Wie wir mit einer Daten-API und LLMs Backlink-Möglichkeiten finden: kie.ai und evolink.ai

Beim Betrieb von API Hop wollten wir eine konkrete Frage beantworten: Welche Backlink-Quellen anderer KI-API-Websites lohnen einen näheren Blick?

Wir wählten kie.ai und evolink.ai aus und riefen für beide die erste Seite mit jeweils 100 Backlink-Datensätzen ab. Für diesen Artikel untersuchten wir weder Traffic noch Keywords oder die gesamten Website-Rankings. Wir wollten lediglich eine nützliche Backlink-Liste.

Das wichtigste Ergebnis: Von 200 Rohdatensätzen blieben nach dem Entfernen von 5 defekten Einträgen 195 übrig. Nach der Gruppierung nach Quell-Hostname waren es nur 29 verschiedene Quellen. Von den 100 Datensätzen für evolink.ai stammten 95 von GitHub, verteilt auf nur 9 GitHub-Seiten.

Anhand dieses Datensatzes erklären wir, wie wir die Einträge sammelten, zählten, mit KI ordneten und über die nächsten Schritte entschieden.

1. 100 Backlink-Datensätze bedeuten nicht 100 Backlinks

Was lieferten dieselben Parameter für die beiden Websites?

2. Wie haben wir diese beiden Datensätze angefragt?

Der verwendete Endpunkt

Zuerst lasen wir die SimilarwebAPI-Dokumentation von API Hop.

Das Anfrageformat lautete:

curl --fail-with-body --max-time 90 --get \
  'https://api.apihop.ai/v1/similarweb/websites/backlinks' \
  --header "Authorization: Bearer ${APIHOP_API_KEY}" \
  --data-urlencode 'Key=kie.ai' \
  --data-urlencode 'Page=1' \
  --data-urlencode 'PageSize=100' \
  --data-urlencode 'Status=Active' \
  --data-urlencode 'FollowType=All' \
  --data-urlencode 'sort=DomainScore' \
  --data-urlencode 'asc=false'

Der tatsächliche Aufbau einer erfolgreichen Antwort

Unten ist die Struktur der obersten Ebene der Antwort für kie.ai zu sehen. Zur besseren Lesbarkeit zeigen wir nur einige Felder des ersten Eintrags und lassen die übrigen Einträge weg:

{
  "TotalRecords": 42009,
  "Records": [
    {
      "UrlFrom": "https://github.com/yitao2020/Vue-AI-web-game-asset-generator",
      "UrlTo": "https://kie.ai/",
      "Anchor": "KIE.ai",
      "DomainScore": 89,
      "IsLost": false,
      "IsBroken": false
    }
  ],
  "Page": 1,
  "PageSize": 100
}

3. Wie wurden aus 200 Datensätzen recherchierbare Quellen?

Zuerst mit Code Duplikate entfernen und zählen

Wir hielten uns an eine feste Reihenfolge:

1. Beide ursprünglichen JSON-Dateien speichern und alle vom Dienst gelieferten Felder behalten.
2. Jede Rohdatenzeile mit einer ID versehen, beginnend bei K001 für kie.ai und E001 für evolink.ai.
3. Gültige Datensätze behalten und Ausschlusskennzeichen in der CSV erhalten.
4. Für jeden Wettbewerber exakte Duplikate anhand von UrlFrom + UrlTo entfernen.
5. Einträge nach normalisiertem Quell-Hostname gruppieren und unterschiedliche UrlFrom-Seiten zählen.
6. Die Hostnamen beider Stichproben zusammenführen, sodass 29 verschiedene Quellen entstehen.

Bei all diesen Schritten kann KI helfen. Für die Datenanalyse empfehlen wir Claude Opus5.5 und ChatGPT Astra.

Der deutlichste Unterschied war die Konzentration der Quellen

evolink.ai hatte deutlich mehr GitHub-Einträge als kie.ai. Das fiel uns auf, also sahen wir genauer hin: 95 Links kamen von 9 Seiten. Die Quellpfade enthielten markennahe Kontonamen wie EvoLinkAI, Evolink-AI und evolinkai. Die Backlinks aus Open-Source-Projekten konzentrierten sich also weitgehend auf diese 9 Projekte.

Bei kie.ai auf SaaSHub stammten 26 Links von 24 Seiten.

GitHub war der einzige Hostname, der in beiden bereinigten Stichproben vorkam. Das passt zu ihrer Positionierung, denn Entwickler gehören zu ihren wichtigsten Zielgruppen. Wir halten diese Art von Backlink für einen Versuch wert.

4. Wie geben wir der KI das richtige Material für nützliche Ergebnisse?

Code übernimmt die Zahlen, das Modell die Klassifizierung und Analyse

Um diesen Schritt in die eigene Automatisierung einzubauen, können Sie die bereinigte CSV in JSON umwandeln und diesen Prompt verwenden:

We are researching backlink sources for an AI API product.
The input contains actual backlink samples for kie.ai and evolink.ai.

Use only the input to organize up to 15 source hostnames:
- source_hostname
- evidence_ids: must come from the input
- source_urls: must come from the input; keep the original URLs
- target_sites: kie.ai, evolink.ai, or both
- category: developer project / product directory / tutorial / community / editorial article / other
- observation: include only facts supported by the input
- suggested_action: keep suggestions separate from facts
- verification_needed: current page status, relevance, account ownership, submission page, pricing terms
- status: always use "Needs verification"

Group by source_hostname.
Do not invent domains, titles, submission pages, or prices.
Do not describe a brand's own repositories as third-party recommendations.
Do not claim that anything is free, guarantees a listing, brings traffic, or improves rankings.
When there is not enough evidence, write "Cannot determine".

Wir wählten 10 Backlinks aus den tatsächlichen Einträgen aus

Die Kategorien und Prioritäten der folgenden Tabelle spiegeln unsere erste Einschätzung wider, welche Backlinks wir weiterverfolgen sollten.

6. Wie hoch waren die Gesamtkosten?

In dieser Runde führten wir zwei erfolgreiche Backlink-API-Aufrufe über den oben beschriebenen nativen Dienst aus. Wer dieselben Anfragen über API Hop zu diesem Standardpreis stellt, kann so planen:

7. Zusammenfassung

Unser Ziel war, mit API Hop aus einer offenen Frage eine wiederholbare Aufgabe zu machen: Mit zwei Abfragen 200 echte Einträge erhalten, sie bereinigen und nach Quell-Hostname gruppieren und anschließend 10 URLs für weitere Schritte auswählen. Die Daten-API liefert Hinweise, Code macht die Zahlen reproduzierbar, KI hilft beim Ordnen des Textes, und wir treffen nach abschließender Prüfung die Entscheidung über konkrete Maßnahmen.