Автоматизация создания контента с помощью генеративного ИИ

Представим компанию, которая ежедневно публикует информационный обзор: три наиболее значимых новости из своей отрасли с краткими описаниями и общей иллюстрацией.

Система должна самостоятельно найти события за установленный период, определить действительно важные новости, исключить дубликаты, проверить источники, подготовить текст, создать изображение и опубликовать готовый материал.

Для этого создаётся единый pipeline, объединяющий интернет-поиск, алгоритмы ранжирования, генеративные AI-модели, программные проверки и интеграцию с каналами публикации.

Например, каждый день по расписанию запускается автоматический сбор новостей из RSS, поисковых сервисов, официальных сайтов и других разрешённых источников.

python-script получает заголовки, описания, ссылки, даты и доступные тексты публикаций. Результаты сохраняются в PostgreSQL для дальнейшей обработки.

Затем система определяет, какие публикации описывают одно событие. Материалы из нескольких источников объединяются в группы, а повторяющиеся новости не занимают отдельные места в итоговом обзоре.

Следующий этап — интеллектуальный отбор. Алгоритм оценивает релевантность материалов, новизну события, значимость для целевой аудитории, качество источников и соответствие установленным критериям.

Из проверенных кандидатов выбираются три наиболее подходящих события.

На основе структурированной информации text-LLM-model создаёт итоговый текст: заголовок, краткие описания событий и необходимые ссылки на источники.

Параллельно или после формирования текстового задания image-LLM-model создаёт оригинальную тематическую иллюстрацию, соответствующую содержанию публикации и установленным требованиям к оформлению.

После генерации результат проходит автоматическую проверку. Система контролирует фактические утверждения относительно источников, длину текста, наличие обязательных элементов, отсутствие повторов, соответствие стилю и технические параметры изображения.

Если обнаружена ошибка, материал возвращается на автоматическое исправление. Если основной алгоритм не позволяет завершить создание публикации, система автоматически переключается на резервный алгоритм. После проверки готовый материал публикуется.

После успешного завершения всех проверок pipeline отправляет материал через API в Telegram, на веб-сайт или в другую целевую систему.

В PostgreSQL фиксируются использованные источники, версии материалов, результаты проверок, время публикации и итоговый статус выполнения.

Весь цикл — от поиска новостей до готового опубликованного материала — может выполняться автоматически, без ручного копирования, редактирования и сборки контента.

1. Автоматический запуск и получение исходных материалов

Процесс запускается по расписанию, через API, webhook или другое событие.

Например, система может ежедневно формировать новости, после появления нового товара создавать описание карточки или после изменения сделки в CRM подготавливать коммерческое предложение.

python-script получает исходную информацию через разрешённые интеграции: Web Search, RSS, API, PostgreSQL, CRM, ERP, файловые хранилища и другие источники.

Данные приводятся к единой структуре и сохраняются для дальнейшей обработки.

При необходимости pipeline фиксирует временное окно сбора, категорию материалов, язык, аудиторию, требования к источникам и другие параметры задачи.

2. Фильтрация, дедупликация и интеллектуальный отбор

Не вся полученная информация подходит для генерации.

Поэтому перед созданием контента выполняются очистка данных, удаление повторов, группировка связанных материалов и проверка соответствия заданной теме.

Для сложного отбора могут использоваться text-LLM-model, семантическое сопоставление, embeddings и алгоритмы ранжирования.

Например, несколько новостных сайтов могут описывать одно и то же событие разными словами. Система определяет смысловое сходство, объединяет такие материалы в одну группу и не допускает дублирования в итоговом обзоре.

Далее кандидаты оцениваются по установленным критериям. В зависимости от задачи это могут быть актуальность, новизна, значимость, проверяемость, коммерческая релевантность или соответствие требованиям конкретного клиента.

Главный принцип: генерация начинается с подготовленной и отобранной информации, а не с произвольного создания правдоподобного текста.

3. Генерация текстов и структурированных материалов

После отбора формируется техническое задание для text-LLM-model.

В нём указываются исходные факты, необходимая структура, язык, стиль, ограничения по длине и обязательные элементы.

В зависимости от задачи модель может создавать:

• новостные публикации и статьи;
• описания товаров и услуг;
• тексты для сайтов и социальных сетей;
• коммерческие предложения;
• персонализированные сообщения;
• резюме документов;
• аналитические обзоры;
• материалы для отчётов и презентаций.

Если результат должен соответствовать определённой структуре, модель возвращает данные в JSON или другом согласованном формате.

Затем python-script использует эти данные для создания HTML, Word, PDF, E-mail или публикации через API.

Для документов с фиксированными реквизитами, расчётами и полями предпочтительна комбинация LLM и программных шаблонов. Числовые расчёты и обязательные реквизиты не следует доверять свободной генерации текста.

4. Автоматическая генерация изображений

Если бизнес-процесс предусматривает визуальные материалы, подключается image-LLM-model.

На основании темы, подготовленных фактов и требований к оформлению система формирует задание на создание иллюстрации.

Изображение может предназначаться для Telegram-поста, статьи, карточки товара, рекламного материала или внутреннего документа.

Pipeline задаёт формат, размеры, композицию, необходимые визуальные элементы и ограничения.

После генерации изображение проверяется на соответствие техническим требованиям и заданной теме.

Для новостей и аналитических материалов важно отличать оригинальную концептуальную иллюстрацию от документальной фотографии реального события. Изображение не должно создавать ложное впечатление, что вымышленная сцена является подлинным репортажным кадром.

