Przejdź do treści

AI w CMS: generowanie opisów produktów i meta tagów

Maciej Sala

Founder StriveLab

10 min czytaniaAktualizacja

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.
  • generateObject z Vercel AI SDK i schematem Zod wymusza format odpowiedzi, np. długość meta description.
  • Treści oznaczaj flagami aiGenerated i needsReview, a zatwierdzone zapisuj jedną mutacją.
  • Przy setkach produktów generuj partiami z odstępami, ponowieniami przy 429 i 5xx oraz 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:

Code
// actions/ai-content.ts
'use server'
 
import { openai } from '@ai-sdk/openai'
import { generateObject, generateText } from 'ai'
import { z } from 'zod'
 
const metaSchema = z.object({
  metaTitle: z.string().max(60).describe('SEO title, max 60 znaków'),
  metaDescription: z
    .string()
    .max(160)
    .describe('Meta description, max 160 znaków, z call-to-action'),
  ogTitle: z.string().max(70).describe('Open Graph title'),
})
 
export async function generateMetaTags(content: string, pageType: string) {
  const { object } = await generateObject({
    model: openai('gpt-4o-mini'),
    schema: metaSchema,
    prompt: `Na podstawie poniższej treści wygeneruj meta tagi SEO po polsku.
Typ strony: ${pageType}
 
Treść:
${content.slice(0, 1500)}
 
Zasady:
- metaTitle: zawierać główne słowo kluczowe, max 60 znaków
- metaDescription: zachęcający, z call-to-action, max 160 znaków
- ogTitle: lekko inny niż metaTitle, bardziej angażujący, ale nadal zgodny z treścią`,
  })
 
  return object
}

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:

Code
const productDescriptionSchema = z.object({
  shortDescription: z
    .string()
    .max(200)
    .describe('Krótki opis na karcie produktu'),
  fullDescription: z.string().max(1000).describe('Pełny opis z korzyściami'),
  bulletPoints: z
    .array(z.string())
    .max(5)
    .describe('Kluczowe cechy jako bullet points'),
  seoKeywords: z.array(z.string()).max(10).describe('Słowa kluczowe SEO'),
})
 
export async function generateProductDescription(product: {
  name: string
  category: string
  specs: string
  targetAudience?: string
}) {
  const { object } = await generateObject({
    model: openai('gpt-4o-mini'),
    schema: productDescriptionSchema,
    prompt: `Wygeneruj opis produktu po polsku:
Nazwa: ${product.name}
Kategoria: ${product.category}
Specyfikacja: ${product.specs}
${product.targetAudience ? `Grupa docelowa: ${product.targetAudience}` : ''}
 
Zasady:
- Używaj języka korzyści
- Używaj języka, którym mówi klient
- shortDescription: jedno zdanie, które ma zachęcić klienta
- fullDescription: 2-3 akapity, SEO-friendly
- bulletPoints: max 5, tylko konkretne korzyści`,
  })
 
  return object
}

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:

Code
export async function generateAltTexts(
  images: { url: string; context: string }[],
) {
  const results = []
 
  for (const image of images) {
    const { text } = await generateText({
      model: openai('gpt-4o-mini'),
      prompt: `Wygeneruj alt text po polsku dla zdjęcia produktu.
Kontekst: ${image.context}
 
Zasady:
- Max 125 znaków
- Opisowy, nie "zdjęcie..."
- Zawierać słowo kluczowe produktu
- Naturalny język`,
    })
 
    results.push({ url: image.url, alt: text.trim() })
  }
 
  return results
}

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:

Code
// app/admin/products/[id]/ai-panel.tsx
'use client'
 
import { useState } from 'react'
import {
  generateProductDescription,
  generateMetaTags,
} from '@/actions/ai-content'
 
export function AIContentPanel({ product }: { product: Product }) {
  const [generated, setGenerated] = useState<any>(null)
  const [isGenerating, setIsGenerating] = useState(false)
 
  async function handleGenerate() {
    setIsGenerating(true)
    const [description, meta] = await Promise.all([
      generateProductDescription({
        name: product.name,
        category: product.category,
        specs: product.specifications,
      }),
      generateMetaTags(product.name + ' ' + product.specifications, 'product'),
    ])
 
    setGenerated({ ...description, ...meta })
    setIsGenerating(false)
  }
 
  async function handleApply() {
    // Zapisz wygenerowane treści do CMS/bazy
    await updateProduct(product.id, generated)
  }
 
  return (
    <div className="space-y-4 rounded-xl border p-6">
      <div className="flex items-center justify-between">
        <h3 className="font-semibold">Asystent AI</h3>
        <button
          onClick={handleGenerate}
          disabled={isGenerating}
          className="rounded-lg bg-purple-600 px-4 py-2 text-sm text-white disabled:opacity-50"
        >
          {isGenerating ? 'Generuję...' : 'Wygeneruj treści'}
        </button>
      </div>
 
