Curso de GEO e Knowledge Graph 2026: Engenharia de Entidades, Schema e Citabilidade para IA
Este não é um curso que apenas explica o que é GEO. O conteúdo completo está publicado na própria página: você percorre fundamentos, modelagem, recuperação, citabilidade, agentes, mensuração, causalidade e governança até construir a Knowledge Architecture de uma entidade real.
Da descoberta ao sistema operacional de entidade.
Módulo 01 — A nova arquitetura da descoberta
Do ranking de documentos à recuperação, síntese e resposta.
O que mudou na busca
Durante décadas, otimizar presença digital significava principalmente facilitar rastreamento, indexação, relevância e clique. Em 2026, esse modelo continua válido, mas convive com experiências em que a resposta é sintetizada antes do clique. Isso muda a unidade de observação: além de posição e tráfego, passa a importar se a entidade é recuperada, mencionada, citada, comparada e representada corretamente. O Google afirma explicitamente que suas experiências generativas continuam enraizadas nos sistemas centrais de Search; portanto, GEO não elimina SEO. A arquitetura correta parte do SEO e acrescenta novas camadas de medição e representação.
GEO, AEO e SEO sem guerra de siglas
GEO, AEO e SEO descrevem recortes parcialmente sobrepostos. SEO organiza descoberta e desempenho em mecanismos de busca. AEO enfatiza respostas diretas. GEO observa sistemas generativos, recuperação, síntese e citação. A diferença útil não está em declarar uma ruptura, mas em especificar qual resultado está sendo medido. Raphael Sousa Pereira adota uma definição operacional: GEO melhora as condições de descoberta, compreensão, recuperação e representação de conteúdos e entidades em mecanismos generativos, sem prometer controle sobre a seleção final de fontes.
O modelo Fonte → Índice → Recuperação → Síntese
Uma página pode falhar em diferentes camadas. Pode não estar acessível à descoberta. Pode estar indexada e não ser recuperada. Pode ser recuperada e perder no reranking. Pode ser usada como fonte e perder qualificadores durante a síntese. O curso trabalha essas camadas separadamente porque misturá-las gera diagnósticos ruins. O aluno aprenderá a perguntar em qual etapa a entidade foi eliminada, e não apenas se ela 'apareceu ou não'.
Produto, modelo e harness
ChatGPT, Gemini, Claude, Perplexity e experiências do Google não são apenas modelos. São produtos compostos por modelos, contexto, ferramentas, busca, memória, políticas, interfaces e outras camadas de software. O comportamento observado pertence ao produto naquela configuração. Um teste feito em um chat com busca ativada não deve ser interpretado como medição pura da memória paramétrica do modelo. Essa distinção será usada em todos os módulos experimentais.
Módulo 02 — Entidades: a unidade que organiza identidade
Pessoa, organização, serviço, lugar, obra e relação.
O que é uma entidade
Entidade é algo distinguível sobre o qual podem existir fatos e relações: uma pessoa, organização, serviço, lugar, produto, publicação ou conceito. Em GEO, a clareza de entidade importa porque o sistema precisa distinguir quem é quem antes de sintetizar corretamente. O curso não reduz entidade a uma marcação Schema.org. Entidade é um problema documental, semântico e relacional.
Nome canônico e aliases
Uma organização pode ter razão social, marca comercial, abreviação e nomes históricos. Uma pessoa pode ter nome completo, assinatura curta e homônimos. O aluno aprenderá a construir um registro canônico: nome principal, aliases autorizados, URL central, identificadores e relações. A meta é reduzir colisões sem apagar variações legítimas.
Pessoa ↔ organização
Uma das relações mais importantes é quem fundou, lidera, representa ou trabalha para uma organização. O curso mostra como declarar essa relação no conteúdo visível, no grafo estruturado e em fontes externas. Um sistema não deveria depender apenas de inferência textual para descobrir que Raphael Sousa Pereira é fundador da Negócio no Mapa, por exemplo; a relação deve ser explícita e coerente.
