Автоматическая генерация изображений товаров для соцсетей

Автоматическая генерация изображений товаров для соцсетей

Каждый день маркетолог тратит 20–30 минут на создание одного брендированного изображения для нового товара. Умножаем на 100 позиций — получаем потерянную неделю. Мы автоматизируем этот процесс: система берёт данные из карточки (фото, название, цена, бренд) и генерирует готовые баннеры под каждую соцсеть — Telegram, VK, Instagram, Stories. Результат — единообразная графика за секунды, а не часы.

Как работает шаблонный генератор?

Используем библиотеку Pillow (Python) или Sharp (Node.js). На заранее подготовленные макеты накладываются поля товара. Шрифты, цвета, логотип — всё соответствует брендбуку. Генератор адаптирует текст под размеры: если название длинное — уменьшаем кегль, если цена со скидкой — выделяем жёлтым.

Пример: для интернет-магазина одежды мы настроили 5 шаблонов под разные категории. При добавлении товара в CMS автоматически создаётся 4 варианта изображений — квадратный пост, портретный пост, сторис и превью для Telegram. Результат — 20 секунд вместо 20 минут.

from PIL import Image, ImageDraw, ImageFont
import httpx
from io import BytesIO

class ProductBannerGenerator:
    TEMPLATES = {
        'feed':    (1080, 1080),   # Instagram/VK пост
        'story':   (1080, 1920),   # Instagram/VK Stories
        'telegram': (1280, 640),   # Telegram превью
    }

    def generate(self, product: dict, format: str = 'feed') -> bytes:
        width, height = self.TEMPLATES[format]
        canvas = Image.new('RGB', (width, height), color='#FFFFFF')
        draw   = ImageDraw.Draw(canvas)
        if product.get('image_url'):
            product_img = self._load_image(product['image_url'])
            product_img = self._fit_image(product_img, (width, int(height * 0.65)))
            canvas.paste(product_img, (0, 0))
        gradient = self._create_gradient((width, int(height * 0.4)), '#000000', alpha_start=0, alpha_end=180)
        canvas.paste(gradient, (0, int(height * 0.6)), mask=gradient)
        font_title = ImageFont.truetype('fonts/Inter-Bold.ttf', size=52)
        font_price = ImageFont.truetype('fonts/Inter-ExtraBold.ttf', size=72)
        font_small = ImageFont.truetype('fonts/Inter-Regular.ttf', size=36)
        y_offset = int(height * 0.68)
        draw.text((60, y_offset), product['name'], font=font_title, fill='white')
        draw.text((60, y_offset + 70), f"{product['price']:,.0f} ₽", font=font_price, fill='#FFD700')
        logo = Image.open('assets/logo.png').resize((200, 60))
        canvas.paste(logo, (width - 220, 20), mask=logo)
        output = BytesIO()
        canvas.save(output, 'JPEG', quality=90)
        return output.getvalue()

    def _load_image(self, url: str) -> Image.Image:
        resp = httpx.get(url, timeout=15)
        return Image.open(BytesIO(resp.content)).convert('RGBA')

Почему шаблонная генерация выгоднее AI для массового контента?

Шаблонный подход превосходит AI-генерацию в скорости и предсказуемости: он в 10 раз быстрее и не требует затрат на GPU. Если нужна уникальная графика для каждого товара (например, для премиум-бренда), мы подключаем Stable Diffusion через Replicate API. Генерируется фон под категорию товара, затем накладывается текст. Это дороже, но даёт вариативность.

import replicate

def generate_ai_background(product_name: str, category: str) -> str:
    output = replicate.run(
        "stability-ai/stable-diffusion:db21e45d3f7023abc2a46ee38a23973f6dce16bb082a930b0c49861f96d1e5bf",
        input={
            "prompt": f"minimalist product photography background for {category}, clean white studio, soft shadows, high-end commercial photo",
            "negative_prompt": "text, watermark, ugly, blurry",
            "width": 1080,
            "height": 1080,
        }
    )
    return output[0]

Какие форматы и размеры поддерживаются?

Заранее настраиваем все популярные форматы. Система выдаёт готовые файлы одним пакетом.

