Репост из: Refat Talks: Tech & AI
Reverse Engineering контента
Как навык разборки текстов на запчасти поможет думать структурнее, сделает контент сильнее и даже может улучшить ваши AI-приложения.
В мире софта reverse engineering - это когда берешь готовый софт и восстанавливаешь из него исходный код, или хотя бы принцип устройства. С текстом можно делать то же самое.
Те, кто пишет, знают цепочку: тезис → хук → outline → аргументы → текст. Reverse engineering контента - это тот же процесс, но в обратную сторону. Берем чужой текст и разбираем на составляющие: какой тезис, какой фреймворк (AIDA? PAS?), как устроен хук, почему примеры расставлены именно так и т.д.
В CS это называют argument mining, в копирайтинге copy teardown (+ swipe file), в лингвистике - reverse outlining. Суть одна: любой текст можно разобрать обратно на чертеж.
И это полезно не только для тех, кто пишет нон-фикшн. Промпты, документы, спеки, посты, сценарии - благодаря GenAI мы все теперь работаем с текстом постоянно. А LLM генерирует токен за токеном, "вперед", не планируя структуру заранее. Чем точнее вы задаете структуру в промпте, тем лучше результат.
Где применять:
- Для себя: читать тексты, которые впечатлили, не как потребитель, а как аналитик. Какой тезис? Как зацепили в первом абзаце? Какова структура? Накапливаете библиотеку паттернов, которые потом используете сами.
- На работе: например, reverse-engineering контента конкурентов, понять структуру: какие хуки работают, как дозируется экспертиза, какой ритм. Эдакий рецепт. Потенциально может сильно прокачать ваш маркетинг.
- В AI-продуктах: извлечь ключевые возражения из записи sales-звонка, разобрать маркетинговое письмо конкурента на паттерны, cгенерировать драфт по структуре образца. Все это - варианты одной операции: текст → структура.
Пример упрощенного промпта:
Кстати, кмк, этот подход и онтологии решают одну задачу: движение от шума к структуре, но с разных сторон. Онтология - сверху вниз: задаете сущности и правила. Reverse engineering - снизу вверх: извлекаете структуру из готового текста.
Ресурсы для тех, кто хочет копнуть глубже:
- Rhetorical Structure Theory - классика лингвистики, основа NLP-подходов к структуре текста
- Swipe Files и Copy Analysis - это целая экосистема в мире копирайтинга, вот например большой портал с разборами
- Есть и AI стартапы на эту тему, например infranodus.com или maxqda.com
Так что да, у любого текста может быть чертеж, а каждый текст, который вас зацепил - может стать частью вашей личной методики.
Как навык разборки текстов на запчасти поможет думать структурнее, сделает контент сильнее и даже может улучшить ваши AI-приложения.
В мире софта reverse engineering - это когда берешь готовый софт и восстанавливаешь из него исходный код, или хотя бы принцип устройства. С текстом можно делать то же самое.
Те, кто пишет, знают цепочку: тезис → хук → outline → аргументы → текст. Reverse engineering контента - это тот же процесс, но в обратную сторону. Берем чужой текст и разбираем на составляющие: какой тезис, какой фреймворк (AIDA? PAS?), как устроен хук, почему примеры расставлены именно так и т.д.
В CS это называют argument mining, в копирайтинге copy teardown (+ swipe file), в лингвистике - reverse outlining. Суть одна: любой текст можно разобрать обратно на чертеж.
И это полезно не только для тех, кто пишет нон-фикшн. Промпты, документы, спеки, посты, сценарии - благодаря GenAI мы все теперь работаем с текстом постоянно. А LLM генерирует токен за токеном, "вперед", не планируя структуру заранее. Чем точнее вы задаете структуру в промпте, тем лучше результат.
Где применять:
- Для себя: читать тексты, которые впечатлили, не как потребитель, а как аналитик. Какой тезис? Как зацепили в первом абзаце? Какова структура? Накапливаете библиотеку паттернов, которые потом используете сами.
- На работе: например, reverse-engineering контента конкурентов, понять структуру: какие хуки работают, как дозируется экспертиза, какой ритм. Эдакий рецепт. Потенциально может сильно прокачать ваш маркетинг.
- В AI-продуктах: извлечь ключевые возражения из записи sales-звонка, разобрать маркетинговое письмо конкурента на паттерны, cгенерировать драфт по структуре образца. Все это - варианты одной операции: текст → структура.
Пример упрощенного промпта:
Ты - эксперт по reverse outlining и argument mining. Проведи структурную декомпозицию текста. Извлеки:
1. ТЕЗИС: центральная идея в одном предложении
2. ХУК: тип (история/вопрос/статистика/bold claim/pain point/curiosity gap) + целевая эмоция
3. ФРЕЙМВОРК: какой паттерн лучше описывает структуру: AIDA | PAS | PASTOR | BAB | problem-solution | narrative arc | др. Укажи ключевые маркеры в тексте.
4. КАРТА АРГУМЕНТАЦИИ: для каждого смыслового блока: (Claim, Evidence type, cвязь с предыдущим блоком и тд).
5. РИТОРИКА: Ethos, Pathos, Logos - с пояснением.
...
Кстати, кмк, этот подход и онтологии решают одну задачу: движение от шума к структуре, но с разных сторон. Онтология - сверху вниз: задаете сущности и правила. Reverse engineering - снизу вверх: извлекаете структуру из готового текста.
Ресурсы для тех, кто хочет копнуть глубже:
- Rhetorical Structure Theory - классика лингвистики, основа NLP-подходов к структуре текста
- Swipe Files и Copy Analysis - это целая экосистема в мире копирайтинга, вот например большой портал с разборами
- Есть и AI стартапы на эту тему, например infranodus.com или maxqda.com
Так что да, у любого текста может быть чертеж, а каждый текст, который вас зацепил - может стать частью вашей личной методики.