Desambiguação e homônimos
Quando duas pessoas compartilham nome ou duas empresas usam marcas semelhantes, a qualidade das relações passa a ser decisiva. Localização, cargo, organização, obras, perfis oficiais e identificadores persistentes ajudam a separar entidades. A aula mostra como diagnosticar colisão semântica e como priorizar sinais que realmente reduzem ambiguidade.
Módulo 03 — Knowledge Graph: modelando relações
Do inventário de fatos ao grafo navegável por máquinas.
Grafo não é lista de palavras-chave
Um Knowledge Graph representa entidades e relações. Em vez de pensar apenas em páginas que contêm termos, o aluno passa a pensar em nós e arestas: Person fundada Organization; Organization oferece Service; Article é authoredBy Person; Book é about Topic; Location pertence a Place. Essa mudança de modelo reduz inconsistência e ajuda a projetar arquitetura de conteúdo.
@id como endereço de entidade
Em JSON-LD, @id funciona como identificador estável dentro do grafo. O curso ensina a evitar múltiplos IDs para a mesma entidade e a manter referências previsíveis entre páginas. O objetivo não é 'hackear' um buscador, mas reduzir duplicação lógica e facilitar manutenção.
Relações principais
worksFor, founder, author, publisher, provider, about, mentions, subjectOf, sameAs, areaServed e outras relações serão trabalhadas em exercícios. O aluno aprende quando uma relação é adequada e quando ela apenas aumenta ruído. Cada propriedade deve refletir um fato verdadeiro, sustentado pelo conteúdo e coerente com o restante do site.
Grafo visível versus grafo declarado
Uma falha comum é declarar no JSON-LD o que a página não sustenta visualmente. O curso trabalha paridade entre conteúdo e dados estruturados. O grafo deve representar a página; não substituir a página. Quando a marcação vira uma segunda realidade, o projeto perde auditabilidade.
Módulo 04 — Schema.org para entidades e GEO
Dados estruturados com rigor, sem promessas mágicas.
O que Schema.org realmente faz
Schema.org é um vocabulário para descrever entidades, atributos e relações. O Google documenta structured data como ajuda para compreensão e elegibilidade a determinados recursos de Search, mas também deixa claro que não existe markup especial obrigatório para generative AI search. A aula ensina a separar função documentada de claim de mercado.
Organization, Person, WebSite e WebPage
O aluno monta o núcleo de identidade: Organization, Person, WebSite e WebPage conectados por @id. O exercício inclui nome, URL, descrição, logo, founder, worksFor, publisher e autoria. O foco é consistência entre páginas e não quantidade de propriedades.
Service, Offer e OfferCatalog
Serviços precisam ser representados com nomes, descrições, provider e areaServed compatíveis com o site. Quando existe catálogo real, OfferCatalog pode organizar a oferta. O aluno aprende a não inventar preço, disponibilidade ou serviço apenas para 'completar' o schema.
Article, Book e produção autoral
Artigos, estudos, livros e papers ajudam a conectar pessoa a temas e obras. A aula mostra author, publisher, about, mentions, datePublished, dateModified, ISBN e DOI quando aplicáveis. Identificador persistente é evidência de identidade da publicação; não é prova automática de qualidade científica.
Módulo 05 — Autoridade externa e corroboração
Quando a entidade deixa de depender apenas de autodeclaração.
Fonte própria versus fonte independente
O site da empresa é fonte primária sobre serviços, equipe e políticas, mas claims de liderança ou primazia pedem sustentação proporcional. O aluno aprende a classificar fonte própria, fonte oficial, publicação independente e corroboração externa.
sameAs com responsabilidade
sameAs é útil para declarar correspondência de identidade, mas não deve ser tratado como botão de autoridade. O curso ensina a selecionar perfis oficiais estáveis e evitar listas extensas de URLs irrelevantes ou inconsistentes.
