Контент-фабрика из одного человека: как архитектура субагентов на Claude автоматизирует производство медиа

Представь типичную для любого современного эксперта картину: ты провел классный полуторачасовой созвон, записал насыщенный выпуск подкаста или набросал на диктофон дюжину сильных мыслей по свежему проекту. Материал огонь, фактура живая, инсайты так и просятся в дело. Но дальше начинается изнурительная рутина, от которой опускаются руки: нужно расшифровать запись, вычистить мусор, вытащить главное, написать аналитическую статью, сверстать серию емких постов для соцсетей и составить дайджест для почтовой рассылки.

В этот момент большинство людей совершает одну и ту же классическую ошибку: открывает окно диалога с нейросетью, копирует туда весь сырой массив текста и пишет наивный запрос: «Сделай мне из этого пять постов разного формата в моем стиле». И что возвращает модель в ответ? Правильно — тонны безжизненного, выхолощенного пластика. Текст пестрит штампами вроде «В современном быстро меняющемся мире», «Давайте погрузимся в детали» и «Этот инструмент изменит правила игры». Авторский голос растворяется без следа.

Киран Фланаган (Kieran Flanagan), бывший старший вице-президент HubSpot и соавтор подкаста Marketing Against the Grain, нащупал принципиально иной инженерный подход. Вместо того чтобы мучить один чат, он построил полноценную «контент-фабрику из одного человека», объединив изолированных субагентов на Claude в строгий производственный конвейер. Я специально разобрал эту систему до последнего винтика и готов показать тебе, как она устроена.

Кризис ручного производства и ловушка одного чата

Давай сразу снимем розовые очки: масштабировать качественный контент вручную в одиночку невозможно. Ты неизбежно упираешься в биологический лимит собственного внимания. Создание одного глубокого разбора требует переключения между принципиально разными ментальными режимами: аналитик ищет факты, архитектор выстраивает структуру, писатель подбирает точные метафоры, а редактор беспощадно вырезает лишнее.

Когда ты пытаешься поручить все эти роли одной языковой модели в рамках единого сеанса, ты неизбежно сталкиваешься с явлением, которое исследователи называют размыванием внимания (attention dilution) или контекстной деградацией. По мере того как сессия разрастается до десятков тысяч токенов, модель начинает «плыть»:

• Она забывает жесткие стилистические ограничения, заданные в начале работы;
• Начинает усреднять тональность до наиболее вероятного корпоративного шаблона из обучающей выборки;
• Путает факты из разных частей стенограммы и начинает незаметно галлюцинировать, придумывая несуществующие детали ради складности фразы.

Попытка решить эту проблему бесконечным усложнением одного мегапромпта напоминает попытку нанять одного стажера и заставить его одновременно вести бухгалтерию, писать код бэкенда, рисовать дизайн и отвечать клиентам на первой линии поддержки. Результат всегда предсказуемо печален.

Принцип разделения труда в архитектурах LLM

Фундаментальное открытие современной агентной инженерии звучит просто: языковая модель показывает максимальное качество рассуждений тогда и только тогда, когда ее внимание сфокусировано на одной атомарной задаче в пределах компактного контекста.

Вместо монолитного чата Фланаган разделил медиапроизводство на узкоспециализированные роли:

1. Агент первичной обработки (Raw Ingestion Agent): его единственная задача — принять на вход сырую расшифровку аудио, вычистить заикания, слова-паразиты, таймкоды и сформировать связный черновой конспект.
2. Экстрактор смысловых ядер (Core Idea Extractor): этот агент анализирует очищенный текст и безжалостно отсекает банальности. Его задача — вытащить 3–5 контринтуитивных, парадоксальных тезисов, вокруг которых строится вся драматургия.
3. Архитектор публикации (Outliner Agent): берет отобранные тезисы и проектирует логический скелет материала — расставляет акценты, подбирает контрпримеры и связки.
4. Специализированные адаптеры форматов (Format Adapters): независимые агенты, каждый из которых заточен строго под один канал дистрибуции (длинный лонгрид, тред в X, плотный пост в Telegram, письмо для рассылки).
5. Редактор-верификатор (Quality Gate & Fact-Checker): финальный агент, который сравнивает готовый материал с исходным документом и подсвечивает любые расхождения и домыслы.

Каждый из этих агентов запускается в изолированном контекстном окне, имеет собственную лаконичную системную инструкцию и не отвлекается на посторонний шум.

Анатомия конвейера передачи данных через артефакты

Как же организовать общение между этими агентами, не превратив систему в неуправляемый клубок? Ответ кроется в концепции конвейера, управляемого артефактами (Artifact-Driven Pipeline).

