Как сделать AI-поиск по каталогу товаров | FireCrawl + Qdrant + MCP скачать в хорошем качестве

Как сделать AI-поиск по каталогу товаров | FireCrawl + Qdrant + MCP

В этом видео показываю полный процесс создания AI-системы для поиска товаров в большом каталоге. От скрейпинга данных до создания умного поиска, который находит нужный товар по любому описанию. Демонстрирую, как правильно (для моего юзкейса) структурировать данные и создавать инструменты для максимальной точности поиска. Таймкоды: 00:00 - Задача: поиск товаров в большом каталоге через AI 00:25 - Выбор сайта для демонстрации и проблемы скрейпинга 01:15 - Различия между статическим HTML и JavaScript контентом 02:30 - Знакомство с FireCrawl.dev для автоматического скрейпинга 03:45 - Регистрация и переход в Extract Playground 04:20 - Автоматическое определение схемы данных FireCrawl 05:30 - Настройка полей: название, цена, описание, характеристики 06:15 - Включение AI-агента Fire1 для обработки данных 07:00 - Реализация в N8N: HTTP запрос к FireCrawl API 08:45 - Import URL и настройка аутентификации 09:30 - Формирование схемы данных и промпта для извлечения 11:20 - Запуск процесса скрейпинга (15-20 минут) 12:00 - Опрос статуса задачи по ID через GET запрос 13:15 - Альтернативы: Crawl for AI и локальные решения 14:30 - Обработка результатов: разбивка массива на объекты 15:45 - Фильтрация по валюте (тенге) и спецификациям 17:20 - Парсинг цены: выбор минимальной из диапазона 18:30 - Сохранение в PostgreSQL: 109 товаров из 133 19:45 - Структура базы данных: name, price, description, brand 21:00 - Загрузка в векторную базу Qdrant 22:30 - Формирование единого поля для семантического поиска 23:45 - Добавление метаданных: категория, бренд, Product ID 25:10 - Тестирование поиска "Honor Magic 7" в векторной базе 26:30 - Использование реранкера Cohere для повышения точности 28:15 - Создание MCP-сервера с 5 инструментами поиска 29:00 - Инструмент поиска по Product ID из PostgreSQL 31:20 - Поиск по ценовому диапазону (price range) 33:40 - Поиск по точному названию (ограничения LIKE) 35:50 - Инструмент получения всех доступных брендов 36:30 - Демонстрация работы в Claude: поиск iPhone 16 38:15 - Поиск в диапазоне 100-150 тысяч тенге 39:45 - Запрос всех брендов через MCP инструмент 40:15 - Философия создания инструментов под пользовательские запросы 42:00 - Настройка Nginx для self-host N8N и MCP серверов 43:30 - Заключение: важность изучения пользовательского поведения Эта система позволяет: 🔍 Находить товары по любому описанию через семантический поиск 💾 Хранить структурированные данные в PostgreSQL ⚡ Использовать векторную базу как "подсказку" для точного поиска 🛠️ Создавать специализированные инструменты под конкретные запросы 🎯 Минимизировать нагрузку на LLM и максимизировать точность 🔄 Автоматически обновлять каталог по расписанию 💬 Присоединяйтесь к моему телеграм-каналу: [ссылка на Telegram] Там я делюсь секретами AI-разработки, вайп-кодинга и инструментами, которые действительно помогают создавать проекты в 5-10 раз быстрее обычного кодинга! 📸 Следите за мной в Instagram:   / timur.yessenov