Пайплайн для статей: 5 фаз от идеи до Telegram

Сережа Рис · 3 February 2026

Постить регулярно — тяжело. Нашёл тему, написал черновик, отредактировал, залил в git, запостил в Telegram. Вечер ушёл. На следующий день — то же самое. Через неделю — выгорание.

У меня в блоге 55 статей. Каждая проходит через один и тот же пайплайн: агенты делают research, пишут черновик, убирают AI-отпечатки, пушат в git и ставят пост в очередь для Telegram-канала. Я задаю тему и отвечаю на уточняющие вопросы — остальное автоматика.

Для кого это

Я вайбкодер. Код пишут агенты, я направляю. Блог — для таких же: людей, которые используют Claude Code для решения задач, но не программисты в классическом смысле.

Поэтому в промптах нет терминальных команд как инструкций. Вайбкодер не набирает git commit && git push — он пишет агенту “закоммить и запуши”. Команды — детали реализации, которые агент знает сам.

В статьях концепции важнее деталей:

Плохо	Хорошо
launchd с StartCalendarInterval	планировщик, который запускает скрипт в нужное время
JSON с полями id, status, scheduled_date	очередь постов — список с датами публикации
chmod +x для executable	сделать скрипт запускаемым

Промпты в этой статье — не технические спецификации. Это разговор с агентом.

Общая схема

┌───────────────┐     ┌───────────────┐     ┌───────────────┐
│  1. Questions │────▶│  2. Research  │────▶│  3. Draft     │
│  (User input) │     │  (Exa+Sonnet) │     │  (Sonnet)     │
└───────────────┘     └───────────────┘     └───────────────┘
                                                     │
                      ┌───────────────┐              │
                      │  5. Deploy +  │◀─────────────┘
                      │  Telegram     │
                      └───────────────┘
                             ▲
                             │
                      ┌───────────────┐
                      │  4. Deaify    │
                      │  (4 Critics)  │
                      └───────────────┘

Каждая фаза делает одно дело. Никаких откатов назад — только вперёд. Sequential pipeline, классика. Похож на подход n8n для content workflows, но заточен под мой блог.

Phase 1: Questions

Перед любым research агент спрашивает через AskUserQuestion:

Какой угол для статьи? (личный опыт / tutorial / концепция)
Кто читатель? (вайбкодеры / разработчики / новички)
Ключевой takeaway — что читатель должен вынести?

Andrej Karpathy называет это Context Engineering — вместо написания длинных промптов агент сам собирает нужный контекст через структурированные вопросы.

ВСЕГДА начинай с уточняющих вопросов через AskUserQuestion. Не запускай research пока не получишь ответы.

Минимальные вопросы:

Тема/угол — о чём конкретно? какой аспект?
Контекст — личный опыт? решённая проблема? концепция?
Аудитория — новички/продвинутые? вайбкодеры/разработчики?
Ключевой takeaway — что читатель должен вынести?

Я отвечаю через интерфейс Claude Code — выбираю опции или пишу текст. Агент получает структурированные данные и передаёт их дальше в пайплайн.

Phase 2: Research

После получения ответов запускается субагент на Sonnet 4.5. Ему передаются все ответы из Phase 1 плюс промпт:

Research для блог-поста на тему: {тема}

Контекст от пользователя:

Угол: {ответ}
Аудитория: {ответ}
Takeaway: {ответ}

Задачи:

Exa search по теме (3-5 источников)
Найти конкретные примеры, цифры, кейсы
Проверить актуальность информации (2026 год)

Верни структурированный research с источниками.

Субагент использует Exa AI — поиск по смыслу, не по ключевым словам. Google для AI-тем часто выдаёт устаревшие результаты 2024 года.

Результат Phase 2 — структурированные заметки: источники, цитаты, цифры, ссылки. Всё это передаётся в Phase 3.

Phase 3: Write Draft

Второй субагент (тоже Sonnet 4.5) получает research и пишет черновик:

Напиши черновик блог-поста для sereja.tech.

Тема: {тема} Research: {результат Phase 2}

Требования:

Минимум 600 слов
Личный тон (“я сделал”, “я понял”)
ASCII диаграмма обязательна
Инлайн-ссылки в тексте (НЕ секция “Источники” в конце)
Frontmatter: title ≤60, description ≤160, date, tags

Аудитория — вайбкодеры:

НЕ показывай команды как инструкции (“запусти X”) — пиши “прошу агента сделать X”
Концепции важнее деталей: “планировщик” вместо “launchd с StartCalendarInterval”
Структура: концепция → зачем → как сделал → альтернативы

Прочитай writing-guide.md и ai-terms-ru.md для стиля.

Верни готовый markdown.

Агент читает два файла:

writing-guide.md — стилистика, тон, структура хука
ai-terms-ru.md — как переводить AI-термины на русский

Без этих руководств агент пишет как технический писатель: “В современном мире AI… Рассмотрим подход… Данная методика позволяет…”. С руководствами текст звучит как я — короткие предложения, личный тон, конкретика вместо абстракций.

