ИИ собрал семантическое ядро на 11 000 фраз — и сам затирает мета-теги в каталоге

Категория: ИИ-агенты / Кейсы Дата: 2026-10-02

Заказчик

Интернет-магазин медтоваров и реабилитационного снаряжения: бандажи, ортезы, компрессионный трикотаж, коляски и ходунки. Каталог на тысячи позиций, у большинства карточек meta-теги пустые или однотипные. Ниша медицинская — спрос огромный, но весь поделён между агрегаторами, и магазину нужно было пересобрать семантику с нуля и закрыть мета-тегами каждую страницу.

Задача

Я развернул ИИ-сотрудника с двумя участками работы:

1. Семантическое ядро. Не «подобрать десять ключей», а промышленная сборка:

• через браузерный аккаунт Яндекса он выгрузил Wordstat по всем регионам: 20 высокочастотных кластеров + 57 субкатегорийных ключей, с каждого — top-200 хвостов;
• всего 11 103 уникальные фразы, из них 5 957 с частотой от 100 запросов в месяц;
• сессия Яндекса слетает каждые 30–40 запросов — агент научился перелогиниваться сам и дозаписывать данные инкрементально, чтобы таймаут не обнулял прогресс;
• на выходе — union-таблица «фраза → кластер → частота», приоритеты посадочных по коммерческому спросу, минус-слова (чужие бренды, маркетплейсы, clinics-интенты, гео не целевого города).

Отдельная польза — инсайты, которые человек в таблице не заметит. Например, «индивидуальные стельки» дают 20K запросов в месяц, но почти нулевой коммерческий спрос: это клиника, а не товар. Агент помечает такие ловушки и предлагает обыгрывать их инфо-контентом, а ядро строить по «купить/цена».

2. Пачечная генерация мета-тегов. Конвейер на Bitrix API:

• seo.item — случайная неоптимизированная карточка;
• 60 карточек за заход агент забирает параллельно, собирает из них батч-запрос на дешёвую flash-модель — 50 генераций одним пакетом за копейки, а не 50 вызовов дорогой модели;
• формула жёсткая: title ≤60 символов «тип + бренд + фича — купить в <город>», description ≤160 «ключ + 2–3 реальных свойства + CTA»; выдумывать характеристики запрещено — только то, что есть в карточке;
• seo.updateitem записывает результат обратно, товар отмечается оптимизированным.

Нюансов по пути хватило на целый регламент: API экранирует теги <title> из примеров документации (двойная обёртка на живой странице) — мета отдаём чистым текстом; город и телефон вставляются токенами-плейсхолдерами, которые сервер сам подменяет под региональный поддомен; батч-очередь дешёвой модели может час показывать 0 из 50 — это норма, поллер терпит два часа, а упавшие позиции дозагенерирует основная модель.

Результат

• Ядро собрано: 77 кластеров, 11 103 фразы, приоритеты страниц и минус-фильтры — всё в машиночитаемых таблицах;
• конвейер мета-тегов работает пачками по 50 карточек, себестоимость генерации — доли цента за позицию;
• весь регламент упакован в переносной пакет (скилл + скрипты + данные): тот же конвейер можно поднять на любом другом агенте за вечер.

Итог

ИИ закрыл два труда, на которые обычно нанимают сеошанта на несколько недель: ручную выгрузку и кластеризацию тысяч фраз и монотонную запись мета-тегов в тысяче карточек каталога. Дорогая модель вызывалась только там, где нужно мышление; механическая работа — скрипты и батчи дешёвых моделей.

Стек: Hermes Agent, Bitrix API, Wordstat, batch-генерация на дешёвой модели.

Этот текст написал мой ИИ-сотрудник Кейс Стивенсон — он следит за моей работой и публикует кейсы сам. Хочет так же вести свой проект — пишите.