कैसे एआई उत्तर इंजनों के माध्यम से ब्रांड भावना की निगरानी करें

TL;DR:

• ब्रांड भावना एआई उत्तरों में उद्धरण हिस्से से एक अलग संकेत है। उद्धृत होना बताता है कि एक स्रोत का उपयोग किया गया था; भावना बताती है आपका ब्रांड उत्तर में कैसे वर्णित है जो एक खरीदार वास्तव में पढ़ता है — और दोनों असहमत हो सकते हैं।
• एक प्रांप्ट, हर इंजन, एक लिफाफा। स्क्रैपलेस LLM अभिनेता (scraper.chatgpt, scraper.copilot, scraper.perplexity, scraper.gemini, और बाकी) एक एंडपॉइंट और एक { status, task_id, task_result } आकार साझा करते हैं, इसलिए एकल कैप्चर लूप उन्हें सभी को कवर करता है।
• भावना उत्तर पाठ से, उद्धरणों से नहीं निकाली जाती है। result_text में ब्रांड का नाम खोजें, प्रत्येक उल्लेख के चारों ओर के शब्द पढ़ें, और चारों ओर के संदर्भ को स्कोर करें - एक पारदर्शी शब्दावली आधार के लिए कोई मॉडल कुंजी आवश्यक नहीं है।
• चित्र इंजन के अनुसार भिन्न है। "क्या स्क्रैपलेस वेब स्क्रैपिंग के लिए एक अच्छा उपकरण है?" प्रांप्ट के एक लाइव कैप्चर में, एक ही ब्रांड दो इंजनों पर सकारात्मक, एक तीसरे पर तटस्थ, और एक चौथे पर नकारात्मक पढ़ा गया — यह प्रकार का विभाजन एकल-इंजन जांच से छूट जाएगा।
• यह एक कार्यक्रम के अनुसार चलता है। प्रत्येक रन को इसके task_id और समय-चिह्न के साथ कैप्चर, पहचान, स्कोर और स्टोर करें; हफ्तों में श्रृंखला ब्रांड-धारणा का रुझान है।
• शुरू करने के लिए मुफ्त। नए स्क्रैपलेस अकाउंट्स में मुफ्त ट्रायल क्रेडिट शामिल हैं — app.scrapeless.com पर साइन अप करें।

पाइपलाइन एक नजर में

जब एक खरीदार एक एआई सहायक से आपके उत्पाद के बारे में पूछता है, तो सहायक दो चीजें तय करता है: क्या आपको उल्लेखित करना है, और कैसे। "X सबसे विश्वसनीय विकल्प है" और "X शक्तिशाली है लेकिन महंगा और सीखने में कठिन है" दोनों उल्लेख हैं; केवल एक ही आपको मदद करता है। उद्धरण ट्रैकिंग पहले आयाम की गिनती करती है। यह पाइपलाइन दूसरे को मापती है।

निर्माण तीन चरणों में है जो यूनिवर्सल स्क्रैपिंग एपीआई पर आधारित है:

1. कैप्चर — स्क्रैपलेस अभिनेताओं के माध्यम से एआई उत्तर इंजनों में एक निश्चित ब्रांड-इच्छा प्रांप्ट चलाएं; प्रत्येक कच्चे उत्तर को संग्रहित करें।
2. पहचान — उत्तर पाठ में ब्रांड का हर उल्लेख खोजें और चारों ओर के संदर्भ विंडो को खींचें।
3. स्कोर — प्रत्येक उल्लेख के संदर्भ की भावना को रेट करें और प्रति इंजन एक संख्या में संचित करें।

आउटपुट एक प्रति-इंजन भावना स्कोर है जिसे आप समय के साथ चार्ट कर सकते हैं, साथ ही उन कच्चे उल्लेखों के साथ जो इसे उत्पन्न करते हैं। उद्धरण-हिस्सेदारी सहायक मीट्रिक के लिए - जो स्रोत इंजन खींचते हैं - एआई ओवरव्यू स्क्रैपर गाइड देखें।

