Как я автоматизировал создание контента для Дзена с помощью нейросетей

Я давно заметил одну вещь: больше всего времени в работе с Дзеном уходит не на написание самой статьи. С текстом сейчас проблем особых нет. Открываешь нейросеть, даешь сожрать промт — через пару минут получаешь вполне нормальный текст.

Для меня проблема в другом: какую тему выбрать? Почему у одного автора статья набрала тысячи дочитываний, а похожий материал у другого просто провалился? Как придумать заголовок, который человек реально захочет открыть?

В какой-то момент я понял, что трачу слишком много времени на одинаковые действия: открываю каналы конкурентов, смотрю публикации, выписываю идеи, анализирую заголовки, потом отдельно думаю над текстом и картинками.

И тогда появилась простая мысль: а зачем делать это вручную, если большую часть такой работы можно отдать нейросетям? Так появился мой сервис для автоматизации работы с Дзен-каналами. Он собирает данные о конкурентах, помогает находить рабочие темы, генерирует заголовки, пишет статьи и даже готовит промпты для создания изображений.

Сразу скажу, что здесь в открытом доступе его не будет, я использую его только для себя. И в статье просто расскажу о его структуре, чтобы вы  при необходимости смогли сделать себе такой-же сервис. 

В основе сервиса лежит связка Zenstat API для получения данных и Google AI Studio / Gemini API для работы ИИ-агентов.

Почему я решил делать не просто генератор статей

Первоначально кажется, что задача простая: берём нейросеть и просим её написать статью. Но на практике такой подход быстро упирается в проблему.

Нейросеть умеет писать текст, но сама по себе не знает, какие темы сейчас интересны аудитории конкретного канала. Она не понимает, почему одна публикация конкурента получила хороший охват, а другая нет. Она не знает, какие форматы заголовков работают именно в Дзене.

Я понял, что проблема не в генерации текста. Проблема — в подготовке данных перед генерацией. Поэтому я решил сделать не одну большую кнопку «Написать статью», а полноценную цепочку из нескольких ИИ-агентов. Каждый агент выполняет свою задачу: один собирает информацию, другой работает с заголовками, третий проверяет идеи, четвёртый пишет статью. Получается что-то вроде небольшой команды редакции, только вместо нескольких сотрудников работают специализированные нейросети.

Как устроен мой сервис: пять ИИ-агентов вместо одного

В сервисе я разделил процесс на пять отдельных этапов:

• анализатор конкурентов;
• генератор заголовков;
• редактор заголовков;
• копирайтер;
• prompt-инженер для изображений.

Такой подход оказался намного удобнее, чем пытаться заставить одну нейросеть делать всё сразу.

Первый агент — анализатор конкурентов

Первый этап — понять, что вообще происходит в нише.

Пользователь добавляет свой канал и несколько каналов конкурентов. После этого сервис через Zenstat API получает данные по публикациям.

Система смотрит статьи за последние 30 дней, сортирует их по количеству дочитываний и показывает самые успешные материалы.

То есть вместо ручного просмотра десятков каналов я получаю список тем, которые уже показали хороший результат.

В техническом задании этот этап реализован через отдельного агента Zenstat Fetcher: он получает публикации конкурентов, фильтрует их по views_till_end, выбирает лучшие материалы и сортирует их по свежести.

Второй агент — генератор заголовков

С заголовками у Дзена всегда отдельная история.

Можно написать отличную статью, но если заголовок выглядит скучно — её просто никто не откроет.

При этом я не хотел делать обычный кликбейт в стиле:

«Вы никогда не догадаетесь, что произошло дальше…»

Такие варианты могут дать быстрый клик, но обычно плохо работают в долгую.

Поэтому второй агент анализирует успешные заголовки конкурентов и создаёт новые варианты на основе их структуры.

Например:

• берётся идея популярной статьи конкурента;
• анализируется причина её интереса;
• создаётся новый уникальный вариант заголовка.

Главная задача — не копировать чужие публикации, а понять, какие темы и форматы сейчас работают.

Третий агент — редактор, который проверяет заголовки

Здесь я сделал простую вещь, которую сначала хотел пропустить.

Я подумал: «Ну зачем отдельная проверка? Пусть нейросеть сразу выдаёт хороший вариант».

Но потом понял, что это не всегда работает.

Даже хороший ИИ иногда предлагает слишком общий заголовок или вариант, который выглядит интересно только самой модели.

Поэтому появился отдельный редактор.

Он оценивает заголовок по шкале от 1 до 10, проверяет проблемные слова и предлагает улучшения.

Получается не просто список идей, а небольшой контроль качества перед публикацией.

