Eine tägliche KI-Content-Pipeline mit einem lokalen Qwen3-Modell automatisieren
Wie eine lokale Ollama-Pipeline jeden Tag Inhalte für Entwickler findet, bewertet und entwirft, während ein kurzer menschlicher Freigabeschritt drei Stunden Arbeit auf etwa zehn Minuten verkürzt.
Aus einem Wochenendexperiment kann eine tägliche Gewohnheit werden, und genau so kam es hier. Am Anfang stand ein Kanal für Entwickler über KI-Werkzeuge: neue Tools, Paper, Launches und Nebenprojekte aufspüren und die besten davon zu Posts machen. In der Praxis fraß diese Routine fast drei Stunden am Tag. Themensuche, Recherche, Entwürfe, Karussells, Videoskripte, Bildunterschriften und Veröffentlichung liefen alle von Hand und begannen am nächsten Morgen von vorn. Wer jeden Tag dieselbe Kette von Aufgaben wiederholt, sollte sie skripten, und genau das ist passiert.
Die tägliche Pipeline
Herausgekommen ist eine KI-gesteuerte Content-Pipeline. Sie startet jeden Tag von selbst, sodass der Morgen nicht mehr mit einer leeren Seite beginnt. Themen werden gefunden, recherchiert und zu Entwürfen verarbeitet, und alles kommt fertig zur Prüfung an.
Discover
↓
Research
↓
Validate
↓
Score
↓
Generate
↓
Review
↓
Publish
↓
Analyze
↓
Optimize
Das Rohmaterial stammt aus mehreren Quellen:
- GitHub Trending
- Hacker News
- arXiv
- Product Hunt
- RSS-Feeds und Blogs von KI-Firmen
Ein Lauf holt typischerweise rund 150 Rohfunde herein. Die meisten verdienen keine Aufmerksamkeit, also wird als Nächstes gefiltert.
Filtern mit einem lokalen Modell
Den ersten Durchgang übernimmt ein lokales Qwen3:8b-Modell, das über Ollama läuft. Für jeden Kandidaten schreibt es eine kurze Zusammenfassung und beantwortet drei Fragen: Was ist das, warum sollte es Entwickler interessieren, und was könnte man damit bauen? Ein Prüfschritt verwirft danach alles Veraltete, Irreführende oder schlicht Nutzlose, was die Liste schon deutlich kürzt.
Punkte statt der Frage "Ist das interessant?"
Ein vages Ja oder Nein von einem Modell ist unzuverlässig. Deshalb bekommt jedes verbleibende Thema Punktwerte von 0 bis 10 in sechs Kriterien:
- wie nützlich es ist
- wie neu es ist
- Wert für Entwickler
- Suchnachfrage
- Potenzial, damit Geld zu verdienen
- wie leicht es sich vorführen lässt
Das Maximum liegt bei 60 Punkten, und alles unter 35 fliegt automatisch raus. Statt sich beim Frühstück durch 150 Links zu kämpfen, schaut man am Ende auf etwa 5 bis 10 Kandidaten. Ab hier zahlt sich die Automatisierung aus.
Eine Recherche, viele Formate
Aus einem freigegebenen Thema wird nicht nur ein Absatz. Das System baut aus einer einzigen Recherche ein komplettes Paket:
- ein Karussell mit zehn Folien, von Aufhänger über Problem, Lösung, Beispiel und Anwendungsfälle bis zu Fazit und Handlungsaufforderung
- ein Skript für ein Kurzvideo aus denselben Notizen
- eine Bildunterschrift und Hashtags
- strukturiertes JSON, das der Veröffentlichungsschritt verarbeiten kann
Einmal zu recherchieren und das Ergebnis wiederzuverwenden, ist wichtig. Dasselbe Thema fünfmal zu recherchieren, nur weil fünf Plattformen einen Post brauchen, wäre sinnlos.
Ein Mensch entscheidet trotzdem
Menschen bleiben bewusst eingebunden. Die Software erledigt die repetitiven Teile, ein Mensch wählt aus, was tatsächlich online geht. Die Prüfung startet mit einem Befehl.
uv run approve
Das Terminal zeigt dann das Thema, seine Punktzahl, die Recherche, das Karussell, das Skript, die Bildunterschrift und die Hashtags. Jeder Eintrag lässt sich freigeben, ablehnen oder überspringen. Was früher ein paar Stunden dauerte, dauert jetzt etwa zehn Minuten.
Nach der Freigabe ist die Veröffentlichung ein einziger Befehl.
uv run post
Dieser Schritt steuert den Veröffentlichungsablauf, Datenbank-Updates, Statusverfolgung und Logging. Einen Schalter für einen Probelauf gibt es auch.
uv run post --dry-run
Damit lässt sich der gesamte Ablauf von Anfang bis Ende durchspielen, ohne dass etwas gepostet wird.
Aus Ergebnissen lernen
Automatisierung ist nur die Hälfte des Ziels. Die nächste Phase ist Optimierung: Das System lernt aus dem, was veröffentlicht wird. Hilfreiche Fragen sind, welche Themen mehr Interaktion bringen, welche Aufhänger besser funktionieren, welche Formate öfter gespeichert und geteilt werden und welche Themen dauerhaft schwächeln. Die Antworten können zurück in die Bewertungsregeln fließen, sodass der langfristige Kreislauf lautet: erstellen, veröffentlichen, messen, lernen, verbessern. Statt einfach mehr Inhalte zu produzieren, soll das System nach und nach besser einschätzen, welche Inhalte sich überhaupt lohnen.
Stack und Kosten
Die Werkzeuge bleiben bewusst schlank: Python 3.11, SQLite, Ollama mit Qwen3:8b, Pydantic, httpx und uv. Da die rechenintensive KI-Arbeit auf dem lokalen Rechner läuft, liegt die monatliche Rechnung bei null Dollar.
Vorher und nachher
Früher hieß der Ablauf finden, recherchieren, schreiben, gestalten, Skript schreiben und veröffentlichen, rund drei Stunden Aufwand. Heute heißt er prüfen, freigeben und veröffentlichen, etwa zehn Minuten, während Recherche und Generierung jeden Tag von selbst laufen.
Es geht nicht darum, Kreativität durch KI zu ersetzen. Es geht darum, alles rund um die Kreativität zu automatisieren, wofür es keinen Menschen braucht. Langfristig soll ein System entstehen, das Inhalte laufend entdeckt, erstellt, veröffentlicht, misst und optimiert und dem Menschen die Entscheidung überlässt, was wirklich gesagt werden sollte. Genau dieser Teil wird gerade gebaut.