SEO-агент на n8n: автоматизация процессов с AI обходится дешевле, если фильтровать данные до нейросети

Анастасия Никулина, руководитель отдела контента в IT-компании, опубликовала подробный кейс о том, как она собрала собственного SEO-агента на платформе n8n после того, как поисковый трафик её B2B-блогов за несколько месяцев просел почти на 40% и привычные подходы подрядчиков перестали работать.

Кейс интересен не самим фактом автоматизации, а архитектурным решением: Никулина разделила задачи на те, которые решаются обычным кодом и правилами, и те, где действительно нужна языковая модель. Это позволяет платформе n8n выполнять автоматизацию процессов с ИИ-агентом (программой, которая сама собирает данные, принимает решения по заданным правилам и действует без постоянных команд человека) точечно, а не «в лоб».

Какую проблему решает агент?

Никулина ведёт SEO-блоги трёх сайтов. Летом 2025 года трафик флагманского продукта, приносившего до 30 заявок в месяц из органики, резко упал. Причины наложились друг на друга:

• кризис в отрасли и снижение спроса на программное обеспечение,
• сезонность ниши,
• рост нейроответов в поисковой выдаче (когда поисковик отвечает прямо на странице результатов, и пользователь не переходит на сайт).

Подрядчики предлагали расширять семантическое ядро (набор ключевых фраз, по которым сайт должен находиться), менять метатеги и наращивать ссылочную массу. Никулина посчитала это недостаточным для своей бизнес-задачи и начала строить систему контроля сама.

Как устроена архитектура?

Главная идея: не отправлять все 500 страниц сайта в языковую модель, а сначала отфильтровать их правилами. Нейросеть, по словам автора, «очень старательна» и будет честно анализировать новости, HR-материалы и закрытые от индексации страницы, если ей не объяснить, что это не нужно.

Агент работает по цепочке из шести уровней:

• Источники данных. Screaming Frog (инструмент технического аудита сайта), Яндекс Вебмастер, Яндекс Метрика, содержимое самих страниц.
• Очистка и сопоставление. Данные из разных источников приводятся к одному виду, URL сопоставляются между собой, технический шум убирается.
• Память. Google Таблицы хранят текущее состояние каждой страницы, историю изменений и ручные решения редактора.
• Правила. Пороговые значения, сигналы и система баллов отсекают страницы, которые не требуют внимания.
• Языковая модель. Подключается только для классификации новых страниц и глубокого анализа нескольких отобранных кандидатов.
• Человек. Получает три коротких отчёта в Telegram и принимает финальные решения.

Отчёты приходят раз в неделю: технический (ошибки сканирования, проблемы с индексацией, редиректы), общий (трафик, позиции, поведенческие показатели) и контентный (какие SEO-материалы растут или проседают, гипотезы для проверки).

Где именно экономия на API?

Автор выделяет это как осознанное архитектурное решение, а не побочный эффект. Сильные языковые модели стоят денег, особенно если еженедельно отправлять им сотни страниц. Поэтому n8n-автоматизация процессов с ИИ построена так, что модель работает не со всей базой, а только с «кандидатами», прошедшими фильтрацию по правилам.

Всё, что можно решить один раз обычным кодом (например, отличить новость от SEO-статьи, отсечь HR-материалы, проверить наличие метатегов), выполняется без нейросети и не повторяется при каждом запуске.

Как попробовать?

1. Установите n8n (платформа для визуальной автоматизации, бесплатна при размещении на своём сервере) или зарегистрируйтесь в облачной версии на сайте n8n.io.
2. Подключите источники данных: настройте выгрузку из Яндекс Метрики и Яндекс Вебмастера через API, экспорт из Screaming Frog.
3. Постройте логику фильтрации правилами: определите, какие типы страниц вашего сайта не нужно анализировать (новости, служебные, закрытые от индексации), и задайте пороговые значения для сигналов.
4. Подключите языковую модель только к финальному этапу: классификации оставшихся страниц и формулированию гипотез.

Есть ли аналоги для тех, кто работает в Рунете?

Никулина строила агента именно под российский SEO-контекст: Яндекс Метрика, Яндекс Вебмастер, нейроответы Яндекса. Это не адаптация западного решения, а изначально русскоязычный кейс.

Из готовых инструментов, частично покрывающих похожие задачи: сервисы вроде Топвизора или SEO-модулей в Яндекс Вебмастере дают мониторинг позиций и технических ошибок. Но связку «данные плюс правила плюс языковая модель плюс отчёт в Telegram» придётся собирать самостоятельно. YandexGPT или GigaChat можно использовать как языковую модель на этапе анализа, если нужна модель с серверами в России.

Что с этого вам?

Авторам Дзена и копирайтерам. Подход «сначала правила, потом нейросеть» применим не только к SEO. Если вы анализируете статистику своих публикаций, тот же принцип работает: отфильтруйте материалы по просмотрам и дочитываниям простыми условиями, а модель подключайте только к проблемным текстам.

Маркетологам. Кейс показывает, как контролировать SEO-подрядчиков без глубокой технической экспертизы. Еженедельный отчёт в Telegram с конкретными сигналами заменяет часовые созвоны с обсуждением метатегов.

Предпринимателям в РФ. Все интеграции в кейсе работают с российскими сервисами. n8n можно развернуть на своём сервере, данные остаются у вас. Языковую модель можно выбрать любую, включая российские.

Частые вопросы

Нужно ли платить за n8n?

При установке на свой сервер (self-hosted) платформа бесплатна. Облачная версия имеет платные тарифы, но для одного агента с еженедельным запуском бесплатного лимита может хватить. Основные расходы пойдут на вызовы языковой модели, и именно их автор кейса сокращала архитектурно.

Можно ли использовать этот подход без Screaming Frog?

Screaming Frog в кейсе отвечает за технический аудит: ошибки сканирования, редиректы, пропавшие метатеги. Часть этих данных можно получить из Яндекс Вебмастера. Агент будет работать, но технический отчёт станет менее полным.

Подойдёт ли это для маленького сайта с 20 страницами?

Система спроектирована для сотен страниц, где ручной разбор занимает часы. Для сайта с 20 страницами проще просматривать данные вручную. Агент начинает экономить время, когда объём контента делает еженедельный ручной мониторинг нерациональным.