Введение: почему «попросить ChatGPT написать статью» — не решение
Когда говорят про «AI для контента», чаще всего представляют простую картину: открыли чат, написали промпт «напиши статью про X», получили текст, вставили на сайт. Звучит удобно. На практике этот подход быстро упирается в стену.
Во-первых, нет воспроизводимости. Сегодня модель написала хорошо, завтра — с другими формулировками и структурой. Результат каждый раз «одноразовый»: вы не можете гарантировать, что следующий текст будет того же качества и в том же формате.
Во-вторых, нет точек контроля. Единый промпт — это чёрный ящик: не видно, где модель ошиблась в фактах, где ушла от темы, где потеряла структуру. Исправлять приходится весь текст целиком.
В-третьих, нет управления процессом. Один промпт нельзя «поставить на паузу» после исследования, чтобы проверить факты, или остановить перед генерацией картинок, чтобы согласовать стиль.
Современный ответ на эти проблемы — контент-конвейер на базе AI. Это не «попросить модель написать», а управляемый многоэтапный процесс, где каждый шаг даёт проверяемый результат, а человек подключается ровно в тех точках, где нужно его решение. Идея многошаговых процессов вместо однократной генерации — не наша выдумка: её подробно разбирают в гайде Anthropic «Building Effective Agents» и в эссе Andrew Ng «Agentic Workflows».
Что такое контент-конвейер и чем он отличается от разовой генерации
Контент-конвейер — это последовательность этапов, через которые проходит материал: от идеи до публикации. Каждый этап заканчивается артефактом — файлом, который можно прочитать, проверить и при необходимости пересобрать, не трогая остальные шаги.
Разница с разовой генерацией принципиальная. Разовая генерация — это один шаг: «промпт → текст». Конвейер — это цепочка: «идея → бриф → исследование → структура → черновик → рецензия → финал → визуалы → публикация». На каждом шаге действует детерминированная логика (правила, валидация, переходы), а языковая модель отвечает только за содержательную часть.
Хорошая аналогия — заводской конвейер. Никто не собирает автомобиль «одним движением»: есть отдельные стадии, на каждой — своя операция и свой контроль качества. Точно так же текст собирается по шагам, каждый из которых можно проверить.
Компоненты конвейера
AI-агенты и LLM. Языковые модели выполняют содержательную работу: формулируют идеи, пишут текст, проводят исследование, предлагают структуру, составляют промпты для изображений.
Детерминированная логика. Обычный код, который не полагается на «интуицию» модели: проверяет, что артефакты не пустые и достаточной длины, контролирует допустимость переходов, преобразует форматы. Это скелет системы.
State machine. Конечный автомат с жёстко заданными состояниями и переходами. Статья не может перепрыгнуть этап: из «идеи» — только в «бриф готов», из «черновика» — только в «рецензировано». Это гарантирует, что процесс идёт по правилам и ничего не проскакивает случайно.
Skills (процедуры). Переиспользуемые инструкции, описывающие, как выполнять конкретный шаг: как готовить бриф, как писать рецензию, как проверять источники. Они накапливают опыт — однажды отлаженная процедура применяется к следующим материалам без повторной настройки.
Артефакты. Файлы, которые остаются после каждого этапа: бриф, исследование, структура, черновик, рецензия, финальный текст, план визуалов, изображения, пакет для публикации. Артефакт — это то, что можно проверить и сравнить.
Внешние API. Генерация изображений (например, через Cloudflare Workers AI), публикация в WordPress через REST API, работа с категориями и тегами.
Human approval. Явные точки одобрения человеком: согласование визуалов и согласование публикации. Это места, где цена ошибки высока и решение принимает человек.
Полный процесс на примере Content Pipeline
Разберём реальный пример — контент-конвейер, который проводит статью от идеи до публикации в WordPress. Весь путь задан конечным автоматом из четырнадцати состояний, и на каждом шаге работает специализированная команда, а не «свободный промпт».
- Идея. Создаётся карточка статьи с заголовком. Состояние — «идея».
- Бриф. Формулируются цель, аудитория, тезисы и структура. Артефакт — brief.md.
- Исследование. Собираются факты и источники. Внешние источники привлекаются только там, где нужно проверяемое утверждение; цифры не выдумываются. Артефакт — research.md.
- Структура. Из брифа и исследования собирается детальный план. Артефакт — outline.md.
- Черновик. Пишется полный текст по плану. Артефакт — draft.md.
- Рецензия. Текст критически оценивается. Артефакт — review.md.
- Финал. Черновик дорабатывается с учётом рецензии. Артефакт — final.md.
