От ChatGPT к мультиагентному контент-пайплайну: как 5 AI-агентов пишут мне кейсы

Это не просто статья на Хабре. Это AI-сгенерированная статья на Хабре. Ха! Попались? 

Меня зовут Ксения Иванчикова, я развиваю медиа Generation AI. Еще год назад я писала умные промпты для ChatGPT в надежде получить глубокий и качественный контент — получалось так себе. 

Недавно я навайбкодила пайплайн из пяти AI-агентов: они берут 20-минутную запись доклада с YouTube, выдают готовый кейс и верстают контент на WordPress. Рассказываю про опыт ^[1] создания контент-машинки, которая не делает нейрослоп. 

Контекст: кейсы про внедрение AI

В медиа ^[2]Generation AI мы собираем бизнес-кейсы: как российские компании используют генеративный AI в процессах, с какими трудностями сталкиваются при внедрении и что у них уже получается. Сейчас у нас опубликовано больше 60 кейсов — от банков и ритейла до HRTech.

Но есть проблема: кейсы быстро устаревают. Разработчики моделей выкатывают обновления чуть ли не каждую неделю, команды вынуждены адаптироваться и менять подходы. То, как решали задачу в начале 2025 года, сегодня будет не актуальным. 

Один из источников, откуда мы берем кейсы — выступления спикеров на Conversations, нашей конференции про генеративный AI. В среднем это 30-50 докладов за раз. Чтобы детали не устарели, нам нужно взять все доклады и оперативно готовить материалы на сайт. 

Два подхода к написанию кейсов и их эволюция

Подход 1: «Скорми расшифровку и молись»

Первый подход был наивный. Я брала уже опубликованный кейс, скармливала нейронке и просила проанализировать структуру и стиль. Потом давала расшифровку нового выступления и просила написать по образцу.

Результат выглядел прилично, но была проблема с галлюцинациями: иногда модель добавляла факты, порой некорректно описывала какой-то процесс. К тому же по пути терялись метрики из доклада, а цифры в кейсах важны.

В итоге я тратила 2-3 часа на перепроверку каждого текста и цифры по видео. Это практически то же время, что написать с нуля.

Подход 2: Подробные правила + петля обратной связи

Потом я перешла на Claude Code и поняла, что дело не в промптах. Я вообще не верю в промпты в том смысле, в котором о них обычно говорят — типа «напиши магическую фразу и нейронка сделает идеально». У меня это так не работает.

То, что работает — подробные правила и фидбек-луп. Я описала в markdown-файлах все, что знаю про хороший кейс: какая структура, какой стиль, какие слова нельзя использовать, как работать с цитатами, как оформлять метрики. Получилось пару сотен строк. Это скорее редакционная политика в формате, который понимает AI.

Параллельно выстроила процесс обучения ^[3]. Я читаю текст, который сгенерировал Claude Code. Вижу, что не так — допустим, слишком общие формулировки или неуместный акцентный блок. Даю фидбек: «Здесь слишком абстрактно, нужна конкретная цифра» или «Этот блок не несет инсайта, убери». А потом прошу Claude Code проанализировать всю нашу сессию, вычленить мои замечания и сформулировать из них правила. Эти правила добавляются в систему, в следующий раз агент уже их учитывает.

То есть это живая система, которая учится на каждом кейсе. Каждый мой фидбек превращается в правило, и со временем качество растет. С таким подходом я стала делать кейсы за полтора-два часа вместо четырех-пяти. Текст получался нормальный, после ревью — готовый к публикации. Конечно, я что-то все еще правлю руками, но это гораздо меньший объем, чем при классической работе с ChatGPT.

Проблема: приходится ждать дизайнеров

Итак, я научилась с Claude Code готовить кейс за пару часов. Дальше — мне нужно было поставить задачу дизайнеру в Jira и ждать, когда они сверстают текст на WordPress. Дизайнеры загружены, у них свои приоритеты. В итоге я вынуждена ждать неделю, пока будет готова верстка. 