5. Автоматическая проверка и исправление

Генеративные модели способны создавать убедительный текст, который содержит ошибки. Поэтому автоматическая генерация должна сопровождаться независимыми проверками.

Часть проверок выполняется обычной программной логикой:

• длина текста и формат;
• наличие обязательных полей;
• соответствие установленной структуре;
• повторяющиеся фрагменты;
• технические параметры изображения;
• допустимые размеры файлов;
• корректность адресов и идентификаторов;
• отсутствие ранее опубликованных дублей.

Другие проверки требуют смыслового анализа.

Отдельная text-LLM-model или специальный этап проверки может сопоставлять утверждения с предоставленными источниками, находить неподтверждённые формулировки и выявлять противоречия.

При обнаружении проблемы система формирует конкретное замечание и передаёт материал на исправление.

После исправления выполняется повторная проверка.

Точные замечания направляют повторную генерацию текста на исправление обнаруженных ошибок. Для иллюстрации предусмотрено заранее подготовленное подходящее изображение на случай, если генерация или модерация не позволяет использовать новую картинку. После обязательных проверок выпуск публикуется автоматически.

Фактические утверждения сопоставляются с первичными источниками. Неподтверждённые детали исключаются или заменяются точными формулировками, чтобы исправленный текст сохранял смысл событий и соответствовал исходным материалам.

6. Публикация и доставка результата

Когда все обязательные проверки пройдены, система передаёт результат в целевое назначение.

Это может быть:

• публикация поста в Telegram;
• создание статьи на веб-сайте;
• отправка персонального E-mail;
• формирование Word или PDF;
• обновление товарной карточки;
• создание записи в CRM;
• передача данных в другую систему через API.

После получения подтверждения целевой системы операция фиксируется как завершённая.

Если публикация не удалась из-за временного сбоя API, pipeline сохраняет состояние и может выполнить безопасную повторную попытку.

Для предотвращения повторных публикаций используются идентификаторы операций, проверка статусов и журналирование.

7. Мониторинг, история и контроль выполнения

Для каждого запуска система может сохранять историю: полученные материалы, результаты отбора, параметры генерации, версии текста и изображения, замечания проверок, ошибки и итоговый статус.

PostgreSQL используется для управления состояниями, хранения метаданных и технической истории.

Это позволяет анализировать работу автоматизированного процесса, контролировать качество и стоимость генерации, выявлять повторяющиеся ошибки и совершенствовать правила.

В результате генеративный ИИ становится частью воспроизводимого, управляемого программного процесса.

Автоматизация описаний товаров

Новая товарная позиция появляется в ERP → система получает характеристики → создаёт название, описание и дополнительные материалы → проверяет факты и формат → обновляет каталог.

Персонализированные коммерческие предложения

CRM передаёт параметры клиента и сделки → pipeline выбирает актуальные услуги и цены → LLM подготавливает текст предложения → программа формирует Word/PDF по шаблону → документ проверяется и отправляется по установленному маршруту.

Автоматические отчёты и аналитические обзоры

PostgreSQL и BI предоставляют рассчитанные показатели → LLM формирует понятное текстовое объяснение → система добавляет таблицы и графики → проверяет числовые данные → создаёт итоговый документ.

Контент для нескольких каналов

Один проверенный материал становится источником для разных форматов: статьи на сайте, короткого Telegram-поста, письма клиентам и текста для социальных сетей.

При этом каждый вариант подготавливается под требования конкретного канала без повторного ручного создания контента с нуля.

Персонализация под клиента или аудиторию

На основе разрешённых данных и правил сегментации система адаптирует содержание, язык, структуру и оформление материалов.

Персонализация выполняется в пределах доступных полномочий и не должна приводить к раскрытию чужих данных.

Автоматизированные генеративные процессы сокращают количество ручных операций при подготовке и распространении контента.

Вместо последовательного поиска информации, копирования материалов, написания текста, создания изображения, проверки и публикации работает единый pipeline.

Система может выполнять задачи по расписанию, обрабатывать события, создавать материалы в нескольких форматах и отправлять их в нужные каналы.

Единые правила генерации и контроля позволяют поддерживать согласованный стиль, проверять обязательные требования и сохранять историю выполненных операций.

При этом человек сохраняет управление процессом: определяет содержание задачи, допустимые источники, критерии качества, правила публикации и случаи, в которых требуется дополнительное согласование.

Главная ценность — не генерация отдельного текста или изображения, а автоматизация всей последовательности операций, необходимых для получения готового результата.

В зависимости от задачи используются:

Python — оркестрация, обработка и программные проверки.

PostgreSQL — данные, история, состояния и результаты.

Web Search / RSS / API — получение исходной информации.

text-LLM-model — генерация, классификация, отбор и смысловая проверка текстов.

image-LLM-model — создание оригинальных иллюстраций.

HTML / Word / PDF — формирование материалов.

Веб-сайт / Telegram / E-mail / CRM — публикация и доставка.

Конкретная архитектура зависит от частоты запусков, объёма материалов, требований к качеству и сложности автоматических действий.

Одна AI-модель может написать текст. Другая — создать изображение.

Но для бизнеса гораздо полезнее система, которая самостоятельно получает данные, отбирает нужную информацию, координирует несколько моделей, проверяет результат и передаёт готовый материал туда, где он должен использоваться.

Поиск → Отбор → Генерация → Проверка → Публикация

Именно такой подход превращает генеративные технологии в полноценный инструмент автоматизации.