- План визуалов. Описывается, какие изображения нужны и с какими промптами их генерировать. Артефакт — visual-plan.yaml.
- Одобрение визуалов. Человек принимает или отклоняет каждое изображение. Точка human approval.
- Генерация изображений. Одобренные промпты уходят в API генерации, изображения сохраняются в каталог visuals.
- WordPress-пакет. Готовится пост и метаданные: заголовок, slug, выдержка, обложка. Артефакт — wordpress/post.md и metadata.yaml.
- Черновик в WordPress. Через REST API загружаются изображения и создаётся черновик. Артефакт — remote.yaml с id поста.
- Одобрение публикации. Человек просматривает черновик и явно одобряет его; снимается снапшот состояния, чтобы публиковался именно одобренный вариант.
- Публикация. Пост переводится в статус «опубликован» — только после сверки текущего состояния с одобренным снапшотом.
Почему разделение этапов повышает качество и управляемость
Главное преимущество — проверяемость: у каждого шага есть артефакт, поэтому ошибка в фактах видна на этапе исследования, а не после публикации.
Второе — изолированность: можно пересобрать один этап (переписать черновик или заново сгенерировать одну картинку), не трогая остальные.
Третье — воспроизводимость: настроенный процесс работает одинаково для десятков материалов, и качество перестаёт зависеть от «настроения модели».
Наконец, управляемость — гарантия, что ничего не проскочит случайно: конечный автомат физически не даст пропустить рецензию или опубликовать неодобренный черновик.
Что отдавать AI, а что — детерминированному коду
Это ключевое проектное решение, и ошибиться в нём легко.
Отдавать AI стоит содержательную работу: идеи, текст, исследование, структуру, промпты для изображений. Здесь модель сильна и приносит основную ценность.
Оставлять детерминированному коду стоит правила и контроль: state machine, валидацию артефактов, слагификацию, конвертацию markdown в HTML, идемпотентность операций, проверки целостности. Логика переходов и проверок должна быть предсказуемой.
Причина простая: модель может ошибиться или «забыть» правило, а код — нет. Если доверить LLM контролировать собственные переходы, рано или поздно она пропустит этап или ошибку. Детерминированный каркас снимает этот риск.
Где необходим человек
Человек нужен не везде, а в точках с высокой ценой ошибки.
Одобрение визуалов. Изображения — это визуальная идентичность; модель может сгенерировать не то, что ожидалось, поэтому финальное «да/нет» остаётся за человеком.
Одобрение публикации. Публикация — необратимое действие, которое видит аудитория; прежде чем пост станет публичным, человек должен явно его одобрить.
Во всём остальном человек участвует по необходимости: задаёт тему, направляет тон, отвечает на вопросы. Рутинные шаги выполняются автоматически.
Кому полезны такие конвейеры
Контент-командам и маркетингу, которым нужны регулярные материалы предсказуемого качества. Медиа и издательствам, где важны редакционные стандарты. Компаниям с регулярной отчётностью, документацией и обучающими материалами. Всем, кто устал от того, что «каждая статья — ручная работа заново».
Какие процессы ещё можно строить по этому принципу
Принцип универсален: он подходит для любого повторяемого интеллектуального процесса, где есть последовательность шагов, правила, артефакты и точки контроля.
- Аналитические материалы и дайджесты: сбор источников → проверка → структура → текст → рецензия.
- Техническая документация: спецификации → черновики → ревью → публикация.
- Маркетинговый контент: лендинги, письма, посты — по единой структуре.
- Внутренние отчёты: сбор данных → шаблон → заполнение → согласование.
- Обучающие материалы: план курса → уроки → проверка → публикация.
Общая формула одна: формализуйте этапы, определите артефакты каждого шага, задайте правила переходов, отдайте содержательную работу модели, а контроль оставьте коду и человеку.
Итог
Контент-конвейер на базе AI — это способ превратить хаотичную генерацию в управляемый, проверяемый и воспроизводимый процесс. Его ценность не в «магии модели», а в архитектуре: детерминированный каркас, языковая модель для содержательной работы и человек в точках принятия решения.
И это не только про статьи. Любой повторяемый интеллектуальный процесс — аналитика, документация, отчёты, обучение — можно собрать по тому же принципу. Если у вас есть процесс, который вы выполняете по шагам с правилами и проверками, его можно превратить в конвейер.
Мы проектируем и реализуем такие AI-конвейеры под конкретные бизнес-процессы — не только для контента, а для любых задач, где можно формализовать этапы, артефакты, проверки и точки принятия решения человеком.