ИИ для SEO-контента на своём VPS

SEO любит объём: десятки страниц под кластеры запросов, мета-теги, перелинковка. Соберём ИИ-пайплайн на VPS, который ставит производство SEO-контента на поток и держит данные у вас.

SEO-задачи, которые тянет ИИ

Искусственный интеллект хорошо закрывает рутину SEO: группирует запросы, пишет черновики статей под кластеры, генерирует title и description, предлагает перелинковку. Всё это масштабируется скриптами.

• Кластеризация — группировка ключей по смыслу
• Генерация — тексты и мета-теги пачками
• Оптимизация — переписывание под ключевые запросы

Держать пайплайн на своём VPS — значит не платить за каждый прогон в SaaS и не отдавать своё семантическое ядро наружу. NVMe у MAATRIX ускоряет обработку больших списков запросов.

Семантическое ядро — это актив, который вы собирали месяцами. Загружая его в чужой облачный инструмент, вы фактически делитесь с ним стратегией продвижения. На своём сервере ядро, кластеры и черновики остаются только у вас, а инструменты вы собираете под свои задачи, а не подстраиваетесь под чужой интерфейс и лимиты.

Подготовка сервера

python3 -m venv ~/venv && source ~/venv/bin/activate
pip install openai sentence-transformers scikit-learn
curl -fsSL https://ollama.com/install.sh | sh
ollama pull qwen2.5:7b

sentence-transformers и scikit-learn понадобятся для кластеризации запросов по эмбеддингам — тоже локально, без внешних сервисов.

Кластеризация запросов

Группируем ключи по смыслу через эмбеддинги и KMeans:

from sentence_transformers import SentenceTransformer
from sklearn.cluster import KMeans

queries = [q.strip() for q in open("keys.txt")]
model = SentenceTransformer("paraphrase-multilingual-MiniLM-L12-v2")
emb = model.encode(queries)
labels = KMeans(n_clusters=20, n_init=10).fit_predict(emb)
for q, l in zip(queries, labels):
    print(l, q)

Каждый кластер — тема для отдельной страницы. Дальше по кластеру генерируем структуру и текст. Число кластеров подбирайте под размер ядра: слишком мало — темы слипнутся, слишком много — распадутся на почти одинаковые. Удобно начать с оценки в 1 кластер на 15-30 запросов и скорректировать, посмотрев на результат. Многоязычная модель эмбеддингов важна для рунета: она понимает смысловую близость русских фраз, а не только совпадение слов.

Генерация статьи и мета-тегов

По кластеру просим модель дать заголовок, план и мета:

from openai import OpenAI
ai = OpenAI(api_key="x", base_url="http://127.0.0.1:11434/v1")
P = ("Кластер запросов: {keys}. Дай title до 60 симв, "
     "description 150 симв и план статьи из 5 разделов.")
r = ai.chat.completions.create(model="qwen2.5:7b",
    messages=[{"role": "user", "content": P.format(keys=cluster)}])
print(r.choices[0].message.content)

Держите в промпте требования по длине title/description — модель охотнее попадает в лимиты.

Пакетная обработка и хранение

Прогоняйте все кластеры циклом и складывайте результат в JSON или прямо в базу. Уникальность текстов проверяйте перед публикацией.

0 4 * * 1 /home/user/venv/bin/python /home/user/seo_gen.py

Раз в неделю пайплайн обновляет черновики под новые запросы — вы только вычитываете и публикуете. Готовые title и description складывайте рядом с текстом, чтобы при публикации не собирать мету вручную. Полезно сразу генерировать и предложения по внутренней перелинковке: модель по списку заголовков подскажет, какие страницы логично связать между собой, — это усиливает и поведенческие, и ссылочные сигналы внутри сайта.

Правила, чтобы не улететь в фильтр

• Не публикуйте без вычитки — сырой ИИ-текст ловит фильтры за неестественность.
• Уникальность — проверяйте на дубликаты внутри сайта и в вебе.
• Польза важнее ключей — переспам ключевыми словами вредит, а не помогает.
• E-E-A-T — добавляйте факты, примеры, авторство; чистая генерация без экспертизы ранжируется хуже.

ИИ ускоряет производство, но решает по-прежнему польза для читателя — используйте его как ассистента, а не как автопилот публикаций.

Частые вопросы