Как автоматизировать SEO-стратегию с помощью n8n и Airtable

В современном SEO важно не только собрать список ключевых слов, но и структурировать его в рабочую контент-стратегию: разделить по категориям, объединить в семантические кластеры и получить готовые идеи для статей. n8n позволяет автоматизировать весь этот процесс — от выгрузки данных из Airtable до записи готовых идей обратно в базу.

В этом руководстве мы пошагово создадим workflow, который:

• загружает ключевые слова из Airtable;
• категоризирует каждое ключевое слово;
• кластеризует их по смыслу и интенту;
• генерирует hub- и spoke-идеи (заголовки + описания);
• сохраняет результаты обратно в Airtable.

Подходит для SEO-специалистов, контент-менеджеров и владельцев сайтов, которые хотят перейти от ручного анализа к автоматизированному процессу и сразу получать готовый контент-план.

Если у вас ещё нет рабочего n8n, начните с нашего руководства: Как установить n8n Community Edition на VPS.

Также полезны инструкции по настройке credentials:

• Как настроить OpenAI Credentials в n8n
• Как настроить Vsegpt Credentials в n8n
• Как настроить Google Credentials в n8n

Кому подойдёт это руководство

Новичкам в n8n и тем, кто делает SEO-исследования: если вы умеете работать с Airtable/Excel/CSV и хотите автоматизировать категоризацию и генерацию контента — это пошаговое руководство для вас.

Что нужно заранее

• Рабочий n8n на VPS. Воспользуйтесь нашим руководством по установке.
• Airtable база с таблицей «Master Keyword Variations».
• API-ключи: Airtable Personal Access Token; ключи для OpenAI или Vsegpt (или другой LLM).
• Базовые знания n8n: как добавлять узлы (nodes), как запускать workflow.

Коротко о логике

Workflow логически разделён на блоки:

1. Загрузка — получаем записи из Airtable.
2. Подготовка — собираем нужные поля и формируем JSON для ИИ.
3. Категоризация — ИИ классифицирует каждое ключевое слово.
4. Кластеризация — ИИ группирует слова в тематические кластеры.
5. Генерация идей — создаём hub и spoke идеи для статей.
6. Сохранение — записываем всё обратно в Airtable.

Пошаговая настройка workflow в n8n

Шаг 1 — Manual Trigger

• Добавьте узел Manual Trigger — он стартует workflow вручную для тестирования.

  Пояснение: это удобно на этапе разработки — вы вручную запускаете проверку, а позже можете заменить его на расписание (Cron) или Webhook.

Шаг 2 — Set: Airtable конфигурация

• Добавьте узел Set (назовите «Set Airtable Fields»).
• Создайте строковые поля и заполните базовый конфиг (пример):

airtable_base_id = "appXXXXXXXXXXXX"
master_all_kw_variations_table_id = "tblXXXXXXXXXXXX"
categories_table_id = "tblXXXXXXXXXXXX"
clusters_table_id = "tblXXXXXXXXXXXX"
content_ideas_from_kws_table_id = "tblXXXXXXXXXXXX"
content_ideas_from_clusters_table_id = "tblXXXXXXXXXXXX"

Это позволит вам централизованно менять ID таблиц в одном узле.

Шаг 3 — Airtable Get All KWs

• Узел: Airtable — операция Get All или Search (в зависимости от объёма).
• Параметры: Base ID и Table ID берутся из «Set Airtable Fields». Выражения n8n:

  {{$node["Set Airtable Fields"].json["airtable_base_id"]}}

• Credentials: Airtable Personal Access Token (создайте и вставьте в n8n Credentials).
• Совет: если таблица большая — ставьте пагинацию (limit / page size) и используйте Split In Batches для обработки.

Шаг 4 — Set: map fields (Set WF Fields)

• Добавьте ещё узел Set (назовите «Set WF Fields») — он мапит поля Airtable в удобные переменные workflow, например:

keyword -> {{$json["fields"]["Keyword"]}}
msv -> {{$json["fields"]["MSV"]}}
competition -> {{$json["fields"]["Competition"]}}
search_intent -> {{$json["fields"]["Intent"]}}
primary_keyword -> {{$json["fields"]["Primary Keyword"]}}

Так вы упростите последующие выражения и избежите ошибок при обращении к полям.

Шаг 5 — Aggregate Keywords for Agent

• Добавьте узел Aggregate, чтобы собрать все записи в одну структуру — это удобно для кластеризации, где ИИ смотрит весь список сразу.
• Результат: поле (например) keyword_dataset — JSON-строка с массивом слов и метрик.

