Como um Autor da Habr Transformou Sete Cenários n8n em um Sistema Autônomo de Notícias IA

A história demonstra como uma montagem frágil de no-code pode crescer e se transformar em um sistema editorial completo em poucas semanas: o autor abandonou sete cenários n8n dispares e construiu um único pipeline Python que coleta, filtra, traduz, formata e publica notícias de IA quase sem intervenção manual. O ponto de partida era um caos clássico de automações. Cada workflow n8n era responsável por um estágio separado: coleta de notícias, remoção de duplicatas, tradução, preparação de imagens e publicação.

Formalmente tudo funcionava, mas qualquer erro se transformava em uma longa busca pela falha: um cenário podia se completar com "sucesso", mas não gerar nada na saída, causando o colapso de toda a cadeia. Em algum momento, o autor percebeu que o problema principal não estava nas funções individuais, mas na arquitetura: sete processos significavam sete pontos de falha e observabilidade quase nula. Ele reconstruiu a nova versão do sistema como um projeto único.

Segundo o autor, ferramentas de IA aceleraram a transição: Cursor participou da configuração do mini-PC caseiro e da infraestrutura local, Perplexity ajudou nas discussões de decisões arquiteturais, e Claude Code ajudou a converter o conjunto de workflows em Python e implantar um serviço containerizado. Assim nasceu um pipeline onde 11 workers realizam uma tarefa cada. A cadeia básica funciona assim: collector coleta dados de RSS e APIs de aproximadamente 160 fontes a cada 15 minutos, scraper puxa o texto completo, deduplicator remove duplicatas semânticas, ai_filter avalia a relevância, translator converte materiais para o russo, llm_editor traz os textos ao estilo necessário, image_worker encontra ou gera ilustrações, e publisher libera posts conforme programado.

Adicionalmente, processos de fundo funcionam para busca de repositórios GitHub, trabalho com vídeo e moderação manual. Ênfase especial foi colocada em modelos locais. Em vez de despesas contínuas com APIs de tradução na nuvem, o autor colocou essa tarefa em um mini-PC caseiro com Qwen 3.

5, executada através de llama.cpp e otimizada para Vulkan. Isso resolveu dois problemas de uma vez: reduziu o custo de processamento de grandes volumes de notícias e manteve os dados dentro da infraestrutura própria.

Pelos números atuais, o sistema acumulou 7127 registros na base de dados, e o fluxo de entrada semanal atinge aproximadamente 1000 materiais. Mas a saída não é um feed infinito: após filtragem por relevance_score, revisão editorial e distribuição em slots, apenas oito posts são publicados por dia. Essa abordagem, segundo o autor, se provou mais eficaz que as 28 publicações anteriores por dia, quando a audiência via muito barulho e ignorava a maior parte do canal.

Outra camada importante é a orquestração de agentes. As decisões de publicação e configurações operacionais foram movidas para OpenClaw, onde trabalham um coordenador e vários agentes de IA: editor, gerente de pipeline, auditor de fontes e analista. O coordenador pode simplesmente escrever um comando do Telegram como um pedido para baixar o limite de publicações diárias, e ele próprio acessa a API, muda a configuração e confirma o resultado.

Um dashboard completamente funcional cresceu ao redor disso: mostra os status dos workers, o progresso de cada notícia pelos estágios, a eficiência das fontes, filas, agendamento de slots e materiais publicados. Esse nível de transparência permite compreender rapidamente onde exatamente o conteúdo ficou preso e quais fontes devem ser desabilitadas. Por exemplo, já na primeira semana ficou claro que cerca de 20 fontes não fornecem sinal útil, e o pass rate ajuda a separar plataformas barulhentas de verdadeiramente valiosas.

A principal conclusão dessa história não é que no-code é ruim e Python é bom. Antes, é um exemplo de como rapidamente muda o limiar de entrada para sistemas complexos de IA. O autor não escreve código por conta própria, mas conseguiu montar um produto funcional ao estabelecer tarefas, verificar soluções e gerenciar a arquitetura.

Uma combinação de codificação de IA, LLMs locais, infraestrutura caseira barata e orquestração clara transforma um projeto pessoal de notícias em uma operação editorial quase autônoma. Para mídia independente e canais de nicho, este é um sinal: agora valor é criado não pelo fato da automação em si, mas pela qualidade de seleção, observabilidade do sistema e capacidade de montar um pipeline robusto a partir de ferramentas disponíveis.