Comment un Auteur Habr a Transformé Sept Scénarios n8n en un Système Autonome d'Actualités IA

L'histoire montre comment un assemblage fragile sans code peut se transformer en un système éditorial complet en quelques semaines : l'auteur a abandonné sept scénarios n8n disparates et a construit un unique pipeline Python qui collecte, filtre, traduit, formate et publie des actualités IA presque sans intervention manuelle. Le point de départ était le chaos classique des automatisations. Chaque workflow n8n était responsable d'une étape séparée : collecte des actualités, suppression des doublons, traduction, préparation des images et publication.

Formellement, tout fonctionnait, mais toute erreur se transformait en une longue recherche de panne : un scénario pouvait se terminer « avec succès », mais ne produire rien en sortie, ce qui effondrait toute la chaîne. À un moment donné, l'auteur a réalisé que le problème principal n'était pas dans les fonctions individuelles, mais dans l'architecture : sept processus signifiaient sept points de défaillance et une observabilité quasi nulle. Il a reconstruit la nouvelle version du système comme un projet unique.

Selon l'auteur, les outils d'IA ont accéléré la transition : Cursor a participé à la configuration du mini-PC personnel et de l'infrastructure locale, Perplexity a aidé aux discussions sur les décisions architecturales, et Claude Code a aidé à convertir l'ensemble des workflows en Python et déployer un service conteneurisé. Cela a donné naissance à un pipeline où 11 workers effectuent chacun une tâche. La chaîne de base fonctionne ainsi : collector collecte les données à partir de flux RSS et d'APIs d'environ 160 sources toutes les 15 minutes, scraper récupère le texte complet, deduplicator supprime les doublons sémantiques, ai_filter évalue la pertinence, translator convertit les matériaux en russe, llm_editor apporte les textes au style requis, image_worker trouve ou génère des illustrations, et publisher publie les posts selon le calendrier.

De plus, des processus d'arrière-plan fonctionnent pour la recherche de dépôts GitHub, le traitement des vidéos et la modération manuelle. L'accent a été particulièrement mis sur les modèles locaux. Au lieu de dépenses continues pour les APIs de traduction en cloud, l'auteur a déporté cette tâche vers un mini-PC personnel exécutant Qwen 3.

5 via llama.cpp et optimisé pour Vulkan. Cela a résolu deux problèmes à la fois : a réduit le coût du traitement de grands volumes d'actualités et a gardé les données au sein de l'infrastructure propre.

Selon les chiffres actuels, le système a accumulé 7127 enregistrements dans la base de données, et le flux entrant hebdomadaire atteint environ 1000 matériaux. Mais la sortie n'est pas un flux infini : après filtrage par relevance_score, révision éditoriale et distribution par créneaux, seulement huit posts sont publiés quotidiennement. Cette approche, selon l'auteur, s'est avérée plus efficace que les 28 publications antérieures par jour, lorsque l'audience voyait trop de bruit et ignorait la plupart du canal.

Une autre couche importante est l'orchestration des agents. Les décisions de publication et les paramètres opérationnels ont été déplacés vers OpenClaw, où travaillent un coordinateur et plusieurs agents IA : un éditeur, un gestionnaire de pipeline, un auditeur de sources et un analyste. Le coordinateur peut simplement écrire une commande Telegram comme une demande pour réduire la limite de publication quotidienne, et il accède de manière autonome à l'API, change la configuration et confirme le résultat.

Un tableau de bord entièrement fonctionnel a grandi autour de cela : il affiche les statuts des workers, la progression de chaque actualité à travers les étapes, l'efficacité des sources, les files d'attente, le calendrier des créneaux et les matériaux publiés. Ce niveau de transparence permet de comprendre rapidement où exactement le contenu est bloqué et quelles sources doivent être désactivées. Par exemple, dès la première semaine, il est devenu clair qu'environ 20 sources ne fournissent pas de signal utile, et le taux de passage aide à distinguer les plateformes bruyantes des véritablement précieuses.

La principale conclusion de cette histoire n'est pas que le no-code est mauvais et Python est bon. Plutôt, c'est un exemple de la rapidité avec laquelle change la barrière d'entrée pour les systèmes IA complexes. L'auteur n'écrit pas le code lui-même, mais a pu assembler un produit fonctionnel en fixant les tâches, en vérifiant les solutions et en gérant l'architecture.

Une combinaison de codage IA, de LLMs locaux, d'infrastructure personnelle bon marché et d'orchestration claire transforme un projet personnel d'actualités en une opération éditoriale presque autonome. Pour les médias indépendants et les canaux de niche, c'est un signal : maintenant la valeur est créée non pas par l'automation elle-même, mais par la qualité de la sélection, l'observabilité du système et la capacité à assembler un pipeline robuste à partir des outils disponibles.