Как я выстроил систему для работы с контентом

Всем привет! Меня зовут Миша Шумовский. Я главред медиа про нейросети и маркетолог клуба по нейросетям. 90% моей работы связаны с контентом: я пишу много текстов, постов, рекламных объявлений. И еще столько же редактирую.

Я работаю с нейронками с самого выхода ChatGPT в открытый доступ — и прошел путь от работы в обычном чате, когда ты закидываешь огромный промпт в чат и надеешься получить хорошую статью с первого запроса до полноценной системы в Claude Code, где по одной команде запускается цепочка агентов и статья пишется в фоновом режиме.

В этой статье решил собрать все, что я знаю про работу с текстами в нейронках и поделиться своими подходами (ссылка на GitHub в конце). Но сначала немного истории.

Раньше статья занимала у меня 5–8 часов, теперь — около часа

Когда я писал все руками, на статью-подборку уходило часов пять, а на сложную тему с экспертами — восемь и больше. Туда входило все: разобраться в теме, собрать фактуру, выстроить структуру, написать, отредактировать, проверить факты.

Сейчас на статью у меня уходит около часа, редко доходит до двух. И это только мое время — то, что я трачу сам. Нейросеть при этом работает в фоне, и эти часы я в расчет не беру: пока она собирает фактуру или пишет черновик, я занимаюсь другими делами.

За счет этого получается выпускать 15–18 статей в месяц, при том что у меня есть еще одна фултайм офлайн работа и много управленческих задач. Раньше, когда я писал все сам, столько же статей мог написать только выкладываясь на максимум. 

С самого начала я разбил работу на этапы как в обычной редакции

После знакомства с нейронками я очень быстро понял, что работу нужно дробить на этапы. А значит — для каждого этапа нужен свой идеальный промпт.

Поэтому я развел все по этапам — тем же, через которые статья проходит в любой редакции. Сначала стал придумывать тему и собирать под нее фактуру. Потом на основе фактуры строить план, проверять и одобрять его. А дальше — писать по нему черновик, редактировать и в конце проверять факты. На ранних моделях я делал это все в разных чатах, потому что контекстного окна там не хватало на всю статью. Но со временем нейронки поумнели и писать всю статью я стал в одном месте.

Самым важным оказался не текст, а план

План — основа всего, на чем работает нейросеть. Какой план вы ей дадите, такой текст она и напишет. Если в план попадет недостоверный факт или неправильно сформулированная мысль — нейронка с радостью раскроет ее в статье. В итоге текст будет выглядеть вылизанным и отшлифованным, но как только начнешь его читать — поймешь, что внутри полный бред.

Поэтому самое важное при работе с текстом — сначала собрать хороший план. И полностью доверять в этом вопросе нельзя. Сколько я ни пытался объяснить, как правильно собирать информацию, искать ее и понимать, как нужно выстроить повествование для конкретной ЦА — полностью автоматизировать этот процесс не получилось. Часто нейронка находила очень крутую и полезную информацию, но в контексте конкретной статьи она не имела смысла.

Поэтому даже сейчас планы я собираю вместе с нейронкой. Так работа идет быстрее, чем перекладывать все на нее, а потом еще вносить кучу правок.

Что касается самого плана — то списка пяти пунктов, где у каждого по три подпункта, нейросети не хватит. По нему она напишет много отсебятины, потому что вы не объяснили, о чем и зачем каждый раздел. Хороший план должен описывать по каждому разделу три вещи: 

1. О чем здесь рассказываем. 

2. Какой путь читатель проходит от одного понимания к другому.

3. Что в разделе обязательно нужно упомянуть. 

Например: «Раздел первый. Объясняем, зачем дробить работу на этапы. Читатель приходит с привычкой решать все одним промптом и уходит с пониманием, почему так не выходит. Обязательно упомянуть, что к середине текста модель растеряет часть требований». И так по каждому разделу. Только по такому плану получится с первого раза собрать вменяемый черновик, который останется отредактировать.