      {generated && (
        <div className="space-y-4">
          <div>
            <label className="text-sm font-medium text-gray-500">
              Krótki opis
            </label>
            <textarea
              defaultValue={generated.shortDescription}
              className="mt-1 w-full rounded-lg border p-3"
              rows={2}
            />
          </div>
 
          <div>
            <label className="text-sm font-medium text-gray-500">
              Pełny opis
            </label>
            <textarea
              defaultValue={generated.fullDescription}
              className="mt-1 w-full rounded-lg border p-3"
              rows={6}
            />
          </div>
 
          <div>
            <label className="text-sm font-medium text-gray-500">
              Meta title ({generated.metaTitle?.length}/60)
            </label>
            <input
              defaultValue={generated.metaTitle}
              className="mt-1 w-full rounded-lg border p-3"
            />
          </div>
 
          <div>
            <label className="text-sm font-medium text-gray-500">
              Meta description ({generated.metaDescription?.length}/160)
            </label>
            <textarea
              defaultValue={generated.metaDescription}
              className="mt-1 w-full rounded-lg border p-3"
              rows={2}
            />
          </div>
 
          <button
            onClick={handleApply}
            className="w-full rounded-lg bg-green-600 py-3 text-white"
          >
            Zatwierdź i zapisz
          </button>
        </div>
      )}
    </div>
  )
}

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:

Code
// lib/cms.ts
import { createClient } from '@sanity/client'
 
const client = createClient({
  projectId: process.env.SANITY_PROJECT_ID!,
  dataset: process.env.SANITY_DATASET!,
  token: process.env.SANITY_WRITE_TOKEN!, // token z uprawnieniem do zapisu
  apiVersion: '2024-01-01',
  useCdn: false, // przy zapisie i świeżym odczycie wyłącz CDN
})
 
export async function saveGeneratedContent(
  productId: string,
  content: {
    shortDescription: string
    fullDescription: string
    metaTitle: string
    metaDescription: string
    seoKeywords: string[]
  },
) {
  return client
    .patch(productId)
    .set({
      ...content,
      aiGenerated: true, // ta sama para flag co w batchu
      needsReview: true,
    })
    .commit()
}

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.

Code
// Łatwa podmiana dostawcy — ten sam generateObject, inny model
import { anthropic } from '@ai-sdk/anthropic'
import { openai } from '@ai-sdk/openai'
 
const draftModel = openai('gpt-4o-mini') // szybki, tani draft
const polishModel = anthropic('claude-opus-4-8') // mocniejszy szlif

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.

Code
// scripts/generate-descriptions.ts
import { generateProductDescription } from '@/lib/ai-content'
import { db } from '@/lib/db'
 
async function withRetry<T>(fn: () => Promise<T>, maxRetries = 3): Promise<T> {
  for (let attempt = 0; attempt <= maxRetries; attempt++) {
    try {
      return await fn()
    } catch (error) {
      if (attempt === maxRetries) throw error
      // Wykładniczy backoff: 1s, 2s, 4s — daje API czas na ochłonięcie
      const delay = 1000 * 2 ** attempt
      console.warn(`Próba ${attempt + 1} nieudana, ponawiam za ${delay}ms`)
      await new Promise((r) => setTimeout(r, delay))
    }
  }
  throw new Error('unreachable')
}
 
async function batchGenerate() {
  const products = await db.product.findMany({
    where: { description: null }, // Produkty bez opisu
  })
 
  console.log(`${products.length} produktów do wygenerowania`)
  const failed: string[] = []
 
  for (const product of products) {
    try {
      const description = await withRetry(() =>
        generateProductDescription({
          name: product.name,
          category: product.category,
          specs: product.specs || '',
        }),
      )
 
      await db.product.update({
        where: { id: product.id },
        data: {
          shortDescription: description.shortDescription,
          fullDescription: description.fullDescription,
          seoKeywords: description.seoKeywords,
          aiGenerated: true, // Oznacz jako wygenerowane przez AI
          needsReview: true, // Wymaga przeglądu człowieka
        },
      })
 
      console.log(`✓ ${product.name}`)
 
