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.