Про идею ресерча для генерации AI-текстов, наполненных фактами

Про идею ресерча для генерации AI-текстов, наполненных фактами

Чтобы мои генерации контента не базировались просто на переписывании ТОП-10 и знаниях ИИ — я провожу ресерчи.

Тут дело не в задаче «обмануть поисковик», а скорее в том, что я искренне убежден: при таком подходе тексты получаются качественнее и интереснее.

По сути, так работают научные копирайтеры: их задача — найти источники и сделать из них материал, а не проводить собственные исследования.

В чем суть глубокого ресерча:

• разбить план статьи на темы и подтемы
• отправить на ресерч либо весь план сразу, либо частями — зависит от системы ресерча
• по каждой теме и подтеме найти материалы, исследования, кейсы и так далее

После этого результаты ресерча уже можно переводить в статью.

Где делать ресерч

Система Deep Research от Google, как по мне, сейчас одна из лучших среди доступных на рынке. Ее можно использовать в Gemini, а также в NotebookLM.

Промт для ресерча может быть примерно таким:

Твоя задача — разбить мой план статьи на темы и подтемы для поиска информации по каждой из них.
Ищи материалы в источниках: {язык, площадки}.
Типы материалов: {кейсы, исследования и так далее}.
Что требуется извлекать: {факты, цитаты, мысли, цифры}.

Этого хватит для 90% задач, если нормально прописать, что именно вы хотите.

И не надо сейчас ебать себе мозг сложными промтами: ИИ очень сильно поумнели, и уровень понимания у них сильно вырос.

Лайфхак, как сделать простую систему дип-ресерча для ваших AI-пайплайнов

Вообще, есть готовые фреймворки для AI-ресерча, в том числе и у крупных игроков рынка, но они могут оказаться дорогими во внедрении, использовании и обслуживании — это нужно отдельно тестировать. По нашим тестам, в части кейсов дешевле использовать Perplexity для ресерча.

Схема ресерча через Perplexity в n8n:
https://skr.sh/saP57T7PNHG

Для автоматизации клиентских задач мы иногда делаем примерно ту же схему, но уже на более устойчивых системах, написанных на языках программирования.

Как работает этот алгоритм ресерча:

• создаем структуру статьи
• делаем AI-шаг разбиения статьи на темы для ресерча и преобразуем темы в мини-промты для поиска информации — получаем n тем для ресерча
• вызываем Perplexity для самого важного ресерча по теме
• далее запускаем цикл обращений к более дешевым режимам или моделям Perplexity для поиска по менее значимым темам