ساخت کارمند سئو AI روی VPS؛ تحقیق کلمه کلیدی، تحلیل رقبا و گزارش‌گیری خودکار با اجرای زمان‌بندی‌شده

چرا یک کارمند سئو AI روی VPS بسازیم؟

بسیاری از فعالیت‌های روزانه سئو پیچیده نیستند؛ مشکل اصلی این است که باید مرتب تکرار شوند. بررسی افت کلیک، پیدا کردن کوئری‌هایی که Impression گرفته‌اند، مقایسه نتایج جستجو، شناسایی صفحات کم‌عملکرد و آماده‌کردن گزارش، زمان زیادی از تیم محتوا می‌گیرد.

ایده این پروژه جایگزین‌کردن متخصص SEO نیست. هدف، ساخت یک SEO Assistant خودکار است که داده‌ها را جمع کند، آن‌ها را مرتب کند و نقاطی را که ارزش بررسی انسانی دارند جلو بیاورد.

این تفاوت مهم است؛ چون خروجی یک مدل زبانی به‌تنهایی نباید به‌عنوان حقیقت آماری در نظر گرفته شود. داده‌های عملکرد Search باید از منبع اصلی مانند Google Search Console گرفته شوند. خود Google نیز Search Console را منبع اصلی اطلاعات عملکرد جستجو معرفی می‌کند.
راهنمای Google درباره Search Console و Analytics

کارمند سئو AI دقیقاً چه کارهایی انجام می‌دهد؟

می‌توانیم این کارمند را به چند وظیفه مشخص تقسیم کنیم. هر وظیفه داده‌ای دریافت می‌کند، آن را تحلیل می‌کند و نتیجه را برای مرحله بعد آماده می‌سازد.

معماری پیشنهادی کارمند SEO روی VPS

برای نسخه اول، نیازی به یک زیرساخت سنگین ندارید. یک VPS لینوکسی می‌تواند سرویس زمان‌بندی‌شده را اجرا کند و در صورت نیاز، مدل زبانی از طریق API یا یک مدل Self-hosted در اختیار آن قرار گیرد.

حداقل منابع VPS برای اجرای SEO Agent

اگر مدل زبانی را روی یک سرویس خارجی اجرا کنید، فشار اصلی روی VPS مربوط به Python، ذخیره‌سازی، پردازش JSON و اجرای زمان‌بندی‌ها خواهد بود. در این حالت برای شروع یک VPS کوچک نیز می‌تواند کافی باشد.

مرحله اول؛ آماده‌سازی VPS لینوکس

در این آموزش از Ubuntu به‌عنوان نمونه استفاده می‌کنیم. ابتدا سیستم را به‌روزرسانی کنید و Python و ابزارهای پایه را نصب کنید.

sudo apt update && sudo apt upgrade -y
sudo apt install -y python3 python3-pip python3-venv git curl

سپس محیط مجازی Python را ایجاد کنید تا وابستگی‌های پروژه از بسته‌های سیستم جدا باشند.

sudo mkdir -p /opt/seo-agent
sudo chown -R $USER:$USER /opt/seo-agent
cd /opt/seo-agent

python3 -m venv .venv
source .venv/bin/activate

مرحله دوم؛ اتصال کارمند سئو به Search Console

مهم‌ترین بخش این سیستم، اتصال به داده واقعی سایت است. Search Console API امکان دریافت داده‌های Performance را بر اساس ابعادی مانند Query، Page، Country و Device فراهم می‌کند. Google همچنین محدودیت‌هایی برای داده‌های قابل بازگردانی و تعداد ردیف‌ها دارد، بنابراین بهتر است Agent داده‌ها را به شکل مرحله‌ای و قابل کنترل دریافت کند.
مستندات دریافت داده Performance

برای اجرای Server-to-Server می‌توان از Service Account و کتابخانه‌های رسمی Google استفاده کرد. مستندات Google نیز استفاده از Client Library را برای کاهش خطاهای مربوط به احراز هویت توصیه می‌کند.
راهنمای Service Account در Google

نمونه ساخت فایل تنظیمات

mkdir -p /opt/seo-agent/credentials
chmod 700 /opt/seo-agent/credentials

nano /opt/seo-agent/.env

نمونه تنظیمات می‌تواند به شکل زیر باشد. مقادیر واقعی خودتان را جایگزین کنید:

