𝗪𝗵𝗮𝘁 𝗜 𝗟𝗲𝗮𝗿𝗻𝗲𝗱 𝗕𝘂𝗶𝗹𝗱𝗶𝗻𝗴 𝗣𝗶𝗽𝗲𝗹𝗶𝗻𝗲-𝗔𝘄𝗮𝗿𝗲 𝗖𝗼𝗻𝘁𝗲𝗻𝘁 𝗶𝗻 𝗔𝘀𝘁𝗿𝗼
Anda dapat membuat konten spesifik untuk berbagai tipe model tanpa harus memanggil API AI pada setiap tampilan halaman.
Saya membangun direktori alat AI menggunakan Astro. Awalnya, setiap halaman model terlihat sama. Ringkasannya unik, tetapi bagian panduannya bersifat umum. Halaman untuk model audio dan halaman untuk model teks sama-sama menampilkan teks pengisi kosong yang sama.
Ini buruk bagi pengguna. Ini juga buruk untuk SEO.
Saya mengatasi hal ini dengan menggunakan satu bidang metadata dari HuggingFace: pipeline_tag.
Berikut cara kerja sistemnya:
- Penyimpanan Data: Proses ETL saya menyimpan
pipeline_tagdi database selama langkah pengambilan data (fetch). - Logika Waktu Build: Astro memuat tag ini selama proses pembuatan situs statis (static site generation).
- Jalur Keputusan: Saya menggunakan kode sederhana untuk memeriksa tag tersebut. Jika tag bertuliskan "text-generation", halaman akan menampilkan saran LLM. Jika bertuliskan "audio", halaman akan menampilkan saran bicara (speech).
- Biaya Runtime Nol: Semua logika ini terjadi selama proses build. Pengguna menerima HTML biasa. Tidak ada panggilan API atau pemrosesan tambahan saat mereka mengunjungi situs.
Saya juga menggunakan data ini untuk membuat sinyal kegunaan (usability) yang lebih baik:
• Tingkatan Unduhan: Alih-alih hanya menampilkan angka, saya mengategorikan model sebagai "mapan" (established), "aktif digunakan" (actively-used), atau "niche". Ini memberi tahu pengguna apakah mereka akan menemukan dukungan komunitas. • Afiliasi yang Relevan: Halaman LLM menampilkan tautan penyewaan GPU. Halaman embedding menampilkan tautan yang berbeda dan lebih relevan. • Kontrol Indeks: Jika sebuah model memiliki data yang buruk atau tag yang hilang, saya menggunakan tag "noindex". Ini mencegah halaman berkualitas rendah muncul di hasil pencarian Google.
Trade-offs:
- Tag yang Tidak Akurat: Beberapa penulis menandai model secara tidak tepat. Saya menanganinya dengan menyediakan panduan umum sebagai cadangan (fallback).
- Kompleksitas Kode: Komponen halaman sekarang menjadi lebih panjang. Saya berencana untuk melakukan refaktor menjadi fungsi pembantu (helper functions) seiring pertumbuhannya.
Hasilnya adalah situs yang terasa disesuaikan untuk pengguna tanpa biaya besar dari pembuatan AI secara real-time.