// Пример содержимого keyword_dataset:
[
  {"keyword": "купить дрель", "msv": 1200, "competition": 0.45, "intent": "transactional"},
  {"keyword": "как выбрать дрель", "msv": 400, "competition": 0.2, "intent": "informational"},
  ...
]

Шаг 6 — Set Field for Agent

• Создайте поле keyword_dataset (тип String) — оно будет входом для LangChain/OpenAI узла.
• Важно: ограничьте размер запроса к модели (если dataset очень большой), либо делите на батчи.

Шаг 7 — Категоризация: Category AI Agent

• Добавьте узел LangChain Agent / OpenAI (назовите «Category AI Agent»).
• Модель: gpt-4 / gpt-4.1-mini или ваш Vsegpt (если экономите бюджет).
• System prompt (пример):

System:
Вы — эксперт по SEO. Ваша задача — для каждого входного ключевого слова
вернуть строгий JSON с полями:
- keyword
- category (Quick Wins | Authority Builders | Emerging Topics | Intent Signals | Semantic Topics | Unknown)
- reasoning (короткое объяснение, почему такая категория)
Формат вывода — JSON массив.
User:
{{$json["keyword_dataset"]}}

Пример ожидаемого ответа от модели:

[
  {"keyword":"купить дрель","category":"Quick Wins","reasoning":"высокий транзакционный интент, MSV 1200"},
  {"keyword":"как выбрать дрель","category":"Authority Builders","reasoning":"информационный интент, подходит для руководства"}
]

Шаг 8 — Сохранение категорий в Airtable

• Добавьте Set (Parse AI JSON → поля для Airtable): keyword, category, reasoning.
• Далее узел Airtable Create — записываем в таблицу «Keyword Categories».

Шаг 9 — Исключаем Unknown и готовим к генерации идей

• Узел Filter (Filter Out Unknown) — пропускаем записи, где category = "Unknown".
• Далее — Set с полями для генерации (keyword, category, reasoning).

Шаг 10 — Генерация идей для отдельных ключевых слов (Loop / Batch)

• Добавьте узел Split In Batches (Loop Over Items) — чтобы отправлять по одному ключу в AI для генерации заголовков и описаний.
• Узел LangChain Agent (Content Ideas from Category AI Agent) — пример промпта:

System:
Вы — копирайтер и SEO-специалист. Для переданного keyword и его category
создайте:
- title (макс. 70 символов)
- meta_description (макс. 160 символов)
- content_brief (3-5 пунктов, что должен содержать текст)
Output: JSON {keyword, title, meta_description, content_brief}
User:
{"keyword":"купить дрель","category":"Quick Wins","reasoning":"..."}

Шаг 11 — Кластеризация (AI Agent Analyze and Cluster KWs)

• Этот блок получает весь массив keywords и возвращает массив кластеров в формате JSON:

  
  [
    {
      "cluster_name":"Дрели для дома",
      "core_topic":"дрели бытовые",
      "intent_pattern":"transactional + informational",
      "keywords":["купить дрель","дрели для дома","лучшие дрели 2025"],
      "reasoning":"связанные коммерческие и обзорные запросы",
      "primary_keyword":"купить дрель"
    },
  ]
  

• Параметры: попросите модель распределять каждое ключевое слово ровно в один кластер.

Шаг 12 — Создание hub & spoke идей (Agent Create Content Opps)

• Для каждого кластера попросите ИИ сгенерировать:
  • Hub-текст (pillar) — основной материал по теме;
  • до 5 spoke-статей — уточняющие/поддерживающие материалы.
• Пример system prompt:

System:
Для переданного кластера создайте:
- hub: объект {title, description, recommended_word_count, sections[]}
- spokes: массив до 5 объектов {title, description, target_keyword}
Output: JSON
User:
{"cluster_name":"Дрели для дома","keywords":[...],"primary_keyword":"купить дрель"}

Шаг 13 — Сохраняем кластеры и идеи в Airtable

• Parse AI output и создайте записи в таблицах: Clusters и Content Ideas from Clusters.
• В полях храните: cluster_name, core_topic, intent_pattern, keywords (список), reasoning, primary_keyword, hub_title, spoke_titles и т.д.

Шаг 14 — Проверка и тестирование

• Запустите Manual Trigger и внимательно проверьте каждый узел (Execution → preview output).
• Если модель вернула невалидный JSON — используйте в промпте строгое требование к формату и добавьте "Output MUST be valid JSON".
• При проблемах с объёмом данных — разбивайте входной набор на чанки и обрабатывайте по очереди.

