Разработка системы AI-генерации описаний товаров
При ручном копирайтинге для каталога из 10 000 товаров требуется 3-4 месяца. AI-система сокращает этот срок до недели, выдавая до 10 000 описаний в день — это в 50-100 раз быстрее ручного труда. Мы используем GPT-4o, асинхронную batch-обработку и адаптеры под Wildberries, Ozon, Amazon. В одном проекте для интернет-магазина с 15 000 SKU мы сократили бюджет на копирайтинг на порядок, а время вывода товаров на маркетплейсы — с 3 месяцев до 2 недель.
Почему автоматизация описаний критична для e-commerce?
Ручное написание масштабируется плохо: при росте ассортимента с 1 000 до 10 000 SKU расходы на копирайтинг увеличиваются кратно, а сроки достигают 3-4 месяцев. Система на LLM решает это: один раз разработав архитектуру, вы получаете бесконечный поток SEO-оптимизированных текстов под любую площадку. LLM гарантируют единый стиль и исключают типичные ошибки — опечатки, дублирование, несоответствие характеристик.
Какие проблемы решает AI-генератор?
Высокая стоимость и долгие сроки. При ручном написании стоимость одного описания существенна, а для каталога из 10 000 товаров это занимает месяцы. Наша система снижает стоимость на порядок: цена за одно описание становится незначительной, а время — до 2 секунд.
Нестабильное качество. Разные копирайтеры пишут по-разному, что ухудшает восприятие бренда. LLM-генератор использует единый промпт и правила для каждой площадки, обеспечивая одинаково высокое качество для всех товаров.
Ограниченная SEO-оптимизация. Копирайтеры редко учитывают все ключевые запросы и требования поисковых систем. Система автоматически генерирует мета-теги, заголовки и описания, оптимизированные под конкретный маркетплейс.
Архитектура системы
Код ядра генератора (GPT-4o)
from openai import AsyncOpenAI
from dataclasses import dataclass
from typing import Optional
import asyncio
client = AsyncOpenAI()
@dataclass
class ProductData:
name: str
category: str
brand: str
sku: str
attributes: dict # {color: "red", size: "M", material: "cotton"}
images: list[str] = None # URL изображений
price: float = None
target_audience: str = ""
@dataclass
class GeneratedDescription:
title: str # SEO заголовок
short_description: str # 150–200 символов (превью на маркетплейсе)
full_description: str # HTML с форматированием
bullet_points: list[str] # 3–7 ключевых преимуществ
seo_keywords: list[str]
meta_description: str # 160 символов для SEO
class ProductDescriptionGenerator:
def __init__(self, platform: str = "general"):
self.platform = platform
self.platform_configs = {
"wildberries": {"max_title": 60, "max_desc": 4000, "bullet_count": 5},
"ozon": {"max_title": 100, "max_desc": 6000, "bullet_count": 7},
"amazon": {"max_title": 200, "max_desc": 2000, "bullet_count": 5},
"general": {"max_title": 80, "max_desc": 3000, "bullet_count": 5},
}
async def generate(
self,
product: ProductData,
tone: str = "professional",
language: str = "ru"
) -> GeneratedDescription:
config = self.platform_configs.get(self.platform, self.platform_configs["general"])
# Если есть изображения — используем GPT-4 Vision
if product.images:
return await self.generate_from_images(product, config, tone, language)
else:
return await self.generate_from_text(product, config, tone, language)
async def generate_from_text(
self,
product: ProductData,
config: dict,
tone: str,
language: str
) -> GeneratedDescription:
attributes_str = "\n".join([f"- {k}: {v}" for k, v in product.attributes.items()])
response = await client.chat.completions.create(
model="gpt-4o",
messages=[{
"role": "system",
"content": f"""Ты — эксперт по написанию продающих описаний для {self.platform}.
Тон: {tone}.
Язык: {language}.
Ограничения: заголовок до {config['max_title']} символов,
описание до {config['max_desc']} символов,
{config['bullet_count']} буллетов преимуществ.
Создай описание товара. Верни JSON с полями:
title, short_description, full_description (HTML),
bullet_points (массив), seo_keywords (массив), meta_description."""
}, {
"role": "user",
"content": f"""Товар: {product.name}
Бренд: {product.brand}
Категория: {product.category}
Характеристики:
{attributes_str}
ЦА: {product.target_audience or 'не указана'}"""
}],
response_format={"type": "json_object"}
)
data = json.loads(response.choices[0].message.content)
return GeneratedDescription(**data)
async def generate_from_images(
self,
product: ProductData,
config: dict,
tone: str,
language: str
) -> GeneratedDescription:
"""Используем Vision для анализа фото товара"""
import base64
image_contents = [
{"type": "image_url", "image_url": {"url": url}}
for url in product.images[:3] # Максимум 3 изображения
]
response = await client.chat.completions.create(
model="gpt-4o",
messages=[{
"role": "user",
"content": [
{"type": "text", "text": f"""Проанализируй изображения товара и создай описание.
