Как устроены конвейеры AI-контента: 12 паттернов

Сережа Рис · 11 January 2026

У меня три проекта, где нужно генерировать контент: персональный блог, менторские сессии, когорты кружка вайбкодинга.

Каждый проект — свой набор костылей. Захотелось понять, как это делают профессионально.

88 источников, 12 паттернов, много диаграмм. Это то, что я узнал.

1. Зачем это исследование

Три проекта, три разных рабочих процесса:

sereja.tech — этот блог. Процесс: тема → исследование через Exa → черновик → прогон через deaify (4 критика убирают AI-паттерны) → публикация. Раньше работало медленно — исследование занимало больше времени, чем написание. Но для этой статьи я запустил 4 параллельных research-субагента через Exa — весь сбор 88 источников занял 15 минут вместо нескольких часов.

mentor — менторские сессии 1:1. Записываю звонки, транскрибирую, генерирую HTML-страницы с табами: запись, домашка, исследование. Проблема: каждая сессия — одноразовый артефакт. Обсудили React hooks на прошлой неделе, TypeScript сегодня — и эти знания не связаны между собой.

cohorts — кружок вайбкодинга HSL. Тут самая сложная система: 5-проходная экстракция атомов знаний (инструменты, техники, концепции, workflow, инфраструктура), потом одобрение, генерация с Exa-обогащением, топологическая сортировка по пререквизитам для составления учебного плана.

Что искал:

• Как устроены профессиональные конвейеры создания контента с LLM
• Где в них человек, а где автоматика
• Как переиспользовать контент вместо создания с нуля
• Реальные практики компаний: Anthropic, Notion, Amazon

Что нашёл: 12 паттернов, которые повторяются везде. Удивило, что deaify — это по сути Self-Refine loop, который индустрия формализовала. Мои процессы уже реализуют половину из них, но есть критические пробелы — особенно в переиспользовании контента и параллельной обработке.

2. Анатомия LLM Writing Pipeline

Архитектуры: от линейной к итеративной

Большинство конвейеров генерации контента можно разложить на три базовые архитектуры.

Линейная (Sequential): каждый шаг выполняется последовательно, выход одного — вход другого. Проще всего реализовать, но медленно и хрупко: если один шаг сломался — всё встало.

Тема → Исследование → План → Черновик → Редактура → Публикация
  │         │           │        │           │            │
  └─────────┴───────────┴────────┴───────────┴────────────┘
                    один поток выполнения

Ветвящаяся (Branching): независимые задачи выполняются параллельно. Исследование технической документации, примеров кода и лучших практик может идти одновременно — потом оркестратор синтезирует результаты.

                    ┌─→ Техническая документация ─┐
                    │                             │
Тема → Оркестратор ─┼─→ Примеры кода ────────────┼─→ Синтез → Черновик
                    │                             │
                    └─→ Лучшие практики ─────────┘
                          параллельное исследование

Итеративная (Iterative): цикл «генерация → критика → рефайн» повторяется до достижения порога качества или лимита итераций. Это ключевой паттерн для качественного контента.

Исследование Self-Refine (Madaan et al., 2023) показало: итеративный рефайн улучшает качество на ~20% по сравнению с однократной генерацией. Это работает потому, что имитирует человеческий процесс написания — никто не пишет финальный текст с первого раза.

Multi-Agent паттерны

Вместо одного LLM, который делает всё, индустрия пришла к специализированным агентам. Каждый фокусируется на своей задаче:

Anthropic использует этот паттерн в своей multi-agent research system: ведущий агент координирует параллельных субагентов, каждый исследует свой аспект темы, результаты синтезируются. Если нужно больше информации — динамически спаунятся новые субагенты. Я попробовал этот паттерн в этом исследовании — 4 параллельных research-субагента вместо последовательных. Быстрее примерно в 3 раза.

Quality Gates: типы и когда применять

Quality gate — точка в конвейере, где проверяется качество перед переходом к следующему шагу. Без них плохой output ранней стадии портит всё дальше по цепочке.

Автоматические gates:

• Формальные проверки: длина текста, наличие структуры, валидность ссылок
• Метрики качества: perplexity (флюентность), BERTScore (семантическая близость к источникам)
• Детекция проблем: галлюцинации, токсичность, off-brand messaging

LLM-as-Judge gates — другой LLM оценивает output:

• Выставляет числовую оценку (например, 1-10 по каждому измерению)
• Дешевле человека, но менее надёжно для нюансов

Human gates:

• Критические точки: стратегия, верификация фактов, финальное одобрение
• Не всё нужно проверять вручную — только edge cases и высокорисковый контент

Amazon в своей системе автоматической модерации использует conditional gates: если toxicity score попадает в средний диапазон неопределённости — отправляется на человеческий ревью. Низкие значения автоматически одобряются, высокие — автоматически отклоняются.