Я ускорила свою часть работы по написанию текста кейса, но уперлась в то, что от меня не зависит. И тогда у меня появилась идея: а что если замкнуть весь цикл? Не просто сгенерировать текст, а прокинуть его на WordPress — с версткой, иллюстрациями из презентации и заложенными SEO-маркерами. Чтобы на выходе был готовый черновик на сайте, а я подключалась только на финальное ревью.

На внутреннем хакатоне Just AI — мероприятии, где мы с коллегами придумывали и вайбкодили разные проекты — я за это и взялась.

Что получилось: пять агентов, один конвейер

Пайплайн повторяет то, что я делала руками, но разбит на пять этапов — каждый выполняет отдельный AI-агент со своими правилами и своей задачей.

Я работаю через Claude Code с обычной подпиской. Архитектуру пайплайна мы проектировали вместе с тем же Claude Code — я объясняла логику ^[5] своей работы, а он предлагал, как разбить на этапы и что каждый агент должен делать.

Вот как выглядит конвейер:

YouTube URL + PDF slides

        │

        ▼

  ┌─────────────┐

  │ Transcriber  │  → transcript.md ^[6]

  └──────┬──────┘

         ▼

  ┌─────────────┐

  │  Analyst     │  → facts_extracted.md ^[7]

  │  + vision    │    slides_analysis.md ^[8]

  │              │    company_metadata.md ^[9]

  └──────┬──────┘

         ▼

  ┌─────────────┐

  │   Writer     │  → case_draft_v1.md

  └──────┬──────┘

         ▼

  ┌─────────────┐

  │   Editor     │  → validation_report.md ^[10]

  │              │    [company]_READY.md ^[11]

  └──────┬──────┘

         ▼

    👤 Human review

         ▼

  ┌─────────────┐

  │  Publisher   │  → WordPress draft

  └──────┬──────┘

         ▼

    Готовый кейс на сайте

Стек

Отдельная история — WordPress. У нас на сайте кейсы верстаются через ACF Flexible Content — плагин, который позволяет собирать страницу из разных типов блоков: текст, колонки с метриками, пошаговые процессы, акцентные вставки, иллюстрации. Разработчики помогли настроить блоки и подробно описать их структуру.

Как работает каждый агент

Transcriber: расшифровка видео

Первый агент берет YouTube-ссылку и превращает видео в текст. Есть два варианта: бесплатные субтитры YouTube (быстро, но качество зависит от звука на записи) и Deepgram — точнее, с разделением по спикерам. На выходе — файл transcript.md ^[6].

Analyst: факты, слайды, контекст

Analyst — этап, на котором сырой материал превращается в структурированные данные. Агент читает транскрипт и вытаскивает факты, метрики, цитаты, технические детали. Если приложена презентация — смотрит на слайды через vision и для каждого определяет, что изображено и в какой раздел кейса это поставить. Отдельно через веб-поиск собирает контекст о компании: масштаб бизнеса, рынок, количество сотрудников.

Здесь же происходит первая проверка на адекватность. Автоматическая транскрипция путает слова, особенно названия продуктов и термины. Analyst сверяет непонятные слова с контекстом и подбирает правильный вариант по смыслу.

На выходе получаются три файла: факты, анализ слайдов, метаданные компании.

Writer: кейс по правилам

Writer получает структурированные данные от Analyst, стайл-гайд и референсный кейс для калибровки тона. Еще он просматривает те самые правила, которые выросли из фидбек-лупа.

Здесь стоит подробнее рассказать про контентную часть, потому что в ней — основная ценность пайплайна. Хороший кейс — не пересказ выступления спикера на конференции, а полноценная история с проблемой, решением, трудностями и результатами. Это нужно рассказать так, чтобы читатель с похожей задачей нашел для себя практическую пользу.

