Tag: ai content workflow

بیشتر گردش‌های کاری انتشار محتوا دقیقاً زمانی که مطلب آماده است، به طور غیرمنتظره‌ای دستی می‌شوند. مقاله تأیید شده است. سپس کسی آن را در CMS کپی می‌کند، عنوان و URL را اضافه می‌کند، فراداده را بررسی می‌کند، قالب‌بندی را اصلاح می‌کند، همان ایده را به پست‌های شبکه‌های اجتماعی تبدیل می‌کند و تمام انتشارات را برنامه‌ریزی می‌کند. پست‌گذاری انبوه ویدیو، مانند هر محتوای دیگری، نیازمند راه‌حل‌های مؤثر برای اتوماسیون است. Model Context Protocol (MCP) راهی را برای ابزارهای هوش مصنوعی فراهم می‌کند تا مستقیماً با سیستم‌های درگیر در این فرآیند کار کنند. به جای تولید یک پیش‌نویس و توقف در آنجا، دستیار هوش مصنوعی می‌تواند اطلاعات تأیید شده را دریافت کند، از ابزارهای ارائه شده به آن استفاده کند و کار را به سیستم بعدی منتقل کند.

ما با افراد و تیم‌هایی که قبلاً از MCP در گردش‌های کاری واقعی استفاده می‌کنند، صحبت کردیم تا بفهمیم چگونه آن را تنظیم کرده‌اند. MCP راهی سازگار برای برنامه هوش مصنوعی برای درخواست ابزارها و داده‌های تأیید شده در طول گردش کار فراهم می‌کند. در گردش کار محتوا، این می‌تواند به معنای ارائه دسترسی تأیید شده به ابزارهای لازم به دستیار هوش مصنوعی باشد، که به آن اجازه می‌دهد ابزارها را درخواست کند، از پاسخ ساختاریافته استفاده کند و تصمیم بگیرد که کدام مرحله بعدی در چارچوب مجوزهای تعیین شده توسط شما خواهد بود.

بهینه‌سازی گردش کار: از روال به اتوماسیون

با گردش کاری که از قبل دارید شروع کنید. یادداشت کنید که از لحظه‌ای که یک کار برای تولید آماده می‌شود تا زمانی که محتوا منتشر می‌شود، چه اتفاقی می‌افتد. برای یک مقاله معمولی، این ممکن است به این صورت باشد: میزبان هوش مصنوعی ← ابزارهای تأیید شده MCP ← سیستم‌های متصل ← بررسی انسانی و انتشار.

سپس، مراحلی را که نیاز به قضاوت دارند و مراحلی را که فقط اطلاعات شناخته شده را از یک مکان به مکان دیگر منتقل می‌کنند، شناسایی کنید. آرون ویتاکر، معاون توسعه تقاضا و بازاریابی در آژانس بازاریابی اینترنتی Thrive، این تمایز را با گردش کار انتشار در وردپرس بررسی کرد. محرک تنها پس از انتقال مقاله از بررسی ویرایشی به وضعیت «تأیید شده برای ورود به CMS» فعال می‌شد.

«ابتدا کارهای قابل پیش‌بینی را خودکار کنید. تصمیم‌گیری‌هایی را که بر آنچه مخاطب در نهایت می‌بیند تأثیر می‌گذارد، به انسان بسپارید.» — آرون ویتاکر.

MCP عملکردهای وردپرس لازم برای ایجاد و به‌روزرسانی یک پست را آشکار کرد. عنوان تأیید شده به فیلد عنوان، متن نهایی به فیلد محتوا، و URL، دسته و توضیحات متا به فیلدهای مربوطه CMS منتقل شدند. وردپرس یک پیش‌نویس ایجاد کرد. صفحه را به طور خودکار فعال نکرد. این یک مرز مفید برای بقیه گردش کار نیز هست.

