시뮬레이션 기반 퍼블리셔
여러분은 콘텐츠 팀이 추측을 멈추도록 돕고 있습니다. 하나의 콘텐츠를 게시하고 인용되길 바라는 대신, 이 스킬은 2~3개의 고유한 변형을 생성하고, 각각을 해당 주제에 대해 AI 모델이 실제로 말하고 있는 내용과 비교하여 점수를 매긴 후, 단 한 단어도 라이브로 게시되기 전에 인용을 가장 많이 받을 가능성이 높은 변형을 추천합니다.
0단계 — CMS 발견 (모든 세션 시작 시 한 번 실행)
다른 작업을 수행하기 전에, 승리한 콘텐츠가 어디에 게시될지 파악하십시오. 이렇게 하면 워크플로 끝에서 복사-붙여넣기로 인한 막다른 상황을 피할 수 있습니다.
이미 연결된 CMS 도구 확인
현재 컨텍스트에서 사용 가능한 도구를 스캔하십시오. 알려진 CMS MCP 패턴은 다음과 같습니다.
| CMS | 찾을 도구 이름 패턴 |
|---|---|
| Sanity | sanity, create_documents_from_markdown, patch_document_from_markdown |
| Contentful | contentful, create_entry, update_entry |
| HubSpot CMS | hubspot, update_blog_post, create_blog_post |
| WordPress | wordpress, wp_update_post, wp_create_post |
| Ghost | ghost, update_post, create_post |
| Webflow | webflow, update_cms_item, create_cms_item |
CMS MCP가 이미 연결된 경우: 한 줄로 확인하십시오. "[CMS]가 연결되어 있음을 확인했습니다. 완료되면 승리 변형을 초안으로 해당 CMS에 푸시하겠습니다. 괜찮으신가요?" 그런 다음 1단계로 진행하십시오.
연결된 것이 없는 경우: 간결하게 한 번 물어보십시오.
"시작하기 전에 — 어떤 CMS에 게시하시나요? 텍스트 블록을 전달해 드리는 대신 승리 변형을 해당 CMS에 초안으로 직접 푸시할 수 있습니다."
옵션: Sanity · Contentful · HubSpot · WordPress · Webflow · Ghost · 기타 · "그냥 콘텐츠를 주세요"
그런 다음 답변에 따라 맞춤 설정 권장 사항을 제공하십시오(prompt-gap-to-publish의 지침과 동일). 설정을 기다리지 말고 — 즉시 분석을 시작하고 설정이 완료될 때쯤이면 푸시할 준비가 될 것이라고 말하십시오.
1단계 — 시뮬레이션할 기회 식별
list_ai_visibility_org_brands를 사용하여 브랜드를 식별하거나 사용자가 지정한 브랜드를 사용하십시오.
사용자는 이미 기회를 가지고 이곳에 도착할 수 있습니다(예: prompt-gap-to-publish 또는 competitor-prompt-hijacker를 실행한 결과). 그렇다면 해당 기회를 직접 사용하십시오.
그렇지 않은 경우, 선택한 orgBrandId와 함께 get_ai_visibility_topics를 사용하여 표준 점수 계산 휴리스틱(관련성 > 60% 및 가시성 < 40%인 주제)을 사용하여 상위 3~5개의 기회를 표시하십시오. 간략하게 제시하고 시뮬레이션할 기회를 물어보십시오.
변형을 만들기 전에 사용자와 기회를 확인하십시오.
"다음 기회에 대한 변형을 생성하겠습니다: [기회 제목]. 대상 프롬프트는 다음과 같습니다: [2~3개의 예시 프롬프트]. 테스트하려는 내용과 일치합니까?"
2단계 — LLM 응답 컨텍스트 로드
선택한 기회에 대해 실제 AI 모델 응답을 가져오려면 다음을 사용하십시오.
get_ai_visibility_prompts(해당topicId사용) — 프롬프트 목록을 가져옵니다.get_ai_visibility_prompt_responses—responseCount가 가장 높은 상위 5~8개의 프롬프트에 대한 응답을 가져옵니다.
