چطور یک سیستم تولید محتوای هوش مصنوعی بسازیم که واقعاً کار کند

تانیا براون، نویسنده این مقاله، ماه‌ها صرف ساخت و بازسازی خط لوله تولید محتوای خود با Claude Code کرده است. این سیستم حالا به‌روزرسانی مقاله‌ها و تولید محتوا برای وبلاگ شرکت و نشریات بیرونی را پشتیبانی می‌کند و معمولاً مطالب را تا حدود ۹۵ درصد راه تا انتشار پیش می‌برد.

این مسیر یک درس مهم به او داد: سخت‌ترین بخش، واداشتن هوش مصنوعی به تولید مقاله نیست؛ بلکه فهمیدن این است که مقاله نهایی باید چه شکلی باشد و سپس ساخت گردش کار و ورودی‌هایی که به طور قابل اعتماد به آن نقطه برسند.

اگر قرار بود از نو شروع کند، از محصول نهایی به عقب کار می‌کرد؛ اول تعریف می‌کرد «خوب» یعنی چه و بعد مشخص می‌کرد سیستم برای تبدیل یک کلمه کلیدی به مقاله‌ای تقریباً آماده انتشار به چه چیزهایی نیاز دارد.

آیا ساخت سیستم تولید محتوای هوش مصنوعی ارزشش را دارد؟

برای او، این ابزار امکان به حداکثر رساندن منابع و تولید محتوایی را فراهم کرده که در غیر این صورت نمی‌توانست تولید کند. اما ریسک‌هایی هم دارد. او با پژوهش، دروازه‌های زیاد کیفیت انسانی و راستی‌آزمای‌های هوش مصنوعی تلاش کرده این ریسک‌ها را مهار کند؛ با این حال، با توجه به اینکه گوگل به شدت در حال noindex کردن محتوای غیرکالایی (noncommodity) است، ممکن است این رویکرد برای هر برندی منطقی نباشد. ضمن اینکه این یک ساخت سریع نیست.

احتمالاً بسیاری از مؤلفه‌های لازم برای ساخت عامل‌های مختلف را از قبل دارید؛ اگر نه، می‌توانید آن‌ها را مرحله‌به‌مرحله بسازید و در طول زمان بهبود دهید. بعضی از عامل‌های جدید را هم می‌توانید در گردش کارهای دیگر استفاده کنید.

تعریف «کیفیت» برای کشف ورودی‌های لازم

یک خط لوله محتوای موفق باید محتوای مفید و اصیل با لحن برند تولید کند؛ مطالبی که برای شخصیت مشتری ایده‌آل (ICP) مفید باشند، کسب‌وکار و پیشنهادهایش را دقیق توصیف کنند و انسانی به نظر برسند. در حالت ایده‌آل، پتانسیل رتبه‌گیری و استناد هم داشته باشند.

وقتی می‌دانید می‌خواهید چه چیزی تولید کنید، می‌توانید فهرستی از همه چیزهایی که برای رسیدن به آن لازم دارید تهیه کنید. برخی از آن‌ها در هر اجرا ثابت‌اند؛ این‌ها را در گردش کار هاردکد کنید چون زمینه مشترک موردنیاز همه اجراها هستند. برخی دیگر — مثل موضوع، زاویه دید و کلمه کلیدی — در هر اجرا وارد می‌شوند.

ثابت‌ها شامل این‌ها می‌شوند:

معرفی برند: توضیح اینکه کی هستید و ICP شما چیست. برای B2B شامل صنعت، جایگاه سازمانی و نقاط درد؛ نقاط درد را می‌توان از رونوشت تماس با مشتری یا تماس‌های فروش استخراج کرد. برای B2C شامل سن، جنسیت، شغل، نقاط درد و مانند آن.

دستورالعمل لحن برند: جزئیات نحوه ارتباط شما؛ باید شامل مثال باشد، نه فقط صفت. اگر دستورالعمل فعلی فقط فهرستی از صفت‌هاست، پیش از استفاده در خط لوله محتوا آن را گسترش دهید. به جای «دوستانه، اما رسمی»، مثال‌های عینی از این لحن در عمل و مثال‌هایی از آنچه باید اجتناب شود ارائه دهید. دستورالعمل لحن ندارید؟ با LLM خود یک سند بر اساس بهترین محتواهایتان بسازید.

نمونه‌های خلاصه محتوا (brief)، فهرست مطالب و مقاله‌هایی که از بهترین شیوه‌های شما پیروی می‌کنند.

توضیح محصول، خدمت یا متدولوژی تا LLM بتواند فعالیت شما را دقیق توصیف کند؛ مواد فروش هم می‌توانند کمک کنند.

اطلاعات درباره محتوای موجود: اگر پیشنهاد لینک داخلی می‌خواهید یا باید مطمئن شوید مطالب جدید با محتوای فعلی سایت تفاوت دارند، خروجی Screaming Frog یا نقشه سایت (sitemap) را در اختیار عامل بگذارید.

لینک یا کپی پژوهش‌های داخلی و مطالعه‌های موردی تا محتوای غیرکالایی بسازید.

