01
system zbiera świeże źródła do kolejki
Case study produktu
AI News Creator 2.0: pipeline treści z człowiekiem w pętli
AI News Creator 2.0 pokazuje, jak podejść do procesu tworzenia treści z użyciem AI bez chaosu i bez autopublikacji na ślepo: od źródeł, przez screening i research, po przygotowany draft do akceptacji.
Najważniejsze elementy wdrożenia
ingest najnowszych źródeł do jednego przepływu
auto screening i ręczna selekcja tematów
collect_sources i verify_facts jako osobne etapy procesu
research pack jako paczka kontekstu do dalszego pisania
stan prepared zamiast automatycznej publikacji bez akceptacji
Problem przed wdrożeniem
Problem przed wdrożeniem
W pipeline treści największym problemem nie jest samo napisanie tekstu, tylko uporządkowanie źródeł, selekcji tematów, weryfikacji faktów i etapu akceptacji przed publikacją. Bez tego AI szybko zaczyna generować bałagan zamiast przewidywalnego procesu.
źródła i pomysły na teksty pojawiają się w różnych miejscach
brak jawnych etapów od screeningu do gotowego draftu
ryzyko mieszania researchu, szkicu i publikacji w jednym kroku
potrzeba ręcznej akceptacji zamiast autopublikacji bez kontroli
Co zbudowaliśmy
Co zbudowaliśmy
Powstał Gemma-first pipeline redakcyjny z etapami ingestu, screeningu, selekcji przez człowieka, zbierania źródeł, weryfikacji faktów, budowania research packów i przygotowania finalnego materiału lokalnie albo przez zewnętrznego providera.
ingest najnowszych źródeł do jednego przepływu
auto screening i ręczna selekcja tematów
collect_sources i verify_facts jako osobne etapy procesu
research pack jako paczka kontekstu do dalszego pisania
stan prepared zamiast automatycznej publikacji bez akceptacji
Proces po wdrożeniu
Jak działa proces po wdrożeniu
Od danych wejściowych do uporządkowanego wyniku. Poniżej skrócony przebieg procesu po wdrożeniu.
02
model wykonuje pierwszy screening tematów
03
człowiek wybiera, które tematy przechodzą dalej
04
dla wybranych tematów pipeline zbiera źródła i weryfikuje fakty
05
powstaje research pack i draft przygotowany do dalszej decyzji redakcyjnej
Przed / po
Jak zmienił się proces
Tabela pokazuje najważniejsze różnice między pracą ręczną a procesem po wdrożeniu.
| Przed wdrożeniem | Po wdrożeniu |
|---|---|
| research, selekcja i szkic zlane w jeden chaotyczny etap | osobne kroki od ingestu do prepared draftu |
| AI działa bez wyraźnego miejsca na kontrolę człowieka | human select i akceptacja są wbudowane w proces |
| źródła i fakty trudno odtworzyć po czasie | research pack zbiera kontekst do dalszej pracy |
| publikacja łatwo miesza się z eksperymentem | draft trafia do ręcznej decyzji zamiast na autopilota |
Efekt biznesowy
bardziej przewidywalny proces pracy z treścią i źródłami
czytelny podział między screeningiem, researchem i finalnym draftem
mniejsze ryzyko chaotycznej autopublikacji
łatwiejsze wykorzystanie AI jako wsparcia procesu zamiast magicznego skrótu
Technologie
lokalne modele GemmaLM Studio / LMS CLIpipeline CLIresearch packi i weryfikacja faktówworkflow z człowiekiem w pętli
Co można wdrożyć podobnie
Co można wdrożyć podobnie
To przykłady procesów, które da się uporządkować podobnym podejściem: zaczynając od jednego konkretnego problemu i czytelnego przepływu danych.
research assistant dla zespołu marketingowego lub redakcyjnego
pipeline do selekcji i porządkowania źródeł
wewnętrzne narzędzie do budowy draftów z kontrolą człowieka
AI wspierające klasyfikację, research i przygotowanie treści operacyjnych
Powiązane usługi
Ten typ wdrożenia da się połączyć z głównymi obszarami MorenaTech
Jeśli podobny proces działa dziś ręcznie albo jest rozproszony między plikami, można go połączyć z usługami automatyzacji, Google Workspace albo dalszym rozwojem procesu.
Końcowe CTA
Chcesz uporządkować proces pracy z treścią albo researchem?
Jeśli zespół testuje AI, ale brakuje mu porządku między źródłami, weryfikacją i akceptacją, warto najpierw zbudować prosty workflow z człowiekiem w pętli.