Comment un auteur de Habr a transformé sept scénarios n8n en système autonome d'actualités IA

Cette histoire montre comment un fragile montage no-code peut devenir en quelques semaines un véritable système éditorial : l'auteur a abandonné sept scénarios distincts dans n8n et construit un unique pipeline Python qui collecte, filtre, traduit, met en forme et publie des actualités IA presque sans intervention manuelle.

Le point de départ était le chaos classique des automatisations. Chaque workflow n8n gérait une étape : collecte des actualités, nettoyage des doublons, traduction, préparation des images et publication. Sur le papier, tout fonctionnait, mais la moindre erreur se transformait en longue traque de la panne : un scénario pouvait se terminer « avec succès » sans rien produire, et toute la chaîne s'effondrait. À un moment, l'auteur a compris que le problème principal ne tenait pas aux fonctions prises isolément, mais à l'architecture : sept processus signifiaient sept points de défaillance différents et une observabilité quasi nulle.

Il a construit la nouvelle version comme un seul projet. Selon lui, les outils d'IA ont accéléré la transition : Cursor a participé à la configuration du mini-PC domestique et de l'infrastructure locale, Perplexity à la discussion des choix d'architecture, et Claude Code a aidé à porter l'ensemble des workflows vers Python et à déployer un service conteneurisé.

C'est ainsi qu'est né un pipeline où 11 workers accomplissent chacun une seule tâche. La chaîne de base se présente ainsi : collector collecte les données RSS et API d'environ 160 sources toutes les 15 minutes, scraper récupère le texte intégral, deduplicator supprime les doublons sémantiques, ai_filter évalue la pertinence, translator traduit les contenus en russe, llm_editor adapte les textes au style voulu, image_worker trouve ou génère des illustrations, et publisher publie les posts selon un calendrier. Des processus de fond gèrent en plus la recherche de dépôts GitHub, le travail sur la vidéo et la modération manuelle.

Le modèle local fait l'objet d'un accent particulier. Plutôt que de payer en continu des API cloud pour la traduction, l'auteur a confié cette tâche à un mini-PC domestique faisant tourner Qwen 3.5 via llama.cpp, optimisé pour Vulkan. Cela a réglé deux problèmes à la fois : le coût du traitement d'un gros volume d'actualités a baissé, et les données restent dans sa propre infrastructure.

Selon les chiffres actuels, le système a accumulé 7127 entrées en base, et le flux hebdomadaire entrant atteint environ 1000 contenus. En sortie, ce n'est toutefois pas un flux sans fin : après filtrage par relevance_score, relecture éditoriale et répartition par créneaux, seuls huit posts sont publiés par jour. De l'avis de l'auteur, cette approche s'est révélée plus efficace que les 28 publications quotidiennes d'avant, quand l'audience voyait trop de bruit et ignorait l'essentiel du canal.

Une autre couche importante est l'orchestration d'agents. Les décisions de publication et les réglages opérationnels sont confiés à OpenClaw, où travaillent un coordinateur et plusieurs autres agents IA : un éditeur, un gestionnaire de pipeline, un auditeur de sources et un analyste. Il suffit d'écrire au coordinateur sur Telegram, par exemple pour lui demander de réduire la limite quotidienne de publications : il appelle lui-même l'API, modifie la configuration et confirme le résultat.

Un véritable dashboard s'est aussi développé autour : il affiche l'état des workers, le parcours de chaque actualité à travers les étapes, l'efficacité des sources, les files d'attente, le calendrier des créneaux et les contenus publiés. Ce niveau de transparence permet de voir rapidement où un contenu est bloqué et quelles sources désactiver. Par exemple, dès la première semaine, il est apparu qu'environ 20 sources n'apportaient aucun signal utile, et le pass rate aide à distinguer les sources bruyantes de celles qui ont vraiment de la valeur.

La principale leçon n'est pas que le no-code serait mauvais et Python bon. C'est plutôt un exemple de la rapidité avec laquelle le seuil d'entrée dans les systèmes d'IA complexes évolue. L'auteur n'écrit pas lui-même de code, mais il a réussi à bâtir un produit fonctionnel en fixant des tâches, en vérifiant les solutions et en pilotant l'architecture.

La combinaison de programmation assistée par IA, de LLM locaux, d'une infrastructure domestique bon marché et d'une orchestration lisible transforme un projet d'actualités personnel en rédaction quasi autonome. Pour les médias indépendants et les chaînes de niche, c'est un signal : la valeur ne vient plus de l'automatisation en soi, mais de la qualité de la sélection, de l'observabilité du système et de la capacité à assembler un pipeline solide avec les outils disponibles.