Позвонить +375296917685
Написать sergey@bagrov.by

Связаться со мной

Мой блог

Листай вниз

Как я собрала SEO-агента на n8n для автоматизации аналитики трех сайтов

Теги :

Когда поисковый трафик внезапно пошел на спад, а привычные методы и гипотезы перестали давать результат, мне пришлось самостоятельно погружаться в SEO и веб-аналитику. Чтобы не утонуть в рутине и эффективнее контролировать процессы, я создал полноценного SEO-агента на базе платформы n8n. Этот инструмент автоматически агрегирует метрики из разных источников, ведет историю изменений, фильтрует сотни страниц и формирует для меня лаконичный список задач, требующих человеческого вмешательства.

В этом материале я подробно расскажу, как проектировал эту систему, на каком этапе обошелся стандартным кодом и правилами, а где задействовал искусственный интеллект для экономии времени и токенов.

Схема общего потока данных в сценарии n8n — Рис. 1. Фрагмент сценария: данные из Метрики, Вебмастера и Screaming Frog сходятся в общий поток, затем проходят нормализацию, объединение и классификацию.

Почему падение трафика заставило меня погрузиться в SEO

До определенного момента дела с поисковым продвижением шли отлично: совместная работа с подрядчиками приносила стабильный рост, а флагманский B2B-продукт генерировал десятки целевых заявок ежемесячно. Однако летом ситуация резко изменилась, и показатели откатились к значениям годичной давности. Мне потребовалось разобраться в причинах просадки и научиться критически оценивать предложения со стороны.

Общий вид рабочего workflow автоматизации в n8n — Рис. 2. Общий вид рабочего workflow в n8n.

Среди факторов падения выделились общий кризис в нашей отрасли, сезонность, а также изменение поискового поведения пользователей, часть запросов которых ушла в нейроответы. Подрядчики традиционно предлагали расширять семантическое ядро и закупать ссылки, но это не решало главную бизнес-задачу. Мне нужен был надежный инструмент автоматизации для регулярного сбора данных и выявления реальных точек роста без лишней ручной работы.

Узел n8n с правилами классификации контента — Рис. 3. Фрагмент одного из рабочих запусков: правила классификации собраны в отдельном узле n8n.

Архитектура и задачи поискового агента

Мой помощник должен был регулярно сканировать сайт, находить проблемные места и подготавливать гипотезы. При этом я учитывал ограничения нейросетей: если отправить модели сотни страниц без предварительной фильтрации, она потратит бюджет на анализ второстепенного контента вроде новостей или служебных разделов. Поэтому я спроектировал многоуровневую систему отчетов:

Таблица content_registry для хранения истории страниц — Рис. 4. content_registry : для каждой страницы хранится тип контента, SEO-релевантность, источник классификации и рабочие метрики. URL, названия материалов и даты обезличены.

Таблица с сигналами и приоритетами для AI-анализа — Рис. 5. Сигналы, статус кандидата на AI-анализ, приоритет и ручные поля в таблице памяти. Даты и служебные идентификаторы обезличены.

Технический срез: битые ссылки, ошибки индексации, пропавшие метатеги.
Общая динамика: посещаемость, поведение пользователей, ключевые позиции.
Контентный анализ: состояние SEO-публикаций и проверка гипотез.
Внешняя база данных для хранения истории каждой страницы.

Выбор инструментов: почему n8n и ChatGPT

Поскольку я не профессиональный разработчик, мне требовалась наглядная визуальная платформа. Выбор пал на n8n, где удобно прослеживать логику сценариев, подключать API, настраивать циклы и использовать Google Таблицы с Telegram. Для написания вспомогательного кода я активно привлекал ChatGPT, формулируя бизнес-логику и проверяя получаемые скрипты на реальных данных.

Подключение сильной модели к отфильтрованным страницам — Рис. 6. Сильная модель подключается только после всех фильтров и получает уже подготовленный набор полей по выбранной странице.

Технический аудит через Screaming Frog

Для технического сканирования сайта я задействовал Screaming Frog SEO Spider, выгружая отчеты в формате CSV на Google Диск. Автоматизация позволяет n8n находить самый свежий файл по дате в названии. На начальном этапе возникла проблема с парсингом CSV, когда запятые и кавычки внутри полей ломали структуру таблицы. Эту проблему мы оперативно решили с помощью кастомного JavaScript-парсера.

Ветка глубокого анализа и сохранения результатов — Рис. 7. Ветка глубокого анализа: после фильтра кандидатов модель получает только выбранные страницы, результаты сохраняются в таблицу и уходят дальше в отчёт.

Интеграция Яндекс Метрики и Вебмастера

Из Яндекс Метрики агент забирает данные по визитам и поведению пользователей за последний месяц. Чтобы единичные визиты не искажали картину, я настроил жесткие пороги фильтрации. Для анализа поисковой видимости до переходов на сайт я подключил Яндекс Вебмастер, настроив корректный сдвиг дат с учетом задержки передачи данных через API.

Технический отчет с задачами для редакции и техподдержки — Рис. 8. Технический отчёт: задачи для техподдержки, SEO и редакции. Сайт, дата проверки, файл и URL обезличены.

Классификация контента и внешняя память

Сайт содержит множество однотипных по адресу URL, включая новости и продуктовые материалы. Чтобы не тратить токены языковой модели еженедельно на одни и тем же страницы, я вынес всю историю в Google Таблицы. Система запоминает однажды классифицированные материалы, и модель подключается только для новых или изменившихся публикаций.

Контентный отчет с результатами классификации — Рис. 9. Контентный отчёт: классификация публикаций и кандидаты на AI-анализ. URL обезличены.

Балльная система приоритизации и глубокий анализ

Оставшиеся после фильтрации страницы оцениваются по специальной балльной системе на основе технических проблем, падения показов или просадки позиций. В глубокий анализ отбирается всего 5–7 кандидатов. Для них агент извлекает чистый текст из HTML-кода страницы и передает сильной языковой модели четко сформулированную задачу вместе с метриками, получая на выходе структурированный JSON с гипотезами и проверяемыми рекомендациями.

Обзорный отчет по посещаемости и поведенческим факторам — Рис. 10. Обзорный отчёт: топ страниц входа из поиска и основные поведенческие показатели. URL обезличены.

01.