Szybka odpowiedź: jak generować opisy produktów i meta tagi z AI bez utraty jakości?
- AI generuje propozycje, człowiek je zatwierdza, a dopiero potem system zapisuje je w CMS-ie.
generateObjectz Vercel AI SDK i schematem Zod wymusza format odpowiedzi, np. długość meta description.- Treści oznaczaj flagami
aiGeneratedineedsReview, a zatwierdzone zapisuj jedną mutacją. - Przy setkach produktów generuj partiami z odstępami, ponowieniami przy
429i5xxoraz listą pozycji do powtórki. - Google nie karze za samo użycie AI, tylko za masowe treści niskiej jakości.
Problem: ręczne tworzenie treści w CMS nie skaluje się
Nie, to nie jest tak, że AI pisze, a my bezkrytycznie publikujemy taką treść, tylko : AI generuje propozycje, człowiek je przegląda, modyfikuje i zatwierdza, a dopiero potem system je publikuje. Zbudujemy go na Next.js Server Actions, Vercel AI SDK i headless CMS-ie. Jeśli zależy Ci na generowaniu całych stron, a nie tylko pól treści, zerknij też do artykułu o programmatic SEO z Next.js i AI.
Jak napisać dobry opis produktu pod SEO
Zanim podłączysz model, ustal, jak ma wyglądać dobry opis w Twoim sklepie. AI powieli każdy szablon, który mu dasz, także zły, więc zasady muszą powstać przed automatyzacją, zanim w sklepie pojawi się pierwsze pięćset opisów.
Dobry opis produktu odpowiada na pytania, które klient zadałby sprzedawcy w sklepie stacjonarnym. Komu ten produkt się przyda, do czego, czym różni się od tańszego modelu obok i co dokładnie dostanie w paczce. Zaczyna się od zastosowania i korzyści, a dopiero potem przechodzi do parametrów, które podaje konkretnie, z jednostkami i wartościami zamiast przymiotników. Frazę, którą wpisują klienci, na przykład „buty do biegania po asfalcie”, używa naturalnie w nagłówku i pierwszym akapicie, bez upychania jej w każdym zdaniu.
Najczęstszy błąd to opis skopiowany od producenta. Ten sam tekst publikuje wtedy kilkadziesiąt innych sklepów, a Google pokazuje w wynikach tylko jedną wersję, zwykle nie Twoją. Opis od producenta traktuj wyłącznie jako materiał wejściowy. Właśnie tu AI pomaga najbardziej, bo potrafi przerobić suchą specyfikację na tekst dla konkretnej grupy klientów, jeśli dostanie dane, których nie ma konkurencja: pytania z obsługi klienta, opinie, zdjęcia z magazynu, porównania z innymi produktami w ofercie.
Opis kategorii
Opis kategorii ma inne zadanie. Pomaga wybrać między produktami, więc tłumaczy, czym różnią się warianty, na co zwrócić uwagę przy wyborze i dla kogo jest która grupa. Krótki wstęp stawiaj nad listą produktów, a dłuższą część poradnikową pod nią, żeby klient nie musiał przewijać tekstu, zanim zobaczy towar. Opisy kategorii generuj osobnym promptem, bo mają inną strukturę i inne pytania niż opisy produktów.
Automatyczne meta description i tytuły SEO z AI
Sercem całego podejścia jest z Vercel AI SDK. Model zwraca obiekt zgodny ze schematem Zod, więc długość i struktura outputu są przewidywalne:
Generowanie opisów produktów z AI
Ten sam wzorzec przenosimy na opisy produktów (schemat Zod plus prompt z konkretnym kontekstem) i im bogatszy input (kategoria, specyfikacja, grupa docelowa), tym mniej generyczny, szablonowy i bardziej unikalny powstanie output:
Generowanie alt textów do zdjęć produktów
Alt teksty to często pomijany element SEO obrazów, a przy setkach produktów pisanie ich ręcznie jest nierealne. Generujesz je analogicznie, pilnując limitu 125 znaków i słowa kluczowego. Jeśli chcesz dowiedziec się więcej o samej optymalizacji grafik znajdziesz w artykule o obrazach w Next.js:
Panel admina i kontrola człowieka nad treściami AI
To najważniejszy element całego pipeline'u, ponieważ tutaj AI generuje propozycję, ale nic nie trafia do bazy, zanim człowiek tego nie zobaczy i nie zatwierdzi. Panel z podglądem i edycją zamienia masowe generowanie w kontrolowany proces:
Zapis wygenerowanych treści do headless CMS
W przykładach powyżej updateProduct i db.product są celowo abstrakcyjne, ponieważ w realnym projekcie po drugiej stronie stoi konkretny headless CMS. Wzorzec jest jednak zawsze ten sam. Bierzesz zwalidowany obiekt z generateObject i robisz z niego jeden zapis (patch/mutację) do rekordu. Dla Sanity wygląda to tak:
Token zapisu trzymaj wyłącznie po stronie serwera (Server Action albo skrypt batchowy). W innych CMS-ach zmienia się tylko API klienta. Contentful ma environment.getEntry().update(), Strapi i Payload wystawiają REST/GraphQL do PATCH-a rekordu. Logika pozostaje identyczna, czyli zapisujesz zwalidowany obiekt razem z flagami, które kolejkują treść do przeglądu.
