Как найти одинаковые title у AI-статей до публикации

Перед запуском запишите, какие данные считаются входом, что является ожидаемым результатом, что именно означает отказ и кому предстоит разбирать расхождение. Для такой проверки храните тестовый вход, ожидаемый результат и фактический исход раздельно: если они смешаны, тест может подтверждать сам себя. Используйте стабильные синтетические ID, чтобы видеть ошибку в журнале, не раскрывая содержимое клиентских обращений.

Сначала прогоните тест на маленьком входе, где правильное поведение известно вручную. Затем внесите одну контролируемую ошибку и убедитесь, что код её замечает. После этого верните корректный набор и только тогда расширяйте проверку до реальных данных. Не переносите демонстрационные численные значения или пороги в производство без отдельного обоснования: они выбраны для наглядности, а не рассчитаны по вашей аудитории.

Вход и ожидаемый результат

Статьи /guides/a и /guides/b имеют «Как настроить AI-бота», а /guides/c — «Как проверить AI-бота». Выводит пару /guides/a и /guides/b; /guides/c остаётся отдельной темой. Перед тем как применять правило к закрытым данным, обсудите пограничные случаи, которые могут поменять интерпретацию входа. Запись в документации о границах теста не менее важна, чем зелёный check.

Пошаговые действия

1. Создайте scripts/check.py в корне репозитория и вставьте код из блока ниже. Он использует названия функций стандартной библиотеки, указанные в официальных ссылках в конце статьи.
2. Выполните python scripts/check.py локально. Не продолжайте, если уже демонстрационная фикстура даёт иной результат: сначала проверьте копирование кода и кодировку файла.
3. Экспортируйте опубликованные и запланированные страницы вместе с HTML title и URL. Запустите проверку на тестовых данных, убедитесь, что лишние пробелы не скрывают повтор. Для каждого найденного URL откройте статью и сравните задачу, структуру и факты; объединяйте только действительно дублирующие страницы и не делайте редирект без редакторского решения. После правки повторите сканирование и посмотрите в браузере итоговый title в исходном HTML; результаты поиска могут показывать другой текст.
4. Создайте .github/workflows/ai-corpus-check.yml из YAML-шаблона. Событие pull_request полезно для проверки данных до слияния; чтение репозитория ограничено permissions: contents: read. Скрипт не должен получать ключ внешней модели или реальные секреты.
5. В разделе Actions откройте job check, сопоставьте его код завершения с локальным прогоном и зафиксируйте ссылку на проверенный коммит в PR. Не принимайте зелёный результат на старой ревизии за проверку последнего изменения.

# scripts/check.py
import re
from collections import defaultdict
def duplicates(rows):
    by_title=defaultdict(list)
    for url,title in rows:
        key=re.sub(r'\s+',' ',title).strip().casefold()
        if not key: raise ValueError(f'empty title: {url}')
        by_title[key].append(url)
    return {k:v for k,v in by_title.items() if len(v)>1}
rows=[('/guides/a','Как настроить AI-бота'),('/guides/b','Как   настроить AI-бота'),('/guides/c','Как проверить AI-бота')]
assert duplicates(rows)=={'как настроить ai-бота':['/guides/a','/guides/b']}
print('duplicate title:',duplicates(rows))

name: AI corpus checks
on:
  pull_request:
permissions:
  contents: read
jobs:
  check:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v7
      - uses: actions/setup-python@v7
        with:
          python-version: '3.13'
      - run: python scripts/check.py

Ошибки интерпретации и границы

Нормализация casefold может объединить стилистические варианты, но не выявляет синонимы. Уникальный title не доказывает уникальность содержания. Если вы расширяете набор случаев, добавляйте не только новые примеры, но и отрицательные случаи, на которых тест обязан упасть. Проверяйте, что изменение expected прошло ревью отдельно от изменения кода: иначе можно незаметно изменить правило под текущий ответ системы. Избегайте вывода полного приватного набора в CI и не сохраняйте в артефактах ответ закрытой модели без решения о доступе и хранении.

Ошибка выполнения самого Python, нераспознанный формат входа и обнаруженный бизнес-дефект — разные ситуации. В сообщении теста указывайте тип проблемы и безопасный ID. Если тест требует внешний сервис, вынесите его из PR с недоверенным кодом и явно ограничьте доступ к токенам; этот пример намеренно работает локально. Перед публикацией каких-либо результатов опишите методику, область применения и происхождение примеров, иначе читатель воспримет демонстрационную арифметику как характеристику продукта.

Практический разбор именно этого контроля

Не выпускать разные страницы с неразличимыми заголовками в поисковой выдаче. Для самостоятельной проверки сначала выпишите три наблюдаемых состояния: допустимый вход, намеренно недопустимый вход и видимый сигнал отказа. В данной фикстуре это выглядит так: Статьи /guides/a и /guides/b имеют «Как настроить AI-бота», а /guides/c — «Как проверить AI-бота». При успешном тесте ожидается: Выводит пару /guides/a и /guides/b; /guides/c остаётся отдельной темой. Не превращайте это в числовой KPI: здесь проверяется контракт на конкретных примерах, а не поведение модели на пользовательском трафике.

Нормализация casefold может объединить стилистические варианты, но не выявляет синонимы. Уникальный title не доказывает уникальность содержания. Подключая проверку к продукту, расположите её до той операции, ради которой она написана: парсинга, сохранения, отображения или экспорта. Для каждого нового формата добавляйте отдельный негативный пример и письменное решение, почему он отклоняется. Отдельно просмотрите обработку ошибок: система должна отличать невалидный ответ AI от сбоя тестовой инфраструктуры, а пользователь не должен видеть сырой стек или приватное содержимое.