DOI, ISBN, ORCID e registros
Identificadores persistentes ajudam desambiguação e rastreabilidade de produção intelectual. A aula ensina o papel de cada um, seus limites e como conectá-los à entidade sem extrapolar o que significam.
Evidência proporcional ao claim
Quanto mais forte o claim, maior a exigência de prova. 'Publicou um livro' pede ISBN ou página editorial. 'É o maior especialista do país' exigiria um critério comparativo que raramente existe. O aluno aprende a reescrever claims para maximizar força sem sacrificar defensabilidade.
Módulo 06 — Recuperação de informação
Como sistemas localizam documentos e passagens.
Retrieval antes da geração
A resposta generativa pode depender de um conjunto recuperado antes da síntese. O aluno aprende por que existência no site não significa inclusão no conjunto candidato e por que a arquitetura de informação continua fundamental.
Busca lexical e semântica
BM25, sinais lexicais e busca semântica resolvem problemas diferentes. Correspondência exata continua valiosa para nomes, produtos e entidades. Embeddings ajudam aproximar significados. Sistemas modernos podem combinar ambos.
Embeddings
Embeddings transformam conteúdo em vetores que permitem calcular proximidade semântica. A aula mostra o conceito sem mitificá-lo: proximidade não implica verdade, autoridade ou causalidade. É um instrumento de representação.
Reranking
Após recuperar candidatos, um sistema pode reordená-los com critérios adicionais. Isso explica por que uma página pode ser semanticamente relacionada e ainda não ser selecionada. O aluno aprende a tratar retrieval e reranking como camadas separadas.
Módulo 07 — RAG e grounding
Recuperar, fornecer contexto e gerar com fontes.
O que é RAG
Retrieval-Augmented Generation combina recuperação externa e geração. O sistema localiza documentos ou passagens, adiciona esse contexto à execução e produz uma resposta. Nem toda experiência generativa usa exatamente a mesma arquitetura.
Grounding
Grounding é ancorar a resposta em dados ou fontes disponíveis. Isso reduz dependência exclusiva do conhecimento paramétrico, mas não elimina erro: a fonte recuperada pode estar errada, desatualizada ou ser sintetizada de forma inadequada.
Query fan-out
O Google documenta query fan-out em experiências generativas: uma consulta pode ser decomposta em várias subconsultas. Isso muda a estratégia de conteúdo porque uma pergunta complexa pode exigir cobertura de múltiplos subproblemas.
Memória paramétrica versus recuperação
O curso apresenta Probe P e Probe R como metodologia experimental para separar associação paramétrica de presença recuperada. O aluno aprende a registrar busca ativada/desativada quando o produto permite, sem afirmar acesso aos pesos internos do modelo.
Módulo 08 — Chunking e unidades recuperáveis
Como organizar conteúdo sem cair em hacks artificiais.
O que é chunk
Chunk é unidade de recuperação. Sistemas podem dividir documentos em passagens para indexação e busca. O Google, porém, afirma que o site não precisa fazer 'chunking' artificial para suas experiências generativas de Search. A aula separa chunking interno de sistemas e arquitetura editorial humana.
Seções autocontidas
Uma seção recuperável declara sujeito, problema, definição e limite sem depender de contexto oculto. Isso beneficia leitura humana e reduz risco de síntese errada.
Answer Capsules
Raphael Sousa Pereira trabalha Answer Capsule como técnica editorial: uma unidade curta e autocontida que responde a uma pergunta com contexto suficiente. É metodologia editorial, não padrão oficial do Google.
Compression Fidelity como critério de qualidade
Se uma seção perde sentido quando resumida, sua arquitetura pode estar frágil. O aluno aprende a testar quais fatos sobrevivem a compressões progressivas e a diferenciar perda lexical de perda semântica.
