Запусти блог мечты: система контента с ИИ-командой

Согласна, мотивация штука переменчивая.
Поэтому я опираюсь не на неё, а на дисциплину и ответственность. Моя цель - качественный результат, и старт уже в этом месяце. (мысли вслух, но с намёками))

 

Проблема в том, что ценность информации в наше время может за пару месяцев упасть до нуля. Это не мысли - это факты.

 

Этот факт никто не оспаривает. Материал записываю, работа идёт. Видеоуроки требуют не только записи, но и монтажа + доработка самого форкфлоу с новыми соц.сетями (перед стартом расскажу, с какими именно). Старт в октябре. Октябрь случается прямо сейчас, поэтому ждать не долго.
Как все доделаю - подам заявку на проведение.
Очень прошу, уважаемые участники, наберитесь терпения. Я стараюсь сделать так, чтобы результат стоил вашего ожидания.

 

Вопрос оргу: если я с 1 по 14 ноября буду в отпуске без возможности изучать ваш материал, я смогу потом это все наверстать и получить необходимую поддержку?

 

Сможете, я всегда отвечаю на вопросы и помогаю разобраться в теме.

 

@Fottiniya, с точки зрения качества контента есть мысль, что агент с промтами это хорошо, но если обучить => дообучить на тематических материалах модель, то в результате качество текстов будет более читабельнее, интереснее и меньше рисков, что будет пессимизировано алгоритмами. Возможно в курсе этот вопрос решается или нет, можете уточнить?

 

ну тут наверное на дообучить у меня врят ли хватит ресурсов, а создать свою RAG с векторной базой и интегрировать ее с n8n и далее по api с облачным ИИ, такой вариант будет лучше конечно, по крайней мере в нужной мне области знаний.

 

Ключевой момент — объем тематических материалов. Скорее всего, их будет меньше, чем в обучающей выборке того же Claude 4.5, который уже содержит огромный массив данных по большинству тем. Дообучение даже небольшой модели требует аренды GPU-мощностей с поминутной или почасовой оплатой.
Но главная проблема — где размещать дообученную модель для интеграции с воркфлоу? Аренда сервера, покупка собственного с мощной видеокартой? Стоит ли это тех денег, которые будут затрачены на API больших языковых моделей? Здесь думаю важна математика: себестоимость готовой статьи. Учитывая существование LLM с бесплатным API, качество которых вполне достойное, стоимость статьи стремится к нулю. Платить придется только за поиск информации.

С RAG ситуация похожая. Нужно собрать большой массив данных, разбить на чанки и найти баланс: сколько чанков использовать для генерации? Мало — модель начнет додумывать или упустит важное. Много — запутается и будет галлюцинировать. При этом чанки все равно отправляются LLM для написания финальной статьи.
Правильно составленный структурированный промпт под конкретную модель — оптимальное решение для массового производства контента. RAG и дообученные модели имеют смысл для специфических задач: корпоративные базы знаний, чат-боты поддержки с повторяющимися запросами и т.д. Там они снимают нагрузку и позволяют локализовать данные без риска утечки информации. Мы такие решения создаем для заказчиков — полностью локальные системы с небольшими LLM.
По мне так для блогинга и контент-маркетинга связка "качественные промпты + мощные API-модели" дает лучшее соотношение результата и затрат.

 

@djmax согласна с ответом для вас. Везде есть моменты, где лучшее враг хорошего.

@Bakchos Спасибо за компетентный ответ)

 

@Bakchos, у меня интерес был к теме связанный для создания экспертной нейросети по работе с насосным оборудованием для различных целей и задач, речь про написание профессиональных статей, которые будут основаны на локальной базе RAG. По факту статьи планируют под клиента, чтобы закрывать потенциального клиента на консультацию / подбор решения. Тема для меня новая... поэтому и думаю погрузиться в приобретении темы автоматизации и создание своего массива локальных данных (надо еще научиться их обрабатывать и загружать, а потом еще думать и про количество чанков). Галлюцинировать вроде не должна, ведь переобучать локальную модель не собираюсь.

