Да, на радаре. Сейчас матчинг детерминированный: канон-нормализация + общий корень — прозрачно и дебажится. Эмбеддинги как primary не берём из-за схлопывания близких, но разных продуктов (молоко↔кефир, разные муки) — для цен и детских рецептов это критично, поэтому канон специально не сливает по общему корню.
А вот для длинного хвоста (экзотика, которую строковый матчинг пропускает) эмбеддинги логичны — как генератор кандидатов с порогом похожести + стоп-лист на базовые продукты. То есть гибрид, не замена. Спасибо за наводку!
Ха, поймали на недомешанном ингредиенте :) Куки-баннер и правда забыл доложить в рецепт — добавляю в ближайший деплой, пока бот РКН не пришёл снимать пробу. Спасибо, что подсказали раньше проверяющего!
Думали об этом. Проблема в том, что у Магнита ~15 000 SKU, а нам нужно ~450 продуктовых позиций. Парсить всё и фильтровать — дороже по времени и нагрузке на их API, плюс выше риск бана. Поиск по названию + fuzzy-матчинг оказался эффективнее для нашего масштаба.
Интересный подход с Codex + Chrome Dev Tools MCP! У нас парсинг писался вручную, потому что магазины активно защищаются — Магнит отдаёт JSON из внутреннего API, ВкусВилл гео-блокирует сервер, Arbuz.kz требует JWT-авторизацию. Было бы любопытно сравнить, как агент справится с такими кейсами.
Хорошая статья. Из русскоязычных аналогов могу добавить vkusai.ru — там AI-шеф подбирает рецепты по продуктам из холодильника, считает калории и даже показывает цены ингредиентов из реальных магазинов. Плюс есть режим готовки с таймерами и блокировкой экрана — удобно когда руки в муке. Попробуйте, любопытно услышать мнение.
Отличная подборка! Мы как раз делаем похожую штуку на русском рынке — vkusai.ru. Вводишь ингредиенты что есть дома, AI подбирает рецепты с КБЖУ и списком покупок. Плюс фильтры по аллергенам — без глютена, без молока и т.д. Всё бесплатно. Было интересно делать парсер цен из Магнита и ВкусВилла, чтобы показывать стоимость блюда прямо на странице рецепта.
Спасибо! Телега пока на старте — @vkusai_food, 2 поста в день автоматом (рецепт + статья каждый 7-й). Подписчиков пока нет буду пробовать разные стратегии для вовлечения, органика только начинается. По монетизации пока бесплатно, думаю над Premium (расширенный рацион, AI-шеф без лимитов) и возможно партнёрки с доставкой продуктов. Но сейчас фокус на трафик и контент, монетизация — следующий этап
Показательный кейс, как AI может работать не только в пользу бизнеса, но и против него, если нет нормальных проверок на аномалии. Сам занимаюсь фудтех-проектом — делаю AI-сервис для подбора рецептов под продукты в холодильнике, там тоже много нюансов с защитой от злоупотреблений. Pizza Hut, судя по всему, слишком доверился автоматике без аудита.
Крутая карта, такой структурированный подход редко встретишь! Сам недавно дошёл до уровня, где делаю pet-проект с использованием ML — vkusai.ru, сервис для подбора рецептов на основе продуктов из холодильника. Практика на реальном проекте действительно ускоряет обучение быстрее любого курса. Разделы про RAG и fine-tuning особенно актуальны сейчас.
Справедливо про последние пункты. Гнать с 95 до 100, дробя тело на dynamic-импорты и Suspense, часто значит менять реальный контент на скелетоны — и да, это уже UX-минус ради цифры. Мы поэтому и остановились на 99, а не вылизывали 100.
Но тут как раз не тот случай. Главный выигрыш был LCP 6,0 → 1,7 с — это не пузомерка, а разница между «6 секунд белого экрана на мобиле» и нормой. SSR-stub красит настоящий контент первого экрана, а не лоадер, поэтому «лодингов в теле» мы и избежали. Плюс CWV всё-таки учитываются в ранжировании у Google и Яндекса, так что профит не только в цифре.
Короче: score ради score — согласен, вредная игра. А вот починить честные 6 секунд LCP — это уже про живой UX, а не про пузомерку.