Jak zbudowałem własny „zespół AI", który pisze artykuły i publikuje je na stronie

Ten artykuł pokazuje krok po kroku, jak zbudowałem zespół AI do pisania artykułów i publikowania ich na rel8.pl. Zamiast jednego czatu i jednego promptu mam pipeline agentów: RESEARCH, WRITER, SEO i FRONTEND, koordynowanych przez MASTER. Każdy etap działa na plikach, więc proces jest powtarzalny, mierzalny i łatwy do poprawy. W praktyce oznacza to zmianę z 3–5 godzin ręcznej pracy na 15–30 minut mojego czasu.

Problem: dlaczego ręczne tworzenie treści nie skaluje

W większości małych firm proces wygląda podobnie:

• ktoś wymyśla temat
• ktoś robi research
• ktoś pisze artykuł
• ktoś dopina SEO
• ktoś publikuje treść na stronie

To działa, ale jest wolne i zależne od dostępności jednej osoby. Przez długi czas działałem dokładnie tak samo: jedno okno czatu, jeden duży prompt, dużo ręcznych poprawek i ręczne przenoszenie treści do strony.

Największy problem nie był w jakości modelu, tylko w braku podziału ról. Gdy jedno AI ma robić wszystko naraz, kończy się to przeciętnym wynikiem i brakiem kontroli nad procesem.

Rozwiązanie: system AI do tworzenia treści zamiast jednego promptu

Rozdzieliłem pracę na wyspecjalizowane role i spiąłem je w pipeline:

1. Zbieranie danych (Firecrawl)
2. Research i synteza (agent RESEARCH)
3. Pisanie artykułu (agent WRITER)
4. Optymalizacja SEO (agent SEO)
5. Publikacja na stronie (agent FRONTEND w Next.js)

Do codziennej pracy używam Claude do generowania treści i Warp do wygodnego sterowania pipeline'em w terminalu. Jeśli chcesz zobaczyć, jak podchodzę do narzędzi terminalowych, opisałem to też tutaj: Warp vs Claude Code — porównanie narzędzi AI dla programistów.

Architektura systemu AI: pliki zamiast pamięci czatu

Najważniejsza zasada: agenci nie „pamiętają” poprzednich sesji, więc pamięcią procesu muszą być pliki.

To działa jak w „Memento”: bez notatek zaczynasz od zera. U mnie notatkami są katalogi i pliki wejścia/wyjścia dla każdego etapu:

• data/raw/ — wynik researchu
• data/articles/ — gotowy artykuł
• data/seo/ — metadane i checklista SEO
• /blog/[slug] — finalna publikacja po stronie frontendu

Taki układ daje trzy rzeczy: pełną śledzalność, możliwość wznowienia od dowolnego etapu i łatwe poprawki bez rozwalania całości.

Agenci AI: kto za co odpowiada

RESEARCH (Firecrawl + porządkowanie źródeł)

Agent RESEARCH pobiera źródła, czyści nawigację i szum, a potem składa materiał w jeden dokument roboczy. Jego output to wyłącznie plik w data/raw/.

Jeśli chcesz wejść głębiej w sam etap pozyskiwania danych, zobacz: Firecrawl — web scraping dla AI: jak działa.

WRITER (pisanie artykułu pod konkretną grupę)

WRITER czyta tylko plik z researchu i pisze artykuł po polsku pod właścicieli MŚP. Nie robi nowego researchu, nie szuka danych poza wejściem, nie „improwizuje” poza briefem.

Dzięki temu jakość jest powtarzalna, a artykuł da się porównać między tematami.

SEO (widoczność bez przepisywania całej treści)

Agent SEO nie przepisuje artykułu od zera. Dba o warstwę pod wyszukiwarki: meta title, meta description, słowa kluczowe, strukturę nagłówków i checklistę publikacyjną.

FRONTEND (render i publikacja)

FRONTEND pobiera gotowy markdown i renderuje go pod /blog/[slug] w Next.js. Nie mieszam tu CMS-a ani bazy danych: treść żyje w repo i ma historię zmian w Git.

MASTER (koordynacja całości)

MASTER nie tworzy treści. Sprawdza stan plików i uruchamia tylko brakujące kroki. Jeśli research już istnieje, pomija RESEARCH i startuje od Writera.

W praktyce zamiast pilnować każdego etapu ręcznie, odpalam temat jedną komendą i poprawiam tylko to, co faktycznie wymaga decyzji biznesowej.

Jak to działa w praktyce na rel8.pl

Typowy cykl wygląda tak:

1. Wybieram temat i źródła
2. Uruchamiam pipeline (npx tsx scripts/generateContent.ts <url> [limit])
3. Sprawdzam wynik WRITERA i robię szybkie korekty
4. Weryfikuję SEO i publikuję przez Git/Next.js

Nowy artykuł pojawia się po pushu i deployu bez ręcznego klikania w panelu CMS.

Ten model dobrze łączy się z podstawami wdrożeń AI dla MŚP, które opisałem wcześniej w tekście AI w małej firmie — jak zacząć.

Efekty: ile czasu realnie oszczędza pipeline AI

Największa różnica to nie „ładniejszy tekst”, tylko skrócenie procesu i przewidywalność pracy.

U mnie wygląda to tak:

• wcześniej: 3–5 godzin na jeden artykuł
• teraz: 15–30 minut mojego czasu
• przy 4 artykułach miesięcznie: 10–15 godzin odzyskanego czasu
• jakość: powtarzalna, bo każdy temat przechodzi przez ten sam proces

Efekt uboczny: regularność publikacji poprawia widoczność w Google i zwiększa liczbę zapytań z ruchu organicznego.

Co możesz wdrożyć już dziś

Nie potrzebujesz dużego budżetu ani rozbudowanego stacku. Zacznij od minimum:

1. Opisz role agentów w AGENTS.md (wejście, wyjście, czego nie robią)
2. Ustal foldery procesu (data/raw, data/articles, data/seo)
3. Uruchom pełny cykl dla jednego tematu i popraw instrukcje
4. Dopiero potem dodaj MASTERA do orkiestracji

Ile możesz na tym zyskać

Uwaga: podane liczby traktuj jako benchmark rynkowy; końcowy efekt zależy od branży, jakości danych wejściowych i sposobu wdrożenia.

Jeśli dziś publikujesz nieregularnie, największy zysk to odzyskanie czasu i przewidywalny rytm contentu.

W praktyce oznacza to:

• mniej pracy operacyjnej przy każdym artykule
• szybsze testowanie nowych tematów i fraz
• większą szansę na stały wzrost ruchu organicznego
• mniej chaosu, bo każdy etap ma właściciela

Co dalej rozwijam w tym systemie

Najbliższe kroki rozwoju pipeline'u:

• automatyzacja publikacji bez ręcznego kroku gitowego
• lepsze raportowanie jakości i skuteczności tematów
• integracje z procesami marketingowymi i sprzedażowymi

To nie jest „projekt demo”. To działający system operacyjny contentu, który można wdrożyć etapami i dopasować do skali firmy.