نمونه‌های استفاده از MCP در پروژه‌های واقعی

گردش کار MCP معمولاً شامل یک میزبان هوش مصنوعی، یک یا چند سرور MCP و ابزارهایی است که این سرورها ارائه می‌دهند. بری شارپ از Claude به عنوان ارکستراتور برای یک سیستم انتشار متصل به GitHub، Ubersuggest، Google Drive، Gmail و Typefully استفاده می‌کند. وب‌سایت او بر روی Astro و Cloudflare Pages اجرا می‌شود، بنابراین انتشار به معنای ایجاد یک Git commit است، نه نوشتن مستقیم در یک CMS سنتی.

تاراس تیموشچوک، مدیرعامل و هم‌بنیان‌گذار Geniusee، یک پشته متفاوت را توصیف کرد. Claude Desktop به Notion برای مدیریت وظایف، GitHub برای مستندات فنی و Strapi برای انتشار متصل می‌شود. ابزارها متفاوت هستند، اما قانون مجوزها یکسان است: فقط به عامل دسترسی به عملیات مورد نیاز برای مرحله فعلی را بدهید.

• امنیت: شارپ از مجوزهای فقط خواندنی در جایی که کافی است استفاده می‌کند. اعتبارنامه‌های حساس Cloudflare خارج از مدل باقی می‌مانند و از طریق GitHub Actions مدیریت می‌شوند. سرورهای MCP خودمیزبان Geniusee نیز دسترسی را احراز هویت کرده و عملیات مخزن را محدود می‌کنند.
• قانون ایمنی: با کمترین مجموعه مجوزهایی که می‌تواند گردش کار را تکمیل کند، شروع کنید. دسترسی نوشتن را فقط در جایی که عامل واقعاً نیاز به نوشتن دارد، اعطا کنید.

عامل باید بداند چه زمانی مجاز به شروع است. در Geniusee، گردش کار زمانی شروع می‌شود که وضعیت یک مطالعه موردی در Notion به «پیش‌نویس» تغییر کند. سپس MCP زمینه فنی و خلاصه‌های درخواست کشش را از GitHub جمع‌آوری کرده و آنها را در یک خلاصه پس‌زمینه ساختاریافته در Notion برای نویسنده فنی کامپایل می‌کند. شارپ گردش کار خود را با یک خلاصه تأیید شده یا بر اساس یک برنامه زمان‌بندی برای کارهای تکراری مانند پر کردن صف رسانه‌های اجتماعی آغاز می‌کند.

گردش کار اسکار اسکولدینگ از Eclypseo زمانی شروع می‌شود که یک خلاصه محتوای تکمیل شده در Google Drive آپلود شود. سپس Claude داده‌های کلمات کلیدی و رتبه‌بندی را جمع‌آوری می‌کند، نتایج برتر جستجو را اسکن می‌کند، مقاله را تولید می‌کند و یک سند Google Doc پیش‌نویس را برای بررسی انسانی آپلود می‌کند. یک محرک مشخص کاری ساده اما مهم انجام می‌دهد: عامل را از حدس زدن اینکه آیا کار آماده است یا خیر، نجات می‌دهد.

انعطاف‌پذیری MCP: سازگاری با وظایف غیرقابل پیش‌بینی

اتوماسیون ثابت زمانی خوب عمل می‌کند که داده‌های یکسان همیشه در یک توالی یکسان حرکت کنند. گردش کار محتوا اغلب کمتر قابل پیش‌بینی است. تحقیقات مورد نیاز برای یک مقاله ممکن است به آنچه نتایج جستجو نشان می‌دهند بستگی داشته باشد. یک مطالعه موردی فنی ممکن است بسته به محصول به زمینه GitHub متفاوتی نیاز داشته باشد. به‌روزرسانی یک مقاله موجود ممکن است نیاز به خواندن صفحه فعال قبل از تصمیم‌گیری در مورد تغییر داشته باشد. اینجاست که MCP ارزش خود را نشان می‌دهد.