3. Human-in-the-Loop: Где вмешиваться

Точки принятия решений

Human-in-the-Loop — это не «человек проверяет всё в конце». Это архитектурное решение: где именно в конвейере нужен человек, а где достаточно автоматики.

Исследование из Springer (Timing AI intervention in writing process, 2025) показало парадоксальный результат: позднее вмешательство AI (после того, как человек сам побрейнштормил и набросал структуру) даёт лучшие результаты, чем раннее. Раннее использование AI превращает его в замену мышления, а не инструмент усиления. По моему опыту подтверждается: когда даю AI свой набросок, deaify справляется за 2 итерации. С пустой страницы — обычно 4.

Batch vs Inline Approval

Два режима человеческого ревью:

Inline (синхронный): конвейер останавливается и ждёт одобрения. Используется для:

• Высокорискового контента
• Нового типа контента (первый раз делаем такое)
• Контента с внешними последствиями (публичные заявления, юридические документы)

Batch (асинхронный): контент попадает в очередь на ревью, конвейер продолжает работу. Человек периодически просматривает batch и одобряет/отклоняет. Используется для:

• Рутинных вариаций контента
• Локализации
• Социальных постов
• Контента, где задержка некритична

4. Content Repurposing с AI

COPE в эпоху LLM

COPE (Create Once, Publish Everywhere) — принцип, популяризированный NPR ещё до эпохи LLM. Идея: создаёшь контент один раз, публикуешь в разных форматах на разных платформах.

Проблема наивного COPE: копипаста одного текста везде не работает. Блог требует глубины и SEO, Twitter — краткости и хуков, LinkedIn — thought leadership, email — персонализации. Формат меняет суть.

LLM меняют игру: теперь можно не просто конвертировать форматы, а трансформировать контент под требования каждого канала. Один источник → множество адаптированных outputs.

Атомарный контент: что это и как разбивать

Атомарный контент — разбиение на минимальные самодостаточные единицы, которые можно переиспользовать в разных комбинациях.

Иерархия для образовательного контента:

Сессия/Запись (исходник)
    │
    ├── Тема 1
    │   ├── Концепция 1.1
    │   │   ├── Пример 1.1.1
    │   │   └── Код 1.1.1
    │   └── Концепция 1.2
    │       └── Пример 1.2.1
    │
    ├── Тема 2
    │   ├── Концепция 2.1
    │   └── Концепция 2.2
    │
    └── Ключевые выводы
        ├── Takeaway 1
        ├── Takeaway 2
        └── Takeaway 3

Каждый атом снабжается метаданными:

{
  "atom_id": "react-useEffect-cleanup",
  "type": "concept",
  "title": "Cleanup функции в useEffect",
  "skill_level": "intermediate",
  "prerequisites": ["react-useEffect-basics", "js-closures"],
  "domain": "frontend",
  "estimated_minutes": 15,
  "tags": ["react", "hooks", "memory-leaks"],
  "source_session": "session-2026-01-10",
  "timestamp": "00:23:15-00:38:42",
  "evergreen_score": 0.9
}

Метаданные позволяют:

• Intelligent retrieval: найти все атомы по теме React hooks для intermediate уровня
• Prerequisite chains: автоматически строить последовательность изучения
• Personalization: собирать разные learning paths для разных студентов
• Cross-reference: связывать атомы из разных сессий

5. Как это делают другие

Anthropic: CLAUDE.md и PR-triggered docs

Anthropic документирует свои подходы в открытых источниках. Ключевые практики:

Context files (CLAUDE.md): персистентный контекст, который подгружается в каждую сессию. Содержит стайл-гайды, терминологию, конвенции репозитория. Это решает проблему «каждый раз объяснять одно и то же».

Dual workflow для документации:

• PR-triggered: при изменении кода автоматически анализируется diff → идентифицируются затронутые доки → генерируются обновления → человеческий ревью
• Scheduled maintenance: ежедневный обзор изменений за 24 часа → консолидированные обновления документации

Notion: датасеты, три типа оценки

Notion описал свой процесс разработки AI-фич в интервью с Braintrust. Эволюция:

Было: JSONL-файлы в Git, дорогая ручная оценка человеком, медленные итерации.