Полезные примеры JSON

Категоризация — пример ответа ИИ:

[
  {"keyword":"купить дрель","category":"Quick Wins","reasoning":"высокий транзакционный интент"},
  {"keyword":"лучшие дрели 2025","category":"Authority Builders","reasoning":"обзорный запрос"}
]

Кластеризация — пример:

{
  "clusters": [
    {
      "cluster_name":"Дрели для дома",
      "core_topic":"дрели бытового класса",
      "intent_pattern":"transactional",
      "keywords":["купить дрель","дрели недорого"],
      "primary_keyword":"купить дрель",
      "reasoning":"коммерческие запросы с высокой конверсией"
    }
  ]
}

Глоссарий (важные термины и пояснения)

• Hub-текст (pillar) — крупная, всеобъемлющая статья по главной теме (проводник/опорная страница). Пример: «Полное руководство по выбору дрели» — в нём даются обзоры, сравнения, советы и ссылки на более узкие материалы. Hub помогает «склеивать» тематически связанные страницы и повышать авторитет сайта по теме.
• Spoke-статья — узкая статья-поддержка, которая раскрывает конкретную под-тему hub. Примеры: «Как выбрать патрон для дрели», «Топ-5 аккумуляторных дрелей 2025». Spoke ссылаются на hub, и hub ссылается на spokes — это «hub-and-spoke» структура.
• MSV (Monthly Search Volume) — месячный объём поиска (примерно, сколько раз в месяц пользователи ищут конкретное выражение). Помогает оценить потенциальный трафик.
• Search Intent (поисковый интент) — цель пользователя: informational (узнать), navigational (найти сайт), transactional (купить), commercial investigation (сравнить перед покупкой). Правильная категория помогает создавать контент, который закрывает нужды пользователя.
• Airtable — онлайн-таблица/база данных (base → table → record → field). Для n8n вы будете указывать Base ID и Table ID при работе с Airtable узлом.
• Node (узел) — строительный блок workflow в n8n: триггер, HTTP-запрос, Set, Airtable, OpenAI и т.д. Каждый узел выполняет действие и передаёт данные дальше.
• Manual Trigger — ручной триггер для тестов; позже можно заменить на Cron или Webhook.
• Set node — узел для создания/маппинга полей внутри workflow (удобно для подготовки данных).
• Aggregate node — собирает набор записей в единый объект/массив — полезно для передачи большого массива в модель для кластеризации.
• Split Out / Split In Batches — разделяет массив на отдельные элементы или пачки, чтобы обрабатывать по одному или по N записей; важно при взаимодействии с API с лимитами.
• LangChain Agent / Agent — узел, который использует LLM (OpenAI, Vsegpt и т.д.) с возможностью сложных подсказок и цепочек действий (используется для категоризации, кластеризации и генерации контента).
• Prompt — текст, который вы отправляете модели (system + user + examples). Чем точнее формат и требования, тем корректнее ответ (особенно просите вернуть строгий JSON).
• JSON — формат обмена данными (JavaScript Object Notation). Всю информацию между узлами удобнее передавать в JSON.
• Credentials / API Key / OAuth2 — учётные данные для сервисов (Airtable, OpenAI, Google). Храните их в n8n Credentials и не коммитьте в публичные репозитории.
• Rate limits — ограничения по числу запросов к API. Если натыкаетесь на ошибки «rate limit» — замедляйте отправку запросов (Split In Batches, задержки, retry).

Чек-лист перед запуском

• Проверьте, что Airtable Credentials в n8n корректны и у токена есть права на чтение/запись.
• Убедитесь, что у API ключа OpenAI / Vsegpt есть достаточный лимит и он настроен в n8n.
• Запустите workflow на небольшой выборке (5–10 записей) — убедитесь, что модель возвращает валидный JSON.
• Добавьте логирование (Sticky Note / комментарии) в ключевых узлах для будущего сопровождения.

Типичные ошибки и их решение

• ИИ вернул невалидный JSON — в system prompt добавьте: “Output MUST be valid JSON. If you cannot, return an error field.”
• Пустые поля в Airtable — проверьте, что в Set WF Fields используете правильные выражения ({{$node[...]}}).
• Rate limit / 429 — уменьшите скорость, используйте Split In Batches с паузой, включите retry в узлах.
• Не сохраняются записи — проверьте права (Airtable token) и корректность Table ID.

Примеры промптов

Категоризация:

System:
Вы — SEO-аналитик. Получите массив объектов {keyword,msv,competition,intent}
и верните массив объектов {keyword,category,reasoning}.
Категории: Quick Wins, Authority Builders, Emerging Topics, Intent Signals, Semantic Topics, Unknown.
Output MUST be valid JSON.

Кластеризация:

System:
Проанализируй массив ключевых слов и сгруппируй их в семантические кластеры.
Каждый кластер: {cluster_name,core_topic,intent_pattern,keywords[],primary_keyword,reasoning}.
Output MUST be valid JSON array "clusters".

Скачать готовый JSON-файл workflow: SEO-Keywords-Categorization-and-Content-Strategy.json