اگر می‌خواهید مطلبتان استناد شود یا رتبه خوبی بگیرد، باید اطلاعات مربوط به بهترین شیوه‌ها را هم اضافه کنید. سازمان شما ممکن است از قبل چنین دستورالعمل‌هایی داشته باشد؛ اگر نه، می‌توانید با کمک کلود این سند را پژوهش و تولید کنید. در ساده‌ترین حالت، می‌خواهید سیستم توضیحات متا (meta description) بسازد، اسلاگ URL پیشنهاد دهد و کلمات کلیدی یا مفاهیم داده‌شده را به طور طبیعی در متن بگنجاند. می‌توانید این را با الزام به پژوهش SERP برای تحلیل محتوای رتبه‌برتر یا پراستناد برای هر عبارت، الزام به پاراگراف‌های پاسخ‌محور، کنترل طول پاراگراف‌ها و موارد دیگر تقویت کنید. معیارهای بیشتری هم برای خروجی نهایی دارید؟ آن‌ها را فهرست کنید.

تعیین ترتیب عملیات

حالا که می‌دانیم کیفیت چه شکلی است و چه ورودی‌هایی برای رسیدن به آن لازم است، باید ترتیب عملیات را تعیین کنیم. این تا حدی آینه فرآیند محتوای معمولی است؛ بالاخره داریم همان را بازسازی می‌کنیم. می‌توانید این ساخت را مانند استخدام یک نویسنده و ویراستار جدید ببینید، اما باید پیچیدگی‌های استفاده از هوش مصنوعی را هم در نظر بگیرید؛ دو مشکل اصلی: زبان رباتیک و «حقایق» توهمی.

در تولید محتوای معمولی، موضوع را پژوهش می‌کنید، فهرست می‌سازید، متن را می‌نویسید و ویرایش می‌کنید؛ گاهی بسته به اندازه تیم، افراد مختلف این مراحل را انجام می‌دهند. عامل‌های گردش کار شما همین وظایف را بر عهده می‌گیرند، اما باید دروازه‌های بازبینی انسانی اضافه‌ای هم بنا کنید که در فرآیند انسانی معمولاً نیازی به آن‌ها نیست.

برای روان‌بودن جریان کار و اطمینان از رد نشدن هیچ مرحله‌ای، یک عامل هماهنگ‌کننده (orchestrator) توصیه می‌شود که گردش کار را از ابتدا تا انتها توصیف و مسئولیت هر عامل را مشخص کند. اگر گردش کار یا مسئولیت‌ها را تغییر دهید، باید این سند را هم به‌روز کنید. عامل هماهنگ‌کننده را می‌توانید در پایان یا هم‌زمان بسازید.

برای هر یک از مراحل زیر، مستندات پیشنهادی و راهنمای ساخت آمده است؛ با LLM محبوب‌تان عامل‌ها را بسازید، اما حتماً آن‌ها را مرور کنید تا بفهمید چه می‌کنند و چرا — این کار عیب‌یابی را آسان‌تر می‌کند.

مرحله ۱: آغاز گردش کار

مشخص کنید چطور می‌خواهید گردش کار آغاز شود. نویسنده یک داشبورد محلی جداگانه دارد که با آن یک کلمه کلیدی و یک زاویه دید وارد می‌کند؛ با کلیک روی ارسال، کلود پژوهش موضوع را شروع می‌کند. اگر چند ICP دارید یا محصول مشخصی می‌خواهید در هر مقاله ذکر شود، آن‌ها را پیش از آغاز گردش کار به عنوان ورودی اولیه مشخص کنید. برای شروع، روی یک نوع محتوا تمرکز کنید — مثلاً پست وبلاگ یا پست لینکدین — و بعداً قابلیت if/then برای تولید انواع دیگر محتوا اضافه کنید. بهتر است اول یک فرآیند کارا برای یک نوع محتوا بسازید و بعد توسعه دهید، نه اینکه یک‌جا همه‌چیز را بخواهید و در نهایت گردش کاری داشته باشید که برای هیچ‌چیز خوب کار نمی‌کند.

مرحله ۲: پژوهش

پس از ثبت موضوع، عاملی شروع به کار می‌کند که موضوع، آنچه برند قبلاً درباره آن نوشته و SERPهای فعلی را پژوهش می‌کند تا شکاف‌هایی را که محتوای جدید می‌تواند پر کند شناسایی کند. خروجی یک پرونده اطلاعاتی (dossier) است که به عامل‌های بعدی تحویل داده می‌شود.

عامل: پژوهشگر (Researcher). مستندات پیشنهادی: فهرست منابع معتبر و قابل استناد صنعت که عامل باید اول بررسی کند؛ فهرست منابعی که باید از آن‌ها اجتناب شود؛ الزامات پژوهش مانند به‌روزبودن یا آستانه اندازه؛ نقشه سایت یا فهرست محتوای شما؛ لینک یا مستندات پژوهش‌ها و داده‌های اصلی. اگر می‌خواهید عامل SERP را بررسی کند، مشخص کنید چه نوع نتایجی را تحلیل کند؛ مثلاً آیا نمای کلی AI Overviews را ببیند تا بفهمد برای یک کلمه کلیدی به چه کسی استناد شده؟ آیا سایت‌های رتبه‌برتر را ببیند به جز سایت‌های فهرستی؟ ساخت: دقیقاً به LLM بگویید پژوهش باید به چه چیزی برسد؛ تا حد امکان مشخص باشید، به ویژه درباره اینکه چه چیزی منبع خوب و چه چیزی محتوای خودتان محسوب می‌شود.

