Autonomní AI novostní systém bez ručního řízení

Autonomní AI novinkový systém: jak nahradit sedm workflowů jedinou architekturou

Za půl druhého měsíce se fragmentovaný novinkový pipeline ze sedmi n8n workflowů proměnil ve stabilní systém se 160 zdroji, 11 workery a 5 AI agenty. Nyní zpracování 7127 záznamů v databázi probíhá bez manuálního zásahu a lokální LLM na mini-PC nahrazuje cloudové API. Rozkládáme architekturu, která eliminuje body selhání a zajišťuje provoz 24/7.

Od sedmi bodů selhání k jedinému systému

Původně novinkový pipeline sestával ze sedmi nezávislých n8n workflowů: sběr dat, filtrování, překlad, generování obrázků a publikování. Každý stupeň fungoval izolováně, což způsobovalo kaskádové selhání. Typický problém: workflow označil úlohu jako „dokončenou“, ale na výstupu byl prázdný výsledek. Protože stupně neměly společný systém monitorování, diagnostika trvala hodiny. Kritická zranitelnost – absence jednotného stavu pro každou novinku. Pokud jeden workflow uvízl, ostatní pokračovaly v zpracování a vytvářely nesouladná data.

Řešení přišlo po analýze s Perplexity a experimentech s Claude Code. Místo ručního přepisování logiky v Pythonu AI asistent obdržel původní workflowy a architektonické požadavky. Během hodiny vygeneroval kontejnerizovanou aplikaci s jasným rozdělením odpovědností. Klíčová změna: přechod od triggerových workflowů k pipeline orientovanému na stav, kde každá novinka prochází přesně definovanými stupni s fixací stavu v databázi.

Lokální zpracování: proč Qwen 3.5 na mini-PC

Překlad novinek přes cloudové API se ukázal jako ekonomicky nevýhodný: 160 zdrojů s aktualizací každých 15 minut by vyžadovalo desítky tisíc požadavků denně. Řešení – umístění lokální LLM na domácí mini-PC s Ubuntu a optimalizace pod Vulkan přes llama.cpp. Vybrána model Qwen 3.5 (qwen3.5-9b-q5_k_m.gguf) díky vyváženosti rychlosti a kvality pro ruštinu.

Nastavení zahrnovalo:

• Jemné doladění pod architekturu procesoru přes Cursor
• Kalibraci počtu vláken pro minimalizaci latence
• Nastavení cachování mezivýsledků

Systém zpracovává až 50 požadavků za minutu bez přetížení CPU. Data neopouštějí lokální síť, což je klíčové pro zpracování zdrojů s omezeními na API klíče. Pro srovnání: cloudový překlad by stál ~$120/měsíc při současném objemu, lokální – $0 po počátečním nastavení.

Architektura pipeline: jak fungují 11 workerů

Systém je postavený na principu „jeden proces – jedna úloha“. Každý worker je izolován, což vylučuje kaskádové selhání. Tok zpracování:

collector → scraper → deduplicator → ai_filter → translator
    → llm_editor → image_worker → publisher

collector se spouští každých 15 minut, parsuje RSS/API 160 zdrojů (včetně Arxiv, TechCrunch, GitHub). scraper extrahuje plný text přes lokální instanci Jina Reader – to eliminovalo limity cloudové služby. deduplicator aplikuje sémantické porovnání na základě embeddings, ne přesné shody textu. ai_filter přiřazuje relevance_score (0-100) a odstraňuje materiály pod 75 bodů.

Zvláštní pozornost věnována stupni llm_editor. Zde MiniMax M2.7 formátuje text podle stylu kanálu: přidává emoji do nadpisů, strukturová obsah, uvádí zdroje. Model je trénovaný na historických datech kanálu, což zajišťuje konzistenci formátování. Všichni workeri komunikují přes frontu zpráv s garancí doručení, což umožňuje obnovení zpracování po selhání z posledního bodu zastavení.

Řízení přes AI agenty: od Telegram příkazů k akcím

Koordinátor na bázi OpenClaw nahrazuje ruční ovládání. Běží na stejném mini-PC a má přístup k nástrojům přes API. Systém využívá 5 specializovaných agentů:

• AgentLLMEditor: koriguje text každých 20 minut
• AgentPipelineManager: rozděluje příspěvky do slotů 4x denně
• AgentSourceAuditor: vypíná nefunkční zdroje týdně
• AgentAnalyst: vytváří analýzu v 21:05
• Koordinátor: řídí ostatní agenty

Příkaz v Telegramu „Koordinátore, sniž limit publikací na 8 za den“ se převede na API volání k pipeline managerovi. Agent zkontroluje aktuální nastavení, provede změny a potvrdí provedení. To eliminuje potřebu SSH přístupu a znalosti syntaxe konfiguračních souborů. Pro kritické operace (např. vypnutí zdroje) systém vyžaduje potvrzení přes human-in-the-loop (hitl) worker.

Dashboard: monitorování v reálném čase

Rozhraní sjednocuje 9 záložek: přehled, agenti, zdroje, fronta, workeri, sloty, publikované, nastavení, GitHub Discovery. Klíčové metriky:

• Míra úspěšnosti podle zdrojů: Anthropic News (100 %) vs iXBT.com (14 %)
• Čas zpracování stupně: překlad (4 min) vs filtrování (2 min)
• Stav workerů: aktivní/nečinné procesy

Při detekci anomálie (např. uvízlá fronta překladu) dashboard automaticky vytvoří úkol v Telegram pracovní skupině. Integrace s GitHub Discovery sleduje repozitáře s rychlým růstem hvězdiček – tato data se zobrazují na samostatné záložce s grafem aktivity. Systém varuje před problémy dříve, než ovlivní publikace: např. při poklesu míry úspěšnosti zdroje pod 10 % za týden.

Úspora díky výběru: od 1000 novinek k 8 příspěvkům za den

Systém nepublikuje všechno. Za týden zpracuje ~1000 materiálů, ale do vysílání se dostane jen 56 příspěvků (8 za den). Kritéria výběru:

• relevance_score ≥ 80 (ai_filter)
• Schválení LLM editorem (stav approved)
• Soulad se slotem podle denní doby

Časový plán je pevně vázán na časová pásma:

• Ráno (08:00–11:00): 2 příspěvky
• Den (12:00–16:00): 2 příspěvky
• Večer (18:00–22:00): 2 příspěvky
• Noc (00:00–06:00): 2 příspěvky

Dříve se publikovali 28 příspěvků za den, ale analýza ukázala: uživatelé čtou jen posledních 1-2 materiálů. Nyní snížení objemu zvýšilo retenci o 37 % – čtenáři si prohlédnou všechny publikace ve slotu. Míra úspěšnosti zdrojů umožňuje týdenní úpravu seznamu: 20 málo efektivních RSS kanálů už vypnuto.

Co je důležité

• Jednotný systém stavů nahrazuje izolo-vané workflowy: každá novinka má jasný stav, což zrychluje diagnostiku selhání 5×.
• Lokální LLM ušetří až $120/měsíc na překladu a editaci, přičemž latence nepřekročí 4 minuty pro 50 paralelních úkolů.
• AI agenti eliminují ruční ovládání: příkazy v Telegramu se mění na API volání bez zásahu operátora.
• Přísný výběr obsahu (8 příspěvků/den místo 28) zvýšil retenci publika o 37 % díky snížení šumu.

— Editorial Team