Który model AI wybrać do generowania treści?
Przykłady używają gpt-4o-mini, ale Vercel AI SDK jest całkowicie niezależny od konkretnego dostawcy, dzięki czemu zmiana dostawcy modelu LLM wymaga jedynie modyfikacji pojedynczej linijki kodu. Podczas masowego generowania opisów kluczowe znaczenie mają dwie kwestie: optymalizacja kosztów przy tysiącach wywołań oraz odpowiednia jakość treści, która bez problemu przejdzie wewnętrzną redakcję. W codziennej praktyce doskonale sprawdza się dwuetapowy układ modeli, gdzie szybszy i tańszy model przygotowuje wstępny draft, natomiast potężniejszy wariant obsługuje trudniejsze opisy lub odpowiada za ostateczny szlif tekstu.
Wybór konkretnego dostawcy zależy od Twoich treści i budżetu, a różnice między rodzinami modeli rozkładam w porównaniu Claude, ChatGPT i Gemini dla deweloperów. Niezależnie od modelu zasada jest wspólna, że każdy output i tak trafia do przeglądu, zanim zostanie opublikowany.
Zanim odpalisz batch na całym katalogu, oszacuj kosztu i jego rząd wielkości. Jeden opis produktu to zwykle kilkaset tokenów wejścia (prompt plus dane produktu) i kilkaset tokenów wyjścia. Pomnóż to przez liczbę produktów i przez aktualną stawkę modelu do draftów za milion tokenów (osobno input, osobno output, ale zajrzyj do cennika dostawcy, bo zmienia się szybko). Dla katalogu rzędu setek produktów przy modelu klasy „mini" wychodzi kwota liczona w kilku złotych i jest to znikomy koszt wobec ilości pracy copywritera.
Tyle, że w przypadku dziesiątek tysięcy produktów albo mocniejszym modelu do każdego opisu, trzeba najpierw policzyć, a nie płakać przy fakturze.
Batch processing i masowe generowanie treści AI
Do batchów nie importuj Server Action bezpośrednio do skryptu Node. Lepiej w tym wypadku wynieść logikę generowania do zwykłej funkcji serwerowej w lib/, a Action potraktować jako cienki wrapper dla UI. Przy dużej liczbie wywołań część zapytań do modelu może się nie udać. To normalne, bo API potrafi zwrócić 429 przy limicie zapytań albo 5xx przy chwilowym problemie dostawcy. Dlatego nieudane próby ponawiamy, a przypadki, które nadal się nie powiodły, zapisujemy na osobnej liście.
Skrypt bierze tylko produkty bez opisu, więc ponowne uruchomienie dokończy te, które wcześniej padły, i nie ruszy już zapisanych. Jeśli chcesz regenerować istniejące opisy (np. po zmianie promptu), filtruj po fladze np. needsReview: true albo osobnym znaczniku wersji promptu (żeby nie nadpisać treści już zredagowanych ręcznie).
Jak generować opisy partiami bez duplikatów
Przy setkach produktów największym ryzykiem nie jest pojedynczy słaby opis, tylko pięćset opisów, które brzmią tak samo. Model z tym samym promptem i ubogimi danymi napisze dla każdej koszulki ten sam akapit z podmienionym kolorem, a Google potraktuje takie strony jak duplikaty.
Pracuj partiami według szablonu, czyli osobno dla każdej kategorii albo typu produktu, z promptem dopasowanym do tego, czym różnią się produkty w danej grupie. Pierwszą partię, na przykład dwadzieścia produktów, przejrzyj w całości i dopiero po poprawkach w prompcie wygeneruj resztę. Każdemu produktowi podawaj dane, które go wyróżniają, poza samą nazwą i kategorią.
Po wygenerowaniu partii sprawdź podobieństwo opisów automatycznie. Wystarczy porównać pary tekstów w obrębie kategorii, na przykład przez podobieństwo embeddingów albo odsetek wspólnych zdań, i odesłać do ponownego wygenerowania te, które przekraczają ustalony próg. Warianty tego samego produktu, takie jak rozmiary czy kolory, nie potrzebują osobnych opisów. Lepiej, gdy mają jedną stronę z wyborem wariantu albo link kanoniczny do wersji głównej, co opisuję w artykule o parametrach w URL.
