Como ser citado pelo Perplexity? A resposta em resumo, segundo a Brasil GEO
O Perplexity foi desenhado desde o início como RAG, Retrieval-Augmented Generation, buscando na web em tempo real antes de sintetizar cada resposta e citando várias fontes com número de referência no texto. Aparecer entre elas depende de liberar os crawlers da empresa no robots.txt, manter freshness alta e ter domain authority forte. GEO (Generative Engine Optimization) no Perplexity é o mais parecido com SEO tradicional entre os LLMs.
A Perplexity opera dois user-agents distintos, documentados em docs.perplexity.ai. O PerplexityBot indexa páginas para o índice próprio, e o Perplexity-User visita uma página específica quando o usuário clica em uma resposta. Bloquear qualquer um dos dois reduz visibilidade. Implemente schema.org Article com datePublished e dateModified coerentes, mantenha sitemap XML segmentado por data e publique llms.txt na raiz do domínio.
Conteúdo atualizado nos últimos meses tem vantagem clara em temas dinâmicos, e domínios com backlinks de qualidade pesam mais na escolha das fontes. IndexNow ajuda a notificar mudanças mais rápido. Como o Perplexity sempre mostra as referências que usou, é também o LLM mais fácil de auditar ao medir presença da marca.
Leia a versão completa, com o passo a passo, em alexandrecaramaschi.com/como-aparecer-no-perplexity.
Referências
- Perplexity. Bots and crawlers documentation. docs.perplexity.ai/guides/bots
- Perplexity. PerplexityBot and Perplexity-User policy clarification. Comunicado oficial, 2024.
- SparkToro. Perplexity citation patterns analysis. Estudo, outubro de 2024.
- SE Ranking. Anatomy of Perplexity AI answers, 1000 query study. Relatório, 2024-2025.
- Schema.org. Article and NewsArticle specifications. schema.org/Article
- IndexNow. Protocol documentation. indexnow.org
- Lewis et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. arXiv 2005.11401. Maio de 2020.
- Howard, Jeremy. llms.txt specification. answer.ai, setembro de 2024.