كيف حول مؤلف Habr سبعة سيناريوهات n8n إلى نظام أخبار ذكاء اصطناعي مستقل

تُظهر القصة كيف يمكن لتجميع ضعيف بدون أكواد أن يتحول إلى نظام تحرير كامل في غضون أسابيع قليلة: تخلى المؤلف عن سبعة سيناريوهات مختلفة في n8n وبنى خط أنابيب Python واحد يجمع وينقي ويترجم ويشكل وينشر أخبار الذكاء الاصطناعي دون تدخل يدوي تقريباً. كانت نقطة البداية هي الفوضى الكلاسيكية للأتمتة. كان كل سير عمل n8n مسؤولاً عن مرحلة منفصلة: جمع الأخبار وإزالة التكرارات والترجمة وتحضير الصور والنشر.

رسمياً، كان كل شيء يعمل، لكن أي خطأ تحول إلى بحث طويل عن العطل: يمكن لسيناريو واحد أن ينتهي "بنجاح" لكنه لا ينتج شيئاً في الإخراج، مما يسبب انهيار السلسلة بأكملها. في مرحلة ما، أدرك المؤلف أن المشكلة الرئيسية لم تكن في الوظائف الفردية بل في البنية: سبعة عمليات تعني سبع نقاط فشل وملاحظة شبه معدومة. أعاد بناء النسخة الجديدة من النظام كمشروع واحد.

وفقاً للمؤلف، سارعت أدوات الذكاء الاصطناعي الانتقال: ساعد Cursor في تكوين جهاز الكمبيوتر الصغير المنزلي والبنية التحتية المحلية، وساعد Perplexity في مناقشات القرارات المعمارية، وساعد Claude Code في تحويل مجموعة سير العمل إلى Python ونشر خدمة معبأة. هكذا ولدت خط أنابيب يقوم فيه 11 عاملاً بمهمة واحدة لكل منها. تعمل السلسلة الأساسية هكذا: يجمع المجمع البيانات من RSS وواجهات برمجية لحوالي 160 مصدر كل 15 دقيقة، يسحب المكشطة النص الكامل، يزيل المزيل التكرارات الدلالية، يقيّم مرشح الذكاء الاصطناعي الملاءمة، يترجم المترجم المواد إلى الروسية، يجلب محرر LLM النصوص إلى الأسلوب المطلوب، يجد عامل الصور أو ينشئ الرسوم التوضيحية، وينشر الناشر المنشورات حسب الجدول الزمني.

بالإضافة إلى ذلك، تعمل العمليات الخلفية للبحث عن مستودعات GitHub والعمل مع الفيديو والمراجعة اليدوية. تم التركيز بشكل خاص على النماذج المحلية. بدلاً من نفقات مستمرة لواجهات برمجية الترجمة السحابية، نشر المؤلف هذه المهمة على جهاز كمبيوتر صغير منزلي يعمل بـ Qwen 3.

5 من خلال llama.cpp ومُحسّن لـ Vulkan. حل هذا مشكلتين في وقت واحد: قلل تكاليف معالجة أحجام كبيرة من الأخبار وحافظ على البيانات داخل البنية التحتية الخاصة.

بالأرقام الحالية، تراكمت 7127 سجلاً في قاعدة البيانات والتدفق الداخلي الأسبوعي يصل إلى حوالي 1000 مادة. لكن الإخراج ليس تدفقاً لا نهائياً: بعد التصفية حسب درجة الملاءمة والمراجعة التحريرية وتوزيع الفتحات، يتم نشر ثمانية منشورات فقط يومياً. أثبت هذا النهج، وفقاً للمؤلف، أكثر فعالية من 28 منشور سابق يومياً، عندما رأت الجمهور الكثير من الضوضاء وتجاهلت معظم القناة.

طبقة مهمة أخرى هي تنسيق الوكلاء. تم نقل قرارات النشر والإعدادات التشغيلية إلى OpenClaw، حيث يعمل منسق وعدة وكلاء ذكاء اصطناعي: محرر ومدير خط أنابيب ومدقق مصادر ومحلل. يمكن للمنسق أن يكتب ببساطة أمر Telegram مثل طلب لخفض حد النشر اليومي، وهو بشكل مستقل يصل إلى واجهة برمجية التطبيقات ويغير التكوين ويؤكد النتيجة.

نما لوحة تحكم كاملة حول هذا: تعرض حالات العمال وكيفية تقدم كل خبر عبر المراحل وكفاءة المصادر والطوابير وجدول الفتحات والمواد المنشورة. تسمح هذه المستويات من الشفافية بفهم سريع حيث يتعطل المحتوى بالضبط وأي مصادر يجب تعطيلها. على سبيل المثال، في الأسبوع الأول وحده أصبح من الواضح أن حوالي 20 مصدراً لا توفر إشارة مفيدة، ويساعد معدل النجاح على تمييز المنصات الضوضائية عن المنصات القيمة حقاً.

الاستنتاج الرئيسي من هذه القصة ليس أن no-code سيء و Python جيد. بل هو مثال على مدى سرعة تغير حاجز الدخول للأنظمة المعقدة للذكاء الاصطناعي. المؤلف لا يكتب الكود بنفسه لكنه تمكن من تجميع منتج يعمل بوضع المهام والتحقق من الحلول وإدارة البنية.

يحول مزيج من الترميز الذكي واللغات الكبيرة المحلية والبنية التحتية المنزلية الرخيصة والتنسيق الواضح مشروع الأخبار الشخصي إلى عملية تحرير مستقلة تقريباً. بالنسبة للإعلام المستقل والقنوات المتخصصة، هذا إشارة: الآن يتم إنشاء القيمة ليس من خلال الأتمتة نفسها بل من خلال جودة الاختيار وملاحظة النظام والقدرة على تجميع خط أنابيب قوي من الأدوات المتاحة.