Кейс ReMetod

Как ReMetod пишет статьи сам — и почему это не просто «нейросеть написала текст»

Разбор внутренней системы ReMetod: генератор, независимый валидатор и детерминированный технический гейт публикуют SEO-статьи автоматически — 30-50 секунд на статью, 27 из 32 с первой попытки.

n8nDeepSeekGPT-4.1-miniPostgreSQLFastAPINext.js

Зачем это вообще нужно

У ReMetod есть сотни поисковых запросов, на которые стоит ответить статьёй: как ИИ помогает планировать закупки, адаптировать сотрудников, считать риск дефицита. Написать столько текстов руками — это месяцы работы редактора. Мы построили конвейер, который делает это сам — но не в смысле «нейросеть написала текст», а в смысле «мы автоматизировали всю маленькую редакцию, а не одного человека в ней».

Как это устроено, если по-человечески

Представьте редакцию из трёх сотрудников.

Первый — автор. Получает тему и пишет статью по чёткому плану: в чём проблема бизнеса, как её решает ИИ, какие данные нужны, что человек должен сделать первым шагом. Не абстрактный текст, а конструктор из конкретных смысловых блоков.

Второй — редактор. Читает статью и ищет реальные проблемы: не выдумал ли автор факт о компании, не запуталась ли терминология, не съехал ли текст в шаблонные фразы вроде «повышает эффективность» без объяснения, за счёт чего именно.

Третий — технический корректор с чек-листом. Механически проверяет то, что можно проверить формально: все обязательные разделы на месте, числа в примерах не взяты с потолка, ссылки корректны.

Если редактор или корректор находят проблему — статья возвращается автору с конкретными замечаниями, а не общим «переделай». Так до трёх раз. Если всё чисто — публикуется сама, без участия человека.

Что происходит технически

Автор — языковая модель (DeepSeek), которая получает JSON-схему из ~25 полей и обязана заполнить каждое по строгим правилам: не выдумывать кейсы, не подтверждённые внутренней базой знаний, помечать условные примеры отдельным флагом.

Редактор — вторая, независимая модель (GPT-4.1-mini через OpenRouter) с закрытым набором из 8 проверяемых критериев: фактическая точность, терминология, естественность языка, отсутствие штампов. Её вывод превращается в вердикт PASS / REVISION / FAIL.

Корректор — уже не нейросеть, а обычный код внутри n8n: регулярными выражениями и проверкой полей схемы он ловит то, что можно проверить формально — пустые обязательные блоки, отсутствие формулы там, где она нужна, некорректный CTA.

Если хоть один из двух проверяющих отклоняет статью, весь цикл повторяется — генератору передаётся его же прошлый текст плюс конкретный список претензий: почини именно это, не переписывай всё заново.

Вот как это выглядит целиком как workflow — от ручного триггера до публикации или возврата на доработку:

Весь пайплайн генерации статьи в n8n: от Fetch Planned Page до Publish Page или Return To Revision

Стек

Оркестрация: n8n — весь пайплайн (генератор → валидатор → технический гейт → публикация) собран как workflow
Генератор: DeepSeek (deepseek-chat), нативный API
Валидатор: OpenAI gpt-4.1-mini через OpenRouter
Технический гейт: обычный JS-код внутри n8n-ноды — не LLM, а детерминированные проверки
База данных: PostgreSQL — реестр страниц, база знаний, история прогонов
Backend: FastAPI (Python)
Frontend: Next.js / React (TypeScript)
Инфраструктура: Docker Compose на собственном сервере, деплой через git

Результат

Весь цикл — от темы до готовой опубликованной страницы, включая генерацию и валидацию — занимает 30–50 секунд. Из последних 32 прогнанных статей 27 ушли в публикацию с первой попытки, без единой правки человека.

Так это выглядит в реестре: статус каждой страницы, оценки валидатора и технического гейта, модель, которая писала и проверяла:

Реестр SEO-статей ReMetod — статусы генерации, скоринг validator/quality, модели

Не потому что «модель научилась писать». А потому что мы не дали ей быть одновременно и автором, и единственным судьёй самой себе.