مرحله ۳: فهرست مطالب

پس از اتمام پژوهش، پیشنهاد می‌شود کلود فهرست اولیه تولید کند و یک دروازه بازبینی انسانی اضافه کنید؛ این‌طور بدون صرف توکن زیاد می‌فهمید مطلب نهایی چه شکلی خواهد بود و تصمیم می‌گیرید کنارش بگذارید، فهرست را اصلاح کنید یا ادامه دهید.

عامل: فهرست‌ساز (Outliner). ورودی‌ها و مستندات پیشنهادی: نمونه فهرست، راهنمای لحن، پرونده اطلاعاتی عامل پژوهش. ساخت: یک نمونه فهرست در اختیار LLM بگذارید و همه اجزای ضروری را شرح دهید؛ مثلاً اگر فهرست سلسله‌مراتبی دوست دارید، صریح بگویید و بخش‌های الزامی را توصیف کنید.

مرحله ۴: نوشتن

اکنون LLM بر اساس فهرست و پژوهش، محتوا را می‌سازد. عامل: نویسنده (Writer). ورودی‌ها و مستندات پیشنهادی: پرونده اطلاعاتی پژوهش، فهرست، راهنمای لحن برند، اطلاعات ICP، مطالعه‌های موردی، پژوهش‌های دست‌اول. ساخت: نمونه‌ای از محتوای باکیفیت که از فهرست نوشته شده به LLM بدهید؛ از آن بخواهید جریان روایی و پیشروی منطقی مطلب، واژه‌ها و نحوه استفاده از آن‌ها را تحلیل کند. اگر قواعدی دارید — مثل «نتیجه اول، جزئیات بعد» (BLUF) یا MECE — زمان اعمال هر کدام را صریح بگویید.

مرحله ۵: ویرایش، راستی‌آزمایی و تکرار

به جای گذاشتن دروازه بازبینی انسانی مستقیم بعد از نوشتن، نویسنده ترجیح می‌دهد دست‌کم یک مرحله ویرایش اجرا شود. در سیستم کامل‌تر، او یک ویراستار معمولی دارد که مطابقت با استانداردهای برند و هم‌خوانی پیش‌نویس با زاویه و فهرست اعلام‌شده را بررسی می‌کند؛ یک راستی‌آزمای (fact-checker) که با بازبینی دوباره آمارها صحت را تأیید می‌کند؛ و یک ویراستار هوش مصنوعی که نشانه‌های هوش مصنوعی (AI tells) را از متن حذف می‌کند.

این ویراستارها فقط اصلاحات نگارشی نمی‌کنند؛ ارزیابی هم می‌کنند که مطلب به بازبینی بیشتری نیاز دارد یا نه و آن را پیشنهاد می‌دهند. برای نتیجه بهتر، هر کدام باید در پنجره زمینه (context window) جدید اجرا شوند. در ابتدا یک ویراستار واحد هم‌زمان ساختار، پوشش و سبک را مدیریت می‌کرد؛ اما تقسیم آن به دو ویراستار — یکی برای ساختار و پوشش، یکی برای عبارت‌پردازی و نشانه‌های هوش مصنوعی — خروجی بهتری از اینکه یک زمینه همه‌چیز را یکجا اصلاح کند تولید کرد.

همچنین درخواست راستی‌آزمایی از ویراستار به دو کار ناقص منجر می‌شد؛ این هم جای خوبی برای قرار دادن حلقه بازخورد (feedback loop) است.

عامل‌ها: ویراستار، راستی‌آزمای، ویراستار هوش مصنوعی. ورودی‌ها و مستندات پیشنهادی: دستورالعمل‌های ویراستاری، راهنمای لحن، پرونده پژوهش، پیش‌نویس نویسنده.

ساخت: هر یک از این سه عامل به دستورالعمل‌های متمایز نیاز دارند.

ویراستار: مسئول بررسی رعایت راهنمای سبک است. اگر واژه‌های خاصی دارید که نمی‌خواهید استفاده شوند، آن‌ها را بررسی و حذف یا جایگزین کند. همچنین می‌تواند ساختار روایی، ترتیب منطقی، عبارت‌پردازی مبهم و پل‌های گم‌شده میان بخش‌ها را بررسی کند. درباره وظیفه‌اش شفاف باشید و در صورت نیاز مثال بدهید.

راستی‌آزمای: اطلاعات توهمی را حذف می‌کند و باید رویکردی خصمانه داشته باشد؛ باید فرض کند همه چیزِ گفته‌شده در مقاله غلط است و تلاش کند آن را رد کند.