GEO platforma: monitorowanie widoczności w 9 AI z Claude

Opracowanie platformy GEO do optymalizacji widoczności w generatywnych AI z Claude Code

Jeden programista zrealizował pełnoprawną platformę GEO (Generative Engine Optimization) do analizy i zwiększania widoczności marek w odpowiedziach 9 sieci neuronowych. System zbiera dane codziennie, przetwarza odpowiedzi LLM, oblicza metryki konkurencyjności i generuje rekomendacje. Cały rozwój prowadzony był przez sesje Claude Code z wykorzystaniem Agent Team i narzędzi MCP.

Platforma automatyzuje monitorowanie widoczności marki, wykrywa luki w porównaniu z konkurentami i tworzy cotygodniowe raporty z dynamiką zmian. Koszt 4 miesięcy rozwoju na planie Max Claude — 800$, wydatki na API — 128$ + 4800 rubli za YandexGPT.

Potok rozwoju w Claude Code

Rozwój zorganizowany według cyklu: RESEARCH → PLAN → IMPLEMENT → MANUAL REVIEW → CODE REVIEW. Główna sesja — kilka równoległych kart Claude Code. W przypadku problemów następuje iteracja z powrotem do implementacji.

Agent Team zastąpił ręczną orkiestrację subagentów. Przykład: agent QA testuje, UI-fixer poprawia, iterują do akceptowalnego wyniku.

Kluczowe MCP dla dostępu do infrastruktury:

• Supabase MCP: migracje, przetwarzanie danych, weryfikacja odpowiedzi sieci neuronowych.
• Trigger.dev MCP: uruchamianie zadań w tle, sprawdzanie ukończenia.
• Next.js DevTools MCP: aktualizacje do Next.js 16.
• Exa MCP: wyszukiwanie dokumentacji i standardów.
• Sentry MCP: naprawa rzeczywistych błędów.

MAIN SESSION (kilka kart)
    │
    ▼
RESEARCH ──► PLAN ──► IMPLEMENT ──► MANUAL REVIEW ──► CODE REVIEW
                          ▲              ▼                 │
                          └──── problemy znalezione ◄─────────┘

Architektura ekosystemu

                      Użytkownik
                      ┌────┴────┐
                      │         │
               ┌──────▼──────┐  ┌──────▼──────┐
               │  Dashboard  │  │  Telegram   │
               │  Next.js 16 │  │  Bot grammY │
               └──┬──────┬───┘  └──────┬──────┘
                  │      │             │
      uruchomienie│  ┌───▼─────────────▼───┐
      zadań       │  │  Self-hosted        │
                  │  │  Supabase           │
                  │  └───▲─────────▲───────┘
                  │      │         │
            ┌─────▼──────┴──┐ ┌───┴──────────────┐
            │  Trigger.dev  ├─► Mastra           │
            │  zadania      │ │ raporty + briefy +│
            │  w tle        │ │ generacja artykułów│
            └──────┬────────┘ └──────────────────┘
                   │
          ┌────────▼─────────────┐
          │  9 dostawców AI      │
          │  ChatGPT · Claude ·  │
          │  Gemini · Grok ·     │
          │  Perplexity ·        │
          │  DeepSeek ·          │
          │  Google AI Mode ·    │
          │  Google AI Overview ·│
          │  YandexGPT           │
          └──────────────────────┘

Frontend na Next.js 16 z shadcn, metryki obliczane funkcjami PostgreSQL przez Supabase SDK, buforowanie — TanStack Query. Wdrożenie przez Dokploy z GitHub.

Potok monitorowania i przetwarzania danych

Przy onboardingu generowane są klastry (4–6 zestawów tematycznych) i prompty (4–7 na klaster). Codziennie Trigger.dev wysyła prompty do 9 dostawców, przetwarza odpowiedzi.

Specyfika dostawców:

• DeepSeek: bez API wyszukiwania web.
• Google AI Mode/Overview: tylko scraping.
• Google AI Overview: może nie odpowiadać.

Przetwarzanie odpowiedzi — postprocessing LLM: ekstrakcja marek, tonacja (pozytywny/neutralny/negatywny), rekomendacja, pozycja, obecność linku. GEO-score (0–100) agreguje punkty.

Kluczowe metryki GEO

• Zasięg odpowiedzi: % odpowiedzi z wzmianką marki.
• Share of Voice (SoV): wzmianki_marki / (wzmianki_marki + konkurenci) × 100.
• Cytowanie domeny: % odpowiedzi z domeną marki.
• Share of Citation: SoV dla domen.

Wizualizacja: wykresy zasięgu, lejki widoczności, top konkurentów według SoV, porównania Head-to-Head, luki konkurencyjne, analiza źródeł.

Cena przetworzenia odpowiedzi: $0.0016, YandexGPT — 5 rubli/wywołanie.

Sekcje dashboardu

• Rozpoznanie konkurencyjne: top według SoV, Head-to-Head.
• Luki konkurencyjne: prompty, gdzie marka ustępuje.
• Źródła: karty z danymi o źródłach cytowania.

Centrum dowodzenia generuje rekomendacje na podstawie luk, ocenia wpływ.

Co ważne:

• Platforma GEO monitoruje 9 dostawców AI, oblicza SoV i inne metryki dla marek.
• Rozwój w Claude Code z Agent Team i MCP obniżył koszty do 800$ za 4 miesiące.
• Codzienny potok: generacja promptów, scraping/API, przetwarzanie odpowiedzi LLM.
• Metryki na PostgreSQL, front Next.js 16 + shadcn, bufor TanStack Query.
• Rekomendacje i raporty zautomatyzowane przez Mastra.

— Editorial Team