AI SEO-конвейер для Affroom и ROIAds

Задача

У SEO-команды было две площадки - Affroom и ROIAds. Для каждой статьи нужно было собрать тему, H1, интент, конкурентов, источники, FAQ, CTA, будущую обложку и требования к стилю. После этого редактор должен был получить не сырой ответ модели, а нормальный Гугл-док, где можно читать, комментировать и возвращать материал на доработку.

Главная сложность была не в том, чтобы один раз сгенерировать текст. Нужно было собрать рабочий контур, который понимает разные правила Affroom и ROIAds, не теряет строку, не забирает одну задачу дважды, не выпускает оборванный материал и показывает человеку понятный статус.

Что я собрал

Я собрал self-hosted контур на n8n, где Гугл-таблица стала пультом управления материалами. SEO-специалист выбирает проект, заполняет строку, ставит статус ready, а система сама берет задачу в ближайший цикл.

Рабочий маршрут выглядит так:

строка в Гугл-таблице
  → проверка обязательных полей и настроек проекта
  → анализ выдачи и источников
  → план статьи, ссылок, CTA и визуалов
  → генерация и редактура текста
  → локальная проверка качества
  → Гугл-док, обложка и статус в таблице

Перед платными шагами строка получает статус in_progress, поэтому соседний запуск не забирает ту же задачу повторно. Если входные данные неполные, строка не тратит Ахрефс и OpenRouter, а получает invalid с причиной в таблице.

Для Affroom контур держит ч/б editorial-стиль обложек без embedded logo, потому что логотип накладывает админка сайта. Для ROIAds работает отдельное правило - 3D-объект, чистый фон из брендовой палитры и минимум поддерживающих элементов вместо каши из интерфейсов.

Примеры рабочих сценариев

Обычная статья. В строке есть проект, тип статьи, тема, H1, язык и источники. Система проверяет вход, смотрит выдачу, собирает план, пишет материал, создает Гугл-док и обложку. Редактор получает ссылку и видит итог прямо в таблице.

Статья с источником. Если в строке есть URL или несколько источников, система забирает их до генерации. Из них вытаскиваются заголовки, ссылки, списки, таблицы и текстовый sample. Эти факты идут в план и текст как источник правды, а не как мягкая подсказка.

Материал на проверке. Если текст оборвался, потерял FAQ, стал слишком коротким или содержит неподтвержденные коммерческие утверждения, система не делает финальную обложку. Она создает review-док, пишет needs_review и объясняет, что нужно поправить.

Правки по комментариям. Редактор оставляет комментарии в Гугл-доке или пишет короткую правку в таблицу. Отдельный сценарий читает документ, собирает открытые комментарии, переписывает материал и снова прогоняет финальную проверку. Рабочая ссылка на документ остается стабильной, а старая версия сохраняется как snapshot.

Только обложка. Если текст уже принят, можно поставить статус cover_requested. Тогда система не переписывает статью заново, не гоняет ее через полный цикл и не тратит лишние шаги. Она читает текущий документ, делает обложку и возвращает cover_ready.

Разные брендовые правила. Одна и та же таблица ведет Affroom и ROIAds, но проектные настройки меняют тон, FAQ, CTA и визуальный стиль. Это важно - система не делает одну универсальную статью для всех, а держит отдельный контур правил для каждого бренда.

Где оставлен человеческий контроль

В этом проекте я не делал вид, что AI может сам отвечать за все. Система берет на себя сборку, анализ, черновик, документ, обложку и статусы, но редактор остается там, где нужен вкус и ответственность.

Если фактов не хватает, материал останавливается на проверку. Если комментарий требует новый факт, которого нет в источниках, строка возвращается в ревью. Если клиент хочет поменять постоянное правило проекта, это делается через настройки проекта в таблице, а не через правку каждого сценария руками.

Что защищает процесс от зависаний

Отдельно закрыл операционные края, которые обычно всплывают уже после запуска.

один тик берет максимум одну основную строку, чтобы не плодить дорогие параллельные ветки
строка получает in_progress до Ахрефс и OpenRouter
пустая очередь заканчивается тихо и не вызывает платные API
ошибки входа пишутся как invalid, а не превращаются в скрытый сбой
needs_review не создает финальную обложку до принятия текста
ревизии по комментариям снова проходят проверку, а не заменяют текст вслепую
после лимита чтения Гугл-таблиц все Гугл-ноды получили длинный retry, а соседние сценарии разнесены по расписанию

Результат

Получился не одиночный генератор текста, а управляемый SEO-конвейер для Affroom и ROIAds. Команда видит, где находится каждая статья, почему материал остановился, где ссылка на Гугл-док, где обложка и что делать дальше.

Для похожего бизнеса это ценно не только скоростью. Такой контур убирает ручную сборку вокруг статьи и делает процесс проверяемым - задача не теряется между таблицей, документом, источниками, обложкой и правками.

WordPress-публикация оставлена отдельным шагом, потому что для нее нужны согласованные категории, теги и правила featured image. В этом кейсе основной результат - готовый документ, обложка, понятный статус и маршрут ревью.

Похожие задачи

Проблема