Четвёртый агент — нейросеть, которая пишет статьи

После выбора темы начинается создание самого материала. Здесь мне было важно сделать не просто генератор текста, а инструмент, который можно настроить под разные проекты. Например, статья про технологии должна звучать иначе, чем статья про путешествия или личный опыт. Поэтому в сервисе можно задавать собственную роль автора через промпт.

Есть готовые варианты:

• эксперт;
• лайфстайл-автор;
• инструктор.

Также можно загрузить свой текстовый промпт и полностью изменить стиль генерации.

На выходе получается готовая статья в Markdown: с введением, заголовками H2/H3, списками и выводом.

Пятый агент — создание промптов для изображений

Ещё одна проблема, с которой я постоянно сталкивался — это картинки. Можно сделать хороший текст, но если обложка статьи выглядит скучно, пользователь просто пролистывает её дальше.

Сначала я думал добавить автоматическую генерацию изображений прямо внутрь сервиса. Но потом решил сделать проще и гибче: пусть нейросеть готовит качественные промпты, а пользователь уже сам выбирает удобный генератор.

Для этого я добавил отдельного агента — prompt-инженера.

Он анализирует тему статьи и создаёт три промпта:

• первый — для главной обложки статьи;
• второй — для иллюстрации внутри материала;
• третий — для финального изображения.

Причём промпты сразу адаптированы под фотореалистичную генерацию: с описанием камеры, освещения, композиции и обязательным запретом на текст внутри изображения.

Например, в промптах используются ограничения вроде: no text, no letters, no labels, no watermarks.

Как выглядит весь процесс работы сервиса

Если объяснить без технических терминов, схема получается достаточно простая:

Что находится внутри сервиса: техническую часть объясню нормально

Теперь немного про внутренности.

Я специально не хотел делать сложную систему, которую потом невозможно поддерживать.

В основе backend — Python и FastAPI.

Если говорить простыми словами, FastAPI отвечает за всю внутреннюю логику:

• получает данные из Zenstat;
• передаёт задачи нейросетям;
• управляет работой агентов;
• считает стоимость генерации.

Для работы с искусственным интеллектом используется Gemini API через Google AI Studio. Frontend можно сделать отдельно на React или собрать более простой MVP-вариант через FastAPI + HTMX.

Сам проект упаковывается через Docker, а все ключи API хранятся отдельно через переменные окружения, чтобы они не лежали внутри кода.

Самое интересное — сколько стоит создание одной статьи

Когда я делал сервис, мне было интересно понять не только скорость работы, но и реальную стоимость одной публикации. Потому что можно собрать красивый инструмент, но если каждая статья стоит дорого — использовать его постоянно бессмысленно.

Поэтому я добавил отдельный калькулятор себестоимости.

Расчёт выглядит так:

То есть полноценная подготовка статьи с анализом конкурентов и созданием промптов для картинок получается примерно за несколько рублей. Ещё недавно подобный процесс требовал либо ручной работы нескольких специалистов, либо дорогих сервисов.

Но сразу оговорюсь, что бесплатная Geminy пишет так себе и лучше использовать платную модель. В идеале от Anthropic. С платным АПИ статья выйдет примерно рублей 10 с учетом редакции.

Что получилось в итоге

В итоге у меня получился не просто генератор текста. Главная идея была в том, чтобы убрать всю скучную работу вокруг создания контента.

Что бы я изменил в следующей версии

Вообще, мое мнение такое, что пока есть возможность писать статьи бесплатно и у вас есть время, то ничего автоматизировать не надо. Смотрите мой бесплатный курс и работайте.

Идеальных сервисов не бывает. Если бы я продолжал развивать этот проект, я бы добавил ещё несколько вещей.

• автоматическую публикацию готовых материалов;
• более глубокий анализ статистики каналов;
• обучение агентов под конкретную тематику;
• больше вариантов контроля стиля текста.

Потому что самая сложная часть в таких системах — не подключить нейросеть. Сейчас это уже относительно просто. Сложнее сделать так, чтобы она действительно понимала задачу и работала как часть процесса.

FAQ

Заключение

Если коротко — я сделал этот сервис потому, что надоело постоянно повторять одни и те же действия руками.

Посмотреть десять каналов конкурентов, найти темы, придумать заголовки, подготовить структуру, сделать картинки — всё это вроде бы мелочи, но именно они съедают больше всего времени.

В итоге получилось нормально сократить рутину и оставить себе самое интересное — работу с идеями и развитием проекта. Самое важное, что я понял после разработки: нейросеть сама по себе ничего не решает. Но если правильно встроить её в процесс, она реально начинает экономить часы работы.