Video toplu gönderimi ve kısa videoların otomatik olarak yayınlanması, birçok içerik oluşturucunun hayalidir. Otomatik zamanlama ayarlayabildiğinizi ve siz başka işlerle meşgulken 5 platforma yayınlamanın manuel çaba gerektirmeden gerçekleştiğini hayal edin. Bu makale, gizemli bir yapay zeka modelinin, daha sonra Z.ai GLM 5.3 Flash olarak tanımlanan, n8n’de 127 düğümlü karmaşık bir toplu gönderim hizmetini sadece 4 dolara nasıl oluşturduğunun ayrıntılı bir analizidir.
Deneyin mimarisini, ekonomisini ve süreçte edinilen temel dersleri inceleyeceğiz. Yapay zekanın içerik oluşturma ve dağıtım yaklaşımını nasıl radikal bir şekilde değiştirebileceğini, onu sadece etkili değil, aynı zamanda inanılmaz derecede ekonomik hale getirebileceğini öğrenmeye hazır olun.
Deneye Giriş: Karmaşık İş Akışları için Yapay Zeka Kodlayıcı
20-25 Ağustos tarihleri arasında OpenRouter, daha sonra Z.ai GLM 5.3 Flash olarak anonimliği kaldırılan stealth/ox-alpha modeline ücretsiz erişim sağladı. 1M token bağlamına ve yerel çok modluluğa (metin, resim, video) sahip bu model, “verimli kodlama ve uzun vadeli ajan görevleri” için konumlandırılmıştır.
- Deneyin Amacı: Karmaşık dağıtılmış bir iş akışı için bir kodlayıcı olarak yeni bir LLM’nin stres testi.
- Görevin Kapsamı: Beş harici API, ikili akışlar, otuz dallanma koşulu, eşzamansız yoklamalar – hepsi tek bir iş akışında.
- Sonuç: Üç gün içinde (21-23 Ağustos), model, API’leri çağırabilen, medya oluşturabilen ve Reels yayınlayabilen 127 düğümlü bir iş akışı “oluşturdu”.
- Ekonomi: 60,9 milyon token harcandı, bunun %85,3’ü önbellek isabetleriydi. Karışık fiyat olan 0,07$/1M’ye göre toplam maliyet yaklaşık 4 dolardı.
“Batı pazarında ‘kazıma-fotoğraf/video oluşturma-otomatik yayınlama’ tarzı otonom bağlamlarda bir patlama var. İş akışları ve hata toleransı beni ilgilendiriyor.”
İş Akışı Mimarisi: 5 Döngü ve 127 Düğüm
Başlangıçta iş akışı 156 düğümden oluşuyordu, ancak yeniden düzenlemeden sonra sayıları 127’ye düştü. Tetikleyiciler ve yer tutucular hariç 113 çalışan düğüm var. Her döngü, kısa videoların dağıtımını sağlayarak kendi özel işlevini yerine getirir.
Döngü 1: “Keşif” (23 düğüm)
Bu döngü, viral içeriği bulmaktan sorumludur. Bir programa göre (24 saat) çalışır ve rakiplerin Reels’lerini analiz eder.
- Şema: Zamanlama (24 saat) → rakip listesi → ScrapeCreators aracılığıyla Reels → virallik matematiği (görüntüleme > ortalama × 2,5) → TRENDING etiketi.
- Trend olan videolar için başlık (/v1/НЕЛЬЗЯgram/post) ve transkript (/v2/instagram/media/transcript) alınır.
Kontur 1.5: “Semantik Filtre” (17 düğüm)
Burada içeriğin LLM-reranker kullanılarak alaka düzeyi değerlendirilir.
- Model: chat/completions aracılığıyla Qwen3 Reranker 8B.
- Mantık: 0-1 ölçeğinde değerlendirme. Eşik değerin (örneğin 0.75) altındaki içerik elenir, böylece alakasız videoların yayınlanması engellenir.
Kontur 2: “AI-Dispeçer” (17 düğüm)
Model içeriği kopyalamaz, aksine “viral DNA’yı sıkıştırır” ve orijinal bir fikir üretir.
- Çıktı: katı JSON şeması (angle, hooks, voice_script, video_prompt, NEЛЬЗЯgram_caption).
- Geçerli taslak DRAFT durumuyla Google E-Tablolar’a kaydedilir.
