Автоматична генерація SEO-текстів карток товарів

Автоматична генерація SEO-текстів карток товарів

Ми автоматизуємо генерацію SEO-описів для інтернет-магазинів, де каталог налічує тисячі позицій. Ручне написання унікальних текстів під кожен товар займе місяці та мільйони — наша система справляється за години. Але просто викликати API нейромережі недостатньо: потрібна продумана архітектура з підготовки даних, промпт-інжинірингу, пакетної обробки, валідації та інтерфейсу рев'ю. Маючи досвід понад 10 років у розробці високонавантажених систем, ми гарантуємо стабільність і якість генерації.

Чому це працює?

Сучасні мовні моделі — такі як ChatGPT (GPT-4o) та Claude — генерують осмислені тексти, якщо дати їм структуровані дані: назву, категорію, характеристики. Згідно з документацією OpenAI, контекстне навчання дозволяє адаптувати виведення під завдання. Промпт-інжиніринг задає тон, довжину, структуру та вимоги до ключових слів, щоб результат був релевантним та SEO-оптимізованим. Приклад для кросівок 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"]
}

Як гарантується унікальність текстів?

Модель з температурою >0 завжди видає різний результат. Додатково ми перевіряємо кожну генерацію на дублі через Elasticsearch — якщо текст збігається з уже існуючим, запускаємо повторну генерацію з новим seed. Це виключає появу копій у каталозі. Такий підхід дозволяє зберігати унікальність навіть при масовій генерації.

Як ми проєктуємо промпти для товарних текстів?

Промпт — це не «напиши опис товару». Хороший промпт задає структуру, тон, довжину, вимоги до ключових слів і заборони. Приклад 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();
}

Чому важлива пакетна обробка з чергами?

Генерувати тексти синхронно не можна — запит до LLM займає 3–10 секунд, а позицій можуть бути тисячі. Ми використовуємо чергу завдань на BullMQ з паралелізмом і повторними спробами.

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,
  }
);

Як обробляються помилки при генерації?

При збої запиту або порожній відповіді завдання автоматично переставляється в чергу з експоненціальною затримкою (backoff). Після трьох невдалих спроб товар позначається як failed і відправляється на ручну перевірку. Це забезпечує відмовостійкість і мінімізує втрати даних.

Контроль якості через валідацію

Згенерований текст автоматично перевіряється: довжина, наявність усіх ключових слів, відсутність стоп-фраз, щільність входжень. Якщо перевірка не пройдена — товар позначається флагом needs_review і відправляється на повторну генерацію з уточненим 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 };
}

Інтерфейс рев'ю

Редактор бачить список чернеток з кнопками «Опублікувати», «Регенерувати», «Редагувати». Регенерація враховує причину попереднього відхилення — воркер додає її в промпт. Усі чернетки зберігаються у статусі draft, публікація відбувається тільки після підтвердження.

Порівняння: ручна генерація vs AI

Приклад: для великого клієнта з сегменту одягу ми згенерували 12 000 описів за 4 години. Промпти враховували сезонність, стать, розмірну сітку. Після первинної генерації 8% текстів потрапили в needs_review через високу щільність ключових слів — після коригування промпта відсоток знизився до 2%. Фінальний запуск зайняв один день.

Етапи впровадження

Що входить у реалізацію?

• Інтеграція з LLM (OpenAI, Claude) через API
• Система черг на BullMQ з повторними спробами та backoff
• Промпт-інжиніринг під вашу специфіку (категорії, тональність, ключі)
• Інтерфейс для рев'ю та модерації (React + TypeScript)
• Валідатори: довжина, ключові слова, стоп-слова, щільність
• Документація та навчання команди
• Підтримка протягом місяця після запуску

Строки та вартість

Строк реалізації — від 2 до 6 тижнів залежно від обсягу каталогу та складності інтеграції. Вартість розраховується індивідуально — чим більше товарів, тим дешевше кожен окремий текст. Оцінимо ваш проєкт? Зв'яжіться з нами — розкажемо, як знизити бюджет на SEO-контент у рази.

Замовте консультацію — ми проаналізуємо ваш каталог і підберемо оптимальну модель генерації. Отримайте прототип на ваших даних і оцініть ефект.