A busca do «Mir Kvestov» entende texto livre: 37% das buscas chegam à página de um quest
Um visitante do «Mir Kvestov» digita «algo assustadorzinho para dois», mas o catálogo não tem uma categoria assim, e a busca não entendia o pedido. Agora seis classificadores LLM transformam a frase em filtros: nível de medo 2–3 e dois jogadores. Com isso, 37% das buscas terminam com a abertura da página de um quest, outras 52% levam a um ajuste de filtros e apenas 11% ficam sem nenhuma ação. Se você não tem histórico de usuários, uma pesquisa com compradores e um LLM já bastam. Os números do projeto:
Processado por IA de Habr AI; editado por Hamidun News
Imagine que um visitante de um site com três mil quests digite na barra de busca «algo assustadorzinho para dois». O catálogo não tem uma categoria assim: o que existe são níveis de medo de 0 a 3, número de jogadores, formato e temática. Uma busca que procura por palavras exatas devolve uma tela vazia ou resultados aleatórios, e a pessoa vai embora sem reservar.
Foi esse o problema que o agregador «Mir Kvestov» (7,5 milhões de visitantes por ano) resolveu: seis modelos de linguagem em modo de classificação (classificadores LLM) traduzem a frase livre em filtros do catálogo. Com isso, 37% das buscas terminam com a pessoa abrindo a página de um quest, 52% terminam com ela alterando os filtros e olhando os resultados de novo, e apenas 11% não levam a nenhuma das duas ações. Para quem desenvolve catálogos de nicho, o caso é útil porque mostra como funcionar sem grandes logs de usuários.
O problema: não há para quem nem com o que recomendar
O mercado de quests é maduro e, segundo o Wordstat, a demanda está estagnada. Por isso, a principal reserva de crescimento é ajudar quem já chegou ao site a encontrar o seu quest. Só que 65% dos visitantes não estão autenticados e não têm histórico de navegação, e um sistema de recomendação clássico sugere conteúdo justamente com base no histórico. A listagem padrão mostrava a todos o que era popular: quests de terror e performances. Para quem queria aventura ou detetive, isso não servia; segundo estimativa do autor, esse grupo representa 11–17% dos visitantes.
Em vez de histórico, a equipe perguntou aos próprios compradores. Depois da reserva, o site oferece um questionário de 10–12 perguntas: gêneros, cenários, nível de medo e de dificuldade, com quem a pessoa costuma ir e qual é a ocasião. Em um ano, chegam 20–30 mil questionários, cada um marcado com o quest reservado. O resultado é um conjunto de dados rotulado: de um lado as preferências, do outro a escolha.
Versão 1: 120 caixas de seleção viram três cliques
O questionário tem cerca de 120 opções de resposta, e ninguém vai marcar todas no site. Por isso, as perguntas foram comprimidas em três etapas. As respostas foram codificadas como atributos 0 ou 1. Os quests foram agrupados com k-means em classes, de acordo com o perfil médio dos seus compradores. Em seguida, uma árvore de decisão de profundidade 6 foi treinada para adivinhar a classe do quest com o mínimo de respostas.
No site, isso aparece como botões de sugestão sob a barra de busca. O visitante clica em «Não assustador», «Para crianças», «criaturas mágicas», e a frase se monta sozinha na barra: «Quest não assustador para crianças sobre criaturas mágicas, no gênero ação, para 4 pessoas». A precisão da árvore é de 76% (proporção de previsões corretas), o recall é de 65% (quantas das classes corretas o modelo encontra) e a F1 é de 67% (média entre as duas). Três cliques bastam para gerar uma recomendação, e as pessoas costumam clicar de 4 a 5 vezes.
O ponto fraco apareceu logo: as categorias foram criadas por profissionais, e o visitante não tem obrigação de distinguir suspense de thriller e de terror. Quem clicava nas sugestões recebia uma recomendação; quem digitava, não.
Versão 2: seis classificadores analisam o texto em tempo real
Então foram adicionados seis classificadores LLM, um para cada parâmetro: nível de medo (0–3), dificuldade, número de jogadores, idade mínima, formato e temática. A consulta é enviada aos modelos enquanto a pessoa digita. A frase «assustador para dois» vira medo 2–3 e dois jogadores, e os demais campos ficam vazios.