Kontur 3: “Medya Atölyesi” (37 düğüm)
Bu kontur medya dosyalarının oluşturulmasından sorumludur.
- Video: seedance-2.0-mini, veo-3.1-lite’a geri dönüşlü, asenkron yoklama (10 saniye bekletme × 20 deneme).
- Ses: TTS ham PCM verir, anında WAV’a dönüştürülür.
- Kapak: neon teknoloji havasıyla görüntü oluşturma.
- Tüm işlemler yeniden denemeler, uyarılar ve MEDIA_READY / MEDIA_FAILED durumlarıyla birlikte.
Kontur 4: “Dağıtım” (19 düğüm)
Son aşama — videoların çapraz yayınlanması ve içeriğin yayınlanması.
- Birleştirme: ffmpeg aracılığıyla sesli video (/tmp’ye Yaz-Yürüt-Oku). Ses isteğe bağlıdır.
- Yayınlama: Google Drive (yükle + herkese açık paylaş) → Instagram Graph API (REELS kapsayıcısı – yayınla) → kalıcı bağlantı → E-Tabloları güncelle → Telegram’a rapor.
LLM ile etkili etkileşim için temel teknikler
Deneyin başarısı büyük ölçüde istemlerin doğru formülasyonuna bağlıydı. TikTok, YouTube, Instagram için tek bir panel net talimatlar gerektirir.
- Rica yerine rol: “Kıdemli n8n çözümleri mimarı” kullanmak, üretim tonunu değiştirerek yanıtları daha korumalı ve daha az konuşkan hale getirir.
- Parametre uydurma yasağı: model, parametrelerden emin değilse “MANUEL OLARAK DOĞRULA” belirtmelidir.
- Konturlara göre yinelemeler: her mesajda bir konturun işlenmesi, modelin bağımlılıklar arasında karışmasını önler.
- Çıktı Sözleşmesi: bir JSON bloğu, içe aktarma talimatları ve şüpheli parametrelerin listesi.
Mühendislik çözümleri ve hata toleransı
İş akışı, kararlılık ve hata toleransı sağlayan birçok mühendislik çözümü içerir.
PCM’den WAV’a anında
TTS modeli, n8n ve NEЛЬЗЯgram’ın anlamadığı ham PCM verir. Model, n8n’in yerleşik ikili yardımcılarını kullanarak doğru RIFF başlığını ekleyen bir Kod düğümü oluşturdu.
Statik Veri: yinelenmeyen döngü akümülatörü
Trendleri toplamak için $getWorkflowStaticData('global') kullanılır, bu da standart bağlamın şişmesini ve verilerin yinelenmesini önler.
Hata işleme: 402 vs 5xx
Hata İşleme
Sistem, kritik hataları (402 — para yok) ve geçici arızaları (5xx — hizmet geçici olarak kullanılamaz) birbirinden ayırır.
- 402: Telegram’a uyarı + StopAndError (para olmadan yeniden denemenin anlamı yok).
- 5xx: yeniden dene × 3 = fail-open (işleyici atlanır, boru hattı çalışmaya devam eder).
Reranker için Fail-open
Qwen3 Reranker üç yeniden denemeden sonra yanıt vermezse, tüm belgelere filtre tarafından kesilen nötr bir 0.5 puan atanır. Boru hattı bozulmaz, ancak turu sessizce atlar.
Model Hataları ve Kendi Hatalarım
Etkileyici sonuçlara rağmen, süreçte hem model hataları hem de benim yaklaşımımdaki eksiklikler tespit edildi.
Modelin Kusurları:
- Code düğümünde
require(‘crypto’)(n8nrequire‘ı desteklemiyor). - Google Drive ikili dosyaları siliyor, bu da Rebuild Handoff Item düğümünü gerektirdi.
- Mevcut olmayan
type/typeVersionile hayalet düğümler. - Kimlik bilgileri yerine
IG_USER_ID‘nin sabit kodlanması.
Kendi Hatalarım:
- Reranker eşiğinin kayması (etikette ve IF düğümünde
MIN_RELEVANCE_SCORE). - Yoğun saatlerde video yoklaması için yetersiz deneme sayısı (20 × 10s).
Deneyin Ekonomisi: 60,9 Milyon Token için 4 Dolar
Bu deney sayesinde 500 veya daha fazla yayının maliyeti minimum düzeyde oldu.
- Ücretsiz pencere: gizli model geçici olarak ücretsizdi.