Сравнение подходов: шаблонный vs AI

Как избежать типичных ошибок при автоматизации?

• Некорректная обрезка текста: если название товара длиннее 200 символов, текст может вылезти за границы. Решение — настроить автоматический перенос и уменьшение кегля.
• Игнорирование форматов: для каждой соцсети нужны свои пропорции. Универсальный размер 1080×1080 подходит не всем — для Telegram превью нужно 1280×640.
• Отсутствие fallback-изображений: если у товара нет фото, генератор должен использовать заглушку с брендированным фоном, иначе баннер будет пустым.

Что входит в работу

Генератор изображений под ключ: исходный код, инструкция по настройке шаблонов, доступ к репозиторию, 1 месяц поддержки. Дополнительно передаём набор готовых шаблонов под типовые категории товаров и инструкцию по их расширению. Pillow documentation recommends using ImageFont.truetype for consistent text rendering across platforms. Интеграция с любой CMS (WordPress, Laravel, Django). Оценим проект за 1 день.

Как интегрировать генератор с сайтом?

1. Аналитика — изучаем вашу CMS, типы товаров, текущую графику.
2. Дизайн шаблонов — создаём макеты под брендбук (3–5 вариантов).
3. Разработка генератора — пишем код с использованием Pillow, настраиваем API.
4. Интеграция — подключаем к вашему сайту или админке.
5. Тестирование — проверяем на 50+ товарах, корректируем.
6. Деплой и документация — передаём доступы, инструкцию по добавлению шаблонов.

Сроки

Базовый генератор на шаблонах с 3 форматами — от 4 до 6 рабочих дней. С AI-генерацией фона — от 7 до 9 дней. При наличии готового брендбука и набора шрифтов сроки сокращаются на 1–2 дня. Если брендбука нет — разработаем шаблоны на основе вашего сайта или заданной цветовой схемы. Точную оценку дадим после анализа ваших товаров и требований к форматам.

Экономия времени при автоматизации составляет до 20 часов в неделю, что при средней ставке дизайнера даёт экономию бюджета до 120 000 ₽ в месяц. Вложения окупаются за 2–3 месяца. Гарантируем: опыт разработки более 10 лет, более 50 успешных проектов по автоматизации контента. Свяжитесь с нами для консультации и примеров генерации для вашей ниши. Закажите автоматизацию контента — сократите время на публикацию в 10 раз.

Интеграция AI: чат-боты, RAG, семантический поиск, рекомендации

В 8 из 10 проектов «AI-чат-бот» оказывается дорогой обёрткой над GPT-4o с системным промптом. Без доступа к реальным данным компании. Пользователь спрашивает «сколько стоит тариф Премиум» — бот галлюцинирует цену из воздуха. Спрашивает «когда придёт заказ» — получает вежливое «напишите в поддержку». Это не интеграция — это имитация. Мы за 5 лет внедрили RAG-решения в 30+ проектах: от интернет-магазинов до медицинских порталов. Гарантируем: полезная AI-помощь начинается там, где модель читает ваши документы, а не общие ответы.

Как мы строим RAG-системы?

Retrieval-Augmented Generation — стандартная архитектура: запрос → поиск релевантных фрагментов в векторной БД → вставка найденного в контекст → ответ модели. Но дьявол в деталях реализации. Разберём ключевые узлы, которые определяют качество.

Chunking. Резать документ на куски по 500 токенов без оглядки на структуру — гарантия потери смысла. Если разрез пришёлся на середину абзаца, контекст разрывается. Решение — рекурсивный RecursiveCharacterTextSplitter с overlap 10–15% для документации. Для контрактов и инструкций используем семантический сплиттер: выделяем заголовки, списки, блоки кода — каждый раздел становится независимым чанком. Разница в качестве поиска: на одном медицинском проекте precision вырос с 0.55 до 0.84 только за счёт правильной нарезки.

Модель эмбеддингов. Для русскоязычных текстов intfloat/multilingual-e5-large даёт заметный прирост точности против устаревшей text-embedding-ada-002. По нашим замерам, NDCG@10 на тестовой выборке из 10 000 пар «запрос-документ» на 12% выше. OpenAI text-embedding-3-large — хороший вариант для англоязычного контента, но для русского рекомендуем BAAI/bge-m3 или упомянутую e5-large.