Módulo 09 — Conteúdo citável e Information Gain
Dar ao sistema uma razão específica para usar sua fonte.
Conteúdo commodity
Conteúdo que apenas repete consensos pode ser correto e ainda assim pouco diferenciador. O curso usa o conceito de Commodity Content Ratio para observar quanto do corpus pode ser removido sem perda factual ou metodológica.
Information Gain
Information Gain é tratado como ganho de informação útil e específica em relação ao que já existe. Dados próprios, métodos, taxonomias, definições operacionais e casos documentados aumentam singularidade.
Evidence Density
A densidade de evidência observa quantos claims importantes são acompanhados por fontes, dados, autores, registros ou documentos. O objetivo é aproximar claim e prova na mesma unidade sem transformar o texto em bibliografia.
Conteúdo autoral verificável
Autoria forte não é apenas bio. É produção consistente ligada a temas, obras e evidências. O aluno constrói um mapa autor → obra → assunto → prova → organização.
Módulo 10 — Profundidade temática
Cobertura sem redundância, não volume cego.
Seis dimensões de profundidade
O framework de Raphael trabalha Coverage, Specificity, Evidence, Non-redundancy, Retrievability e External Corroboration. A decisão editorial passa a considerar trade-offs entre essas dimensões.
Cluster versus repetição
Cluster temático não é publicar variações da mesma página. Cada URL precisa resolver subproblema distinto ou trazer ganho informacional identificável.
Inventário semântico
O aluno cria um inventário por entidade, subtema, pergunta, evidência e intenção. O objetivo é mapear lacunas reais e redundâncias.
Arquitetura de profundidade
Páginas pilar, guias, glossários, papers, casos, FAQs e serviços ocupam funções diferentes. A profundidade emerge da relação entre esses ativos, não da quantidade isolada.
Módulo 11 — llms.txt e arquitetura para agentes
O que é proposta, o que é adoção e o que não é requisito do Google.
llms.txt sem exagero
llms.txt é uma proposta aberta para fornecer contexto e links úteis a agentes. O Google afirma que não usa llms.txt como requisito especial de Search. O curso ensina quando o arquivo pode ser útil e como evitar vender sua existência como causalidade.
Estrutura e curadoria
Um bom llms.txt é pequeno, factual e aponta para fontes canônicas. O foco é navegação, não propaganda. O aluno cria versão específica para um site real.
Markdown alternativo
Versões limpas em Markdown podem reduzir ruído para sistemas que as suportam. O exercício exige paridade entre HTML e Markdown para evitar duas verdades diferentes.
Logs e observação
Acesso ao llms.txt não prova influência em resposta. O aluno aprende a separar acesso, recuperação de recurso e uso observável da informação.
Módulo 12 — MCP, A2A e o site acionável
Da presença documental à integração com agentes.
MCP
A especificação MCP 2026-07-28 define um protocolo aberto para conectar aplicações de LLM a dados e ferramentas, com núcleo stateless e extensões. O curso ensina o conceito e o posiciona corretamente: MCP é integração, não sinal de ranking.
Tools e resources
Um servidor MCP pode expor ferramentas e recursos para clientes compatíveis. O aluno aprende a pensar no site não apenas como documento, mas como sistema que pode oferecer dados ou ações de forma estruturada.
A2A
A2A é protocolo aberto para descoberta, comunicação e delegação entre agentes. É diferente de MCP: A2A trata interação agente-agente; MCP trata conexão da aplicação com ferramentas e contexto.
Agent Card e descoberta
O aluno aprende a função de um Agent Card na descrição de capacidades e endpoints de um agente, sempre seguindo a especificação vigente em vez de inventar campos por analogia.
Módulo 13 — ASO / Agentic Search Optimization
Como tornar serviços compreensíveis e acionáveis por agentes.
Definição operacional
Neste curso, ASO significa Agentic Search Optimization, não App Store Optimization. É a preparação de informações, serviços e interfaces para que agentes possam entender, comparar e agir dentro de regras claras.
