Cómo un Autor de Habr Convirtió Siete Escenarios n8n en un Sistema Autónomo de Noticias de IA

La historia demuestra cómo un montaje frágil sin código puede transformarse en un sistema editorial completo en pocas semanas: el autor abandonó siete escenarios n8n dispares y construyó un único pipeline Python que recopila, filtra, traduce, formatea y publica noticias de IA casi sin intervención manual. El punto de partida era el caos clásico de automatizaciones. Cada workflow de n8n se encargaba de una etapa separada: recopilación de noticias, eliminación de duplicados, traducción, preparación de imágenes y publicación.

Formalmente todo funcionaba, pero cualquier error se convertía en una larga búsqueda de fallos: un escenario podía completarse "exitosamente", pero no producir nada en la salida, lo que colapsaba toda la cadena. En algún momento, el autor se dio cuenta de que el problema principal no estaba en las funciones individuales, sino en la arquitectura: siete procesos significaban siete puntos de fallo y casi cero observabilidad. Reconstruyó la nueva versión del sistema como un único proyecto.

Según el autor, las herramientas de IA aceleraron la transición: Cursor participó en la configuración del mini-PC casero e infraestructura local, Perplexity ayudó en las decisiones arquitectónicas, y Claude Code ayudó a convertir el conjunto de workflows en Python e implementar un servicio containerizado. Así nació un pipeline donde 11 workers realizan una tarea cada uno. La cadena básica funciona así: collector recopila datos de RSS y APIs de aproximadamente 160 fuentes cada 15 minutos, scraper obtiene el texto completo, deduplicator elimina duplicados semánticos, ai_filter evalúa la relevancia, translator convierte materiales al ruso, llm_editor lleva los textos al estilo requerido, image_worker encuentra o genera ilustraciones, y publisher publica posts según lo programado.

Además, procesos de fondo funcionan para búsqueda de repositorios GitHub, manejo de vídeo y moderación manual. Se enfatizó especialmente en modelos locales. En lugar de gastos continuos en APIs de traducción en la nube, el autor trasladó esta tarea a un mini-PC casero con Qwen 3.

5, ejecutado a través de llama.cpp y optimizado para Vulkan. Esto resolvió dos problemas simultáneamente: redujo el costo de procesamiento de grandes volúmenes de noticias y mantuvo los datos dentro de la infraestructura propia.

Según los números actuales, el sistema ha acumulado 7127 registros en la base de datos, y el flujo de entrada semanal alcanza aproximadamente 1000 materiales. Pero la salida no es un flujo infinito: después de filtrar por relevance_score, revisión editorial y distribución en slots, solo ocho posts se publican diariamente. Este enfoque, según el autor, resultó más efectivo que las 28 publicaciones anteriores al día, cuando la audiencia veía demasiado ruido e ignoraba la mayor parte del canal.

Otra capa importante es la orquestación de agentes. Las decisiones de publicación y configuraciones operativas se trasladaron a OpenClaw, donde trabajan un coordinador y varios agentes de IA: editor, gestor de pipeline, auditor de fuentes y analista. El coordinador puede simplemente escribir un comando de Telegram como una solicitud para reducir el límite diario de publicaciones, e independientemente accede a la API, cambia la configuración y confirma el resultado.

Un panel completamente funcional creció alrededor de esto: muestra estados de workers, el progreso de cada noticia por etapas, la eficiencia de fuentes, colas, programación de slots y materiales publicados. Este nivel de transparencia permite comprender rápidamente dónde exactamente se atasca el contenido y qué fuentes deben deshabilitarse. Por ejemplo, ya en la primera semana quedó claro que aproximadamente 20 fuentes no proporcionan señal útil, y la tasa de paso ayuda a separar plataformas ruidosas de verdaderamente valiosas.

La principal conclusión de esta historia no es que el no-code sea malo y Python sea bueno. Más bien, es un ejemplo de cómo cambia rápidamente la barrera de entrada para sistemas complejos de IA. El autor no escribe código por sí solo, pero logró ensamblar un producto funcional al establecer tareas, verificar soluciones y gestionar la arquitectura.

Una combinación de codificación de IA, LLMs locales, infraestructura casera económica y orquestración clara transforma un proyecto personal de noticias en una operación editorial casi autónoma. Para medios independientes y canales de nicho, esta es una señal: ahora el valor se crea no por el hecho de la automatización en sí, sino por la calidad de selección, la observabilidad del sistema y la capacidad de armar un pipeline robusto a partir de herramientas disponibles.