Векторная БД. Если у вас уже стоит PostgreSQL — pgvector экономит ресурсы. Ставим расширение CREATE EXTENSION vector, добавляем колонку vector(1024), создаём HNSW-индекс. На проекте с 80 000 статей поддержки p95 поиска — 12 мс. Этого хватает. Для каталогов с миллионами единиц — Qdrant или Weaviate: нативный гибридный поиск и шардирование «из коробки».

Что даёт гибридный поиск?

Только векторный поиск слеп к точным совпадениям: артикулы «ABC-123», имена собственные, аббревиатуры теряются. Только полнотекстовый поиск не улавливает синонимы и перефразирования. Комбинация через RRF (Reciprocal Rank Fusion) даёт лучшее из двух миров: BM25 + векторный поиск, результаты смешиваются. На практике recall@20 растёт с 0.65 до 0.92 — разница заметна пользователю.

Reranking — финальный фильтр: top-20 кандидатов из гибридного поиска прогоняем через cross-encoder cross-encoder/ms-marco-MiniLM-L-6-v2. Он добавляет 50–100 мс к ответу, но relevance поднимает ещё на 5–10%. Без reranking чат-бот может показывать нерелевантные документы.

Семантический поиск на сайте

Поиск «удобные кожаные кресла» должен находить товары с описанием «мягкие стулья из натуральной кожи» — обычный LIKE-поиск не способен. Наша архитектура: при добавлении товара/поста автоматически генерируем эмбеддинг через multilingual-e5-large, сохраняем в pgvector. На запросе — эмбеддим его той же моделью, ищем ближайших соседей через cosine distance с HNSW-индексом. Для каталога из 100 000 позиций индекс строится 3 минуты, в памяти ~400 Мбайт (1536-мерные векторы). Cреднее время поиска — 20 мс.

Рекомендательные системы

Коллаборативная фильтрация («пользователи, похожие на вас, покупали X») требует истории — минимум 2–3 месяца данных с 1000+ активных пользователей. Для стартапов или малых проектов используем content-based: эмбеддинг текущего товара → поиск ближайших соседей по косинусной близости. Когда накапливается статистика (обычно 15–20 взаимодействий на пользователя), переключаемся на гибридную модель LightFM. Она объединяет и поведение, и признаки товаров. У нас в e-commerce проекте с 50 000 SKU гибридная модель повысила конверсию в рекомендательный блок на 18% (A/B-тест длился 2 недели).

Стриминг ответов

Пользователь не обязан ждать, пока модель сгенерирует весь текст — это убивает UX. Server-Sent Events (SSE) — протокол для стриминга токенов. OpenAI SDK поддерживает stream: true, возвращая AsyncIterator. На фронтенде — Vercel AI SDK (useChat) или самописный EventSource. Типичная ошибка: использовать WebSocket для однонаправленного стрима — SSE проще (меньше кода, встроенный реконнект). Стек: Node.js + SSE + React.

Оркестрация агентов

Простой чат-бот отвечает. Агент — выполняет действия: создаёт тикет в Jira, проверяет статус заказа в CRM, бронирует слот в календаре. Для оркестрации используем LangGraph: граф состояний, где каждый узел — вызов модели или инструмента. Vercel AI SDK useChat + tools для Next.js позволяет добавить интеграцию в 10 строк кода. Главная сложность — надёжность: модель иногда вызывает не тот инструмент или передаёт кривые параметры. Защита — Zod-схемы на каждый инструмент и structured outputs для гарантии JSON.

Что входит в работу

Дополнительно: мы передаём исходный код векторизатора, дашборды мониторинга (Langfuse), доступ к админке для обновления базы знаний. Постпродакшн-поддержка — 1 месяц бесплатно.

Сроки

Стоимость рассчитывается индивидуально после знакомства с проектом. Оценим ваш проект за 1 день. Свяжитесь с нами — расскажем, как превратить AI из игрушки в инструмент, который приносит прибыль.