- Prompt önbellekleme: yinelemeli geliştirme nedeniyle isteklerin %85’i önbellek isabetiydi.
- Toplam maliyet: 60,9 milyon token için yaklaşık 4 dolar.
Diğer Modellerle Fiyat Karşılaştırması (1M token için ortalama fiyatlar):
| Model | 1M için Fiyat (giriş/çıkış) | 60,9M için Tahmini Maliyet |
|---|---|---|
| Anthropic: Claude Opus 4.8 | $5 / $25 | yaklaşık $426 |
| OpenAI: GPT-5.6 Terra | $2 / $12 | yaklaşık $183 |
| Anthropic: Claude Sonnet 5 | $2 / $10 | yaklaşık $171 |
| Qwen: Qwen3.8 27B | $0,35 / $2,75 | yaklaşık $36 |
| DeepSeek: V3.1 Terminus | $0,27 / $1 | yaklaşık $21 |
| stealth/ox-alpha + önbellek | ücretsiz | yaklaşık $4 |
Paradoks, ücretsiz modelin, aylık toplu gönderi paketi için önemli miktarda tasarruf sağlayan, ucuz hizmetleri kullanan bir fabrika inşa etmesidir.
İş Akışı Büyüme Alanları ve Daha Fazla Geliştirme
Projenin daha fazla geliştirilmesi şunları içerebilir:
- Monolitin Ayrılması: üç iş akışına (Radar / Oluştur / Yayınla).
- Telegram botu: insan döngüsü yönetimi ile (“Yayınla / Yeniden Oluştur”).
- Nöro-avatar: avatarlarla video oluşturmak için HeyGen: Avatar IV modelinin entegrasyonu.
Sonuç
stealth/ox-alpha ile yapılan deney, yapay zeka modellerinin otomatik kısa video yayınlama için karmaşık ve hataya dayanıklı boru hatları oluşturabileceğini gösterdi. Başarının anahtar faktörü, LLM ile etkileşim için net bir teknik şartname ve yapılandırılmış bir yaklaşımdır. Bu teknoloji, proxy ve anti-tespit ile toplu yükleme için büyük fırsatlar sunarak, 10 veya daha fazla hesaba gönderi yapmayı mümkün kılar ve iş gücü maliyetlerini önemli ölçüde azaltır.
Eğer kitle gönderim hizmeti nasıl seçilir diye merak ediyorsanız, benzer AI yaklaşımlarını kullanan çözümlere dikkat edin. API aracılığıyla kitle gönderimi her zamankinden daha erişilebilir ve etkili hale geliyor. Bu prensipleri projelerinizde uygulamayı deneyin ve güçlerine kendiniz tanık olun!
Sıkça Sorulan Sorular
stealth/ox-alpha nedir?
stealth/ox-alpha, daha sonra Z.ai GLM 5.3 Flash olarak deanonimleştirilen bir AI modelinin kod adıdır. 1M token bağlamına ve etkili kodlama ve ajan görevleri için tasarlanmış yerel çok modluluğa sahiptir.
İş akışı oluşturma deneyi ne kadara mal oldu?
Ücretsiz deneme süresi ve yüksek önbellek isabet oranı (%85) sayesinde, deneyin maliyeti 60,9 milyon token için yaklaşık 4 dolar oldu.
Çapraz gönderim için hangi platformlar destekleniyor?
Bu iş akışında, Graph API aracılığıyla Instagram Reels’e yayınlama uygulandı. Ancak mimari, TikTok ve YouTube dahil olmak üzere platform listesini genişleterek tek bir kontrol paneli oluşturmaya olanak tanır.
Böyle bir sistemle günde 100 video yayınlamak mümkün mü?
Evet, teorik olarak mümkün. Sistem, otomatik kısa video yayınlama ve toplu gönderim için tasarlanmıştır. Sınırlamalar, kullanılan platformların API bant genişliğine ve hesaplama kaynaklarına bağlı olacaktır.
Toplu gönderimde hata toleransı nasıl sağlanır?
Hata toleransı, koruyucu mantık sayesinde sağlanır: 402 ve 5xx hatalarının ayrılması, kritik düğümler için fail-open stratejileri ve ayrıca eşzamansız yoklamalar ve yeniden denemeler. Bu, geçici aksaklıklarda bile 10+ hesap için programın sorunsuz bir şekilde yürütülmesini garanti eder.
