Разработка AI-генератора карточек товаров для маркетплейсов

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

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) 

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?

1. Архитектура и код — ядро генератора, поддержка текста и изображений (GPT-4 Vision), batch-обработка CSV/Excel.
2. Интеграция с маркетплейсами — адаптеры под Wildberries, Ozon, Amazon, прямая загрузка через API.
3. Документация — описание API, инструкция по добавлению новых площадок, model card.
4. Обучение команды — 2 онлайн-сессии по настройке и эксплуатации.
5. Поддержка 2 недели после запуска — исправление ошибок, донастройка промптов.

Сроки и как мы работаем

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.