В наивных многоагентных системах боты перебрасываются сообщениями в общем чате, стремительно забивая контекстное окно и сжигая токены. В архитектуре Фланагана агенты общаются исключительно через файлы на жестком диске. Выход одного субагента материализуется в виде структурированного Markdown-документа и ложится в папку проекта, становясь входным файлом для следующего этапа.

Смотри, почему это гениально с инженерной точки зрения:

• Агент-копирайтер на четвертом шаге получает на вход не 60 000 токенов сырого неструктурированного трепа из исходного разговора, а четкий двухстраничный конспект с проверенными тезисами и цитатами. Это экономит до 90% входных токенов и сводит риск галлюцинаций к статистическому нулю.
• Если тебе не понравился финальный черновик поста, тебе не нужно перезапускать всю цепочку с самого начала. Ты можешь просто скорректировать промежуточный файл с тезисами в обычном текстовом редакторе и нажать кнопку повторной генерации только для нужного формата.
• Вся история производства сохраняется в виде локальных файлов в репозитории Git, позволяя отслеживать версии и постоянно совершенствовать промпты. Именно такой инженерный подход детально описывает руководство по распределению ролей в Claude Code: изоляция контекста защищает архитектуру от вырождения стилей и превращает разовые эксперименты в стабильный цифровой конвейер.

Методика Style Cards: воспроизведение авторского голоса

Самый сложный вопрос в любой автоматизации контента: как научить нейросеть звучать как живой человек, а не как бестелесный робот?

Традиционно люди пытаются описывать свой стиль прилагательными: «пиши экспертно, но доступно, с юмором, дружелюбно, как для предпринимателей». Но для LLM эти слова не значат ровным счетом ничего — модель просто достает усредненные паттерны из обучающей выборки.

Фланаган предложил концепцию карточек стиля (Style Cards), построенную на классическом литературном принципе «Show, Don't Tell» («Показывай, а не рассказывай»). В системную инструкцию агента генерации зашиваются не абстрактные эпитеты, а конкретные структурные правила и 2–3 эталонных фрагмента реальных успешных текстов автора:

• Жесткий запрет стоп-слов: список клише, которые модель не имеет права использовать ни при каких обстоятельствах («game-changer», «революционный», «погрузимся», «бесспорно»);
• Ритмические пропорции: максимальная длина абзаца (не более 2–3 предложений), чередование коротких хлёстких фраз и развернутых пояснений;
• Тип зачина: строгий запрет на приветствия и заходы издалека. Первый абзац обязан начинаться с парадокса, неожиданной цифры или конфликтного утверждения;
• Правило открытого финала: завершение текста не банальным призывом подписаться на канал, а точным открытым вопросом по существу разобранной механики.

Когда модель видит перед глазами реальный эталон и четкие формальные ограничения, она мгновенно схватывает нужный ритм и переносит его на новую фактуру.

Точки контроля качества и защита от галлюцинаций

Один из главных страхов при автоматизации — потерять лицо из-за глупой ошибки или выдуманного факта, просочившегося в публикацию. Как гарантировать безопасность, когда объемы выпуска растут в разы?

В архитектуре контент-фабрики действует нерушимый закон: человек всегда остается источником искры (Spark) и финальным контролером качества (Human-in-the-Loop). ИИ никогда не придумывает тему «из вакуума». Первичным топливом для конвейера всегда служит реальный человеческий опыт: записанное интервью, голосовые заметки после сложного совещания, фрагменты живого кода или разобранный кейс клиента.

А на выходе конвейера подключается субагент-верификатор. Он работает по принципу перекрестной проверки: берет сгенерированный черновик и сопоставляет каждое утверждение с исходным рабочим документом. Если копирайтер добавил цифру, которой не было в первоисточнике, или приписал собеседнику чужую мысль, верификатор помечает этот фрагмент предупреждением в итоговом отчете. Человеку остается потратить три минуты на беглый просмотр пометок, прежде чем отправить материал на публикацию.

Экономика и производительность конвейера

Давай посчитаем реальную экономическую отдачу от внедрения такой системы. До автоматизации подготовка полного пакета материалов по часовому экспертному выпуску (лонгрид для блога, 3–4 поста для соцсетей, письмо в рассылку и тезисы для презентации) отнимала у Фланагана от 12 до 16 часов чистого времени, растягиваясь на несколько рабочих дней.

