Перед тобой открыты Obsidian, VS Code с терминалом Claude Code и папка с архивом прошлых материалов, комментариев и выгрузок аналитики. В таком сетапе один автор без штата сценаристов и проджектов стабильно выпускает до 10 длинных видео в неделю на три YouTube-канала (romarayt около 200 000 подписчиков, raytcreate около 50 000 и neuropros около 60 000) и параллельно ведёт сетку Telegram-каналов.
При этом личное время уходит почти только на выбор угла подачи и запись у микрофона. Вся подготовка — от поиска боли по комментариям и фактов из проверенных источников до трёх вариантов заголовков, структуры презентации и якорного сценария — занимает у агента около 15 минут. Как устроена эта машина и как она переносится на старт с нуля, разберём на примере моей боевой системы и репозитория olga-content-os, собранного для веб-дизайнера Ольги Гунько.
Почему органический контент-завод — это главный актив фаундера при цене платной регистрации 1 500–2 000 ₽
Для фаундера AI-продукта или B2B-исполнителя контент — это не творчество ради лайков, а коммерческий канал привлечения клиентов. Когда ты покупаешь холодный трафик, одна бесплатная регистрация в B2B обходится в 1 500–2 000 ₽ и быстро съедает маржу, а связка YouTube + Telegram приносит регистрации с нулевой стоимостью привлечения.
У меня каждый канал работает на конкретную воронку: ролики по маркетплейсам приводят клиентов в сервисы и обучение, а канал neuropros переводит зрителей в Telegram, где личные посты прогревают к заказу услуг или покупке подписки на SaaS.
Раньше я пытался закрыть эту задачу наймом. Я перебрал топовых YouTube-продюсеров за 200 000–250 000 ₽ и держал сценаристов в штате, но ни один подрядчик не попадал в подачу точнее, чем настроенный агент с полной базой моих материалов.
| Этап подготовки ролика | Вручную или с подрядчиком | Через AI Content Production OS | Где остаётся человек |
|---|---|---|---|
| Идея и угол подачи | Часы созвонов и споров | Сбор боли из комментов и данных | Выбор финального угла |
| Заголовки (3 варианта) | Около 30 минут раздумий | 5 минут по проверенным шаблонам | Отбор финального топ-3 |
| Концепты обложки | От 20 минут на наброски | 5 минут на 3 концепции от агента | Прототип в Figma и дизайнер |
| Сценарий и презентация | От 2 часов плотной работы | 5 минут на якорный план и ТЗ | Живой опыт на записи |
В комментариях часто думают, будто ролики за нас монтирует Claude, а обложки целиком рисует нейросеть, но это миф. В продакшне с расходом около 500 000 ₽ в месяц финальную сборку делают штатный дизайнер и монтажёры: агент выдаёт три идеи обложки за минуты, я за три минуты накидываю в Figma прототип со стрелками, а финал отрисовывает дизайнер.
Диагноз «пластикового ИИ-контента»: почему генерация без базы автора и аналитики убивает удержание
Большинство людей ломают генерацию на первом шаге: открывают пустой чат и пишут «ChatGPT, напиши сценарий про X». Модель выдаёт гладкий безликий текст, который ничего не знает ни о тебе, ни о твоей аудитории, ни о том, что реально удерживает зрителей.
Не спасает и попытка загрузить в чат пять постов «для примера стиля». Пять текстов дают поверхностную имитацию, тогда как в боевой системе лежат около 3 725 постов, 886 видео и 7 381 комментарий, а в учебном проекте olga-content-os для дизайнера с 15-летним стажем мы разобрали архив из 1 222 файлов (6,2 GiB) и 306 постов во ВКонтакте.
Вторая ошибка — вылизывать каждую букву сгенерированного сценария. Если править каждый переход под суфлёр, время на выпуск вырастает в пять раз без прироста качества: в своей системе я не меняю в плане ни одной буквы, а использую якорный сценарий с целями, фактами и презентацией, добавляя личный опыт прямо на записи.
Нейросеть в контент-заводе не сочиняет текст «из воздуха». Она собирает каждый материал на пересечении трёх заземляющих баз — кто ты как автор, как устроены форматы в твоей нише и что реально удержало зрителей по цифрам аналитики.
Пять слоёв AI Content Production OS: DATA, INTELLIGENCE, PRODUCTION, WIKI ENGINE и GOVERNANCE
Чтобы агент перестал фантазировать и начал выдавать материал твоего уровня, рабочая папка строится как пять слоёв, надетых друг на друга снизу вверх по модели CONTENT_OS_BLUEPRINT.md.
