Карточки для маркетплейсов нейросетью: заголовок, характеристики и тексты

Карточка товара на маркетплейсе — это не одно описание, а набор текстов: заголовок, список характеристик, описание, иногда ответы на частые вопросы. Когда товаров сотни, вручную это превращается в недели. Нейросеть для создания карточек для маркетплейсов снимает основную рутину, если дать ей структурированные данные и жёсткие правила. Ниже — как устроить процесс от таблицы до готовых текстов и сколько он стоит на 1000 SKU.

Из чего состоит текстовая часть карточки

Главный риск здесь — не стиль, а выдуманные факты: размеры, состав, сертификаты, гарантия. Модель с удовольствием допишет то, чего вы ей не давали. Поэтому весь процесс строится вокруг одного правила: источник правды — ваша таблица, а модель только оформляет её в текст.

Конкретные ограничения (длина заголовка, запрещённые слова, обязательные поля категории) у каждого маркетплейса свои и меняются. Берите их из правил самой площадки и записывайте в промпт как числа и списки. Здесь мы их не приводим, чтобы не дать устаревшие.

Шаг 1. Подготовьте таблицу

Нужен CSV или Excel, где одна строка — один товар. Минимальный набор колонок:

sku,name,category,brand,attributes,keywords
A-101,Чехол для телефона,Аксессуары,Nordik,"материал: силикон; цвет: чёрный; совместимость: модель X",чехол на телефон; защита

Колонка attributes — то, что вы действительно знаете о товаре. Чем она полнее, тем меньше соблазна у модели что-то придумывать. Колонка keywords — запросы, которые нужно естественно использовать, а не перечислять списком.

Шаг 2. Опишите правила в промпте

Правила лучше писать как проверяемые пункты:

Ты автор карточек для маркетплейса. Используй ТОЛЬКО данные из поля attributes.
Если данных для пункта нет, не придумывай, пропусти пункт.
Верни JSON с ключами: title, features, description, faq.
title: не более 60 символов, начинается с названия товара.
features: список объектов {"name": ..., "value": ...} только из attributes.
description: 3 абзаца, без обещаний вроде "лучший" и "гарантия" и без выдуманных сертификатов.
faq: до 3 пар {"q": ..., "a": ...}, ответы только по данным из attributes.
Пиши по-русски, без эмодзи.

Число 60 здесь — пример: замените его требованием вашей площадки.

Шаг 3. Скрипт массовой генерации

Скрипт читает CSV, вызывает модель, проверяет ответ и сохраняет результат. Адрес — OpenAI-формат с /v1.

import csv
import json
from concurrent.futures import ThreadPoolExecutor

from openai import OpenAI

client = OpenAI(base_url="https://api.zukko.pro/v1", api_key="fetch_ваш_ключ")
MODEL = "deepseek-v4.1-flash"
REQUIRED = {"title", "features", "description", "faq"}
FENCE = "`" * 3  # тройной обратный апостроф, которым модель может обернуть JSON

RULES = """Ты автор карточек для маркетплейса. Используй ТОЛЬКО данные из поля attributes.
Если данных для пункта нет, не придумывай, пропусти пункт.
Верни только JSON с ключами: title, features, description, faq.

Что стоит знать:

• Проверка ответа обязательна: модель иногда оборачивает JSON в блок кода или забывает ключ. Скрипт делает до трёх попыток и помечает неудачи.
• max_workers=8 ограничивает параллельность. Если провайдер ответит ошибкой 429, уменьшите число потоков и добавьте паузу между повторами: как работать с 429 и повторами↗.
• Про строгий JSON — как получать структурированный ответ↗.
• Сохраняйте результат по мере готовности, а не в самом конце: если скрипт упадёт на 900-м товаре, первые 899 не придётся генерировать заново.

Шаг 4. Автоматическая проверка и ручной контроль

После генерации проверьте то, что можно проверить кодом:

1. Каждое значение в features встречается в исходных attributes. Всё остальное — выдумка.
2. В тексте нет слов из вашего списка запрещённого: «лучший», «гарантия», «сертифицирован», если в данных этого нет.
3. Длина заголовка и число полей соответствуют правилам площадки.
4. Нет повторов между карточками одного семейства товаров: два одинаковых описания на разные размеры не красят магазин.

Затем выборочно прочитайте 5% карточек глазами. Правила маркетплейса и юридические требования к тексту — ответственность продавца, а не модели. Про схожую задачу с акцентом на описания — в статье генерация описаний для Wildberries и Ozon↗.

Сколько стоит 1000 SKU

Допущения для примера: на один товар около 600 токенов входа (правила плюс строка таблицы) и 700 токенов выхода (карточка в JSON). На 1000 товаров это 600 000 токенов входа и 700 000 токенов выхода. Цены Zukko на 18 октября 2026, $ за 1M токенов:

Здесь 0.6 и 0.7 — это миллионы токенов. Повторы при невалидном JSON увеличат расход, добавьте запас 10–20%. Правила в начале каждого запроса одинаковые, поэтому у моделей с кэшем чтения повторяющаяся часть может стоить дешевле, но в этом расчёте мы кэш не учитываем. Для GPT чтение кэша видно в OpenAI-формате; детали — на странице лимитов и кэша↗.

Какая модель напишет карточки лучше, заранее не скажем. По индексу силы из таблицы у claude-sonnet-5-5 48, у gpt-6.1-sol 52, у deepseek-v4.1-flash 39, у glm-5.3-flash 42, но решает ваш тест: прогоните по 20 товаров на двух-трёх моделях и сравните результаты.

Частые вопросы

Может ли нейросеть сама придумать характеристики?

Может, и это главный риск. Поэтому в промпте запрещено выдумывать, а скрипт сверяет значения с исходной таблицей. Данные о товаре даёте вы.

Можно ли генерировать картинки для карточек тем же ключом?

Эта статья только про текстовую часть, генерацию изображений мы здесь не разбираем. Зато фото товара можно передать на вход модели, которая принимает картинки (по таблице на 18 октября 2026 это, например, claude-sonnet-5-5 и gpt-6.1-sol), чтобы она помогла с описанием внешнего вида. Характеристики всё равно берите из таблицы, а не с фото.

Нужно ли указывать, что текст написан нейросетью?

Требования зависят от площадки и вашего законодательства, смотрите правила маркетплейса.

Как начать?

Создайте ключ в кабинете Zukko↗, возьмите 20 товаров из своей таблицы и запустите скрипт на дешёвой модели. Расход видно на странице «Использование».