После сборки конвейера на субагентах весь сквозной цикл генерации черновых артефактов занимает от 4 до 7 минут. Еще около 30–40 минут уходит на финальное редактирование, расстановку ссылок и человеческую полировку. Итого — экономия времени более чем в десять раз.

А что по деньгам? Сквозной прогон часового аудио через цепочку субагентов на моделях Claude 3.5 Sonnet и Opus 5.5 через API обходится в среднем от 1,5 до 3 долларов США. Даже если ты выпускаешь материалы каждый рабочий день, месячный бюджет на токены едва превысит 50–70 долларов. Сравни это с зарплатой штатного копирайтера или агентской комиссией, измеряемой сотнями тысяч рублей, и разница в юнит-экономике станет кристально очевидной.

Интеграция с локальной средой через Model Context Protocol

Чтобы субагенты не существовали в изолированном вакууме, Фланаган связывает их с рабочим окружением через открытый стандарт Model Context Protocol (MCP). Это решает вечную проблему переноса данных между разрозненными сервисами.

Вместо того чтобы вручную переносить текст между Obsidian, терминалом и браузером, оркестратор подключается к локальным MCP-серверам:

• Сервер файловой системы (Filesystem MCP): дает агентам контролируемый доступ к директориям inputs/ и outputs/, гарантируя, что скрипт не сможет случайно прочитать файлы за пределами проекта;
• Сервер базы знаний (Obsidian/Notion MCP): позволяет агенту-исследователю автоматически подтягивать связанные заметки, прошлые публикации и глоссарий терминов автора;
• Сервер веб-поиска (Brave Search / Perplexity MCP): субагент-верификатор использует его для быстрой перепроверки упомянутых в аудио фактов, релизов и ссылок на первоисточники.

Такая связка превращает набор текстовых промптов в полноценную операционную систему для производства контента, где каждый инструмент выполняет строго отведенную роль под надзором человека.

Пошаговое развертывание фабрики субагентов

Давай перейдем от теории к практике. Ты можешь развернуть базовый прототип такой системы в своем локальном терминале буквально за полчаса.

Сначала инициализируем файловую структуру проекта, где каждый шаг конвейера будет изолирован в своей директории:

mkdir -p content-factory/inputs content-factory/artifacts content-factory/skills content-factory/prompts content-factory/outputs
cd content-factory
git init

Затем создадим машиночитаемую спецификацию аудитории в файле skills/audience_profile.md. Этот файл задает фильтр восприятия для всех пишущих агентов:

# Target Audience Profile: Tech Founders & Senior Engineers
- Role: CTO, Tech Lead, Senior Software Engineer, Solo Founder.
- Frustrations: Superficial AI hype, generic LinkedIn platitudes, zero-code illusions.
- Tone: Direct, intellectually honest, pragmatic, code-literate.
- Stop words: "Unleash", "Game-changer", "Revolutionary", "Dive in", "Buckle up".

Теперь создадим исполняемый скрипт оркестратора на Python (orchestrator.py). Он последовательно запускает агентов через официальный SDK Anthropic, передавая результаты через локальные файлы:

import os
from anthropic import Anthropic

client = Anthropic(api_key=os.environ.get("ANTHROPIC_API_KEY"))

def run_agent(system_prompt_path, user_input, model="claude-3-5-sonnet-latest"):
    with open(system_prompt_path, "r", encoding="utf-8") as f:
        system_prompt = f.read()
    
    response = client.messages.create(
        model=model,
        max_tokens=4096,
        system=system_prompt,
        messages=[{"role": "user", "content": user_input}]
    )
    return response.content[0].text

def execute_pipeline(source_file_path):
    with open(source_file_path, "r", encoding="utf-8") as f:
        source_text = f.read()
    
    # Шаг 1: Извлечение смысловых ядер
    print("Extracting core ideas...")
    core_ideas = run_agent("prompts/extractor.md", source_text)
    with open("artifacts/01_core_ideas.md", "w", encoding="utf-8") as f:
        f.write(core_ideas)
        
    # Шаг 2: Генерация поста по Style Card
    print("Drafting analytical post...")
    post_draft = run_agent("prompts/writer_post.md", core_ideas)
    with open("outputs/post_draft.md", "w", encoding="utf-8") as f:
        f.write(post_draft)
        
    print("Pipeline completed. Check outputs/post_draft.md for human review.")

if __name__ == "__main__":
    execute_pipeline("inputs/raw_interview.txt")

Остается положить исходный текст в inputs/raw_interview.txt, запустить скрипт и получить чистый, структурированный черновик, сохранивший авторскую мысль без капли машинного мусора.