. Lalu minta agent membuat salah satu skrip di atas dan review hasilnya dengan contoh di panduan ini.

   # Claude Code
   claude plugin marketplace add typesafe-ai/skills
   claude plugin install typesafe@typesafe-ai
   
   # other agents
   npx skills add typesafe-ai/skills --skill typesafe-ai

Skrip yang siap disalin

import csv
from typesafe_sdk import Choice, TypeSafeClient

INTENT = Choice(
    instructions="The main search intent behind this query",
    criteria={
        "informational": "Wants to learn or understand something",
        "commercial": "Comparing products, brands, or options before buying",
        "transactional": "Ready to buy, sign up, or download now",
        "navigational": "Looking for one specific site, brand, or page",
    },
)
REVIEW_BELOW = 0.6  # starting point; set yours from labeled examples

with TypeSafeClient(model="jev-latest") as client, \
        open("keywords.csv") as src, open("intent.csv", "w", newline="") as dst:
    out = csv.writer(dst)
    out.writerow(["keyword", "intent", "confidence", "needs_review", "model"])
    for row in csv.DictReader(src):
        r = client.system_one(state=row["keyword"], questions={"intent": INTENT})
        a = r.choices["intent"]
        out.writerow([row["keyword"], a.choice, round(a.confidence, 2),
                      a.confidence < REVIEW_BELOW, r.model])

from typesafe_sdk import Noul, Score, TypeSafeClient

query = "how to reset a router to factory settings"
passage = open("passage.txt").read()

with TypeSafeClient(model="jev-latest") as client:
    r = client.system_one(
        state={"query": query, "passage": passage},
        questions={
            "readiness": Score(
                instructions="How well the passage answers the query on its own, "
                             "if quoted without the rest of the page",
                criteria=[
                    "Does not answer the query",
                    "Mentions the topic, but the answer is vague or buried",
                    "Answers the query, but needs surrounding context to make sense",
                    "Answers the query directly and completely, self-contained",
                ],
            ),
            "answer_first": Noul(
                instructions="The first sentence of the passage directly answers the query"),
            "specific": Noul(
                instructions="The passage gives a concrete figure, step, date, or name "
                             "rather than general statements"),
        },
    )

readiness = r.scores["readiness"]
print("readiness", round(readiness.score, 2), "of 3", readiness.probabilities)
print("answer_first", r.nouls["answer_first"].noul)
print("specific", r.nouls["specific"].noul)

curl --fail-with-body --silent --show-error \
  https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  --data-binary @- <<'JSON'
{
  "model": "jev-latest",
  "state": {
    "brand": "Acme CRM",
    "prompt": "best CRM for a 10-person sales team",
    "answer": "<paste the AI answer here>"
  },
  "questions": {
    "brand_status": {
      "type": "choice",
      "instructions": "How the answer treats the brand",
      "criteria": {
        "recommended": "The brand is recommended or listed as a top pick",
        "mentioned": "The brand is named, but not recommended",
        "competitors_only": "Other products are named; the brand is not",
        "absent": "No product or brand is named"
      }
    },
    "favorable": {
      "type": "noul",
      "instructions": "Where the brand is named, it is described favorably"
    }
  }
}
JSON

Cara menulis pertanyaan Jev yang bisa diandalkan

• Deskripsikan setiap opsi

  Criterion Choice dengan deskripsi lebih baik daripada yang hanya nama. "commercial: membandingkan produk sebelum membeli" menyisakan lebih sedikit ruang tafsir daripada "commercial".

• Urutkan level Score dari terendah ke tertinggi

  Score bersifat ordinal. Setiap level harus punya posisi nyata pada satu skala, dijelaskan dengan kata-kata. Mencampur dua dimensi (panjang dan akurasi) dalam satu rubrik menghasilkan angka yang tidak berarti keduanya.

• Ajukan beberapa pertanyaan dalam satu panggilan

  Pertanyaan berbagi satu state, jadi intent, jenis halaman, dan cek off-topic untuk keyword yang sama sebaiknya ada dalam satu request. Input token ditagih; menurut dokumentasi API TypeSafe, output token saat ini gratis.

• Simpan aritmetika dan aturan pasti di kode

  Selisih klik, CTR, jumlah kata, dan "apakah URL ini berisi domain kita" adalah urusan kode. Jev untuk penilaian yang tidak bisa dibuat regex.

• Jaga state tetap pendek

  Kirim passage, snippet, atau jawaban yang sedang dinilai, bukan seluruh halaman. Konteks panjang lebih lambat dan kurang akurat, dan butuh header opt-in tambahan.

Pertanyaan yang sering diajukan