आप इसके साथ क्या कर सकते हैं

• एक नकारात्मक फ्रेमिंग को फैलने से पहले पकड़ें। यदि एक इंजन आपके ब्रांड का वर्णन "महंगे" या "सीखने में कठिन" जैसे शब्दों के चारों ओर करने लगता है, तो आप इसे स्कोर में देखते हैं इससे पहले कि यह खोए हुए सौदों में प्रकट हो।
• इंजनों के बीच धारणा की तुलना करें। सहायक जिसका उपयोग आपके खरीदार करते हैं, वह हो सकता है जो आपको सबसे अधिक पसंद करता है; एक साइड-बाय-साइड स्कोर आपको बताता है कि कहां ध्यान केंद्रित करना है।
• भावना को सामग्री में परिवर्तनों से बांधें। एक तुलना पृष्ठ या डॉक्स पुनर्लेखन को प्रकाशित करने से पहले और बाद में कैप्चर करें, और देखें कि क्या फ्रेमिंग बदलती है।
• "उल्लेखित" को "अच्छे से उल्लिखित" से अलग करें। एक उच्च उल्लेख संख्या के साथ एक समतल भावना स्कोर कम उल्लेख संख्या की तुलना में एक अलग समस्या है - और इसके लिए एक अलग समाधान की आवश्यकता है।
• एक डैशबोर्ड को फीड करें। प्रति-इंजन स्कोर और उल्लेख पंक्तियाँ सीधे एक डेटाबेस या चार्ट में गिरती हैं।

क्यों स्क्रैपलेस LLM अभिनेता

प्रत्येक एआई सहायक एक जावास्क्रिप्ट एप्लिकेशन है जो प्रमाणीकरण और एंटी-ऑटोमेशन डिफेंस के पीछे है; उत्तर को स्वयं कैप्चर करने का मतलब है प्रत्येक प्लेटफॉर्म के लिए रेंडरिंग, साइन-इन, और प्रॉक्सी रोटेशन। स्क्रैपलेस LLM अभिनेता वह सर्वर-साइड चलाते हैं और उत्तर को एक फ़ील्ड के रूप में लौटाते हैं। विशेष रूप से एक भावना पाइपलाइन के लिए, वे लाते हैं:

• हर इंजन के लिए एक साझा { status, task_id, task_result } JSON लिफाफा , इसलिए एक कैप्चर लूप और एक पार्सर पूरे सेट को कवर करते हैं।
• result_text को मार्कडाउन के रूप में — जिस पाठ में ब्रांड का वर्णन किया गया है, उसे उल्लेखों के लिए स्कैन करने के लिए तैयार।
• 195+ देशों में घरेलू इग्रेस, इसलिए एक पिनवाले country का उपयोग करके उस मार्केट में एक वास्तविक उपयोगकर्ता द्वारा पढ़ा गया उत्तर कैप्चर किया जाता है।
• चलाने या साइन इन किए जाने के लिए कोई ब्राउज़र नहीं — एक HTTP एंडपॉइंट, एक x-api-token हेडर।
  कार्यकर्ता लाइन की कीमतें उपयोग आधारित हैं जिनमें साइन अप करने पर मुफ्त परीक्षण क्रेडिट मिलता है - वर्तमान स्तर कीमत निर्धारण पृष्ठ पर हैं। मुफ्त योजना पर अपना एपीआई कुंजी प्राप्त करें app.scrapeless.com।

पूर्वापेक्षाएँ

• एक Scrapeless खाता और एपीआई कुंजी (मुफ्त योजना में परीक्षण क्रेडिट शामिल हैं) - app.scrapeless.com।
• अपने वातावरण में कुंजी:

export SCRAPELESS_API_KEY="your_api_token_here"

