Конечная точка чата с ИИ: просмотрите ответы и источники LLM с географической привязкой

Конечная точка чата с ИИ от Massive возвращает ответ, который ChatGPT, Gemini или Perplexity дают на заданный запрос, как если бы он был отправлен с реального устройства в выбранной вами стране, регионе или городе. Один GET Запрос возвращает результат, источники, на которые ссылается модель, а в случае ChatGPT — поисковые запросы, которые она выполнила для формирования ответа.

Это имеет значение, поскольку ответы, генерируемые искусственным интеллектом, уже не являются нишевым каналом. Согласно данным, около половины взрослого населения США в настоящее время пользуется чат-ботами на базе искусственного интеллекта, а примерно четыре из десяти используют их для поиска информации, согласно Опрос Pew Research Center 2026 года из 5 119 взрослых. Если всё большая доля запросов заканчивается взаимодействием с чат-ботом, командам необходим надёжный способ отслеживать, что именно отвечает этот чат-бот.

Основные выводы

• Конечная точка чата с ИИ (/ai) является одной из трёх конечных точек в проекте Web Render API компании Massive, наряду с Просмотр и Поиск.
• Три модели: ChatGPT (по умолчанию), Gemini и Perplexity.
• Ответы включают в себя готовый текст, его источники, любую рекламу, а также, в случае ChatGPT, fanouts набор запросов, по которым осуществлялся поиск в модели.
• Геотаргетинг осуществляется с точностью до города, поскольку чат-боты адаптируют свои ответы с учётом местоположения, по которому определяется пользователь, задавший вопрос.
• Асинхронный режим в сочетании с обратными вызовами позволяет обрабатывать большие партии данных.

Что возвращает конечная точка чата с ИИ

Конечная точка чата с ИИ находится по адресу https://render.joinmassive.com/ai и поддерживает ввод подсказки длиной до 2 047 символов. Вы выбираете модель с model=chatgpt, model=gemini, либо model=perplexity, а также местоположение с любой комбинацией country, subdivision, и city. Результат возвращается в структурированном виде json (по умолчанию) либо в виде rendered HTML.

Ответ в формате JSON разбивает диалог на части, которые можно анализировать по отдельности:

Каждый ответ также отражает country, subdivision, city, и device с которым он работал. Благодаря этому каждая строка становится самоописательной при хранении тысяч таких строк. Полный список полей приведён в Документация по чат-ботам на базе искусственного интеллекта.

Пример с решением: одно задание из Портленда

Ниже приведён запрос, который используется в документации Massive для демонстрации конечной точки. В нём ChatGPT запрашиваются рекомендации по баскетбольным кроссовкам с устройства, расположенного в Портленде:

curl -H "Authorization: Bearer $MASSIVE_TOKEN" \
'https://render.joinmassive.com/ai'\
'?prompt=best+basketball+shoes+for+2026'\
'&country=us'\
'&city=Portland'

Документированный ответ содержит сам ответ и источники в формате HTML, а также следующее: fanouts массив:

"fanouts": [
  "best basketball shoes 2026",
  "top rated basketball shoes 2026 reviews",
  "best performance basketball shoes 2026",
  "best basketball shoes for guards 2026",
  "best basketball shoes for wide feet 2026",
  "best outdoor basketball shoes 2026",
  "most popular basketball shoes 2026"
]

Проанализируйте этот список так, как это сделала бы команда бренда. Модель не просто выполнила поиск по заданному вопросу. Она разбила вопрос на семь более узких запросов, включая «защитники», «широкая стопа» и «открытые корты». У бренда обуви, который никогда не попадает в топ по запросу «широкая стопа», нет шансов быть упомянутым в этой части ответа, каким бы сильным ни был его общий сайт.

Почему ответы чат-бота с искусственным интеллектом различаются в зависимости от местоположения?