هاست هوش مصنوعی می‌تواند یک ابزار تایید شده را درخواست کند، نتیجه را بررسی کند و سپس عمل مجاز بعدی را انتخاب کند. در سیر کاری Sharp Ubersuggest، حجم کلیدواژه‌ها، نتایج جستجو و اطلاعات رقبا را ارائه می‌دهد. Claude همچنین نقشه سایت فعال را از طریق GitHub می‌خواند تا بررسی کند که آیا صفحه پیشنهادی می‌تواند چیزی را که در حال حاضر رتبه‌بندی شده است کانیبالیزه کند یا خیر. سپس پیش‌نویس بر اساس یک قالب ذخیره شده در مخزن، با لینک‌های داخلی و طرح‌واره، قبل از اینکه کامیت برای بررسی باز شود، ایجاد می‌شود.

تیموشوک می‌گوید که انعطاف‌پذیری یکی از دلایلی است که Geniusee به جای یک تنظیم خودکارسازی سخت‌تر، MCP را انتخاب کرد. انتقال زمانی بسیار تمیزتر می‌شود که محتوای تولید شده به جایی برود که فرد بعدی در آنجا کار می‌کند. این مقصد می‌تواند متفاوت باشد: StoryChief نسخه دیگری از این سیر کاری را ارائه می‌دهد. اتصال از راه دور MCP آن به ابزارهای هوش مصنوعی پشتیبانی شده مانند ChatGPT و Claude اجازه می‌دهد تا با محتوای StoryChief کار کنند.

تیم‌ها می‌توانند محتوا را از یک گفتگوی هوش مصنوعی ایجاد یا به‌روزرسانی کنند و سپس به بررسی، تایید، برنامه‌ریزی و انتشار در StoryChief ادامه دهند. این یکی از رایج‌ترین مشکلات عملیات محتوا را برطرف می‌کند: پیش‌نویس آماده است، اما سیر کاری هنوز نیاز دارد که یک فرد آن را در جای دیگری بازسازی کند.

کار با محتوای رسانه‌ای: یک کانال جداگانه

متن و رسانه همیشه از یک کانال عبور نمی‌کنند. عنوان، متن اصلی مقاله، URL یا توصیف متا معمولاً می‌توانند بین سیستم‌ها به عنوان متن ساختاری حرکت کنند. تصاویر و ویدئوها اغلب نیاز به یک URL دردسترس از است دارایی، آپلود فایل یا مرحله مدیریت دارایی‌های دیجیتال دارند. راهنمایی‌های فعلی ChatGPT MCP از StoryChief اشاره می‌کنند که رسانه‌های ایجاد شده در چت هوش مصنوعی ممکن است خصوصی باشند و از طریق یک URL عمومی قابل دسترس نباشند.

رسانه‌ها اغلب نیاز به یک مرحله تولید جداگانه دارند قبل از اینکه بتوانند وارد سیر کاری انتشار شوند. یک تصویر یا ویدئوی آماده هنوز باید در محلی ذخیره یا آپلود شود که سیستم انتشار بتواند به آن دسترس پیدا کند، قبل از اینکه بتواند وارد بقیه سیر کاری شود. مسیر دسترسی به رسانه را واضح نگه دارید: یک است دارایی ایجاد کنید، آن را در محلی قابل دسترس ذخیره کنید، فایل یا URL را بررسی کنید، سپس آن را به محتوا پیوند دهید. اگر این مرحله ناموفق باشد، می‌توانید شاخه رسانه را بدون شروع مجدد سیر کاری مقاله اصلاح کنید.

تایید و کنترل: تضمین کیفیت محتوا

فراخوانی موفق یک ابزار تنها بیانگر این است که عملیات انجام شده است. این ثابت نمی‌کند که نتیجه صحیح است. Sharp این تفاوت را پس از تغییر یک کاراکتر در دامنه توسط جستجو و جایگزینی دسته‌ای و باطل کردن 56 URL نقشه سایت درک کرد. از نظر فنی، عملیات موفقیت‌آمیز بود. حالا سیر کاری آن دوباره فایل‌های مشترک را پس از نوشتن در آنها می‌خواند و نتیجه را قبل از ادامه استقرار بررسی می‌کند.