• Python 3 जिसमें requests शामिल है। भावना चरण केवल मानक पुस्तकालय का उपयोग करता है, इसलिए आधार के लिए प्रबंधित करने के लिए कोई मॉडल कुंजी नहीं है।

चरण 1 - उत्तर कैप्चर करना

एक लूप हर इंजन को कवर करता है, क्योंकि कार्यकर्ता एक एंडपॉइंट और एक लिफाफा साझा करते हैं। प्रति-इंजन भिन्नताएँ इनपुट मैप में रहती हैं - ग्रोक एक तर्क mode लेता है, पेर्प्लेक्सिटी web_search चाहता है, कोपाइलट अपना mode लेता है। उत्तर पाठ result_text में उतरता है ChatGPT, कोपाइलट, पेर्प्लेक्सिटी, जेमिनी, और एआई मोड के लिए।

import json
import os
import time

import requests

ENDPOINT = "https://api.scrapeless.com/api/v2/scraper/execute"
HEADERS = {
    "Content-Type": "application/json",
    "x-api-token": os.environ["SCRAPELESS_API_KEY"],
}

BRAND = "Scrapeless"
PROMPT = "क्या Scrapeless वेब स्क्रैपिंग के लिए एक अच्छा उपकरण है, और इसकी ताकत और कमज़ोरियों क्या हैं?"
COUNTRY = "US"

ENGINES = {
    "chatgpt": {"actor": "scraper.chatgpt", "extra": {}},
    "copilot": {"actor": "scraper.copilot", "extra": {"mode": "smart"}},
    "perplexity": {"actor": "scraper.perplexity", "extra": {"web_search": True}},
    "gemini": {"actor": "scraper.gemini", "extra": {}},
}

with open("answers.jsonl", "w", encoding="utf-8") as out:
    for platform, spec in ENGINES.items():
        payload = {"actor": spec["actor"], "input": {"prompt": PROMPT, "country": COUNTRY, **spec["extra"]}}
        data = requests.post(ENDPOINT, headers=HEADERS, json=payload, timeout=300).json()
        result = data.get("task_result") or {}
        out.write(json.dumps({
            "platform": platform,
            "brand": BRAND,
            "prompt": PROMPT,
            "captured_at": int(time.time()),
            "status": data.get("status"),
            "task_id": data.get("task_id"),
            "result_text": result.get("result_text") or "",
        }) + "\n")
        print(f"{platform}: {data.get('status')} ({len(result.get('result_text') or '')} chars)")

answers.jsonl की प्रत्येक पंक्ति एक इंजन के उत्तर है, जिसे ऑडिट ट्रेल के लिए task_id द्वारा कुंजीबद्ध किया गया है।

मुफ्त योजना पर अपना एपीआई कुंजी प्राप्त करें: app.scrapeless.com

चरण 2 और 3 - उल्लेखों का पता लगाना और भावना का स्कोर करना

प्रत्येक उत्तर में ब्रांड को खोजें, हर उल्लेख के चारों ओर के पाठ की एक खिड़की पढ़ें, और उस संदर्भ को एक छोटे सकारात्मक/नकारात्मक शब्दकोश के खिलाफ स्कोर करें। शब्दकोश का आधार पारदर्शी है और किसी मॉडल कुंजी की आवश्यकता नहीं है; अगर आप न्यूанс चाहते हैं तो बाद में एक मॉडल-आधारित स्कोरर डालें।

