Comments 18
Забыл добавить ссылку whitepapper по DSAC на https://www.webformula.pro/upload/DSAC-Whitepapper-2026-Webformula.pdf
Подробно описал эволюцию с 2016 года до наших дней :)
А сколько ушло на апи клода?
Он включен в 150к "работы" или 30к с фрипиком?
Расход на api был <1$, через open router настроена работа связки deep seek + Claude
клод читал пдф, а deep seek писал текст?
за $1 можно 33к токенов обработать
получается 246 токенов на файл, это получается 2.5 небольших абзаца текста
Совсем не понял математику с использованием ИИ)
и главное роль дипсика, о нем ничего нет в статье
И то, я не учел, что платформа через которую вы работали с апи, берет 5.5% комиссии, т.е. это получается еще дороже, чем взять нативный апи клода
+ сказано меньше $1
Получается, следуя вашей математике 1 пдф файл у вас содержит не более 2 небольших абзацев текста?
Сейчас дам расклад, 1$ у нас ушел на анализ и python:
PDF-Каталог был на 140+ страниц (мы оставили часть схем защиты растений для обучения и использования в. следующих задачах), весил он при этом 65мб.
Токены чисто в Claude:
Всего использовано: 720,207 токенов
Входных: 429,191
Выходных: 291,016
Общая стоимость: $5.65 (537₽)
По этапам:
Анализ каталога: $0.82
Валидация: $0.31
Маппинг: $2.02
Региональная адаптация: $0.57
Документация: $0.96
deep seek использовали для парсера данных и скриптов, он значительно дешевле обходится.
В трех словах, что сделали то?
это что-то про seo c помощью нейросетей :)
На будущее учту - сделаю больше графики, чтобы было понятно без слов.
LSS: Компания обработала 134 PDF-страницы каталога агропродукции и создала 358 SEO-оптимизированных страниц, полностью автоматизировав процесс с помощью Claude AI и Python.
🎯 Ключевые моменты:
1. Задача:
Из неструктурированных PDF-каталогов (134 страницы) создать SEO-дружественные страницы для 360 вредных объектов (болезни, вредители, сорняки).
Обеспечить 100% покрытие препаратами и региональную адаптацию для 60 поддоменов.
Сделать это быстро, точно и недорого.
2. Технологический стек:
Claude AI (Anthropic API) — для извлечения структурированных данных из PDF
Python 3.11 + pandas — для обработки данных и маппинга
1С-Битрикс — платформа сайта
3. Архитектура решения:
Извлечение данных из PDF через Claude AI
Нормализация и маппинг (препараты ↔ вредные объекты)
Региональная адаптация (4 региона × 12 месяцев × культуры)
SEO-оптимизация (метатеги, внутренние ссылки, микроразметка)
GEO-оптимизация для нейросетевых поисковиков (ChatGPT, Perplexity)
Автоматизация обновлений
4. Результаты:
✅ 358 страниц вместо 134 (увеличение в 2.7×)
✅ 100% покрытие препаратами
✅ 75 часов работы вместо 500+ (экономия 85% времени)
✅ Экономия 860 тыс. рублей (ROI 478%)
✅ 99.4% точность данных
Матричная структура данных для региональной адаптации:
Регион × Месяц × Культура × Фенофаза × Проблема → Препарат.База: 47 препаратов → 358 вредных объектов → 477 региональных комбинаций
Потенциал: 21 480 уникальных страниц (358 × 60 региональных поддоменов)
Региональная специфика — конкурентное преимущество: единый контент для всех регионов даёт лишь 20% эффективности.
Каталог гербициды в Новосибирске от завода Агрорус. Актуально: контрактация и закупка препаратов (Февраль).
На каком поддомене можно посмотреть результат - страницы? Есть ли или будет ли к ним доступ по ссылкам в меню?
В Новосибирске доступны screaming frog 422 страницы, никаких комбинированных страниц - только crops products substances.
Кто прочитал, признавайтесь, бандиты?
Складывается ощущение, что цифровизация в апк идет быстрее, чем в других сферах реального сектора
Автоматизация SEO для агросайта: от 134 страниц каталога до 358 SEO-страниц с ИИ. Технический разбор