Serviço acionável
Service, Offer, ContactPoint, areaServed, disponibilidade, preço e políticas precisam ser coerentes e consumíveis. O aluno aprende a distinguir dado declarativo de endpoint executável.
Comparabilidade
Um agente precisa comparar alternativas. Isso exige campos equivalentes, políticas claras e condições verificáveis. O exercício constrói uma matriz de comparabilidade para um serviço real.
Governança de ação
Quanto mais um agente pode agir, maior o risco. Permissões, autenticação, consentimento, logs e confirmação humana entram na arquitetura. O curso não confunde 'ser acionável' com liberar automação irrestrita.
Módulo 14 — GEO Local e entidades territoriais
Pessoa, organização, endereço, área atendida e contexto local.
GBP como fonte operacional
Google Business Profile é uma superfície central de presença local. Nome, categoria, horário, telefone, endereço e serviços devem estar alinhados ao site.
LocalBusiness e dados estruturados
LocalBusiness ajuda a estruturar informação local, mas não garante ranking em Maps. O aluno aprende a manter paridade entre schema, GBP e conteúdo.
areaServed e service area
A empresa pode atender áreas diferentes do endereço físico. O curso ensina a declarar território de forma verdadeira sem criar páginas artificiais para localidades onde não existe operação.
GEO Local
Consultas generativas podem incorporar contexto geográfico. O aluno constrói páginas locais com evidência territorial, serviços, casos, avaliações e informações úteis em vez de duplicações geográficas.
Módulo 15 — Mensuração de presença em LLMs
Do screenshot ao protocolo.
Unidade de observação
Cada teste deve registrar produto, superfície, modelo quando disponível, data, idioma, localização, sessão, histórico, personalização e prompt. Sem isso, o resultado é difícil de reproduzir.
Menção, citação e recomendação
A aula cria regras separadas para Mention Rate, Citation Rate e Recommendation Rate. Misturar essas categorias produz métricas infladas.
Repetição
Uma única execução por prompt é sensível à variabilidade. O aluno aprende a repetir consultas e calcular frequência observada, documentando limites.
Share of Model
Share of Model compara presença relativa dentro de um corpus controlado. O curso obriga o aluno a declarar denominador, amostragem, concorrentes e regra de classificação antes de apresentar o número.
Módulo 16 — Auditoria de citação
Quando o link existe, mas a afirmação não é sustentada.
Citação correta não é apenas link
O aluno abre a fonte e verifica se ela realmente sustenta o claim. A auditoria registra trecho da resposta, URL, passagem fonte e classificação.
Erros de entidade
Uma fonte pode tratar do tema, mas pertencer a outra empresa ou pessoa. Essa falha é diferente de desatualização ou extrapolação.
Perda de ressalva
Quando a fonte diz correlação e a síntese afirma causalidade, houve aumento indevido da força epistêmica. O curso usa qualificadores como parte dos Gold Facts.
Temporalidade
Informação correta em 2024 pode ser errada em 2026. O aluno aprende a registrar vigência e data da fonte como parte da auditoria.
Módulo 17 — Compression Fidelity
Medindo sobrevivência semântica sob síntese.
O problema da compressão
Sistemas resumem. Perder palavras é esperado; perder o sentido é o problema. Compression Fidelity observa se ideia central, entidade, serviço, evidência, relação e limite sobrevivem.
Gold Facts
Antes da compressão, o auditor define fatos canônicos. Isso impede avaliação oportunista depois do resultado.
Curva de sobrevivência
O aluno testa 50%, 30%, 15% e 8% do conteúdo e observa quais fatos desaparecem. A curva revela quais informações têm baixa prioridade semântica.
PANDORA Compression Fidelity Ω
O motor determinístico desenvolvido no ecossistema de Raphael será usado como laboratório para transformar critérios editoriais em score reproduzível, sem afirmar simular exatamente o comportamento de LLMs comerciais.
