Опыт создания конвейера контента от Alex Lieberman (Morning Brew)

В создании aipmo.ru активно участвуют агенты, которые помогают и подобрать контент, и оформить их, и создать иллюстрации, и опубликовать готовую статью. Идею создания такой “фабрики контента” я придумал не сам, меня вдохновил опыт создания pimenov.ai, описанный Сергеем Пименовым. В создании aipmo.ru основной задачей я видел создание системы по регулярному созданию качественного контента, далекого от “нейрослопа” (так называют массовый контент, созданный с помощью искусственного интеллекта без участия человека, который включает бессмысленные тексты, фальшивые картинки и пустые видео, единственной целью которого являются клики и привлечение внимания).

Поэтому любые материалы по данной теме я тщательно изучаю и недавно я наткнулся на выпуск подкаста Lenny’s Newsletter с Алексом Либерманом, сооснователем Morning Brew, с разбором его системы “Content Machine”: шестишагового конвейера в Claude, который переводит сырую идею в готовый пост и в данном материале будет обзор построенной системы.

Откуда берётся некачественный контент

Либерман формулирует главный диагноз так: пустая страница - это крупнейшая точка трения в создании контента. Когда автор садится писать с нуля, он одновременно решает три задачи: вспомнить, что думает по теме, выстроить структуру и выбрать слова. ИИ помогает с третьей задачей, но не с первыми двумя, и именно здесь рождается нейрослоп: модель заполняет пустоту общими местами, потому что автор не дал ей настоящего материала для работы.

Поэтому первый компонент системы Либермана, который он назвал Oracle, снимает эту проблему ещё до того, как человек открыл файл. Oracle сканирует внутренние хранилища информации автора, в числе которых Notion, Linear и Slack, а также внешние источники, и ищет “спайки”: темы, которые уже перегреты в его мышлении или в повестке. Поиск темы начинается не с запроса к модели, а с того, что автор уже накопил.

Как система вытягивает реальные мысли автора

Второй компонент называется Interview Panel, и это самое нестандартное звено в цепочке.

Вместо того чтобы просить Claude написать черновик, система сначала задаёт автору вопросы. Модель выступает интервьюером: она вытягивает из Либермана его реальные мысли, конкретные примеры, нюансы позиции. Автор отвечает голосом через Wispr Flow, инструмент голос-в-текст. Этот транскрипт и становится исходным материалом для черновика.

Либерман прямо называет пропуск этого шага главной причиной “нейрослопа”. Когда источником служит не интервью автора, а общий промпт, модель не имеет доступа к тому, что человек реально думает. Она заменяет это усреднёнными тезисами. Интервью-этап решает именно эту проблему: Claude пишет не из себя, а из того, что автор только что наговорил.

Механика здесь важна. Голосовой ввод снижает сопротивление: наговорить ответы на пять вопросов легче, чем написать структурированные тезисы. Wispr Flow переводит речь в текст, этот текст идёт в Claude как контекст. Черновик, который выходит на другом конце, несёт в себе логику и интонацию самого автора, потому что они буквально присутствуют в промпте.

Voice & Style файл: кодификация голоса

Третий компонент, Voice & Style файл, это Markdown-документ с детальными правилами голоса и стиля. Не инструкция в духе “пиши дружелюбно и по делу”, а детализированное описание: регистр, характерные конструкции, что Либерман делает и чего никогда не делает в тексте.

Этот файл подключается к каждому запросу. Он не даёт модели дрейфовать к “среднему по интернету”, даже когда тема нейтральная или черновик прошёл несколько итераций. Voice guide работает как постоянный ограничитель: Claude знает, как звучит Либерман, потому что у него есть этот документ, а не просто общее указание “пиши в моём стиле”.

Либерман превратил авторский голос в артефакт, который можно обновлять и передавать системе как явный контекст. Именно это позволяет системе не дрейфовать при смене темы или после долгого перерыва.

Editorial Council: параллельный ревью-цикл

Четвёртый компонент системы называется Editorial Council. Черновик, прежде чем стать постом, проходит через шесть персон-редакторов, каждая из которых оценивает его с отдельной позиции.

Это не один запрос “улучши текст”. Это параллельный ревью-цикл: каждая персона задаёт свой тип вопросов и смотрит на черновик под своим углом. Суммарно текст получает критику с шести сторон, прежде чем Либерман принимает финальное решение.

Такой подход воспроизводит то, что в большом медиа делает редакция, но в одиночном конвейере.

Lessons Loop: система, которая обучается на отказах

После нескольких прогонов через Editorial Council система накапливает обратную связь через пятый компонент, Lessons Loop. Он собирает то, что Либерман принял и что отверг, и учится на этих решениях. Каждый цикл уточняет, как система ведёт себя в следующий раз: какие правки она предлагает, какие формулировки избегает, как интерпретирует голос автора.

Это не разовая настройка. Система постепенно адаптируется к конкретному автору через накопленную историю его редакторских решений.

Дистрибуция и Cringe Mountain

Либерман отдельно разбирает тему, которую считает главным конкурентным преимуществом в контенте: дистрибуцию. Производство хорошего текста не решает проблему охвата само по себе.

Здесь он вводит концепцию Cringe Mountain: психологический барьер, который авторы преодолевают, когда начинают создавать публичный контент. По словам Либермана, большинство авторов останавливаются именно перед этим барьером, а не из-за отсутствия идей или инструментов. Именно поэтому одной технической системы недостаточно: нужна среда, которая снижает этот барьер.

Именно поэтому в Tenex реализован “Creator Cup”: конкурс по созданию контента среди сотрудников с призовым фондом 5000 долларов. Сотрудники, по словам Либермана, наиболее недоиспользуемый маркетинговый канал компании. Creator Cup превращает производство контента в командный вид спорта: у участников есть мотив, есть рамки, есть система поддержки.

Что здесь воспроизводимо

По Либерману, конвейер работает не потому, что использует Claude. Он работает потому, что каждый шаг закрывает конкретную точку отказа. Oracle убирает пустую страницу. Интервью-этап обеспечивает модель реальным материалом автора. Voice guide держит голос стабильным. Editorial Council находит то, что автор не видит сам. Lessons Loop делает систему точнее с каждым циклом.

Труднее всего воспроизвести именно интервью-этап: он требует, чтобы автор осознанно остановился и ответил на вопросы до того, как увидит черновик. Большинство систем пропускают этот шаг, потому что он выглядит как лишнее трение. Но именно он отделяет контент, написанный из головы автора, от контента, сгенерированного из усреднённых интернет-паттернов.