Работа по дообучению... ну тут никаких ресурсов конечно не хватит

Второй вопрос, это конечно монетизация с помощью ДЗЕН, телеграм, ВК, ОК... раз доступных моделей будет достаточно, то я понимаю, что будут применяться специальные промты, которые позволят не выявить авторство ИИ. Верно, @Fottiniya?

 

Это разные вещи, RAG как раз предназначен для того чтобы хранить общую и логически разделенную информацию и при запросах доставать ее и отправлять в LLM для подготовки ответа на вопрос, т.е. модель обладает "своими" знаниями, получает запрос и дополнительную информацию с нюансами для подготовки полноценного ответа. Это как раз относится к индивидуальной консультации, но не написанию статей.
А для написания статей модель уже обладает достаточным количеством знаний и информации, нужно лишь верно ее направить ,т.е. тот самый подробный промпт. И чтобы его получить под нужную тематику и выбранную модель придется поднатужиться вычитывая кучу вариантов статей которые она пишет пока правишь промпт, но итоговый результат радует всегда.

Не совсем верно, дело вот в чем. Модель будет галлюцинировать от объема информации или от количества информации которая разнится. В RAG векторах, поиск осуществляется не по ключевым словам, а по векторному сходству эмбеддингов, что позволяет находить семантически близкие фрагменты текста, если чанки разделены не правильно (не логично, большой/малый объем одного чанка), в настройках указано брать для ответа 5+ чанков, модель получая такие данные начинает путаться, т.к. она ведь имеет еще и свои знания.
Пример с насосами, в модель отправляется запрос о насосах для скважин, но при этом добавились чанки в которых информация о насосах систем отопления, или глубинных, и модель получая такой набор разнородных данных подготовит соответствующий ответ. Поскольку сам основной вопрос будет не - "Мне нужен насос для скважины, какой лучше?", а такой - "Напиши статью о насосах для скважин. Основной ключ - насос для скважин, кластеры - погружной насос для скважины, глубинный насос для водоснабжения и т.д.". А в чанках будет еще информация про откачку воды из скважины, только это уже дренажные насосы, но он тоже попадет в выборку т.к. будет семантически близким, вот тут и будет галлюцинация.
Ну это если совсем кратко, надеюсь понятно объяснил.

Здесь зависит какую дообучать, модель на 1.4B будет дешевле чем модель на 20B параметров, т.к. хватит одной не дорогой видеокарты на непродолжительный срок.

 

Промпты будут специальными, да. Статьи генерируются максимально подобные тем, что пишет человек, который занимается этим профессионально. Визуально и по смысловой нагрузке не придраться.

 

@Fottiniya, а подскажите, когда планируете сбор?

 

На днях подам заявку, как одобрят, назначу дату. Сбор с 27-30 октября ориентировочно.

 

Я вот прочитал описание и ни фига не понял )) что и зачем тут делается ,куда мне с этим потом идти или к кому ? Как думаете автор , стоит ли мне вообще заходить в эту тему ?

 

Это инструмент для автоматического ведения блога. Если вы не видите себя в блогинге (у вас нет сайта, соц.сетей и т.д.), то это не для вас.

 

Новостей по моему импровизированному тестированию особых нет. За несколько недель Яндекс добавил в поиск 2 статьи (из 50), а в индекс - 9. Тех. поддержка Яндекса ничего не объясняет.
Из моего опыта могу предположить, что дело в новом домене без истории. Возможно поэтому нужно больше времени.

 

Реклама 1, 2, 3, 4 +подпись

 

Приветствую. Такие вопросики появились...
На один добавленый ключ, пишется 1 статья в WP, правильно я понимаю?
Необходимы Pro подписки gpt, gemini или других нейронок, для генераций контента?
Нужны ли платные акки, на сервисах типа: Ahrefs, similarweb и подобных?
Возможно ли будет развернуть вашу систему, на том же сервере, где уже расположены сайты? Конфликтов не будет?

 

Приветствую.
Да правильно.

В курсе модели используются от Openrouter, но вы можете подключить и использовать напрямую API любых моделей.

Это на ваше усмотрение, здесь подразумевается, что у вас уже есть ключи и кластеры.

Думаю, что возможно, у меня n8n стоит в Docker на отдельном сервере.