Автоматизация ежедневного ИИ-конвейера контента на локальной модели Qwen3

Эксперимент выходного дня может превратиться в ежедневную привычку, и с этим так и вышло. Всё началось с канала для разработчиков об ИИ-инструментах: находить новые инструменты, статьи, запуски и пет-проекты, а лучшее превращать в посты. На практике эта рутина съедала почти три часа в день. Поиск тем, исследование, черновики, карусели, сценарии для видео, подписи и публикация — всё делалось вручную, а на следующее утро начиналось заново. Если каждый день повторяешь одну и ту же цепочку дел, пора написать для неё скрипт. Так и сделали.

Ежедневный конвейер

В результате получился конвейер контента на базе ИИ. Он каждый день запускается сам, так что утро больше не начинается с чистого листа. Темы находятся, исследуются и превращаются в черновики, и всё приходит уже готовым к проверке.

Discover
   ↓
Research
   ↓
Validate
   ↓
Score
   ↓
Generate
   ↓
Review
   ↓
Publish
   ↓
Analyze
   ↓
Optimize

Сырьё приходит из нескольких источников:

• GitHub Trending
• Hacker News
• arXiv
• Product Hunt
• RSS-ленты и блоги ИИ-компаний

Один запуск обычно собирает около 150 сырых материалов. Большинство не заслуживает внимания, поэтому дальше идёт фильтрация.

Фильтрация локальной моделью

Первый проход делает локальная модель Qwen3:8b, работающая через Ollama. Для каждого кандидата она пишет краткое резюме и отвечает на три вопроса: что это такое, почему это важно разработчику и что с этим можно построить? Затем шаг проверки отбрасывает всё устаревшее, вводящее в заблуждение или откровенно бесполезное, и список уже заметно сокращается.

Оценки вместо вопроса «интересно ли это?»

Расплывчатый ответ модели «да или нет» ненадёжен, поэтому каждая уцелевшая тема получает числовые оценки от 0 до 10 по шести критериям:

• насколько это полезно
• насколько это ново
• ценность для разработчиков
• поисковый спрос
• потенциал заработка
• насколько легко это показать

Максимум — 60 баллов, всё, что ниже 35, отбрасывается автоматически. Вместо того чтобы продираться через 150 ссылок за завтраком, проверяющий в итоге смотрит примерно на 5–10 кандидатов. Здесь автоматизация и начинает окупаться.

Одно исследование, много форматов

Одобренная тема даёт не просто абзац. Система собирает полный пакет из одного раунда исследования:

• карусель из десяти слайдов: крючок, проблема, решение, пример, сценарии использования, вывод и призыв к действию
• сценарий короткого видео по тем же заметкам
• подпись и хештеги
• структурированный JSON, который может принять шаг публикации

Важно исследовать один раз и переиспользовать результат. Изучать одну и ту же тему пять раз только потому, что пяти платформам нужен пост, было бы бессмысленно.

Решает всё равно человек

Люди остаются в цикле намеренно. Программа делает повторяющуюся работу, а человек выбирает, что на самом деле выйдет в свет. Проверка запускается одной командой.

uv run approve

Затем терминал показывает тему, её оценку, исследование, карусель, сценарий, подпись и хештеги. Каждый пункт можно одобрить, отклонить или пропустить. Работа, которая раньше занимала пару часов, теперь занимает около десяти минут.

После одобрения публикация — тоже одна команда.

uv run post

Этот шаг управляет процессом публикации, обновлением базы данных, отслеживанием статусов и логированием. Есть и переключатель пробного запуска.

uv run post --dry-run

С ним весь процесс можно отрепетировать от начала до конца, ничего не публикуя.

Учиться на результатах

Автоматизация — лишь половина цели. Следующий этап — оптимизация, когда система учится на том, что опубликовано. Полезные вопросы такие: какие темы собирают больше вовлечённости, какие крючки работают лучше, какие форматы чаще сохраняют и пересылают, а какие темы стабильно проседают. Ответы можно возвращать в правила оценки, и тогда долгосрочный цикл выглядит так: создать, опубликовать, измерить, научиться, улучшить. Вместо того чтобы просто выдавать больше контента, система должна постепенно лучше понимать, какой контент вообще стоит делать.

Стек и стоимость

Набор инструментов намеренно небольшой: Python 3.11, SQLite, Ollama с Qwen3:8b, Pydantic, httpx и uv. Поскольку тяжёлая ИИ-работа выполняется на локальной машине, ежемесячный счёт равен нулю долларов.

До и после

Старый процесс выглядел так: найти, исследовать, написать, оформить, подготовить сценарий и опубликовать — примерно три часа работы. Новый: проверить, одобрить и опубликовать — около десяти минут, а исследование и генерация каждый день идут сами.

Цель не в том, чтобы заменить творчество ИИ. Цель — автоматизировать всё вокруг творчества, что не требует человека. В долгосрочной перспективе нужна система, которая сама продолжает находить, создавать, публиковать, измерять и оптимизировать контент, оставляя человеку решать, что действительно стоит сказать. Именно эту часть сейчас и строят.