Depois disso, duas coisas acontecem. A árvore de sugestões muda sozinha para o ramo «Assustador ou terror», e o visitante vê que foi compreendido. As palavras reconhecidas viram filtros exatos, e só o restante, como o nome de um quest, segue para a busca por texto. A entrada é híbrida: dá para clicar no chip «Mistério» e acrescentar «para dois», ou começar pelo texto e refinar com cliques. O chip é removido com um único toque; o texto, caractere por caractere.
As métricas e como lê-las
Foi considerada sucesso a abertura da página de um quest após a busca, e reformulação, a troca de filtros sem abrir a página. Uma pausa de mais de 30 minutos inicia uma nova sessão. Reformular não é necessariamente um fracasso: a pessoa olhou os resultados e está ajustando a consulta. São métricas de produto, não de conversão em reserva.
Como referência, o autor cita dados abertos: em estudos do Yandex de 2009–2014, 42–49% das sessões continham uma consulta repetida, e no eBay mais da metade das consultas faz parte de cadeias de reformulação (Hirsch et al., SIGIR 2020). As fontes contam de maneiras diferentes (buscas, sessões, consultas), então só dá para comparar ordens de grandeza, não percentuais exatos. Em ordem de grandeza, o «Mir Kvestov» está no mesmo patamar dos grandes buscadores.
Os gigantes também usam técnicas parecidas. O Pinterest, em 2014, adicionou refinamentos clicáveis e obteve 25% mais buscas por pessoa. O Instacart, em 2025, atende as consultas frequentes a partir de um cache e as raras com um Llama 3 8B ajustado, em cerca de 300 ms; as reclamações sobre resultados ruins caíram pela metade. O Airbnb, em 2026, resolveu o cold start com cerca de 500 pesquisas com usuários e consultas sintéticas geradas por LLM. A diferença está nos dados: as grandes empresas têm milhões de itens e de logs, enquanto um catálogo de nicho tem poucos, por isso aqui o caminho foi a pesquisa com compradores e a árvore de decisão.
O que levar para a prática
Se você não tem dados sobre os usuários, pergunte a quem já comprou: a pesquisa gera um conjunto de dados rotulado. Um questionário longo pode ser comprimido com uma árvore de decisão: 120 caixas de seleção viraram de 3 a 5 cliques. E não obrigue os clientes a pensar na linguagem das suas categorias: deixe que escrevam como quiserem, e os classificadores traduzem o texto em filtros. A busca híbrida está em funcionamento em mir-kvestov.ru.
- 12 de out. de 2026"Mundo das Quests" lança bot de IA Questosha e testa cinco modelos em 12 gates críticos
- 2 de mai. de 2026Como as redes neurais são testadas: de escape rooms ao jogo de se passar por humano
- 1 de nov. de 2026Teste com 16 modelos em 7 buscadores: Exa fez em média 10,5 pontos de 14; SearXNG, cerca de 3
- 12 de out. de 2026EliteTable faz LLM evoluir controladores em código: melhora em 6 de 6 tarefas
Perguntas frequentes sobre a notícia
O que se sabe sobre O problema: não há para quem nem com o que recomendar?
O mercado de quests é maduro e, segundo o Wordstat, a demanda está estagnada. Por isso, a principal reserva de crescimento é ajudar quem já chegou ao site a encontrar o seu quest. Só que 65% dos visitantes não estão autenticados e não têm histórico de navegação, e um sistema de recomendação clássico sugere conteúdo justamente com base no histórico. A listagem padrão mostrava a todos o que era popular: quests de terror e performances.
O que se sabe sobre Versão 1: 120 caixas de seleção viram três cliques?
O questionário tem cerca de 120 opções de resposta, e ninguém vai marcar todas no site. Por isso, as perguntas foram comprimidas em três etapas. As respostas foram codificadas como atributos 0 ou 1. Os quests foram agrupados com k-means em classes, de acordo com o perfil médio dos seus compradores. Em seguida, uma árvore de decisão de profundidade 6 foi treinada para adivinhar a classe do quest com o mínimo de respostas. No site, isso aparece como botões de sugestão sob a barra de busca.
O que se sabe sobre Versão 2: seis classificadores analisam o texto em tempo real?
Então foram adicionados seis classificadores LLM, um para cada parâmetro: nível de medo (0–3), dificuldade, número de jogadores, idade mínima, formato e temática. A consulta é enviada aos modelos enquanto a pessoa digita. A frase «assustador para dois» vira medo 2–3 e dois jogadores, e os demais campos ficam vazios. Depois disso, duas coisas acontecem. A árvore de sugestões muda sozinha para o ramo «Assustador ou terror», e o visitante vê que foi compreendido.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.