Автоматическая генерация SEO-текстов карточек товаров

Мы автоматизируем генерацию SEO-описаний для интернет-магазинов, где каталог насчитывает тысячи позиций. Ручное написание уникальных текстов под каждый товар займёт месяцы и миллионы — наша система справляется за часы. Но просто вызвать API нейросети недостаточно: нужна продуманная архитектура из подготовки данных, промпт-инжиниринга, пакетной обработки, валидации и интерфейса ревью. Имея опыт более 10 лет в разработке высоконагруженных систем, мы гарантируем стабильность и качество генерации.

Почему это работает?

Современные языковые модели — такие как ChatGPT (GPT-4o) и Claude — генерируют осмысленные тексты, если дать им структурированные данные: название, категорию, характеристики. Согласно документации OpenAI, контекстное обучение позволяет адаптировать вывод под задачу. Промпт-инжиниринг задаёт тон, длину, структуру и требования к ключевым словам, чтобы результат был релевантным и SEO-оптимизированным. Пример для кроссовок Nike Air Max 270:

{ "id": "SKU-4821", "name": "Кроссовки Nike Air Max 270", "category": "Мужская обувь / Кроссовки", "brand": "Nike", "attributes": { "material": "mesh + synthetic", "sole": "Air Max unit", "colors": ["black/white", "navy/grey"], "sizes": "40–46", "weight": "310g" }, "tags": ["беговые", "повседневные", "амортизация"], "targetKeywords": ["nike air max 270 купить", "кроссовки найк аир макс 270"] } 

Как гарантируется уникальность текстов?

Модель с температурой >0 всегда выдаёт разный результат. Дополнительно мы проверяем каждую генерацию на дубли через Elasticsearch — если текст совпадает с уже существующим, запускаем повторную генерацию с новым seed. Это исключает появление копий в каталоге. Такой подход позволяет сохранять уникальность даже при массовой генерации.

Как мы проектируем промпты для товарных текстов?

Промпт — это не «напиши описание товара». Хороший промпт задаёт структуру, тон, длину, требования к ключевым словам и запреты. Пример на TypeScript:

function buildProductSeoPrompt(product: Product, keywords: string[]): string { return ` Write a product description for an e-commerce catalog in Russian. Product: ${product.name} Category: ${product.category} Brand: ${product.brand} Key attributes: ${JSON.stringify(product.attributes)} Tags: ${product.tags.join(", ")} Requirements: - Length: 200–400 words - Include these keywords naturally: ${keywords.join(", ")} - Structure: opening benefit statement → key features (3–5 points) → use cases → closing - Tone: informative, no hype, no superlatives like "лучший" or "уникальный" - Do NOT use: "данный товар", "представляем вашему вниманию", bullet points - Do NOT start with the product name - Write for a person who is comparing options Output: plain text, no markdown, no headings. `.trim(); } 

Почему важна пакетная обработка с очередями?

Генерировать тексты синхронно нельзя — запрос к LLM занимает 3–10 секунд, а позиций могут быть тысячи. Мы используем очередь задач на BullMQ с параллелизмом и повторными попытками.

import { Queue, Worker } from "bullmq"; import { openai } from "../lib/openai"; import { db } from "../lib/db"; const seoQueue = new Queue("seo-generation", { connection: { host: "localhost", port: 6379 }, }); export async function queueProductsForGeneration(productIds: string[]) { const jobs = productIds.map((id) => ({ name: "generate", data: { productId: id }, opts: { attempts: 3, backoff: { type: "exponential", delay: 5000 }, removeOnComplete: 100 }, })); await seoQueue.addBulk(jobs); } const worker = new Worker("seo-generation", async (job) => { const product = await db.products.findById(job.data.productId); if (!product) return; const keywords = await getTargetKeywords(product); const prompt = buildProductSeoPrompt(product, keywords); const completion = await openai.chat.completions.create({ model: "gpt-4o-mini", messages: [{ role: "user", content: prompt }], temperature: 0.7, max_tokens: 600, }); const text = completion.choices[0].message.content?.trim(); if (!text) throw new Error("Empty response"); await db.productSeoTexts.upsert({ productId: product.id, text, status: "draft", model: "gpt-4o-mini", generatedAt: new Date(), }); }, { connection: { host: "localhost", port: 6379 }, concurrency: 5 }); 

Как обрабатываются ошибки при генерации?

При сбое запроса или пустом ответе задача автоматически переставляется в очередь с экспоненциальной задержкой (backoff). После трёх неудачных попыток товар помечается как failed и отправляется на ручную проверку. Это обеспечивает отказоустойчивость и минимизирует потери данных.

Контроль качества через валидацию

Сгенерированный текст автоматически проверяется: длина, наличие всех ключевых слов, отсутствие стоп-фраз, плотность вхождений. Если проверка не пройдена — товар помечается флагом needs_review и отправляется на повторную генерацию с уточнённым промптом.

interface ValidationResult { passed: boolean; issues: string[] } function validateSeoText(text: string, product: Product): ValidationResult { const issues: string[] = []; if (text.length < 500) issues.push(`Too short: ${text.length} chars`); const missingKeywords = product.targetKeywords.filter(kw => !text.toLowerCase().includes(kw.toLowerCase())); if (missingKeywords.length > 0) issues.push(`Missing keywords: ${missingKeywords.join(", ")}`); const stopPhrases = ["данный товар", "представляем вашему вниманию", "уникальный", "лучший в своём классе"]; for (const phrase of stopPhrases) { if (text.toLowerCase().includes(phrase)) issues.push(`Contains stop phrase: "${phrase}"`); } const wordCount = text.split(/\s+/).length; for (const kw of product.targetKeywords) { const kwCount = (text.toLowerCase().match(new RegExp(kw.toLowerCase(), "g")) || []).length; if (kwCount / wordCount > 0.03) issues.push(`Keyword density too high for "${kw}": ${(kwCount / wordCount * 100).toFixed(1)}%`); } return { passed: issues.length === 0, issues }; } 

Интерфейс ревью

Редактор видит список черновиков с кнопками «Опубликовать», «Регенерировать», «Редактировать». Регенерация учитывает причину предыдущего отклонения — воркер добавляет её в промпт. Все черновики хранятся в статусе draft, публикация происходит только после подтверждения.

Сравнение: ручная генерация vs AI

Пример: для крупного клиента из сегмента одежды мы сгенерировали 12 000 описаний за 4 часа. Промпты учитывали сезонность, пол, размерную сетку. После первичной генерации 8% текстов попали в needs_review из-за высокой плотности ключевых слов — после корректировки промпта процент снизился до 2%. Финальный запуск занял один день.

Этапы внедрения

Что входит в реализацию?

• Интеграция с LLM (OpenAI, Claude) через API
• Система очередей на BullMQ с повторными попытками и backoff
• Промпт-инжиниринг под вашу специфику (категории, тональность, ключи)
• Интерфейс для ревью и модерации (React + TypeScript)
• Валидаторы: длина, ключевые слова, стоп-слова, плотность
• Документация и обучение команды
• Поддержка в течение месяца после запуска

Сроки и стоимость

Срок реализации — от 2 до 6 недель в зависимости от объёма каталога и сложности интеграции. Стоимость рассчитывается индивидуально — чем больше товаров, тем дешевле каждый отдельный текст. Оценим ваш проект? Свяжитесь с нами — расскажем, как снизить бюджет на SEO-контент в разы.

Закажите консультацию — мы проанализируем ваш каталог и подберём оптимальную модель генерации. Получите прототип на ваших данных и оцените эффект.