Jak używamy API danych i LLM do szukania możliwości pozyskania linków zwrotnych: kie.ai i evolink.ai

Prowadząc API Hop, chcieliśmy odpowiedzieć na konkretne pytanie: Które źródła linków zwrotnych używane przez inne witryny API AI warto zbadać?

Wybraliśmy kie.ai i evolink.ai i pobraliśmy pierwszą stronę po 100 rekordów linków zwrotnych dla każdej witryny. W tym artykule nie badaliśmy ruchu, słów kluczowych ani ogólnych pozycji witryn. Chcieliśmy po prostu uzyskać użyteczną listę linków zwrotnych.

Główny wynik: Z 200 surowych rekordów pozostało 195 po usunięciu 5 rekordów uszkodzonych linków. Grupowanie według nazwy hosta źródłowego pozostawiło tylko 29 odrębnych źródeł. Ze 100 rekordów evolink.ai 95 pochodziło z GitHub, z zaledwie 9 stron GitHub.

Na podstawie tego zbioru danych wyjaśniamy, jak zebraliśmy rekordy, policzyliśmy je, użyliśmy AI do ich uporządkowania i zdecydowaliśmy o kolejnych działaniach.

1. 100 rekordów linków zwrotnych nie oznacza 100 linków zwrotnych

Co te same parametry zwróciły dla obu witryn?

2. Jak pobraliśmy te dwa zbiory danych?

Użyty punkt końcowy

Najpierw przeczytaliśmy dokumentację SimilarwebAPI API Hop.

Format żądania:

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'

Rzeczywista struktura udanej odpowiedzi

Poniżej pokazano strukturę najwyższego poziomu odpowiedzi kie.ai. Dla czytelności zachowaliśmy tylko kilka pól pierwszego rekordu i pominęliśmy pozostałe rekordy:

{
  "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. Jak zmieniliśmy 200 rekordów w źródła do zbadania?

Najpierw użyj kodu do usunięcia duplikatów i policzenia danych

Trzymaliśmy się stałej kolejności:

1. Zapisz oba surowe pliki JSON, zachowując każde pole zwrócone przez usługę.
2. Nadaj każdemu surowemu wierszowi identyfikator, zaczynając od K001 dla kie.ai i E001 dla evolink.ai.
3. Zachowaj prawidłowe rekordy i znaczniki wykluczenia w CSV.
4. Dla każdego konkurenta usuń dokładne duplikaty według UrlFrom + UrlTo.
5. Grupuj rekordy według znormalizowanej nazwy hosta źródłowego i policz odrębne strony UrlFrom.
6. Połącz nazwy hostów z obu próbek, aby otrzymać 29 odrębnych źródeł.

Możesz poprosić AI o pomoc we wszystkich tych krokach. Do analizy danych polecamy Claude Opus5.5 i ChatGPT Astra.

Najwyraźniejszą różnicą była koncentracja źródeł

evolink.ai miało znacznie więcej rekordów GitHub niż kie.ai. Zwróciło to naszą uwagę, więc przyjrzeliśmy się bliżej: 95 linków pochodziło z 9 stron. Ścieżki źródłowe obejmowały nazwy kont zbliżone do marki, takie jak EvoLinkAI, Evolink-AI i evolinkai. Pokazuje to, że linki zwrotne z projektów open source były w dużej mierze skoncentrowane w tych 9 projektach.

Dla kie.ai na SaaSHub 26 linków pochodziło z 24 stron.

GitHub był jedyną nazwą hosta wspólną dla obu oczyszczonych próbek. Pasuje to do ich pozycjonowania, ponieważ deweloperzy są jedną z głównych grup odbiorców. Uważamy, że warto wypróbować ten typ linków zwrotnych.

4. Jak przekazać AI właściwy materiał, aby otrzymać użyteczne wyniki?

Niech kod obsłuży liczby, a model klasyfikację i analizę

Aby dodać ten krok do własnej automatyzacji, możesz przekonwertować oczyszczony CSV na JSON i użyć tego promptu:

Badamy źródła linków zwrotnych dla produktu API AI.
Wejście zawiera rzeczywiste próbki linków zwrotnych dla kie.ai i evolink.ai.

Używaj wyłącznie wejścia, aby uporządkować do 15 nazw hostów źródłowych:
- source_hostname
- evidence_ids: muszą pochodzić z wejścia
- source_urls: muszą pochodzić z wejścia; zachowaj oryginalne adresy URL
- target_sites: kie.ai, evolink.ai lub oba
- category: projekt deweloperski / katalog produktów / samouczek / społeczność / artykuł redakcyjny / inne
- observation: uwzględniaj tylko fakty poparte wejściem
- suggested_action: oddzielaj sugestie od faktów
- verification_needed: aktualny stan strony, trafność tematyczna, własność konta, strona zgłoszeń, warunki cenowe
- status: zawsze używaj "Needs verification"

Grupuj według source_hostname.
Nie wymyślaj domen, tytułów, stron zgłoszeń ani cen.
Nie opisuj własnych repozytoriów marki jako rekomendacji stron trzecich.
Nie twierdź, że coś jest bezpłatne, gwarantuje wpis, przynosi ruch lub poprawia pozycje.
Gdy dowody są niewystarczające, napisz "Cannot determine".

Wybraliśmy 10 linków zwrotnych z rzeczywistych rekordów

Kategorie i priorytety w poniższej tabeli odzwierciedlają naszą wstępną ocenę linków zwrotnych, którymi warto się zająć.

6. Ile to łącznie kosztowało?

W tej rundzie wykonaliśmy dwa udane wywołania API linków zwrotnych przez opisaną wyżej usługę natywną. Użytkownicy wykonujący te same żądania przez API Hop po tej standardowej cenie mogą zaplanować budżet następująco:

7. Podsumowanie

Skupiliśmy się na wykorzystaniu API Hop do zmiany otwartego pytania w powtarzalne zadanie: Dwoma zapytaniami uzyskać 200 rzeczywistych rekordów, oczyścić je i pogrupować według nazwy hosta źródłowego, a następnie wybrać 10 adresów URL wartych dalszego zbadania. API danych dostarcza tropy, kod zapewnia odtwarzalne liczby, AI pomaga uporządkować tekst, a my wykonujemy końcowe kontrole, aby zdecydować o działaniu.