SITE_URL=https://example.com/
GOOGLE_CREDENTIALS=/opt/seo-agent/credentials/service-account.json
SERP_API_KEY=YOUR_SERP_API_KEY
LLM_API_KEY=YOUR_LLM_API_KEY
REPORT_DIR=/opt/seo-agent/reports

مرحله سوم؛ استخراج فرصت‌های کلمه کلیدی

اشتباه رایج این است که Agent را مجبور کنیم فقط «کلمات جدید» پیدا کند. بخش ارزشمندتر داده‌ها معمولاً در Queryهایی است که سایت همین حالا برای آن‌ها Impression گرفته اما کلیک کمی دریافت کرده است.

برای نمونه، اگر یک Query تعداد Impression مناسبی داشته باشد اما CTR آن پایین باشد، Agent می‌تواند آن را به‌عنوان فرصت بررسی Title و Meta Description علامت‌گذاری کند. اگر Position در محدوده‌ای باشد که با بهبود محتوا امکان رشد وجود داشته باشد، می‌توان آن Query را وارد صف بررسی محتوا کرد.

مرحله چهارم؛ تحقیق کلمه کلیدی با SERP API

برای تحلیل نتایج جستجو بهتر است به‌جای ارسال درخواست‌های خودکار مستقیم به Google، از یک سرویس SERP API استفاده شود. Google در سیاست‌های Spam خود، ارسال Queryهای خودکار برای بررسی نتایج را به‌عنوان Machine-generated traffic مطرح کرده است. بنابراین معماری Agent باید از روش دسترسی مناسب و مجاز استفاده کند.
سیاست‌های Spam گوگل

سرویس‌هایی مانند SerpApi یک API ساختاریافته برای دریافت نتایج جستجو ارائه می‌کنند و خروجی JSON آن‌ها می‌تواند برای پردازش Agent مناسب باشد.
مستندات Google Search API در SerpApi

در این مرحله Agent می‌تواند برای هر Query اطلاعاتی مانند عنوان نتایج، URL، Snippet و موقعیت نتیجه را ذخیره کند و سپس به مدل زبانی بگوید که نوع Intent و الگوی محتوای صفحه اول را تحلیل کند.

نمونه درخواست API

curl "https://serpapi.com/search?engine=google&q=سرور+مجازی+ایران&hl=fa&gl=ir&api_key=$SERP_API_KEY"

در یک سیستم واقعی، بهتر است پاسخ API مستقیماً به LLM ارسال نشود. ابتدا داده‌ها را پاک‌سازی و محدود کنید، سپس فقط فیلدهای مورد نیاز را به مرحله تحلیل بدهید. این کار هم مصرف Token را کم می‌کند و هم احتمال ورود داده‌های اضافی به Prompt را کاهش می‌دهد.

مرحله پنجم؛ طراحی Prompt برای کارمند سئو

در این پروژه، LLM نباید خودش را جای ابزار آماری قرار دهد. بهتر است داده واقعی را از API دریافت کند و فقط وظیفه تفسیر، دسته‌بندی و پیشنهاد اقدام را انجام دهد.

برای مثال، Prompt اصلی می‌تواند از Agent بخواهد که برای هر Query، Intent را تشخیص دهد، صفحه مرتبط سایت را پیدا کند، وضعیت فعلی را توضیح دهد و یک اقدام مشخص پیشنهاد کند.

You are an SEO analysis assistant.

Analyze the provided Search Console and SERP data.

For each opportunity:

1. Identify search intent.
2. Identify the relevant page.
3. Compare the site's page with competing results.
4. Explain the most important content gap.
5. Suggest one practical SEO action.
6. Do not invent search volume, ranking data, or traffic numbers.
7. Separate measured data from your interpretation.

Return:

* Keyword
* Intent
* Current URL
* Current metrics
* SERP observations
* Opportunity
* Recommended action
* Priority

مرحله ششم؛ ساخت اسکریپت اصلی Python

ساختار پروژه را ساده نگه دارید تا بتوانید بعداً ماژول‌های بیشتری مانند تحلیل Sitemap، بررسی لینک داخلی، تولید Brief محتوا یا ارسال گزارش Telegram را به آن اضافه کنید.