┌──────────────────────────────────────────────────────────────────────┐
│ 5. GOVERNANCE — CLAUDE.md / AGENTS.md, guardrails, SOP, human-gate │ правила игры
├──────────────────────────────────────────────────────────────────────┤
│ 4. WIKI ENGINE — wiki/ или obsidian/ граф знаний, index, log, hot │ память
├──────────────────────────────────────────────────────────────────────┤
│ 3. PRODUCTION — skills/ + workflows/ (идея → заголовок → сценарий) │ завод
├──────────────────────────────────────────────────────────────────────┤
│ 2. INTELLIGENCE — author_os/ × playbook/ × analytics/ (триада) │ заземление
├──────────────────────────────────────────────────────────────────────┤
│ 1. DATA — _raw/ → index/ → transcripts/ + processed/ │ фундамент
└──────────────────────────────────────────────────────────────────────┘
Пятислойная архитектура AI Content Production OS (CONTENT_OS_BLUEPRINT): DATA, INTELLIGENCE, PRODUCTION, WIKI ENGINE и GOVERNANCE.
Сырьё из _raw/ не меняется никогда и перерабатывается в очищенные признаки и статистику, из статистики выводятся правила в playbook/, модель в author_os/ задаёт голос, навыки в skills/ собирают черновики, граф в wiki/ копит память между сессиями, а governance/ закрывает опасные действия.
В реальном проекте olga-content-os эти слои сразу раскладываются по понятным папкам в корне репозитория:
olga-content-os/
├── CLAUDE.md / AGENTS.md # Корневые правила для Claude Code и Codex
├── _raw/ и _inbox/ # Неприкосновенные первоисточники и буфер нового сырья
├── index/ и transcripts/ # Машинная инвентаризация SHA-256 и локальный Whisper
├── processed/ и analytics/ # Очищенные тексты и z-нормализованные метрики
├── author_os/ и playbook/ # Голос автора, убеждения и правила производства
├── skills/ и workflows/ # Конвейер генерации и гейт качества >= 0.90
├── wiki/ # Граф знаний: карточки, index.md, log.md, hot.md
└── governance/, agents/, SOPs/ # Регламенты безопасности, роли и процедуры
Репозиторий хранится на GitHub, поэтому одни и те же правила и навыки работают и в VS Code, и в Claude Cowork, и в Codex, и в автономном OpenClaw: любой агент подтягивает свежий коммит и сразу входит в единый контекст.
Восемь специализированных ролей и работа нескольких агентов поверх одного репозитория
Когда один диалог пытается и чистить мусор в папках, и считать аналитику, и писать сценарии, качество неизбежно падает. Поэтому в agents/ и продакшн-контуре olga-content-os задачи жёстко разнесены между восемью узкими ролями.
| Роль в системе | Слой | Зона ответственности | Главный стоп-кран |
|---|---|---|---|
archivist | DATA | _raw/, index/, очередь transcripts/ | Не менять исходники и не читать .pem |
transcriber | DATA | transcripts/by_video/ | Не перефразировать речь и не включать MPS |
extractor | DATA | processed/, cache/extracted_text/ | Не смешивать голоса каналов и аудитории |
analytics_agent | INTELLIGENCE | analytics/ | Не сравнивать сырые метрики между каналами |
author_os_builder | INTELLIGENCE | author_os/ | Не ставить высокий статус без 3+ цитат |
playbook_builder | INTELLIGENCE | playbook/ | Не активировать правила без апрува человека |
wiki_librarian | WIKI ENGINE | wiki/ | Не править ссылки и споры без команды |
Продакт-контур (skills/) | PRODUCTION | skills/, workflows/ (черновики) | Не выпускать текст ниже порога 0.90 |
Зеркальные файлы CLAUDE.md и AGENTS.md в корне гарантируют, что и Claude Code, и Codex читают одинаковые запреты и не выйдут за границы своей роли.
Если у тебя нет четырёхлетнего архива YouTube, не копируй сразу фабрику за полмиллиона рублей в месяц. На старте достаточно папок author_os/, пяти-десяти правил в playbook/ и одного рабочего навыка — всё остальное нарастёт по мере публикаций.
Эта пятислойная карта задаёт порядок всей работы в разделе. Ответь себе сейчас: какого именно слоя не хватает в твоём контенте, из-за чего нейросеть до сих пор выдаёт безликие тексты, а удачные темы приходится искать наугад?