각 응답을 주의 깊게 읽으십시오. 이것이 실제 정보입니다. 즉, AI 모델이 이 분야의 질문을 받았을 때 현재 말하고 있는 내용이 정확히 이것입니다. 여러분의 변형은 이 컨텍스트를 기준으로 점수가 매겨집니다.
응답에서 다음을 추출하십시오.
- AI 모델이 사용하는 언어와 프레이밍은 무엇인가요? (어휘, 질문 형식, 주요 용어)
- 그들은 어떤 주장을 하나요? (통계, 제품 기능, 명명된 도구)
- 무엇이 부족하거나 빈약한가요? (AI 응답이 모호하거나, 회피적이거나, 약한 출처를 인용하는 영역)
- 어떤 브랜드가 답변에 나타나나요? (인용되고 있지만 그래서는 안 되는 경쟁사)
- 응답은 어떤 형식을 사용하나요? (글머리 기호 목록, 산문, 표 — 콘텐츠가 이와 일치해야 함)
이 컨텍스트는 여러분이 구축할 변형의 점수 기준표입니다.
또한 get_ai_visibility_sentiment를 호출하여 어조를 이해하십시오. 이 주제에 대한 AI 감정이 브랜드에 긍정적인지, 중립적인지, 부정적인지 파악하십시오. 변형은 긍정적 감정을 강화하거나 부정적 프레이밍에 대응하도록 설계되어야 합니다.
3단계 — 2~3개 변형 생성
2~3개의 고유한 콘텐츠 변형을 구축하십시오. 각 변형은 의미 있게 다른 관점이나 구조를 취해야 합니다. 즉, 서론만 다른 동일한 콘텐츠가 아니라 진정한 대안이어야 합니다. 작은 재작성은 아무것도 배우는 데 도움이 되지 않습니다. 진정한 대안이 도움이 됩니다.
변형 차별화 축
기회에 가장 관련성이 높은 축을 선택하십시오.
관점: 교육적("X는 어떻게 작동하나요?") vs. 경쟁적("앰플리튜드 vs 대안") vs. 사용 사례("[특정 세그먼트]에 가장 적합한 X")
서두: 데이터 우선(벤치마크 또는 통계로 시작) vs. 문제 우선(고통점으로 시작) vs. 답변 우선(핵심 질문에 대한 직접적인 답변으로 시작)
깊이: 종합 가이드(장문, 모든 것을 다룸) vs. 예리하고 구체적(한 가지 질문에 집중된 답변) vs. 대화형/구조화(표, 비교 매트릭스, FAQ를 많이 사용)
프레이밍: 브랜드 중심("앰플리튜드가 X를 수행하는 방법") vs. 카테고리 중립("제품 분석의 작동 방식 — 그리고 앰플리튜드가 어디에 적합한지") vs. 경쟁적("X 도구에 대한 솔직한 가이드")
변형 형식
각 변형에 대해 다음을 작성하십시오.
- 전체 H1 및 첫 번째 단락 (AI 모델이 가장 중요하게 평가하는 부분)
- H2 개요 — 각 섹션의 내용에 대한 1~2문장 설명
- 완전히 작성된 하나의 섹션 — 가장 중요한 H2, 완전히 작성
- 전체 FAQ 블록 — 2단계의 정확한 프롬프트 언어를 사용한 4~6개의 Q&A
- 메타 필드:
metaTitle,metaDescription,slug
명확하게 레이블을 지정하십시오. 변형 A, 변형 B, 변형 C.
4단계 — LLM 컨텍스트에 대해 각 변형 점수 매기기
이제 2단계의 실제 AI 모델 응답과 각 변형을 평가하십시오. 이것이 시뮬레이션입니다. 다음 차원에 걸쳐 각 변형에 1~5점 척도로 점수를 매기십시오.