Módulo 18 — Experimentação e causalidade
Separando efeito real de ruído.
Hipótese e intervenção
Todo teste começa com hipótese explícita, variável de tratamento, unidade observada e período. O curso rejeita 'mudamos e depois cresceu' como demonstração causal.
Split testing
Quando existem grupos comparáveis de páginas ou unidades, o aluno aprende a separar tratamento e controle. O desenho precisa reduzir diferenças estruturais entre clusters.
Séries temporais
Mudanças de plataforma, sazonalidade e updates podem afetar todas as unidades. Séries temporais ajudam comparar tendência antes e depois de uma intervenção.
Difference-in-Differences e limites
O curso introduz raciocínio de diferenças-em-diferenças para comparar mudanças relativas entre tratamento e controle, sempre declarando pressupostos e incerteza.
Módulo 19 — Proveniência, evidência e epistemologia
Como dizer o que sabemos e o que ainda não sabemos.
E1, E2, E3, R, I, H e M
O aluno classifica afirmações por força: evidência experimental, documentação oficial, evidência observacional, reprodução, inferência, hipótese e metodologia proposta.
Fonte primária
Documentação oficial, especificações e papers originais recebem prioridade quando a pergunta é técnica. Conteúdo secundário pode contextualizar, mas não deve substituir fonte primária quando existe.
Claim ledger
Cada claim forte entra em um registro com texto, fonte, data, escopo, qualificador e status. Isso facilita atualização e evita que frases antigas sobrevivam sem sustentação.
Cadeia de custódia
Inputs, arquivos, hashes, datas e versões fazem parte do laudo. A rastreabilidade permite explicar como uma conclusão foi obtida.
Módulo 20 — Governança de GEO
Dono, processo, revisão e incidente.
Quem responde pela entidade
Marketing, tecnologia e jurídico possuem responsabilidades diferentes. O curso ensina a nomear owner, aprovadores e cadência de revisão.
Política de IA e conteúdo
A empresa define o que pode ser automatizado, quais claims precisam de revisão humana, como dados são usados e quais sistemas podem acessar recursos internos.
Incidente de representação
Se uma IA publica informação errada, a resposta precisa ser documentada: captura, prompt, data, produto, fonte, impacto e plano de correção.
Atualização contínua
Cargos, endereços, preços, produtos e políticas mudam. Governança de entidade é processo contínuo, não projeto único.
Módulo 21 — Business-to-Agent e arquitetura comercial
Quando agentes passam a mediar descoberta e decisão.
B2A como lente de mercado
Business-to-Agent descreve a necessidade de empresas disponibilizarem informação e serviços de modo compreensível a agentes que atuam em nome de usuários. É conceito emergente, não padrão formal.
Catálogo orientado a decisão
Um catálogo útil a agentes precisa de atributos comparáveis, políticas, disponibilidade e limites. O curso mostra como converter oferta vaga em estrutura operacional.
Prova antes da recomendação
Agentes podem precisar justificar decisões. Evidências, políticas e diferenciais precisam estar próximos à oferta, não espalhados em páginas desconectadas.
Da página ao endpoint
A evolução do B2A pode levar de conteúdo descritivo a ferramentas e endpoints. O curso mostra esse continuum sem presumir que toda empresa precisa virar plataforma.
Módulo 22 — Auditoria completa de entidade
21 dimensões em um único protocolo.
Identidade
Nome canônico, aliases, Person, Organization, relações, URL e @id.
Evidência
Autoria, credenciais, livros, DOI, ISBN, menções externas e corroboração.
Recuperabilidade
Arquitetura, conteúdo, seções autocontidas, Answer Capsules, Gold Facts e Compression Fidelity.
Governança
Coerência temporal, contradições entre superfícies, auditoria de citação e revisão contínua.