Kiedy opis musi zatwierdzić człowiek
Panel akceptacji opisany wyżej nie oznacza, że każdy opis wymaga tej samej uwagi. Ustal z góry, co człowiek czyta w całości, a co sprawdza wyrywkowo.
- Zawsze w całości sprawdzaj produkty z kategorii, w których błąd ma konsekwencje, czyli zdrowie, bezpieczeństwo, suplementy, kosmetyki, zabawki i elektronikę z parametrami technicznymi.
- Zawsze w całości sprawdzaj opisy z liczbami, certyfikatami, gwarancjami i deklaracjami, których model mógł nie znaleźć w danych wejściowych.
- Wyrywkowo, na przykład co dziesiąty opis, sprawdzaj produkty z prostych kategorii, gdy pierwsze partie przeszły bez poprawek.
- Po każdej zmianie promptu albo modelu wróć do pełnego przeglądu pierwszej partii.
Do tego dochodzą prawdziwe dane. Model nie może wymyślać parametrów, więc prompt powinien zabraniać podawania wartości, których nie ma w danych wejściowych, a schemat Zod może wymagać, żeby liczby w opisie pochodziły ze specyfikacji. Jeśli chcesz zlecić taki proces, od promptów po panel akceptacji w Twoim CMS-ie, opisuję to na stronie automatyzacji SEO i marketingu z AI.
Moduły AI sterowane frontmatterem w treściach MDX
Ten sam wzorzec działa poza CMS-em, gdy treści leżą w plikach MDX w repozytorium. Naturalną pokusą jest wtedy jeden rozbudowany prompt: „popraw pod SEO, sprawdź fakty, dostosuj do rynku i popraw styl”. Przy długim tekście model łatwo pomija część poleceń, a po regresji trudno ustalić, która instrukcja ją spowodowała. Lepiej działa zasada jeden moduł, jedno zadanie i jawny kontrakt wyniku, a frontmatter pełni rolę deklaratywnej konfiguracji, którą odczytuje osobny skrypt:
Pola ai_* są kontraktem tej aplikacji, a nie standardem MDX, i same niczego nie wykonują. Skrypt waliduje je schematem Zod (.strict(), żeby literówka w nazwie pola nie przeszła po cichu) przed pierwszym wywołaniem modelu i uruchamia moduły w ustalonej kolejności, niezależnie od ułożenia pól w YAML-u. Każdy moduł ma osobny schemat wyniku: korekta zwraca pełną treść, a moduł SEO opis i propozycje nagłówków, które trafiają do raportu, a nie od razu do tekstu.
Kilka zasad decyduje, czy taki proces jest bezpieczny:
- Treść jest danymi, nie instrukcją. Prompt systemowy mówi modelowi, że body to materiał do obróbki, i zabrania zmian w importach, JSX, wyrażeniach i blokach kodu. Odpowiedź z innym powodem zakończenia niż pełna (
stop_reasoninny niżend_turn) odrzucasz, a wynik kompilujesz przez@mdx-js/mdx, żeby wychwycić błędy składni. - Wynik trafia do szkicu, nie do publikacji. Skrypt zapisuje plik z
checked: falsei raport do katalogu poza zasięgiem loadera treści. Redaktor ocenia diff, przenosi zmiany i aktualizujedateModified. - Weryfikacja faktów wymaga źródeł. Moduł sprawdzający twierdzenia musi czytać rzeczywiste dokumenty i łączyć każde zdanie z pobranym fragmentem; odwołanie do wiedzy modelu nie jest weryfikacją. Pobrane treści traktuj jako dane, które nie mogą zmieniać instrukcji ani uprawnień procesu.
- Dane strukturalne buduj kodem. JSON-LD dla
Articlepowstaje zwykłą funkcją ze zwalidowanych metadanych. Pytania do FAQ może zaproponować model, ale Google od 7 maja 2026 r. nie wyświetla wyników rozszerzonych FAQ, więc moduł nie powinien tego obiecywać. - Uprawnienia rozdzielaj. Generowanie potrzebuje klucza do modelu i odczytu treści, a utworzenie Pull Requesta osobnego prawa zapisu.
Koszt rośnie mniej więcej proporcjonalnie do liczby artykułów pomnożonej przez liczbę aktywnych modułów, a ponowienia i wyszukiwanie go zwiększają. Prompty wersjonuj w repozytorium jak kod i sprawdzaj na stałym zestawie przykładów, bo zmiana instrukcji jednego modułu zmienia wyniki kolejnych uruchomień. Zacznij od jednego modułu, zmierz czas potrzebny na przegląd jego wyniku i dodawaj kolejne dopiero wtedy, gdy rzeczywiście skracają pracę redakcji.