      // Rate limit — nie przekraczaj limitów API
      await new Promise((r) => setTimeout(r, 1000))
    } catch (error) {
      console.error(`✗ ${product.name}:`, error)
      failed.push(product.id) // do ponownego przejścia w kolejnym uruchomieniu
    }
  }
 
  if (failed.length > 0) {
    console.log(`Nie udało się: ${failed.length}. IDs: ${failed.join(', ')}`)
  }
}
 
batchGenerate()

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:

Code
---
title: 'Jak optymalizować zapytania SQL w bazach wektorowych'
checked: false
ai_proofread:
  enabled: true
  style: 'techniczny, przystępny, bez korporacyjnego żargonu'
  locale: 'pl-PL'
ai_seo:
  enabled: true
  target_keywords: ['wektorowe bazy danych', 'indeksowanie HNSW']
  intent: 'informacyjna'
ai_sources:
  enabled: false # włącz dopiero z modułem, który pobiera prawdziwe źródła
---

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_reason inny niż end_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: false i raport do katalogu poza zasięgiem loadera treści. Redaktor ocenia diff, przenosi zmiany i aktualizuje dateModified.
  • 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 Article powstaje 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.

Raporty, treści i monitoring SEO w n8n, z agentami AI i kontrolą człowieka.
Automatyzacja SEO i marketingu

Często zadawane pytania

Jak napisać dobry opis produktu pod SEO?

Zacznij od tego, komu i do czego produkt służy, potem podaj konkretne parametry i różnice względem podobnych produktów, a frazę, którą wpisują klienci, użyj naturalnie w nagłówku i pierwszym akapicie. Opis ma odpowiadać na pytania, które klient zadałby sprzedawcy, i nie może być skopiowany od producenta, bo ten sam tekst ma wtedy kilkadziesiąt innych sklepów.

Czym różni się opis kategorii od opisu produktu?

Opis kategorii pomaga wybrać między produktami, więc tłumaczy, czym różnią się warianty, na co zwrócić uwagę i dla kogo jest która grupa. Opis produktu przekonuje do jednego modelu konkretnymi parametrami i zastosowaniem. Opis kategorii stawiaj nad listą produktów krótko, a dłuższą część poradnikową pod listą, żeby nie spychać produktów w dół.

Czy Google karze za treści generowane przez AI?

Nie za sam fakt użycia AI. Google ocenia jakość i przydatność treści, a nie sposób jej powstania. Jasno komunikuje, że liczy się wartość dla użytkownika, więc karane są treści niskiej jakości, spamowe albo publikowane masowo bez realnej wartości oraz bez redakcji. Dlatego każdy taki opis powinien być redagowany/zatwierdzany przez człowieka. Innymi słowy, AI tworzy draft, człowiek nadaje mu jakość i unikalność.

Jaki model wybrać do generowania treści?

Zacznij od szybkiego i tańszego modelu do pierwszego draft, ponieważ przy masowym generowaniu opisów koszt i czas mają realne znaczenie. Droższy, mocniejszy model zostaw dla trudniejszych opisów albo finalnego szlifu tam, gdzie jakość jest krytyczna.

Jak uniknąć powtarzalności wygenerowanych opisów?

Po pierwsze, instruuj model wprost w promptcie: „unikaj szablonowych zwrotów, każdy opis ma mieć własny ton i perspektywę". Po drugie, podawaj zróżnicowany kontekst dla każdego produktu, bo to on najmocniej wpływa na unikalność (chodzi o grupę docelową, sezon, zastosowanie). Im bogatszy i bardziej konkretny input, tym mniej szablonowy output. Generyczny prompt na kiepskich danych zawsze da generyczne, podobne do siebie, niskiej jakości teksty.

Dlaczego batch generowania nie powinien importować Server Action?

Bo Server Action to funkcja przeznaczona do wywołania z interfejsu w kontekście żądania, a nie do uruchamiania w skrypcie Node poza tym kontekstem. Czystszym wzorcem jest wyniesienie samej logiki generowania do zwykłej funkcji serwerowej w lib/, z której korzysta zarówno skrypt batchowy, jak i Server Action (jako cienki wrapper dla UI). Dzięki temu masz jedną implementację, którą wywołujesz z dwóch miejsc, bez naginania Server Action do roli, do której nie został stworzony.

