SEO‑агент на n8n: автоматизация анализа трех сайтов с помощью LLM
Автор собрал в n8n воркфлоу, который собирает данные из Screaming Frog, Метрики и Вебмастера, очищает их, вычисляет сигналы и привлекает большую нейросеть для рекомендаций по SEO.
Что сделано
Автор статьи на Habr AI построил SEO‑агента в n8n, который ежедневно собирает данные из трёх источников:
- Screaming Frog – полное сканирование сайта;
- Яндекс Метрика – поведенческие метрики;
- Вебмастер – индексация и ошибки.
Архитектура
Воркфлоу состоит из нескольких нод:
- HTTP‑запрос к API каждого сервиса.
- Функция‑JavaScript – очистка и нормализация полей.
- База SQLite – хранение истории страниц (≈ 150 000 записей за 3 мес.).
- Кастомный узел «Signal Calculator» – вычисление SEO‑сигналов (скорость загрузки, количество внешних ссылок, изменения‑титлов).
- LLM‑интеграция – отправка «интересных» страниц в GPT‑4‑turbo для генерации рекомендаций и формулировки ТЗ.
Результаты и расходы
- Сокращение ручного труда ≈ 12 ч/мес.
- Стоимость облачных функций ≈ $30 в месяц.
- Ошибки при повторных запусках (дублирование запросов, таймауты) решены через Retry‑ноды и Rate‑limit.
Что дальше
Автор планирует добавить автоматическую публикацию рекомендаций в JIRA и расширить модель до Claude 3.5 Sonnet для более детального анализа контента.
Для AI‑разработчиков это отличный пример того, как low‑code платформы (n8n) могут стать «скелетом» для сложных SEO‑pipeline, а LLM — «мозгом», генерирующим задачи. Такой подход ускоряет аналитическую работу, но требует контроля качества данных и мониторинга расходов на облако. Студенты могут воспроизвести схему в проектах по автоматизации маркетинга, а компании — быстро масштабировать SEO‑модели без глубокого программирования.
