News
Praktyczne zastosowaniaTwoje testy przechodzą, a agent i tak robi głupoty — dlaczego klasyczne QA tu nie działa i co z tym zrobić•Praktyczne zastosowaniaAgentic workflow w produkcji: kiedy gotowy control plane wystarczy, a kiedy musisz budować własny•Praktyczne zastosowania95% pilotaży AI nie trafia do produkcji — i nie chodzi o kod•Praktyczne zastosowaniaLLM jako selektor akcji: dlaczego 72% to pułap, którego nie przeskoczysz bez zmiany architektury•Praktyczne zastosowaniaKiedy jeden provider LLM zaczyna kosztować więcej niż cały zespół•Praktyczne zastosowaniaRachunek 4x wyższy niż zakładałeś: kiedy bezpośrednie SDK przestaje wystarczać w agentach AI•Praktyczne zastosowaniaTwój scraper spala tokeny na menu nawigacyjnym. Oto co zrobić zamiast tego•Praktyczne zastosowaniaTwój agent AI właśnie przeczytał stronę, która go okłamała — i nie wie o tym•Praktyczne zastosowaniaTwoje testy przechodzą, a agent i tak robi głupoty — dlaczego klasyczne QA tu nie działa i co z tym zrobić•Praktyczne zastosowaniaAgentic workflow w produkcji: kiedy gotowy control plane wystarczy, a kiedy musisz budować własny•Praktyczne zastosowania95% pilotaży AI nie trafia do produkcji — i nie chodzi o kod•Praktyczne zastosowaniaLLM jako selektor akcji: dlaczego 72% to pułap, którego nie przeskoczysz bez zmiany architektury•Praktyczne zastosowaniaKiedy jeden provider LLM zaczyna kosztować więcej niż cały zespół•Praktyczne zastosowaniaRachunek 4x wyższy niż zakładałeś: kiedy bezpośrednie SDK przestaje wystarczać w agentach AI•Praktyczne zastosowaniaTwój scraper spala tokeny na menu nawigacyjnym. Oto co zrobić zamiast tego•Praktyczne zastosowaniaTwój agent AI właśnie przeczytał stronę, która go okłamała — i nie wie o tym•
AI·Odkrywca
AI·Odkrywca
Metoda

Jak powstaje ten magazyn.

AI Odkrywca jest w 70% zautomatyzowany — pipeline od RSS feedu do opublikowanego artykułu jest jeden klik. Pozostałe 30% to human review — bez tego nie publikujemy. Bez czarnej skrzynki.

10 etapów pipeline'u

  1. 01
    Discover
    auto · 24/7

    Cron 4×/dobę: RSS feedy (Anthropic, OpenAI, polskie blogi tech), Reddit, GitHub trending. Każdy nowy item zapisany jako "discovery" w bazie z hash dedup.

    n8nRSSReddit API
  2. 02
    Prioritize
    auto · scoring

    Discover_scorer agent (Claude Haiku 4.5) ocenia każdy item: relevance dla polskiej audiencji, intent_match, freshness, evergreen_potential. Geometric mean → score. Top 30/dobę → triaged.

    Claude Haiku 4.5OpenRouter
  3. 03
    Research
    auto · agent

    Researcher agent (Claude Sonnet 4.6) bierze triaged discovery i buduje brief: target_keyword, audience persona, angle, outline H2/H3, knowledge_pack ze źródłami i faktami.

    Claude Sonnet 4.6Anthropic
  4. 04
    Brief
    auto + human OK

    Brief jako jednostka pracy: 4-6 H2 sekcji, każdy z purpose, closing_pattern (werdykt/next_step/redirecting question). Human review opcjonalny przed drafterem.

    DirectusNotion
  5. 05
    Draft
    auto · agent

    Drafter agent (Sonnet 4.6) generuje pełen artykuł 1200-1800 słów. System prompt v0.1 wymusza 5 atrybutów brand voice, zakaz halucynacji, blacklist 30+ fraz.

    Claude Sonnet 4.6brand voice prompt
  6. 06
    QA
    auto · multi-pass

    Trzy agenty równolegle: fact_checker porównuje claims z knowledge_pack, seo_scorer ocenia 6 wymiarów, brand_voice_matcher waliduje 5 atrybutów + blacklist + 6 anti-patterns. Każdy ≥1 fail = back to draft.

    Claude × 3Originality.ai
  7. 07
    Human Review
    manual · 5–10 min

    Andrzej (lub redaktor) czyta cały draft, dorzuca ≥1 osobistą anegdotę / opinię (reguła 80/20 — bez tego brzmi jak generic AI), odhacza 10-pkt checklistę, klika Approve.

    admin panel
  8. 08
    Optimize
    auto · pre-publish

    Schema.org markup (Article + Person + Organization), OG image generator, alt-texty, internal linking agent znajduje 3-5 powiązanych postów.

    schema.orgagent linking
  9. 09
    Publish
    auto · CMS

    Slug auto z tytułu (PL-aware: ł→l, diacritics off), unique check, posts row z canonical_url, ISR rebuild Nuxt frontu, GSC Indexing API submission. Post live w ~30s od approve.

    DirectusNuxt ISRGSC API
  10. 10
    Distribute
    auto · multi-channel

    Beehiiv newsletter (środa 8:00, top z tygodnia), LinkedIn post per article z hookiem, X thread dla deep-dive, opcjonalnie syndykacja na Medium/Substack canonical-back.

    BeehiivBufferLinkedIn API

Co robi człowiek, co robi AI

Etap
AI robi
Człowiek robi
Decyzje strategiczne
—
Wybiera klastry, target keywords, brand voice spec
Discover
Cron, dedup, wymiana między source-ami
Decyduje którE źródła monitorować
Scoring
4 components × normalizacja
—
Brief
Outline, target keyword, knowledge_pack
Może nadpisać angle
Draft
Generuje 1500 słów wg brand voice
—
QA
Fact-check, SEO, brand voice (3 agenty)
—
Review
—
Czyta całość, dodaje anegdotę, odhacza 10 pkt, approve
Optimize/Publish
Schema.org, slug, ISR, GSC submit
—
Distribute
Newsletter, social posts
Może edytować social copy

Dlaczego tak?

90% polskiego AI-content to tłumaczenia z angielskiego z 2-godzinnym opóźnieniem. To nie pomaga ani decydentowi, ani marketerowi, ani devowi.

Zbudowaliśmy ten pipeline z trzech powodów: a) żeby publikować więcej rzeczy z konkretami niż możemy ręcznie napisać; b) żeby koszt jednego artykułu zszedł poniżej 15 PLN (ręczna produkcja: ~500 PLN); c) żeby human review zachował redakcyjną poprzeczkę — artykuł nie wjeżdża na produkcję bez odhaczenia 10-pkt checklisty przez Andrzeja.

Brand voice spec (5 atrybutów + blacklist 30+ fraz + 6 anti-patternów) jest egzekwowany przez brand_voice_matcher agenta. Hallucynacje są łapane przez fact_checker wobec knowledge_packu briefa. Każdy etap loguje się do audit_log z cost trackingiem.