Платформа: {self.platform}. Тон: {tone}. Язык: {language}.
Дополнительные данные: Категория: {product.category}, Бренд: {product.brand}.
Верни JSON: title, short_description, full_description, bullet_points, seo_keywords, meta_description."""},
] + image_contents
}],
response_format={"type": "json_object"}
)
data = json.loads(response.choices[0].message.content)
return GeneratedDescription(**data)
Как система обрабатывает каталоги из CSV/Excel?
Для загрузки товаров из CSV используется batch-обработка: process_product_catalog читает файл, разбивает на батчи по 20 товаров и параллельно генерирует описания через asyncio. Ошибки обрабатываются через return_exceptions — сбой по одному товару не останавливает весь поток.
import pandas as pd
import asyncio
async def process_product_catalog(
catalog_path: str,
platform: str = "wildberries",
batch_size: int = 20
) -> pd.DataFrame:
df = pd.read_csv(catalog_path)
generator = ProductDescriptionGenerator(platform=platform)
results = []
for i in range(0, len(df), batch_size):
batch = df.iloc[i:i+batch_size]
tasks = []
for _, row in batch.iterrows():
product = ProductData(
name=row["name"],
category=row["category"],
brand=row.get("brand", ""),
sku=row.get("sku", ""),
attributes={k: row[k] for k in row.index if k not in ["name", "category", "brand", "sku"]}
)
tasks.append(generator.generate(product))
batch_results = await asyncio.gather(*tasks, return_exceptions=True)
for j, result in enumerate(batch_results):
if isinstance(result, GeneratedDescription):
row_data = batch.iloc[j].to_dict()
row_data.update({
"generated_title": result.title,
"generated_short_desc": result.short_description,
"generated_full_desc": result.full_description,
"generated_bullets": " | ".join(result.bullet_points),
"seo_keywords": ", ".join(result.seo_keywords),
})
results.append(row_data)
return pd.DataFrame(results)
| Параметр | Ручной копирайтинг | AI-система |
|---|---|---|
| Производительность | 50–200 описаний/день | 1 000–10 000 описаний/день |
| Стоимость за описание (при объёме 10 000) | высокая | значительно ниже |
| Время на каталог 10 000 SKU | 3–4 месяца | 1–2 недели |
| SEO-оптимизация | зависит от копирайтера | встроенные правила для каждой площадки |
| Мультиязычность | нужен переводчик | генерация на любом языке |
Адаптация под площадки
Для каждого маркетплейса (Wildberries, Ozon, Amazon) предусмотрены отдельные классы-форматтеры. Они учитывают лимиты символов, требования к структуре и ключевые слова. Пример форматтеров:
class WildberriesFormatter:
def format(self, desc: GeneratedDescription) -> dict:
return {
"наименование": desc.title[:60],
"описание": desc.full_description[:4000],
"характеристики": "\n".join(desc.bullet_points),
}
class OzonFormatter:
def format(self, desc: GeneratedDescription) -> dict:
return {
"name": desc.title[:100],
"description": desc.full_description,
"short_description": desc.short_description,
"keywords": desc.seo_keywords,
}
Как обеспечивается SEO-оптимизация?
Система использует правила SEO для каждой площадки: лимиты символов, ключевые слова, структура заголовков. В промпт передаются категория, бренд и характеристики товара, что позволяет генерировать релевантные описания. Дополнительно применяются техники few-shot и chain-of-thought для улучшения качества. Например, для Wildberries система автоматически вставляет популярные запросы в заголовок и мета-описание.
Что входит в разработку системы под ключ?
- Архитектура и код — ядро генератора, поддержка текста и изображений (GPT-4 Vision), batch-обработка CSV/Excel.
- Интеграция с маркетплейсами — адаптеры под Wildberries, Ozon, Amazon, прямая загрузка через API.
- Документация — описание API, инструкция по добавлению новых площадок, model card.
- Обучение команды — 2 онлайн-сессии по настройке и эксплуатации.
- Поддержка 2 недели после запуска — исправление ошибок, донастройка промптов.
Сроки и как мы работаем
| Этап | Длительность |
|---|---|
| Аналитика и проектирование | 2–4 дня |
| Разработка генератора | 5–10 дней |
| Интеграция с API площадок | 5–10 дней |
| Тестирование и доработка | 3–5 дней |
| Деплой и обучение | 2–3 дня |
Стоимость рассчитывается индивидуально после анализа вашего каталога и требований к интеграции. Наша команда специализируется на AI-решениях для e-commerce более 5 лет и реализовала 30+ проектов. Гарантируем качество: каждое описание проходит валидацию на соответствие SEO-правилам площадки.
Свяжитесь с нами для оценки вашего проекта. Получите консультацию по архитектуре и примерную оценку сроков.