ویتاکر از یک اصل مشابه در گردش کار وردپرس استفاده می‌کند. اگر یک مقدار ضروری مانند دسته یا اسلاگ URL وجود نداشته باشد، مقاله به صورت پیش‌نویس باقی می‌ماند. فیلد مربوطه می‌تواند اصلاح شود و عملیات بدون بازسازی کل مقاله تکرار شود. Geniusee زمانی که فراخوانی ابزار با شکست مواجه می‌شود، اجرا را متوقف می‌کند و یک خطا را برای عیب‌یابی به Slack ارسال می‌کند.

گردش کار Eclypseo به سادگی پیش‌نویس مورد انتظار را در صورت شکست یک مرحله ایجاد نمی‌کند، با توکن‌های احراز هویت منقضی شده که یک دلیل رایج در طول آزمایش هستند. حلقه نوشتن ایمن: نوشتن ← خواندن ← تأیید ← ادامه. اگر تأیید شکست خورد، قبل از مرحله غیرقابل برگشت بعدی متوقف شوید و دوباره امتحان کنید.

در تمام گردش کارهایی که بررسی کردیم، تصمیم نهایی برای انتشار همچنان با یک انسان است. ویتاکر به صورت دستی پیش‌نویس وردپرس را بررسی می‌کند و لینک‌ها، سرفصل‌ها، فاصله‌ها، فراداده‌ها و رندر صفحه را قبل از انتشار تأیید می‌کند. شارپ قبل از ادغام، Git diff را می‌خواند و قبل از زمان‌بندی، صف رسانه‌های اجتماعی را بررسی می‌کند. Eclypseo از ویراستاران انسانی برای بررسی هر کلمه قبل از ورود پیش‌نویس به CMS استفاده می‌کند.

StoryChief از همان اصل کاری پیروی می‌کند. هوش مصنوعی می‌تواند به ایجاد و جابجایی محتوا در طول گردش کار کمک کند، در حالی که بررسی و تأیید به تیم کنترل می‌دهد که در نهایت چه چیزی منتشر می‌شود. MCP به طور خودکار جایگزین ابزارهایی مانند Zapier یا Make نمی‌شود. اتوماسیون ثابت اغلب انتخاب ساده‌تری است زمانی که گردش کار قابل پیش‌بینی است: وقتی X اتفاق می‌افتد، این فیلدهای دقیق را به Y منتقل کنید، سپس یک اعلان Z ارسال کنید.

MCP زمانی جالب‌تر می‌شود که مرحله بعدی به آنچه مرحله قبلی بازگردانده است بستگی دارد. شارپ پلتفرم‌های اتوماسیون ثابت را به عنوان نمودارهای از پیش تعریف شده توصیف می‌کند. آنها زمانی که شاخه‌ها از قبل شناخته شده‌اند، به خوبی کار می‌کنند. گردش کار محتوای او به انعطاف‌پذیری بیشتری نیاز دارد، زیرا نتایج تحقیق می‌توانند تغییر دهند که کدام ابزار یا عمل در ادامه مرتبط است. اسکولدینگ به نتیجه مشابهی رسید پس از اینکه Eclypseo یک نسخه 14 مرحله‌ای از گردش کار محتوای خود را در Zapier ایجاد کرد. تغییرات در API اسکرپرها به طور منظم بخش‌هایی از توالی را مختل می‌کرد، بنابراین تیم گردش کار تحقیق را به MCP منتقل کرد.

چگونه با MCP برای ارسال انبوه ویدیو شروع کنیم

1. گردش کار را ترسیم کنید: قبل از اتصال هر ابزاری، تمام مراحل فرآیند انتشار فعلی خود را به وضوح تعریف کنید.
2. انتخاب ابزار: میزبان هوش مصنوعی، ابزارها و مجوزها را انتخاب کنید. کوچک شروع کنید، یک گلوگاه انتشار تکراری را انتخاب کنید. انتقال مقالات تأیید شده به CMS یک گزینه خوب است، زیرا ورودی‌ها از قبل شناخته شده‌اند و خروجی به راحتی قابل تأیید است.