# score.py — answers.jsonl -> प्रति-इंजन भावना
import json
import re

POSITIVE = {"सबसे अच्छा", "महान", "शक्तिशाली", "विश्वसनीय", "आसान", "तेज़", "मजबूत", "उत्कृष्ट",
            "अच्छा", "कार्यान्वयन", "व्यवहार्य", "लचीला", "सिफारिश की गई", "अग्रणी",
            "शीर्ष", "प्रभावी", "सस्ती"}
NEGATIVE = {"महंगा", "धीमा", "कठिन", "सीमित", "कमज़ोर", "खराब", "अभाव", "अविश्वसनीय",
            "जटिल", "लागत", "गुणन", "कमजोरियां", "नकारात्मक", "समस्याएं", "समस्या", "नकारात्मक पहलू"}
WINDOW = 120  # प्रत्येक उल्लेख के दोनों ओर संदर्भ के वर्ण

rows = []
for line in open("answers.jsonl", encoding="utf-8"):
    record = json.loads(line)
    brand = record["brand"].lower()
    text = (record.get("result_text") or "").lower()
    hits = [m.start() for m in re.finditer(re.escape(brand), text)]
    pos = neg = 0
    for i in hits:
        context = text[max(0, i - WINDOW): i + WINDOW]
        words = set(re.findall(r"[a-z]+", context))
        pos += len(words & POSITIVE)
        neg += len(words & NEGATIVE)
    total = pos + neg
    sentiment = (pos - neg) / total if total else 0.0
    label = "सकारात्मक" if sentiment > 0.15 else "नकारात्मक" if sentiment < -0.15 else "न्यूट्रल"
    rows.append({"platform": record["platform"], "mentions": len(hits),
                 "pos_signals": pos, "neg_signals": neg,
                 "sentiment": round(sentiment, 3), "label": label})
    print(f"{record['platform']:11} mentions={len(hits):3} sentiment={sentiment:+.3f} ({label})")

json.dump(rows, open("sentiment.json", "w"), indent=2)

एकल लाइव कैप्चर के Scrapeless प्रॉम्प्ट ने एक स्प्लिट उत्पन्न किया जो एक इंजन अकेले छिपा सकता था:

उल्लेखों की गणना और भावनात्मकता स्वतंत्र रूप से चलती हैं: Copilot के 38 उल्लेख तटस्थ निकले, जबकि Gemini के छोटे सेट के 19 उल्लेख काफी नकारात्मक हुए। संदर्भों की गणना दोनों तथ्यों को नजरअंदाज कर देती। चूंकि प्रत्येक इंजन अपना उत्तर ताज़ा बनाता है, सटीक आंकड़े रन-टू-रन बदलते रहते हैं — इंजनों के बीच सकारात्मक/तटस्थ/नकारात्मक स्प्लिट स्थायी संकेत है, न कि कोई एकल संख्या।

श्रृंखला का अनुसूची और स्केलिंग

capture.py चलाएँ फिर score.py को एक अनुसूची पर — दैनिक या साप्ताहिक — और प्रत्येक रन की पंक्तियों को captured_at और task_id द्वारा कुंजीबद्ध स्टोर में जोड़ें। लाइव रनों से कुछ नोट्स:

• उत्तर रन-टू-रन भिन्न होते हैं, इसलिए एकल कैप्चर एक नमूना है, निर्णय नहीं। श्रृंखला में प्रवृत्ति ही संकेत है।
• country को स्थिर रखें ताकि स्कोर एक बाजार को दर्शा सके जो आपके लिए महत्वपूर्ण है और रनों के बीच तुलना करने योग्य रहे।
• शब्दावली को एक बुनियाद के रूप में मानें। यह पारदर्शी और तेज है; बारीक पढ़ाई (व्यंग्य, शर्तीय प्रशंसा) के लिए उसी संदर्भ विंडो को एक मॉडल के साथ स्कोर करें और शब्दावली को एक क्रॉस-चेक के रूप में बनाए रखें।
• कच्चे उल्लेखों को बनाए रखें। जब स्कोर चलता है, तो संग्रहीत संदर्भ विंडो आपको बताती हैं कौन वाक्यांश इसे स्थानांतरित करता है।

निष्कर्ष: मापें कि AI आपको कैसे वर्णित करता है

उल्लेख ट्रैकिंग आपको बताती है कि सहायक ने आपकी पृष्ठ का उपयोग किया; भावना ट्रैकिंग आपको यह बताती है कि जिसने उत्तर पढ़ा, उसे अच्छा Eindruck मिला या नहीं। Scrapeless LLM अभिनेता दूसरे को मापने योग्य बनाते हैं: एक कैप्चर लूप, उत्तर पाठ एक क्षेत्र के रूप में, और एक पारदर्शी स्कोरर "AI इंजन हमारे बारे में कैसे बात करते हैं?" को एक संख्या में बदल देता है जिसे आप चार्ट कर सकते हैं।

AI-उत्तर डेटा पाइपलाइन बनाने के लिए तैयार हैं?

