Розробка системи AI-генерації описів товарів
При ручному копірайтингу для каталогу з 10 000 товарів потрібно 3-4 місяці. AI-система скорочує цей строк до тижня, видаючи до 10 000 описів на день — це в 50-100 разів швидше ручної праці. Ми використовуємо GPT-4o, асинхронну batch-обробку та адаптери під Wildberries, Ozon, Amazon. В одному проєкті для інтернет-магазину з 15 000 SKU ми скоротили бюджет на копірайтинг на порядок, а час виведення товарів на маркетплейси — з 3 місяців до 2 тижнів.
Чому автоматизація описів критична для e-commerce?
Ручне написання масштабується погано: при зростанні асортименту з 1 000 до 10 000 SKU витрати на копірайтинг збільшуються кратно, а строки сягають 3-4 місяців. Система на LLM вирішує це: один раз розробивши архітектуру, ви отримуєте нескінченний потік SEO-оптимізованих текстів під будь-яку площадку. LLM гарантують єдиний стиль і виключають типові помилки — друкарські помилки, дублювання, невідповідність характеристик.
Які проблеми вирішує AI-генератор?
Висока вартість і довгі строки. При ручному написанні вартість одного опису суттєва, а для каталогу з 10 000 товарів це займає місяці. Наша система знижує вартість на порядок: ціна за один опис стає незначною, а час — до 2 секунд.
Нестабільна якість. Різні копірайтери пишуть по-різному, що погіршує сприйняття бренду. LLM-генератор використовує єдиний промпт і правила для кожної площадки, забезпечуючи однаково високу якість для всіх товарів.
Обмежена SEO-оптимізація. Копірайтери рідко враховують усі ключові запити та вимоги пошукових систем. Система автоматично генерує мета-теги, заголовки та описи, оптимізовані під конкретний маркетплейс.
Архітектура системи
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 зображень
price: float = None
target_audience: str = ""
@dataclass
class GeneratedDescription:
title: str # SEO заголовок
short_description: str # 150–200 символів (прев'ю на маркетплейсі)
full_description: str # HTML з форматуванням
bullet_points: list[str] # 3–7 ключових переваг
seo_keywords: list[str]
meta_description: str # 160 символів 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"])
# Якщо є зображення — використовуємо 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"""Ти — експерт з написання продаючих описів для {self.platform}.
Тон: {tone}.
Мова: {language}.
Обмеження: заголовок до {config['max_title']} символів,
опис до {config['max_desc']} символів,
{config['bullet_count']} булетів переваг.
Створи опис товару. Поверни JSON з полями:
title, short_description, full_description (HTML),
bullet_points (масив), seo_keywords (масив), meta_description."""
}, {
"role": "user",
"content": f"""Товар: {product.name}
Бренд: {product.brand}
Категорія: {product.category}
Характеристики:
{attributes_str}
ЦА: {product.target_audience or 'не вказана'}"""
}],
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:
"""Використовуємо Vision для аналізу фото товару"""
import base64
image_contents = [
{"type": "image_url", "image_url": {"url": url}}
for url in product.images[:3] # Максимум 3 зображення
]
response = await client.chat.completions.create(
model="gpt-4o",
messages=[{
"role": "user",
"content": [
{"type": "text", "text": f"""Проаналізуй зображення товару та створи опис.
Платформа: {self.platform}. Тон: {tone}. Мова: {language}.
Додаткові дані: Категорія: {product.category}, Бренд: {product.brand}.
Поверни 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)
Як система обробляє каталоги з CSV/Excel?
Для завантаження товарів з CSV використовується batch-обробка: process_product_catalog читає файл, розбиває на батчі по 20 товарів і паралельно генерує описи через asyncio. Помилки обробляються через return_exceptions — збій по одному товару не зупиняє весь потік.
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 | Ручний копірайтинг | AI-система |
|---|---|---|
| Продуктивність | 50–200 описів/день | 1 000–10 000 описів/день |
| Вартість за опис (при об'ємі 10 000) | висока | значно нижча |
| Час на каталог 10 000 SKU | 3–4 місяці | 1–2 тижні |
| SEO-оптимізація | залежить від копірайтера | вбудовані правила для кожної площадки |
| Мультимовність | потрібен перекладач | генерація будь-якою мовою |
Адаптація під площадки
Для кожного маркетплейсу (Wildberries, Ozon, Amazon) передбачені окремі класи-форматери. Вони враховують ліміти символів, вимоги до структури та ключові слова. Приклад форматерів:
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,
}
Як забезпечується SEO-оптимізація?
Система використовує правила SEO для кожної площадки: ліміти символів, ключові слова, структура заголовків. У промпт передаються категорія, бренд і характеристики товару, що дозволяє генерувати релевантні описи. Додатково застосовуються техніки few-shot і chain-of-thought для покращення якості. Наприклад, для Wildberries система автоматично вставляє популярні запити в заголовок і мета-опис.
Що входить у розробку системи під ключ?
- Архітектура та код — ядро генератора, підтримка тексту та зображень (GPT-4 Vision), batch-обробка CSV/Excel.
- Інтеграція з маркетплейсами — адаптери під Wildberries, Ozon, Amazon, пряме завантаження через API.
- Документація — опис API, інструкція з додавання нових площадок, model card.
- Навчання команди — 2 онлайн-сесії з налаштування та експлуатації.
- Підтримка 2 тижні після запуску — виправлення помилок, доналаштування промптів.
Строки та як ми працюємо
| Етап | Тривалість |
|---|---|
| Аналітика та проектування | 2–4 дні |
| Розробка генератора | 5–10 днів |
| Інтеграція з API площадок | 5–10 днів |
| Тестування та доопрацювання | 3–5 днів |
| Деплой та навчання | 2–3 дні |
Вартість розраховується індивідуально після аналізу вашого каталогу та вимог до інтеграції. Наша команда спеціалізується на AI-рішеннях для e-commerce понад 5 років і реалізувала 30+ проєктів. Гарантуємо якість: кожен опис проходить валідацію на відповідність SEO-правилам площадки.
Зв'яжіться з нами для оцінки вашого проєкту. Отримайте консультацію з архітектури та приблизну оцінку строків.