Что касается фактуры, то здесь все зависит от типа статьи. Если это какая-то подборка с мини-обзорами — цифры, описания сервисов, тарифы, состояние интерфейсов нейросеть может собрать сама. Главное — напоминать ей, какой год на дворе и что нужно обязательно проверять информацию в интернете. Иначе она может положиться только на свои устаревшие знания. Либо пойти в интернет с неправильным запросом и наткнуться на неактуальную статью.

Для сбора информации обычно с головой хватает обычного поиска. Свежие модели проверяют сразу несколько сайтов и сверяют найденное с чужими статьями. Если какой-то сайт не отдаст часть контента, модель сама перейдет на другой и соберет данные там. Подключать дополнительные API-парсеры не нужно: они только съедают контекстное окно и тратят лимиты.

Для новой сложной темы, в которой вы пока не разбираетесь, стоит включать режим Deep Research: с ним нейросеть проверит большую массу ссылок за раз и глубже разберется в задаче. 

После сбора фактов можно для уверенности прогнать промпт, по которому нейронка разобьет текст на маленькие куски, выпишет из каждого все проверяемые утверждения в сводную таблицу и перепроверит каждое через поиск:

На выходе получится таблица фактов со ссылками: где данные подтвердились, где нет и где осталось неясно и нужно доработать. 

Даже по хорошему плану текст звучал иишно

Само собой одного только плана не хватало, чтобы написать хороший текст. Поэтому очень долго я пытался объяснить нейросети , как правильно формулировать мысли, как раскрывать и подавать их. Пересказывал кучу правил из «Пиши, сокращай», показывал еще больше примеров — что-то срабатывало, а что-то — нет.

Так у меня появился большой промпт для генерации текстов. Внутри были правила по типу:

1. Абзацы короткие, 2–4 предложения. Один абзац — одна мысль. Если в абзаце две мысли, даже связанные, разбивайте на два абзаца. Внутри абзаца сохраняется плавность, есть связки и переходы. Исключение: объяснение новой концепции или описание процесса может занимать 4–6 предложений в одном абзаце. Дробить такой абзац на 3-4 кусочка по 1-2 предложения не нужно — текст станет рваным. Ориентир: абзац должен читаться как связный блок, а не как список тезисов.

2. Предложения должны быть полными, с подлежащим и сказуемым. Не пропускаем важную информацию. Если для понимания нужен контекст, даем его.

3. Каждое предложение должно двигать мысль вперед. Если предложение можно убрать и смысл абзаца не изменится, его нужно убрать. Это касается пояснений, которые очевидны из контекста, и деталей, которые не влияют на понимание.

4. Каждый блок текста имеет одну задачу: объяснить, показать на примере, дать инструкцию к действию, предупредить.

Таких пунктов было много, и в рамках одного чата нейросеть их хорошо улавливала.

Но проблемы по стилистике все равно были и со временем я понял проблему — большинство нейронных текстов звучали вроде бы правильно, но написаны так, как человек на русском никогда не скажет. Просто потому что выразится иначе. Думаю, что причина этому — в обучающей базе.

Большинство моделей учатся в основном на англоязычных текстах. И когда нейросеть пишет, она как бы формулирует мысль на английском, а потом переводит на русский. В итоге где-то перевод выходит неточным, где-то теряется контекст. К тому же строй предложения в английском другой, поэтому модель путается и собирает русскую фразу не так, как собрал бы ее человек. Отсюда и берутся неестественные конструкции.

Главный маркер такого текста (для меня) — глаголы состояния в настоящем времени. Модель любит писать «нейросеть генерирует сайт», «сервис создает презентацию», хотя по-русски в этом контексте скажут иначе: «нейросеть поможет сгенерировать сайт», «можно создать презентацию». Разница в том, что в момент чтения у человека ничего не генерируется. Статья просто описывает, на что сервис способен. Настоящее время тут создает диссонанс, и текст сразу читается как машинный.