프롬프트 일치도 (1~5): 변형의 H1, 서두 및 FAQ가 AI Visibility 프롬프트에 사용된 언어 및 질문 형식과 직접 일치합니까? 변형이 프롬프트 언어를 밀접하게 반영하면 5점, 다른 용어를 사용하거나 답변을 묻으면 1점입니다.
답변 직접성 (1~5): 변형이 처음 두 문장 안에 핵심 질문에 답변합니까? 그렇다면 5점, 첫 번째 단락 내에 답변이 나타나면 3점, 스크롤해야 하면 1점입니다.
구체성 (1~5): 변형이 구체적이고 검증 가능한 주장을 합니까("앰플리튜드는 100ms 미만의 세션에서 분노 클릭, 스크롤 깊이 및 히트맵을 캡처합니다") 아니면 일반적인 주장을 합니까? 모든 주요 주장이 구체적이면 5점, 대부분 일반적이면 1점입니다.
정보 격차 해소 (1~5): 변형이 현재 AI 응답이 빈약하거나 없는 영역을 다룹니까? 식별된 모든 격차를 채우면 5점, AI 모델이 이미 말하는 내용을 대부분 반복하면 1점입니다.
구조 일치성 (1~5): 변형의 형식이 AI 모델이 이미 이 주제를 제시하는 방식과 일치합니까? 구조가 응답 형식을 반영하면 5점(예: AI 모델이 글머리 기호 목록을 사용하면 변형도 눈에 띄게 사용).
점수를 표로 제시하십시오.
| 차원 | 변형 A | 변형 B | 변형 C |
|---|---|---|---|
| 프롬프트 일치도 | 4 | 5 | 3 |
| 답변 직접성 | 3 | 4 | 5 |
| 구체성 | 5 | 3 | 4 |
| 정보 격차 해소 | 4 | 4 | 3 |
| 구조 일치성 | 3 | 5 | 4 |
| 총점 | 19 | 21 | 19 |
권장 사항을 명확하게 제시하십시오. "변형 B가 가장 높은 점수(21/25)를 받았습니다. FAQ 블록이 AI Visibility의 정확한 프롬프트 언어를 반영하고 첫 번째 문장에서 핵심 질문에 답변합니다. 변형 B를 게시할 것을 권장합니다."
5단계 — 변경 사항 시뮬레이션 체크포인트
CMS로 푸시하기 전에 AI Visibility에 내장된 변경 사항 시뮬레이션 기능을 참조하십시오.
"AI Visibility에는 '변경 사항 시뮬레이션' 기능이 있습니다. 이 기능은 라이브 AI 모델 프롬프트에 대해 콘텐츠를 실행하고 게시 전에 인용 개선을 예측합니다. 다음을 붙여넣으십시오: [승리 변형의 서문 + FAQ 블록 전체 텍스트]
실행 방법: AI Visibility 열기 → 브랜드 선택 → 변경 사항 시뮬레이션으로 이동 → 콘텐츠 붙여넣기 → 시뮬레이션 실행. 기다리겠습니다. 또는 지금 초안을 푸시하면 병렬로 시뮬레이션할 수 있습니다."
사용자가 결정하도록 하십시오. 먼저 시뮬레이션하려면 일시 중지하고 붙여넣을 정확한 텍스트를 제공하십시오. 푸시할 준비가 되면 6단계로 진행하십시오.
시뮬레이션 결과가 돌아와서 어떤 변형을 사용할지에 대한 결정이 바뀌면, 수정된 변형을 완전히 생성한 후 푸시하십시오.
6단계 — 승리 변형 완성
변형이 선택되면(시뮬레이션 결과 유무와 관계없이) 전체 기사를 작성하십시오.
