Как я собрала новостной канал с помощью AI — без навыков разработки

Привет! Меня зовут Лена, я продакт-менеджер в ЮMoney. Финтех — отрасль, где инновации появляются стремительно. Чтобы оставаться в контексте, приходится постоянно мониторить рынок: следить за конкурентами, отслеживать тренды и технологические новинки.

Особенно меня интересуют кейсы, когда AI берёт на себя задачи, которые раньше выполняли люди. Но найти удобный формат для системного мониторинга таких новостей не получалось: одни источники перегружены «водой», другим не хватает конкретики.

Мне хотелось максимально сжатый формат:

С AI-ассистентами я уже автоматизировала мелкие задачи: один бот отлавливает спамерские отзывы, другой сообщает об обновлениях конкурентов. Возник вопрос: получится ли создать что-то посложнее — без инженерного бэкграунда, но с помощью AI? Например, автономную систему мониторинга новостей по заданной теме.

В итоге я собрала персональный Telegram-канал, где новости публикуются автоматически — о том, как AI забирает на себя человеческие функции и процессы.

Дальше расскажу, как устроена система, с какими проблемами столкнулась и какие выводы сделала о работе с AI-ассистентами.

Запускается каждый день в 8:00. Задача — собрать новости, отфильтровать нерелевантные и подготовить публикации. Источники — RSS-ленты TechCrunch, VentureBeat, The Verge, MIT Technology Review и других изданий. За один сбор приходит 200–300 статей.

Фильтрация идёт в несколько этапов. Сначала отбираются материалы за последние 26 часов. Затем система убирает дубли по ссылкам и проверяет статьи по набору ключевых слов — около 50 терминов на русском и английском.

После первичной очистки остаётся 30–50 новостей — они уходят в LLM. Я использую llama-3.3-70b-instruct через aitunnel. Один запрос обходится примерно в 11 копеек. За месяц ушло около 350 ₽ с учётом тестовых запросов.

Модель оценивает релевантность каждой статьи теме из промпта и выставляет скоринг от 0 до 10. Если оценка 6 и выше — LLM пишет пост, затем исключает смысловые дубли. На выходе получается 10–20 постов, которые сохраняются в Google Sheets со статусом pending («готово к публикации»).

На этом этапе посты со статусом pending берутся из таблицы и перед публикацией повторно проверяются через LLM.

Зачем вторая проверка?

Медиа нередко публикуют одну и ту же новость в разное время и разными словами. Формально тексты различаются, но смысл идентичен.

Модель ищет среди pending-постов смысловые дубли с уже опубликованными. Если находит — пост получает статус duplicate и не размещается. Если дублей нет — публикуется, статус меняется на published. Отсеивается примерно 50% постов.

n8n развёрнут на Timeweb с техническим доменом .twc1.net. Нода публикации периодически переставала работать: getWebhookInfo возвращал Connection timed out. Менять сервер на зарубежный не хотелось, смена домена тоже не помогла.

AI-ассистент подсказал решение: добавить Cloudflare Workers как промежуточный прокси. Сработало — проблема исчезла, бесплатного тарифа хватило с запасом.

По задумке модель должна возвращать готовые посты и ссылки в формате JSON. Но при большом объёме новостей ответ просто обрывался на середине.

Решение: задать условие, что все записи должны быть завершёнными, остальное отбрасывается. А предварительная дедупликация сократила потери — меньше данных на входе, меньше риск упереться в лимит.

Простая фильтрация по словам — что может пойти не так? Но короткое «ai» начало матчиться на нерелевантные слова: daily, email, cocktail…

В итоге часть ключевых слов я вынесла в отдельный список и проверяю их только по заголовку. Релевантные новости не теряются, мусора стало меньше.

Самым ценным результатом проекта оказался опыт взаимодействия с AI в процессе создания системы.

AI ошибается часто. Без чёткого видения цели легко клюнуть на правдоподобный, но ложный вариант, который незаметно разрушит архитектуру.

Вайбкодинг — это не медитация за клавиатурой, а жёсткий менеджмент контекста: сверка с целями, приоритизация, отсев. По сути, работа продакта и архитектора в одном флаконе — нужно удерживать требования, видеть связи системы и формулировать задачи без разночтений.

Когда чат становится слишком длинным, модель начинает галлюцинировать и предлагать решения, противоречащие уже сделанному. Иногда кажется, будто AI забывает часть контекста и заново решает закрытые вопросы.

Спасает создание нового чата. Чтобы не пересказывать задачу с нуля, есть два приёма:

Если модель снова и снова предлагает неработающее решение, не стоит настаивать. Скорее всего, вы описываете симптом, а не причину.

В таких случаях помогает зафиксировать: что попробовали, что не сработало, почему — и переформулировать задачу. Иногда полезно обратиться к другому AI-инструменту: свежий взгляд помогает найти решение.

AI — исполнительный помощник. Он хорошо разбирается в деталях, но по умолчанию не возражает. Не спрашивает «а нам это точно нужно?», а решает задачу в заданных рамках.

У меня был квест с картинками для постов: как доставать их из статей, передавать в ноду публикации, что делать при отсутствии изображения. AI предлагал всё новые варианты.

Я остановилась, вернулась к цели канала (лаконичность и информативность) и поняла: картинки не нужны. Проблема исчезла.

Канал публикует несколько коротких постов в день автоматически. На беглый просмотр уходит около минуты.

Иногда случается забавное: LLM решает, что новость про обновление интерфейса — это «замена людей AI» с релевантностью 8. Иногда проскакивают иероглифы. Но в целом качество отбора устраивает.

Благодаря точной фильтрации в канал попадают практические кейсы перехода задач от людей к AI. По ним видно развитие трендов, и регулярно находятся сценарии, которые можно переиспользовать в работе.

AI-ассистент работает как «журналист» и «редактор»: я задала архитектуру и правила, система экономит часы ручного листания источников.

Этот эксперимент хорошо соответствует подходу ЮMoney: мы стараемся автоматизировать повторяющиеся процессы там, где это действительно освобождает время для важных задач. Развитие AI-технологий — логичное продолжение этого подхода. AI уже становится частью внутренних процессов, о практических кейсах коллеги рассказывают в подкасте ЮVoice и на митапах ЮMoney.

Сейчас, благодаря AI-ассистентам, между идеей и работающим инструментом стало гораздо меньше барьеров.

Главное открытие: вайбкодинг развивает не технические навыки, а продуктовое и критическое мышление. AI ускоряет путь от идеи к реализации, но приходится чаще проверять гипотезы, удерживать контекст и не принимать правдоподобный ответ за правильный.

Поделитесь: каких AI-ассистентов вы используете в работе? Как справляетесь с галлюцинациями моделей? Как выбираете источники информации по профессиональной теме?