Jak automatyzuję research i tworzenie briefów SEO w n8n – Case Study

Tworzenie briefów to ta część SEO, którą wszyscy rozumieją, ale mało kto lubi robić ręcznie. Przekopywanie się przez dziesiątki zakładek, kopiowanie nagłówków do notatnika i próba zrozumienia, co właściwie Google „lubi” w danym temacie, potrafi zająć godziny. Z drugiej strony mamy proste generatory AI. Wpisujesz temat, dostajesz wynik. Szybko? Tak. Skutecznie? Rzadko. Takie briefy zazwyczaj są „płaskie”, oparte na halucynacjach modelu, a nie na tym, co faktycznie rankuje w wynikach wyszukiwania. Zbudowałem w n8n workflow, który wykonuje pracę researchera, ale analizując dane w skali, której nie osiągnąłbym manualnie. Poniżej pokazuję, jak ten proces wygląda krok po kroku. Jak przygotować brief contentowy aby działał? Problem z typowym podejściem do briefów (czy to ręcznym, czy prostym AI) polega na braku kontekstu. Model językowy nie wie, co dzieje się w Google dzisiaj. Nie wie, że tydzień temu zmieniła się intencja zapytania dla frazy „najlepsze CRM”. Bazuje na swojej zamrożonej wiedzy. Proces, który używam opiera się na inżynierii odwrotnej. Zanim cokolwiek zaplanuję, muszę wiedzieć, co już działa. Ale nie chodzi o bezmyślne kopiowanie konkurencji, tylko o zrozumienie semantyki i struktury tematu. Krok 1: Szeroki wsad danych – jeden URL to za mało Dobry research nie kończy się na trzech pierwszych linkach. Workflow zaczyna się od zapytania do API SerpData. Dlaczego nie wystarczy zwykły scraper? Ponieważ Google to już nie tylko „10 niebieskich linków”. Automat pobiera: - Wyniki organiczne, - Sekcje „AI Overviews” (tam często kryje się esencja odpowiedzi), - Boksy „People Also Ask”. Dzięki temu na wejściu mam pełny obraz tego, jak Google interpretuje dane zapytanie i jakie wątki poboczne podsuwa użytkownikowi. To fundament, bez którego dalsza praca nie byłaby wystarczająco efektywna. Analiza treści w różnych językach Taka konstrukcja początkowej fazy procesu daje również inną ciekawą możliwość, a mianowicie research w innym języku niż docelowy język tekstu. Pozwala to na przykład zbadać treści i ich zawartość na rynku anglojęzycznym, zebrać maksymalną ilość informacji, dzięki czemu jesteśmy w stanie wypełnić luki contentowe z konkurencyjnymi wpisami na rynku docelowym, ponieważ jesteśmy w stanie użyć tego zestawu danych i informacji w procesie przygotowania treści na przykład w języku polskim. Krok 2: Czyste dane i filtracja szumu Pobranie treści to jedno, ale „nakarmienie” nią AI to drugie. Surowy HTML ze stron konkurencji jest pełen szumu: menu, stopek, reklam, widgetów i linków do social mediów. Jeśli wrzucimy to do modelu, dostaniemy brief o „polityce prywatności” i „zapisie na newsletter”, a nie o meritum. Dlatego w proces zawiera logikę czyszczącą. Skrypt wycina wszystko, co nie jest główną treścią artykułu (tzw. Main Content Extraction). Jest tu jeszcze jeden, dodatkowy element – wykluczanie brandów. Jeśli piszę artykuł o systemach CRM, a analizuję stronę HubSpot, to nie chcę, aby w moim briefie znalazły się ich unikalne nazwy funkcji czy produktów. Agent AI skanuje pobrane treści, identyfikuje nazwy własne konkurencji i usuwa je z analizy. Dzięki temu brief jest uniwersalny i obiektywny, a nie staje się kopią oferty konkurenta. Krok 3: Budowa Grafu Wiedzy – wyciągamy sens, nie tylko słowa Zamiast po prostu liczyć wystąpienia słów kluczowych (TF-IDF), wykorzystuję AI do głębszej analizy semantycznej. W tym kroku model językowy (korzystam tu m.in. z Gemini przez OpenRouter) analizuje oczyszczoną treść i rozbija ją na predykaty semantyczne. To proste trójki: Podmiot – Orzeczenie – Dopełnienie. Dlaczego to takie ważne? Bo pozwala zbudować Graf Wiedzy (Knowledge Graph) dla danego tematu. System „rozumie”, że „CRM” (podmiot) „usprawnia” (orzeczenie) „proces sprzedaży” (dopełnienie). Dzięki temu, gdy później generuję wytyczne dla copywritera, czy automatyzacji contentowej,  nie daję tylko listy słów do użycia, ale gotową mapę pojęć i relacji między nimi. To sprawia, że tekst jest merytorycznie gęsty i logiczny. Krok 4: Inżynieria struktury – od chaosu do idealnego Outline’u Mając wiedzę, potrzebujemy szkieletu. Ale nie chcę kopiować spisu treści od konkurencji 1:1. Chcę stworzyć coś lepszego czyli sstrukturę, która wyczerpie temat. W tym module dzieje się kilka rzeczy: - Ekstrakcja nagłówków: Pobieram strukturę H1-H3 ze wszystkich analizowanych stron. - Deduplikacja i grupowanie: Agent AI analizuje te nagłówki. Widzi, że „Zalety systemu” i „Korzyści z wdrożenia” to semantycznie to samo, więc łączy je w jeden wątek. - Transformacja w pytania: Ostateczna struktura jest formowana w postaci pytań. Dlaczego? Bo to najlepiej oddaje intencję użytkownika i świetnie działa pod Voice Search oraz sekcje FAQ w wynikach wyszukiwania. Efekt? Dostaję outline, który pokrywa temat szerzej niż jakikolwiek pojedynczy artykuł z TOP 10, ale bez zbędnych powtórzeń. Krok 5: Synteza – generowanie finalnego dokumentu Na końcu wszystkie elementy muszą wpaść na swoje miejsce. Mam słowa kluczowe, mam graf wiedzy i mam strukturę nagłówków. Ostatni agent w procesie działa jak architekt. Dla każdego nagłówka w planie (H2/H3) przypisuje: - Core Message: Co jest najważniejszą myślą do przekazania w tej sekcji? - Evidence & Examples: Jakie fakty lub dane (wyciągnięte z grafu wiedzy) powinny się tu znaleźć? - Keywords: Które słowa kluczowe pasują naturalnie do tego konkretnego akapitu? Całość jest pakowana plik Google Docs i strukturę JSON. To precyzyjna instrukcja dla człowieka (lub kolejnego agenta piszącego), co dokładnie ma się znaleźć w każdym fragmencie tekstu. Uniwersalność procesu i możliwości customizacji Taki  workflow w n8n to coś więcej niż oszczędność czasu. To narzędzie analityczne. Pozwala startować z pisaniem treści z poziomu eksperckiego, mając zmapowany temat w kilka minut. Zamiast zgadywać, czego szukają użytkownicy, mam twarde dane z inżynierii odwrotnej SERP-ów, ułożone w logiczną całość.  Opisany przykład dotyczy wersji wyjściowej procesu. Natomiast ze względu na różnorodność rodzajów treści, jakie przygotowuję, to bardzo często tworzę pod dany projekt dedykowaną wersję procesu, która uwzględnia szerszy kontekst wpisów blogowego czy całej serii wpisów, które mamy zaplanowane.