/opt/seo-agent/
├── .venv/
├── .env
├── credentials/
│   └── service-account.json
├── app.py
├── search_console.py
├── serp.py
├── analyzer.py
├── reporter.py
└── reports/

برای شروع حتی می‌توانید همه منطق را در یک فایل قرار دهید و بعد از پایدارشدن Workflow آن را به ماژول‌های جدا تقسیم کنید.

نمونه اسکلت Agent

import os
from datetime import date, timedelta

def get_search_console_data():
# Connect to Google Search Console API
# Return query/page performance data
return []

def get_serp_data(keyword):
# Call your SERP API
return []

def analyze_with_llm(data):
# Send cleaned data to your LLM
return {
"keyword": data.get("keyword"),
"opportunity": "Review title and search intent",
"priority": "medium"
}

def build_report(results):
# Generate Markdown/HTML/JSON report
return results

def main():
queries = get_search_console_data()
results = []

```
for item in queries:
    keyword = item.get("query")
    serp = get_serp_data(keyword)

    payload = {
        "keyword": keyword,
        "search_console": item,
        "serp": serp
    }

    results.append(analyze_with_llm(payload))

report = build_report(results)

os.makedirs("reports", exist_ok=True)

filename = f"reports/seo-{date.today().isoformat()}.json"

with open(filename, "w", encoding="utf-8") as f:
    import json
    json.dump(report, f, ensure_ascii=False, indent=2)
```

if **name** == "**main**":
main()

مرحله هفتم؛ زمان‌بندی اجرای خودکار

حالا قسمت «کارمند» سیستم شکل می‌گیرد. به‌جای اجرای دستی اسکریپت، Scheduler آن را در ساعت مشخص اجرا می‌کند.

اگر می‌خواهید گزارش هر روز صبح آماده باشد، می‌توانید Agent را مثلاً هر روز ساعت ۶ اجرا کنید:

crontab -e

0 6 * * * cd /opt/seo-agent && /opt/seo-agent/.venv/bin/python app.py >> /opt/seo-agent/agent.log 2>&1

از این لحظه، Agent بدون نیاز به ورود روزانه به سرور اجرا می‌شود و نتیجه را در پوشه Reports قرار می‌دهد.

گزارش روزانه SEO Agent چه شکلی باشد؟

گزارش خوب نباید فقط مجموعه‌ای از اعداد باشد. مدیر سایت باید بتواند در چند دقیقه بفهمد چه چیزی تغییر کرده و چه کاری ارزش بررسی دارد.

سپس Agent می‌تواند مهم‌ترین موارد را اولویت‌بندی کند. این اولویت‌بندی باید به‌عنوان پیشنهاد تحلیلی دیده شود، نه تضمین نتیجه رتبه‌گیری.

چه زمانی یک Query واقعاً فرصت SEO است؟

صرفاً بالا بودن Impression کافی نیست. Agent باید چند سیگنال را هم‌زمان ببیند. برای مثال، Queryای که Impression دارد، به یک صفحه مرتبط وصل است و CTR آن پایین‌تر از انتظار است، ارزش بررسی دارد؛ اما علت پایین بودن CTR می‌تواند از Intent، نوع SERP، رقابت، برند بودن Query یا عوامل دیگر ناشی شود.

تحلیل رقبا با AI؛ چه چیزی را بررسی کنیم؟

تحلیل رقبا نباید به این خلاصه شود که «رقیب اول بهتر است». Agent باید ویژگی‌های قابل مشاهده را استخراج کند و آن‌ها را با صفحه خودتان مقایسه کند.

ساخت Content Brief خودکار برای تیم محتوا

یکی از کاربردی‌ترین قابلیت‌های SEO Employee این است که بعد از تحلیل Query و SERP، به‌جای تولید مستقیم مقاله، یک Brief برای نویسنده بسازد.

Content Brief

Primary keyword:
Search intent:
Suggested title:
Secondary topics:
Questions to answer:
Competitor content patterns:
Missing information:
Internal link opportunities:
External sources:
Suggested structure:
Human review required: YES

این مدل Workflow باعث می‌شود AI نقش دستیار تحقیق را داشته باشد، در حالی که تصمیم نهایی درباره انتشار و کیفیت محتوا همچنان در اختیار تیم انسانی باقی می‌ماند.