Стало: Версионированные датасеты из реального использования, три метода оценки (heuristic rules, LLM-as-judge, human review), experiment-driven development — гипотеза → эксперимент → измерение → решение.

Indie creators: 6-agent pipeline, 720 статей в месяц

Vicky.dev описывает полностью автоматизированную систему:

Архитектура:

1. GNews API → получение свежих новостей
2. Google Sheets → проверка дубликатов
3. GPT-4o-mini → генерация статьи
4. WordPress REST API → публикация

Цикл каждые 2 минуты. Результат: 720+ статей в месяц. Задача, занимавшая 20-30 часов в неделю, свелась к мониторингу.

Реалистичные ожидания: 1.5x, не 10x

Tom Johnson (I’d Rather Be Writing) в своих предсказаниях на 2026 год пишет:

«AI productivity boost has stabilized at ~1.5x factor. Validation overhead limits velocity gains.»

Это критически важно. Маркетинговые обещания «10x productivity» не выдерживают проверки реальностью. Причины:

• Validation overhead: каждый AI output требует проверки
• Hallucination risk: факты нужно верифицировать
• Brand alignment: tone и voice требуют ручной подстройки
• Edge cases: нетривиальные ситуации всё ещё требуют человека

6. Анализ моих текущих workflows

sereja.tech: что хорошо, что добавить

Текущая архитектура:

Тема → Exa research → Черновик HTML → Deaify (4 критика) → Публикация

Deaify critics:
  • generic-critic (общие AI-паттерны)
  • rhythm-critic (однообразие ритма)
  • specifics-critic (отсутствие конкретики)
  • fact-checker (верификация фактов)

Что работает хорошо:

• Self-refine loop через deaify — правильный паттерн
• Специализированные критики вместо одного generic
• Research → Draft → Critique → Refine flow соответствует индустриальным практикам

Конкретные рекомендации:

1. Quality scoring в deaify (высокий приоритет, 2-4 часа)

   • Каждый критик выдаёт AI-ness score (0-100)
   • Exit condition: все scores < 20 ИЛИ max 3 итерации
   • Предотвращает бесконечный рефайн и даёт метрику качества

2. Параллельные research субагенты (высокий приоритет, 8-12 часов)

   • Три параллельных субагента: TechnicalDocs, Examples, BestPractices
   • Оркестратор синтезирует результаты
   • Ускоряет исследование в 2-3 раза

mentor: критический gap — session atomization

Критическая проблема: сессии — одноразовые артефакты. Обсудили React hooks на прошлой неделе, TypeScript сегодня — и эти знания не связаны. Каждая сессия существует изолированно.

Это прямое нарушение принципа COPE. Контент создаётся, но не переиспользуется.

cohorts: золотой стандарт, добавить multi-channel

Что работает отлично:

• Атомарная архитектура — именно то, что рекомендует индустрия
• 5-pass extraction создаёт хорошо категоризированные атомы
• Топологическая сортировка по пререквизитам — правильный подход для adaptive learning paths
• Approval gates предотвращают попадание низкокачественных атомов в curriculum

Источники

LLM Pipelines и архитектуры

• Chain complex prompts for stronger performance — Anthropic — prompt chaining разбивает сложные задачи на последовательные подзадачи
• Building Generative AI prompt chaining workflows — AWS — параллелизация, специализация моделей, HITL
• How we built our multi-agent research system — Anthropic — orchestrator-worker паттерн с параллельными субагентами
• Self-Refine: Iterative Refinement with Self-Feedback — arXiv — generate → feedback → refine loop, ~20% improvement

Human-in-the-Loop

• Why AI still needs you: Exploring HITL systems — WorkOS — HITL как архитектурное решение
• AI-written critiques help humans notice flaws — OpenAI — AI-assisted critique +65% обнаружения проблем
• Build high quality AI features with simple feedback loops — Dovetail — snapshot evals, prompts как unit tests

Content Repurposing

• COPE — Create Once, Publish Everywhere — Annertech — философия COPE от NPR
• The slop-free guide to AI content repurposing — Descript — избежать generic AI output
• Why your brand needs modular content — Contentful — modular = reusable = scalable

Industry Practices

• How Notion develops world-class AI features — Braintrust — versioned datasets, heuristic/LLM/human evaluation
• HALF-Eval Framework — Amazon Science — checklist → ML aggregation для holistic scoring
• 12 predictions for tech comm in 2026 — Tom Johnson — 1.5x productivity, не 10x

Об авторе

Подписаться на обновления — @sereja_tech