Есть и другие частые маркеры: канцелярит вроде «данного инструмента», пассивные конструкции, пустые усиления, обороты «стоит отметить», драматичные выводы на ровном месте, рубленые однообразные фразы. 

Из-за такого обилия маркеров у меня со временем к промпту для генерации текста у меня добавился еще один — для редактуры. В него попали так называемые антипаттерны — список сигналов, которые усиливают иишность текста. 

В разделе с антипаттернами я прямо указал: это не запрещенные слова, но нужно учитывать контекст, в котором они используются. И самый простой способ проверить — спросить, а в русском языке так вообще говорят? Если нет, предложение нужно переформулировать. 

Такой прием на удивление работал хорошо.

Со временем промпты надоели и я собрал обвязку

Дело было не только в промптах — прокачались и сами нейросети. Контекстное окно стало больше и модели научились хорошо улавливать задачи по одному большому промпту. 

А так как мне уже надоело просто копировать по несколько промптов туда-сюда и я решил чуть упростить себе жизнь. И собрал все свои промпты (кроме промпта для плана) в один большой документ. Назовем его обвязкой, в редакциях такие штуки называются редполитикой.

По сути я собрал сборник правил, который получает новый автор в редакции: как формулировать мысли, для кого пишем, что можно и чего нельзя, как искать и проверять информацию. Туда же добавил короткие примеры хороших опубликованных текстов разных форматов: постов, подборок, гайдов, кейсов. По ним модель должна была улавливать ритм и понимать, как должен звучать готовый материал. И также прописал все антипаттерны. 

Само собой, собрал я ее не с первого раза и поначалу результаты были не очень. Нейронка не учитывала много правил и теряла инструкции. Поэтому я дорабатывал обвязку по ходу работы.

Писал текст вместе с нейросетью и ловил места, где она ошиблась или неправильно раскрыла мысль. Когда находил такое место, переписывал его сам, показывал модели свой вариант и спрашивал, чем он отличается от ее текста:

Почему в прошлый раз ты не справилась и не написала так, как мне нравится, а у меня получилось? Что в моем тексте отличается от твоего?

Нейросеть разбирала разницу: где я построил предложения иначе, где по-другому раскрыл мысль, за счет чего вышло лучше. Дальше я просил оформить эту разницу в правило, чтобы в следующий раз с похожей задачей она ошибку не повторила. В таком режиме я работал примерно месяц. За это время редполитика доросла до полноценного файла страниц на десять. Причем редполитик стало несколько — по каждому направлению моей работы. 

Обвязка круто работала, но хотелось больше автоматизации

После настройки обвязки за раз я все равно писал по одной статье. Делать больше было не очень удобно: приходилось прыгать между чатами, забирать отдельные блоки готовых текстов (потому что писал я не все текст сразу, а по 1-2 блокам), уносить их в гугл док. 

Тогда я решил дойти до максимальной автоматизации, чтобы весь текст поблочно писала нейросеть и сохраняла в отдельный файлик. А мне оставалось только отредачить его или сразу забрать в доки. 

Главным инструментом выбрал Claude Code — агент от Anthropic, который живет внутри папки и подхватывает все, что вы в нее положите. По умолчанию он работает в терминале и отдельном приложении. Как любой нормальный НЕайтишник, когда я впервые столкнулся с терминалом, понял, что мне такое счастье не надо. 

Поэтому быстренько ушел на Cursor — это оболочка с обычным графическим интерфейсом, куда Claude Code можно было подключить расширением. В левой части экрана там можно отслеживать все файлы проекта, а в центральной общаться с ботом внутри обычного чата. В общем, выбрал Cursor, потому что он оказался Гугл Документами для работы с файлами. 

За Cursor я вообще не платил — как оболочку его можно использовать бесплатно. А Claude купил по подписке за $100 — там на 5-часовом лимите получается написать до 3 статей. Мне этого более чем достаточно.

Если сильно раскошеливаться не хочется, можно взять Codex от OpenAI. Там хватит 20 долларовой подписки на 1-2 статьи.