Czy generowanie opisów przez AI faktycznie oszczędza czas, skoro i tak trzeba je przeglądać?

Tak, bo redakcja gotowego draftu jest wielokrotnie szybsza niż pisanie od zera. Człowiek nie zaczyna z pustą stroną, tylko poprawia i zatwierdza propozycję, która ma już właściwą strukturę, długość meta description i bullet pointy wymuszone schematem Zod. Dla sklepu z setkami produktów oznacza to różnicę między tygodniami pisania a godzinami przeglądu. Sam koszt API przy modelach do draftów jest niski względem czasu pracy, który oszczędzasz, a kontrola jakości zostaje po stronie człowieka.

Po co oznaczać treści jako aiGenerated i needsReview?

Żeby zachować kontrolę nad pipeline'em jakości. Flaga aiGenerated pozwala później odróżnić treści napisane przez człowieka od wygenerowanych. Jest to przydatne przy audytach i ewentualnym przeglądzie. needsReview kolejkuje wygenerowane opisy do akceptacji, więc nic nie trafia na produkcję bez sprawdzenia. W ten sposób mamy kontrolowany proces: AI produkuje propozycje, a system pilnuje, że każda przechodzi przez ludzką redakcję, zanim stanie się widoczna dla klientów.

O autorze

Maciej Sala

Maciej Sala — konsultant technologiczny produktów cyfrowych i web developer z bogatym doświadczeniem w marketingu internetowym oraz SEO. Na co dzień pracuje z Reactem, Next.js i TypeScriptem, a ostatnio także z Astro i narzędziami do automatyzacji procesów AI. Sprawnie łączy perspektywę produktową z praktycznym podejściem do kodu. Przez kilka lat był związany z branżą gier wideo jako project manager i game designer. Absolwent historii na Uniwersytecie Jagiellońskim oraz studiów podyplomowych z marketingu internetowego na AGH w Krakowie. Po godzinach trenuje na siłowni, maluje figurki i rozwija własne projekty.

Pomagam przekładać takie tematy na konkretne wdrożenia w frontendzie, SEO, analityce i procesie produktowym.

Skontaktuj się ze mną
LH.pl – Hosting Mango

Biblioteka wiedzy na temat AI

Czytaj dalej

Zobacz więcej wpisów
Jak wykorzystać AI w SEO: zastosowania, narzędzia i ryzyka

Transformacja narzędzi marketingu cyfrowego przyspiesza, a implementacja rozwiązań AI staje się powszechnym standardem. Dla każdej firmy działającej w internecie sprawne poruszanie się w obszarze SEO to dziś klucz do sukcesu. Odpowiedzią rynku na te potrzeby jest integracja popularnych platform z modelami LLM m.in. Claude, ChatGPT oraz wdrażanie zaawansowanych, natywnych funkcji generatywnych.

Maciej Sala

Maciej Sala

Founder StriveLab

Programmatic SEO z Next.js i AI

Większość projektów Programmatic SEO pSEO kończy się fiaskiem z powodu niskiej jakości generowanych treści. Choć automatyczne tworzenie tysięcy podstron docelowych na podstawie baz danych brzmi jak Święty Graal SEO, to wygenerowanie stron jest łatwiejsze niż utrzymanie na nich poprawnych odpowiedzi. Zamiast ślepo wypluwać tysiące szablonów, trzeba zacząć od architektury danych. Zobacz, jak połączyć Next.js, zweryfikowane dane i AI, by budować skalowalne, odporne na błędy serwisy.

Maciej Sala

Maciej Sala

Founder StriveLab

Audyt techniczny SEO: co obejmuje w 2026 roku?

To, że strona otwiera się w przeglądarce, nie oznacza jeszcze, że robot wyszukiwarki jest w stanie bez przeszkód pobrać jej treść, poprawnie ją zinterpretować i ostatecznie włączyć do indeksu. Audyt techniczny SEO służy właśnie do weryfikacji tych krytycznych warunków. Pozwala on zidentyfikować fundamenty wymagające naprawy i wyznaczyć właściwe priorytety, zanim przejdziemy do rozbudowy treści oraz pozyskiwania linków.

Maciej Sala

Maciej Sala

Founder StriveLab

LH.pl – Cloud Server 1C4G