Чат-боты локализуются. Собственные разработки OpenAI Статья по поиску в ChatGPT Указывается, что ChatGPT может определить примерное местонахождение пользователя по его IP-адресу. Затем система может преобразовать запрос типа «хорошие рестораны рядом со мной» в поиск ресторанов в данном городе.

Этот эффект проявляется не только при локальных запросах. Исследование, проведённое компанией Whitebox, сообщает Ynetnews, отправила одинаковые запросы в ChatGPT из Израиля, США, Турции и Испании. Было обнаружено, что «ответы в целом схожи, но не идентичны», при этом модель адаптировала тон и формулировку в зависимости от местоположения и языка пользователя. (Whitebox отслеживает, как бренды и страны упоминаются в ответах ИИ, поэтому влияние географического положения играет ключевую роль в его собственной деятельности.)

Мы наблюдали аналогичную картину в ходе наших собственных испытаний. В рамках исследования, проведённого в июне 2026 года с использованием данного конечного пункта, мы отправили 270 локализованных запросов в ChatGPT, Gemini и Copilot из пяти стран. (В настоящее время в данном конечных пункте используются модели ChatGPT, Gemini и Perplexity.) Система Gemini отклоняла вопросы, касающиеся азартных игр, заданные из Великобритании и Германии, в то время как в других странах отвечала на них без ограничений. Рейтинг бренда изменялся на две позиции в зависимости исключительно от того, к какому из помощников мы обращались. Полные результаты приведены в Видимость бренда с помощью ИИ: ИИ имеет своих фаворитов, но вас он не заклеймит.

Другими словами: один проверенный ответ из одного офиса представляет собой выборку из одного экземпляра.

Каждый из Massive маршрутов проходит через реальное потребительское устройство на своём бытовая сеть, который охватывает более 195 стран. Чат-бот воспринимает обычного местного пользователя, а не центр обработки данных. Выйти country Параметр не задан, и в документации указано, что используется случайная страна, поэтому рекомендуется задавать его при каждом запросе, результаты которого вы планируете сравнивать в динамике.

Вы также можете эмулировать телефон или планшет. Вызовите /ai/devices ресурс со списком поддерживаемых имен устройств, а затем передайте одно из них в качестве device. Без него будет использоваться автодополнение по умолчанию для рабочего стола.

Расветвления: как ChatGPT сформировал свой ответ

«Фан-ауты» — это та часть ответа, на которую мы в первую очередь обращаем внимание новых пользователей. В «завершении» вам показывается сам ответ, а в «фан-аутах» — путь исследования, лежащий в его основе.

Это полезно в трёх конкретных аспектах:

1. Пробелы в содержании. Каждый вариант развития событий представляет собой запрос, по которому вы либо занимаете высокие позиции в рейтинге, либо нет.
2. Оценка модели. При оценке ответов модели LLM метод «фан-аут» позволяет разграничить два варианта ошибок, которые в конечном результате выглядят одинаково: либо модель неверно обосновала правильные результаты, либо она искала не то, что нужно, и вообще не обнаружила правильных результатов.
3. Отслеживание изменений. Распределительные схемы могут меняться от запуска к запуску, поэтому список прошлого месяца может не совпадать с перечнем этого месяца.

Простой способ применить третий вариант использования:

• Выберите от 20 до 50 вопросов, которые на самом деле задают ваши покупатели, и исправьте country и city для каждого.
• Проводите их еженедельно с помощью expiration=0 Таким образом, ни один кэшированный ответ не скрывает произошедших изменений.
• Сохраните результаты каждого забега fanouts массив, а затем сравните его с данными прошлой недели в совокупности: новые запросы, удалённые запросы, неизменные.
• Рассматривайте каждый новый запрос как вопрос, касающийся содержания. Есть ли у вас страница, на которой дается ответ на этот вопрос?

Поскольку «fanouts» представляют собой простые строки, такое сравнение занимает всего несколько строк кода на любом языке программирования. Разбор HTML не требуется.