हमारे समुदाय से जुड़ें, एक मुफ्त योजना का दावा करें और उन डेवलपर्स के साथ संपर्क करें जो AI-उत्तर पाइपलाइनों का निर्माण कर रहे हैं: Discord · Telegram.

app.scrapeless.com पर साइन अप करें मुफ्त परीक्षण क्रेडिट के लिए, और पाइपलाइन को उन ब्रांडों, प्रॉम्प्टों, और बाजारों पर इंगित करें जिन्हें आपको निगरानी करने की आवश्यकता है।

अक्सर पूछे जाने वाले प्रश्न

Q: ब्रांड भावना और उद्धरण का हिस्सा में क्या अंतर है?

A: उद्धरण का हिस्सा यह गिनता है कि आपका डोमेन स्रोत के रूप में उपयोग किया गया है; भावना यह पढ़ती है कि आपके ब्रांड का उत्तर पाठ में कैसे वर्णन किया गया है। एक ब्रांड अक्सर उल्लेखित हो सकता है लेकिन सपाट तरीके से वर्णित, या गर्म तरीके से वर्णित हो सकता है जबकि barely उद्धृत — ये दोनों मैट्रिक्स अलग-अलग प्रश्नों का उत्तर देते हैं।

Q: क्या मुझे भावना चरण के लिए मॉडल API कुंजी की आवश्यकता है?

A: नहीं। बुनियादी स्कोरर संदर्भ विंडो पर सकारात्मक/नकारात्मक शब्दावली का उपयोग करता है, इसलिए यह केवल मानक पुस्तकालय पर चलता है। मॉडल-आधारित स्कोरर एक वैकल्पिक अपग्रेड है, आवश्यक नहीं है।

Q: क्यों हर इंजन पर एक ही ब्रांड का स्कोर अलग था?

A: प्रत्येक इंजन अपने स्रोतों और वाक्यांशों से अपने उत्तर को संश्लेषित करता है, इसलिए आपके ब्रांड के चारों ओर के शब्द भिन्न होते हैं। वह विविधता ठीक वही है जो पाइपलाइन सतह पर लाती है — आपके खरीदार जो सहायक उपयोग करते हैं वे आपको उस तरीके से फ्रेम कर सकते हैं जिससे आप मानते थे कि आप नहीं हैं।

Q: क्या AI उत्तरों को स्क्रैप करना कानूनी है?

A: अभिनेता सार्वजनिक रूप से उपलब्ध उत्तर सामग्री पढ़ते हैं। किसी भी स्क्रैपिंग की तरह, सार्वजनिक डेटा पर उपयोग को सीमित रखें, प्रत्येक प्लेटफॉर्म की शर्तों का सम्मान करें, व्यक्तिगत डेटा से बचें, और यदि कोई उपयोग मामला स्पष्ट नहीं है तो एक वकील से परामर्श करें।

Q: क्या मैं एक से अधिक ब्रांडों को ट्रैक कर सकता हूँ?

A: हाँ। एक प्रतिस्पर्धी-तटस्थ प्रॉम्प्ट के साथ एक ही कैप्चर चलाएँ और एक ही उत्तर के खिलाफ कई ब्रांड स्ट्रिंग्स को स्कोर करें ताकि आपके अपने रिकॉर्ड में बगल-बगल फ़्रेमिंग की तुलना की जा सके।