آیا می‌توان تولید محتوای کامل را هم خودکار کرد؟

از نظر فنی بله؛ اما برای SEO حرفه‌ای، «تولید انبوه مقاله فقط برای گرفتن رتبه» رویکرد مناسبی نیست. Google صراحتاً می‌گوید تولید حجم زیادی از صفحات کم‌ارزش و غیر اصیل، مستقل از اینکه با AI یا روش دیگری تولید شده باشد، می‌تواند مشمول سیاست Scaled Content Abuse شود.
Google Search Spam Policies

بنابراین طراحی بهتر این است که Agent تحقیق، تحلیل و پیشنهاد تولید کند و قبل از انتشار، یک مرحله کنترل انسانی وجود داشته باشد. Google نیز تأکید می‌کند که استفاده از AI به‌خودی‌خود مسئله اصلی نیست؛ مسئله، کیفیت و هدف ایجاد محتوا و رعایت سیاست‌های Search است.
راهنمای Google درباره محتوای تولیدشده با AI

امنیت SEO Agent روی VPS

چون Agent به APIها و احتمالاً داده‌های Search Console دسترسی دارد، امنیت آن را مثل یک سرویس معمولی در نظر نگیرید.

ذخیره تاریخچه؛ چیزی که Agent را واقعاً هوشمندتر می‌کند

اگر Agent هر روز داده‌ها را دریافت کند ولی تاریخچه‌ای نداشته باشد، فقط یک گزارش‌ساز است. با ذخیره نتایج، می‌توانید روند Queryها و صفحات را در طول زمان بررسی کنید.

برای هر اجرای Agent می‌توانید تاریخ، Query، URL، Click، Impression، CTR، Position، Intent و نتیجه تحلیل را ذخیره کنید. سپس Agent در اجرای بعدی به‌جای نگاه کردن به یک Snapshot، روند چند هفته‌ای را می‌بیند.

ارتقای Agent به یک کارمند SEO چندمرحله‌ای

بعد از اینکه نسخه پایه پایدار شد، می‌توانید Workflow را به چند Agent کوچک تقسیم کنید. این معماری معمولاً کنترل‌پذیرتر از یک Prompt بسیار بزرگ است.

در چنین معماری‌ای، هر مرحله خروجی ساختاریافته تولید می‌کند و مرحله بعدی فقط همان خروجی را دریافت می‌کند. این روش کنترل خطا و عیب‌یابی را ساده‌تر می‌کند.

Search Console چه محدودیت‌هایی دارد؟

Search Console API تمام داده‌ها را بدون محدودیت و بدون هیچ پردازشی در اختیار Agent نمی‌گذارد. Google اعلام کرده که API تحت محدودیت‌های داخلی Search Console قرار دارد و در برخی درخواست‌ها ممکن است همه ردیف‌ها بازگردانده نشوند. همچنین در Queryهای بزرگ باید Pagination را در نظر گرفت.
مستندات Search Analytics Query

بنابراین در طراحی Agent نباید فرض کنید «هرچه بیشتر Query بگیرم، گزارش بهتر می‌شود». بهتر است بازه زمانی، Dimensionها و تعداد نتایج را هدفمند انتخاب کنید.

یک Schedule منطقی برای SEO Employee

یک نکته مهم درباره اتوماسیون سئو

هدف SEO Employee نباید «تولید خروجی بیشتر» باشد؛ هدف باید تصمیم‌گیری سریع‌تر بر اساس داده بهتر باشد. اگر Agent هر روز صدها پیشنهاد تولید کند، اما هیچ‌کدام بررسی نشوند، سیستم فقط حجم کار را بیشتر می‌کند.

بهتر است گزارش نهایی فقط ۵ تا ۱۵ اقدام مهم را نمایش دهد و برای هر اقدام توضیح دهد که این پیشنهاد از کدام داده آمده است. این مدل، گزارش را برای مدیر سایت و تیم محتوا قابل استفاده‌تر می‌کند.

جمع‌بندی؛ آیا ساخت SEO Employee روی VPS ارزش دارد؟

📞 تماس با پشتیبانی: 91302467-021 | ایرانیکاسرور