Когда я настроил рабочее место, дальше стал настраивать внутри папки саму редакцию.

Я создал папку на рабочем столе и положил туда все редполитки, что у меня были. Открыл Claude Code и описал словами, чего хочу. Запрос звучал примерно так:

Программировать ничего не пришлось. Claude сам предложил, как разбить работу по ролям: сделать планировщика, рецензента, автора, фактчекера, корректора и выпускающего редактора. А дальше задал уточняющие вопросы — откуда берется план, на каком этапе я хочу лично утверждать результат, нужен ли веб-ресерч с проверкой по источникам, сколько статей я планирую писать в потоке. Я ответил, и Claude продолжил собирать систему уже под мой процесс. 

Главное, что он сделал, — разобрал мою редполитику на скиллы. Скилл — это подробный промпт-инструкция для одного агента: что он делает, откуда берет информацию, на что обращает внимание. Большой документ Claude переработал и разложил на отдельные скиллы под каждую роль.

В готовой системе у каждого этапа появился свой агент. Один стал собирать фактуру, другой строить план, третий его проверять, дальше писатель писать текст, а редактор и фактчекер его вычивать. Писатель работает по два блока за раз: берет план, перечитывает уже написанное и дописывает следующие два блока — и так до конца статьи, без моего участия. 

Я развел агентов по ролям не ради красоты. Когда роль одна, ее можно объяснить подробнее, чем в общем промпте, и у агента появляется поле для маневра — он отвечает за свой кусок и может что-то искать и проверять, не отвлекаясь на остальное. А еще так видно, где чинить, когда результат вышел хуже. Слабый план — нужно править планировщика. Текст кринжовый — дело в писателе или редполитике. Много дублей — стоит усилить проверку. В одном большом промпте учесть все детали просто невозможно. И контролировать каждый шаг сложнее.

Помогает и то, что после каждого запуска остается вся история работы. Фактура, план, черновик, замечания редактора и финальная версия лежат отдельными файлами. Поэтому я всегда могу посмотреть промежуточные итоги работы и понять, где нейросеть сработала неэффективно.

Все файлы этой системы — обычные Markdown-файлы, так что прочитать их может любая нейросеть. Поэтому в той же папке работает не только Claude, но и Codex, и Gemini и любые другие нейронки.

Дорабатываю систему я так же, как собирал редполитику. Если агент написал криво или упустил важное, спрашиваю, какой информации не хватило в его скилле, — и он дополняет инструкцию сам. Так система с каждой статьей становится точнее.

Но как бы я ни старался — добиться идеального текста только внутри Claude Code у меня не получилось. В этом инструменте нейросеть пишет суше, иногда текст получается чересчур рубленым и механическим.

Поэтому финальный этап работы над любой статьей — я даю материал веб-версии Claude и прикладываю редполитику единым файлом. Нейронка просматривает текст еще раз и находит правки по мелочи. И дорабатывает их. 

А дальше я руками правлю что-то по мелочи. Как раз на эти мелкие правки и уходит от 30 минут: иногда нужно поправить глаголы, отдельные фразы. А иногда я чуть перестраиваю целые предложения — так выходит быстрее, чем просить поправить нейросеть.

Что еще я передал нейросети

Про свою систему я рассказал все, что хотел. Но осталось еще много интересного: что же нужно писать руками, как придумывать темы с нейросетями и как поисковики относятся к ИИ-текстам. Давайте по порядку.

Сложные темы по большей части пишу сам

Если точнее — сам управляю процессом и надиктовываю нейросети, что нужно писать. Чем сложнее тема, тем больше в ней точек, где без человека не обойтись. Юридическую, медицинскую, финансовую или просто незнакомую тему приходится пристально проверять на всех этапах: нейросеть не чувствует, какую информацию подать и как, и легко пропускает важное. Поэтому подобные темы от момента плана до финальной редактуры я веду вместе с нейронкой.