Phase 4: Deaify

Самая интересная фаза. Черновик проходит через skill deaify-text, который запускает четырёх параллельных критиков. Все четыре работают одновременно через Task API — parallelization pattern из гайда Anthropic.

Critic A — Generic Detector

Find AI-typical phrases in this text:

“важно понимать”, “следует отметить”, “в заключение”
“Это не X — это Y” dramatic contrasts
Sentences without specific names/numbers/dates
Abstract claims without examples

Output: numbered list with exact quotes and line references.

Critic B — Rhythm Analyzer

Analyze text rhythm:

Find 3+ consecutive sentences of similar length
Find paragraphs where all sentences start similarly
Check burstiness: ratio of shortest to longest sentence

EXCEPTION: Do NOT flag sequential/step lists. They help readers scan.

Output: specific locations that need rhythm variation.

Critic C — Specificity Checker

Where could author add:

Personal experience (“I tried this and…”)
Specific number or statistic
Name/company/date reference
Opinion marker (“я думаю”, “по-моему”)

Output: 3-5 specific suggestions with WHERE to insert.

Critic D — Fact Checker

Extract all verifiable claims from this text:

Software/model versions (GPT-4, Claude 3, React 18)
Release dates and timelines
Statistics, percentages, numbers

For each claim, flag if:

Model/version might be outdated (AI models older than 6 months)
Statistic seems made up (round numbers, no source)

Output: “[CLAIM]: {exact quote}” + “[FLAG]: {why suspicious}”

После критики основной агент переписывает текст с учётом замечаний. Обычно хватает одного прохода.

Phase 5: Deploy + Telegram

Финальная фаза выполняется автоматически. Я не нажимаю кнопку “опубликовать” — агент делает всё сам:

Сохраняет markdown в content/blog/{slug}.md
Проверяет frontmatter (title ≤60, description ≤160)
Коммитит и пушит в git
Генерирует превью для Telegram
Добавляет пост в очередь
Сообщает мне дату публикации

Превью генерирует субагент на Haiku — быстрая и дешёвая модель для простых задач:

Напиши превью статьи для Telegram канала.

URL: https://sereja.tech/blog/{slug}

ФОРМАТ: <b>Hook — цепляющая фраза про боль/результат</b>

Тезис — что получит читатель, 1-2 предложения.

→ <a href=“URL”>Читать</a>

ПРАВИЛА:

МАКСИМУМ 5 строк
HTML теги: <b> для заголовка, <a href> для ссылки
НИКАКИХ emoji, хештегов, markdown
Личный тон (я сделал, я понял)

Верни ТОЛЬКО готовый HTML текст.

Посты публикуются в @sereja_tech автоматически в 19:00 МСК — по одному в день из очереди. Пишу несколько статей подряд, они встают в очередь и выходят равномерно. Очередь управляется через launchd на маке — планировщик запускает скрипт по расписанию.

┌─────────────┐     ┌─────────────┐     ┌─────────────┐
│ Git Push    │────▶│ Queue Add   │────▶│ Scheduled   │
│ (automatic) │     │ (automatic) │     │ 19:00 MSK   │
└─────────────┘     └─────────────┘     └─────────────┘

Почему это работает

Раньше я писал промпты на три экрана: примеры, шаблоны, исключения. Теперь агент сам собирает контекст:

Спрашивает через structured questions
Читает writing guides
Делает research через Exa
Получает критику от параллельных агентов

Я задаю направление. Остальное — автоматика.

Похожий подход использует CrewAI для multi-agent workflows. Manubot делает то же самое для академических статей — несколько агентов работают последовательно, каждый делает свою задачу.

Extensibility через Skills

Весь этот пайплайн лежит в папке ~/.claude/skills/blog-post/. Skills в Claude Code — это просто папки с markdown-инструкциями.

~/.claude/skills/
└── blog-post/
    ├── skill.md           # главный prompt
    ├── writing-guide.md   # стилистика
    ├── ai-terms-ru.md     # терминология
    └── screenshot.py      # ASCII preview

Когда я пишу “напиши статью” или “блог пост”, Claude Code автоматически загружает skill и следует инструкциям из skill.md.

Skills — это extensibility паттерн. Вместо того чтобы каждый раз объяснять “напиши как я”, я один раз описал процесс в markdown. Теперь любой Claude Code (у меня их несколько на разных машинах) работает одинаково.

Результат

55 статей в блоге. Каждая прошла через этот пайплайн. Моё участие — задать тему, ответить на вопросы, проверить финальный текст.

Агенты пишут за меня. Я направляю.

Пайплайн лежит в ~/.claude/skills/blog-post/ — можно посмотреть и адаптировать под себя. Sequential workflows работают для любого контента, не только блогов.

Об авторе