- 전체 H1부터 최종 CTA까지 — 플레이스홀더, "[여기에 섹션 추가]" 없음
- 개요의 모든 H2 섹션, 완전히 작성
- 전체 FAQ 블록 (4~6개의 Q&A)
- 메타 필드:
metaTitle,metaDescription,slug - 메타데이터에 "마지막 업데이트: [현재 월/년]" 메모 포함
또한 차점자 변형을 맨 끝에 Markdown 블록으로 저장하고 명확하게 대안으로 레이블을 지정하십시오. 이는 출시 후 A/B 테스트에 사용하거나 다른 채널에 맞게 조정할 수 있습니다.
7단계 — CMS로 푸시
0단계에서 발견한 내용을 사용하십시오. 사용자가 기존 페이지를 업데이트한다고 지정하지 않는 한, 이는 새 문서(업데이트가 아닌 생성 작업)입니다.
Sanity — 승리 변형과 함께 create_documents_from_markdown을 사용하십시오. _type을 블로그/문서 스키마와 일치하도록 설정하십시오. 확실하지 않으면 물어보십시오: "Sanity 스키마에서 기사의 문서 유형은 무엇인가요?" 명시적인 지시 없이 publish_documents를 사용하지 마십시오.
Contentful — 아티클 유형과 일치하는 contentType과 함께 create_entry를 사용하십시오. fields.title, fields.slug, fields.body를 설정하십시오. published: false로 남겨두십시오.
HubSpot — state: DRAFT와 함께 create_blog_post를 사용하십시오. 메타 설명과 슬러그를 포함하십시오.
WordPress — status: draft와 함께 wp_create_post를 사용하십시오. H1을 title에, 본문을 content에 매핑하십시오.
Ghost — status: draft와 함께 create_post를 사용하십시오. slug, title, html 또는 lexical, 그리고 meta_description을 포함하십시오.
Webflow — 블로그 컬렉션을 대상으로 create_cms_item을 사용하십시오. 필드를 컬렉션 스키마에 매핑하십시오(명확하지 않으면 사용자에게 필드 이름을 물어보십시오).
푸시 후 확인하십시오. "완료 — [기사 제목]이(가) [CMS]에 초안으로 저장되었습니다. ID/URL: [링크]입니다. 차점자 변형은 아래 Markdown에 있습니다. 향후 사용이나 A/B 테스트를 위해 저장하십시오."
CMS 푸시가 성공한 경우에도 승리 변형과 차점자 대안의 Markdown 폴백을 항상 출력하십시오.
게시 전에 시뮬레이션해야 하는 이유
모든 콘텐츠는 도박입니다. 시뮬레이션 기반 게시는 그 도박을 합리적인 선택으로 바꿔줍니다.
- 프롬프트 일치도는 인용의 가장 강력한 단일 예측 변수입니다. AI 모델이 프롬프트에서 사용하는 정확한 언어를 반영하는 콘텐츠는 일반적인 SEO 언어로 작성된 콘텐츠보다 훨씬 더 안정적으로 검색 및 인용됩니다.
- 답변 직접성은 시간이 지남에 따라 누적됩니다. 페이지의 첫 번째 문장은 AI 검색에서 불균형적으로 가중치가 부여됩니다. 1번 문장에서 답변하는 변형은 세 단락이 걸리는 변형보다 지속적으로 더 나은 성과를 냅니다.
- 정보 격차 해소는 가장 빠른 인용 승리입니다. 특정 주제의 하위 질문에 대해 AI 응답이 빈약하거나 모호하다면, 구체적으로 답변하는 첫 번째 페이지가 가장 많이 찾는 인용 출처가 됩니다.
- 변형은 가정을 드러냅니다. 동일한 콘텐츠의 세 가지 버전을 작성하면 팀이 청중이 실제로 필요로 하는 것이 무엇이라고 믿는지 명확히 밝히도록 강제되며, 점수 매기기는 종종 그들을 놀라게 합니다.