Одно ограничение, которое следует учитывать при планировании: отметка в документации fanouts и sse только для ChatGPT; обратите внимание, что эти запросы доступны лишь в некоторых моделях. В случае с Gemini и Perplexity вы по-прежнему получаете автозаполнение, источники и рекламные объявления, но не путь поиска.

Массовое использование подсказок для чат-ботов на базе искусственного интеллекта

Согласно документации, в среднем автозаполнение в режиме реального времени занимает несколько секунд. Конечная точка допускает до 3 минут на один вызов, поскольку для некоторых диалогов требуются повторные попытки. Для разовых проверок достаточно режима синхронной синхронизации по умолчанию. Для мониторинга сотен или тысяч подсказок используйте асинхронный режим.

Добавить mode=async и API сразу же возвращает идентификатор задания. Передайте этот идентификатор обратно с помощью GET /ai?id=... чтобы получить подтверждение завершения или получить retrieving или failed состояние. Вместо опроса вы можете установить callback на URL-адрес HTTPS или в очередь Amazon SQS, и Massive уведомляет его, когда задача будет выполнена. Данный документы по планированию охватить обе схемы.

Для кэширования необходимо принять одно решение. По умолчанию результаты выполнения сохраняются в кэше в течение одного дня. Установите expiration=0, как и в приведённом выше алгоритме отслеживания, всякий раз, когда кэшированный ответ может скрыть произошедшее изменение.

Кто использует конечную точку чата с искусственным интеллектом

Компания Massive не разрабатывает информационные панели для мониторинга брендов на основе искусственного интеллекта. Конечный модуль чата на базе ИИ представляет собой инфраструктурный уровень, лежащий в их основе. Платформам оптимизации генеративного движка (GEO) и оптимизации движка ответов (AEO) требуются географический охват, эмуляция устройств, а также чистые исходные данные и данные распределения, прежде чем они смогут проводить аналитику. Компания Massive берет на себя этот уровень, чтобы их команды могли уделять время именно той аналитике, за которую платят их клиенты.

Уместный вопрос в отношении любой из этих платформ заключается в том, соответствует ли ответ API тому, что пользователь видит в приложении. Мы провели тестирование: по 30 категориям брендов, /ai с model=gemini по результатам анализа по 26 из 30 тем был составлен рейтинг брендов, статистически неотличимый от результатов приложения Gemini при входе в систему; эта согласованность примерно соответствует стабильности показателей приложения при разных запусках. Методика и ограничения приведены в Являются ли запросы к ИИ на основе API достоверным отражением того, что на самом деле видят ваши пользователи?

Еще две группы используют те же данные:

• Группы по оценке моделей LLM, которым в качестве объекта оценки требуется актуальный ответ, полученный от модели сегодня, а не кэшированный снимок.
• RAG и средства создания агентов, которые сравнивают результаты модели «фронтир» с данными, полученными в рамках собственного технологического процесса. Наше руководство по Обучение модели LLM с использованием данных из Интернета в режиме реального времени охватывает данный шаблон, и Как предоставить ИИ-агентам доступ к веб-ресурсам в режиме реального времени охватывает аспекты просмотра и поиска.

Что касается более общих рыночных тенденций, лежащих в основе данного спроса, см. нашу Отчет «Состояние отрасли веб-данных».

Вывод

То, что ChatGPT, Gemini или Perplexity скажут о вашем бренде, зависит от того, кто задает вопрос и откуда. С помощью /ai Вы можете задавать вопросы из любого города с помощью реального устройства и сохранять полную историю: ответы, источники, рекламные объявления, а в случае с ChatGPT — каждый поисковый запрос, выполненный моделью. Начните с Документация по чат-ботам на базе искусственного интеллекта. Информация о показателях компании Massive в области безопасности и соблюдения нормативных требований представлена на сайте Центр поддержки Massive, а более подробную информацию о команде можно найти на нашем Страница «О нас».