Плюс многое тут зависит от того, разбираетесь ли вы в теме сами. Если разбираетесь, нейросети можно доверять спокойнее — вы сами заметите ошибку и ничего важного не упустите. Если нет, фактуру и фактчекинг лучше делать руками, чтобы минимизировать риск ошибки.

Темы для статей придумываю с нейросетью

Еще в 23 году я частенько приходил к нейронке и в обычном чате просил накидать интересных тем для статей. Ни о какой проверке частотности по Wordstat речи не шло — ИИшка просто давала мне список из 100 тем, а я на глаз определял, зайдет или нет. 

Сейчас такой метод я не использую, потому что придумать интересную и популярную (а это очень важно) тему сложно. Практически невозможно.

Вместо этого я отдаю нейронке API сервиса Bukvarix — бесплатный сервис, который подключается к Wordstat и собирает по любому запросу 250 первых слов из выдачи. В итоге нейронка минут 30 шерстит разные запросы по сферам, которые я ей задаю. И возвращает мне 50 потенциальных тем с информацией по частоте и потенциалу. Из них обычно 5-7 тем звучат ничего и я забираю их в работу.

Врать не буду: параллельно я сам смотрю блоги конкурентов и думаю, о чем еще таком можно написать. Но скоро обленюсь делать и это и настрою парсер, который будет за всеми следить. 

P. S. Вместо Bukvarix можно работать напрямую с Wordstat. Но я живу в Беларуси и с использованием сервисов Яндекса есть разные сложности.

А как поисковики относятся к ИИ-контенту?

Часто спрашивают: не наказывают ли поисковики за тексты, написанные нейросетью. Сам по себе факт нейросети ни на что не влияет. Поисковик наказывает массовый бесполезный контент — страницы, которые штампуют под трафик без экспертизы, проверки и пользы для читателя. Если статью нормально сделали и отредактировали, за ней стоит эксперт и она раскрывает тему, нейросетевое происхождение на ранжирование не повлияет.

Так что не бойтесь писать с нейронками. Бойтесь писать плохие тексты.

Вместо заключения: три правила, на которых держится вся работа

Не привязывайтесь к моделям. Нейросеть — это просто инструмент, такой же, как Google-таблицы или Word. Я помню, как сам когда-то писал статьи в Word, мучился с форматированием и прыгающими картинками, а потом перешел на Google Docs и сразу понял, насколько так удобнее. С нейросетями то же самое: если ради хорошего результата приходится каждый раз изворачиваться и страдать, проще уйти туда, где работать быстрее и проще. Когда вышел ChatGPT-4o, многие так к нему привыкли, что писали жалобы Сэму Альтману и не хотели уходить на другие модели, хотя рядом уже был Claude, который писал в разы сильнее. Привязанность к одному сервису обходится дороже, чем кажется.

Не экономьте на рабочем инструменте. Многие используют бесплатные модели вроде DeepSeek, Qwen, Kimi и т. д. Они хороши на простых задачах и использовать их точно можно. Но для постоянной работы в потоке куда проще работать с Claude, ChatGPT или Gemini — с ними хороший текст получится написать проще быстрее. Если статью на DeepSeek я напишу за три часа, то с Claude на ней уйдет час-полтора. А сэкономленного времени хватит на еще одну статью, которая отобьет мне стоимость подписки и позволит заработать сверху. Короче, считайте подписку не расходом, а инвестицией. 

Один раз настройте процесс. Самое утомительное в работе с нейросетью — каждый раз начинать с пустого чата. Снова объяснять стиль, аудиторию, ограничения, факты, структуру. Куда приятнее один раз собрать обвязку с правилами и примерами, настроить процесс — и писать заметно быстрее. И неважно, будете вы это делать по одной статье в веб-версии или на потоке в Claude Code.

Спасибо всем, что дочитали эту статью до конца! Как и обещал — вот ссылка на GitHub-репозиторий с моей системой для генерации текстов — тык сюда. Можете использовать эту систему как шаблон и затачивать под свои проекты. Если есть предложения или вопросы по системе — пишите в комменте, буду рад пообщаться;)