Writer также расставляет по тексту блоки для WordPress-верстки — колонки с метриками, пошаговые процессы, акцентные вставки. Они потом автоматически превращаются в верстку на сайте:

На выходе получается черновик кейса.

Editor: проверка и чистка

Editor — агент, котороый проверяет факты по первоисточнику и вычищает текст.

Фактчекинг. Editor берет каждое число и утверждение из черновика и ищет подтверждение в транскрипте и презентации, которую я загружаю в PDF-формате. Формирует отчет — что подтверждено, что сомнительно, что нужно убрать.

Чистка стиля. Как бы подробно ни были прописаны правила, Writer иногда все равно иногда вставляет нейросетевые штампы. Editor вычищает слова в духе «стоит отметить», «в условиях растущей конкуренции» и прочий мусор, который я сама бы удалила при вычитке.

Проверка блоков. Смотрит, чтобы в колонках с метриками стояли реальные числа, а не абстракции. Чтобы одна метрика не повторялась в трех местах и не было 10 иллюстраций подряд без какой-то логики.

На выходе получаем готовый к публикации файл.

Publisher: отправка в WordPress

Publisher берет финальный файл, конвертирует markdown-блоки в ACF-верстку, загружает иллюстрации из презентации, расставляет теги и SEO-метаданные. Пост создается как черновик — я открываю WordPress, проверяю, как все выглядит, и публикую.

Сложности: транскрипция, верстка, галлюцинации

Транскрипция и имена собственные

Автоматическая транскрипция неплохо справляется с обычной речью, но спотыкается на именах собственных, названиях продуктов и терминах. Analyst спасает ситуацию: он знает, о какой компании и о каком продукте идет речь, поэтому может восстановить правильное написание из контекста. Но иногда все равно проскакивает — и тогда это ловит Editor на этапе фактчекинга или я на ревью.

Верстка: «сделай красиво» не работает

Сказать агенту «сделай красиво» — бесполезно. ACF Flexible Content — это 10 типов блоков, у каждого свои обязательные поля и ограничения. Сказать «вставь колонку с метриками» недостаточно — агент должен точно знать формат. 

Мы с разработчиками описали каждый блок подробно, и даже после этого Writer иногда творит странное: ставит в заголовок колонки текст вроде «Отдел качества» вместо числа, засовывает в акцентный блок предложение без инсайта, выстраивает пять иллюстраций подряд. Здесь спасает Editor — он проверяет блоки по правилам и подсвечивает нарушения.

Результаты

Главная победа — даже не в часах. Раньше готовый текст лежал неделю, пока до него дойдет дизайнер. Теперь пайплайн сам создает сверстанный черновик в WordPress, и я могу опубликовать кейс в тот же день, когда его написала (после согласования с экспертом, конечно).

Весь пайплайн работает на подписке Claude Code. Можно ли собрать подобное на других инструментах? Наверное, но я работала с тем, что знаю.

Парочка моих инсайтов

Самое ценное в пайплайне — не код, а экспертиза и архетиктура. Я потратила десятки часов на формализацию того, что такое хороший кейс. Какие слова нельзя, какие блоки допустимы, как проверять факты, что отличает пересказ от полезного материала. Это редакторский опыт, превращенный в правила, которые AI может исполнять. Без этой экспертизы пайплайн выдавал бы красивый, но бесполезный текст.

Нейросети все еще не пишут супер тексты. У меня получилось достичь отличного качества на кейсах. Думаю, что дело в формате: кейсы — очень структурный контент. К тому же фактуру не нужно было искать заново, мы брали расшифровку реального опыта эксперта, а не собирали рандомные факты из интернета. В случае информационной статьи чаще всего получится пересказ 10 первых ссылок в выдаче. Поэтому эксперт и реальный опыт в контенте очень важны.

Если интересно, как выглядят кейсы про внедрение AI в бизнес — заходите в медиа Generation AI ^[2]. А если автоматизировали свою контентную рутину чем-то похожим — расскажите в комментариях, интересно сравнить.