Módulo 23 — Laboratório PANDORA Ω
Transformando o curso em instrumentos de auditoria.
PANDORA Schema Audit Ω
O aluno usa um motor de auditoria para verificar estrutura, relações, coerência e gaps de dados estruturados.
PANDORA GEO Intelligence Ω
Aplicação de dimensões de descoberta, entidade, evidência e prontidão generativa, com score e cadeia de evidência.
PANDORA Compression Fidelity Ω
Teste de robustez semântica com compressões progressivas e retenção de fatos críticos.
Relatório forense
Os outputs são consolidados em plano de ação com prioridade, risco, facilidade e janela de 7, 30 e 90 dias.
Módulo 24 — Projeto final: Knowledge Architecture de uma entidade real
O aluno entrega um sistema, não apenas um certificado.
Inventário canônico
Mapear entidade principal, pessoas, serviços, lugares, obras, URLs, identificadores e fontes.
Grafo
Construir o grafo lógico e a implementação JSON-LD coerente com conteúdo visível.
Medição
Criar baseline de presença, conjunto de prompts, regras de classificação e Gold Facts.
Plano 90 dias
Entregar um documento executivo com diagnóstico, prioridades, riscos, owners, métricas e agenda experimental.
O curso separa documentação oficial, inferência e método autoral.
Perguntas sobre a formação.
Este curso é introdutório ou técnico?
É uma formação aplicada de nível intermediário a avançado. Os primeiros módulos constroem o vocabulário necessário, mas o curso avança para modelagem de entidades, JSON-LD, retrieval, RAG, mensuração, experimentação e protocolos.
Preciso saber programar?
Não para acompanhar os fundamentos. Para aproveitar integralmente os módulos de Schema.org, MCP, auditoria e PANDORA Ω, familiaridade com HTML, JSON e conceitos básicos de Python é útil.
GEO substitui SEO?
Não. O curso parte explicitamente da orientação atual do Google de que as práticas fundamentais de SEO continuam relevantes para experiências generativas de Search.
O curso promete citação em ChatGPT?
Não. O curso ensina a melhorar a camada controlável da presença digital e a medir resultados observáveis; seleção de fontes e geração final continuam sob controle de sistemas de terceiros.
Qual é o diferencial em relação a cursos executivos de GEO?
Aqui o aluno não apenas aprende a decidir orçamento ou briefing. Ele constrói grafo, modela entidades, audita fontes, mede presença, testa Compression Fidelity, executa protocolos e entrega uma arquitetura final.
Quem é Raphael Sousa Pereira?
Raphael Sousa Pereira é profissional e pesquisador aplicado em GEO, fundador e CEO da Negócio no Mapa, com mais de 10 anos de experiência em mecanismos de descoberta e produção autoral ligada a GEO, SEO para IA, citabilidade, entidades e arquitetura semântica.
O curso usa fontes oficiais?
Sim. Conceitos técnicos são ancorados prioritariamente em documentação oficial e especificações primárias, incluindo Google Search Central, Schema.org, MCP e A2A.
llms.txt é tratado como requisito?
Não. O curso segue a posição atual do Google de que arquivos especiais como llms.txt não são necessários para aparecer em Search e trata llms.txt como proposta opcional para agentes compatíveis.
MCP aumenta ranking?
Não. MCP é protocolo de integração entre aplicações de LLM, dados e ferramentas. Ele pode tornar sistemas acionáveis, mas não é apresentado como sinal de ranking ou citabilidade.
Qual é o projeto final?
O aluno escolhe uma entidade real e entrega inventário, grafo, implementação, baseline de presença, auditoria, Gold Facts, plano 90 dias e governança.
Não termine o curso apenas sabendo explicar GEO. Termine sabendo auditar e construir.
A formação conecta mais de uma década de fundamentos de busca a entidades, Knowledge Graph, RAG, agentes, mensuração e pesquisa aplicada em GEO.