Assistant of Agent: Dezelfde Contentmachine Op Drie Manieren Bouwen
OpenAI
Anthropic
Google/DeepMind
HeyGen
De auteur besteedde drie maanden aan het bouwen van een AI-contentmachine voor een Telegramkanaal, eerst handmatig met ChatGPT, daarna met n8n en uiteindelijk als een Python-agent via Claude Code. De Python-aanpak bleek het meest compact en voorspelbaar en verving binnen een dag een mislukte SaaS-afhankelijkheid. Het artikel beschrijft de architectuur, echte tijdsmetingen en een checklist voor het kiezen tussen assistants en agents.
Anatoly Klavdienko, verantwoordelijk voor de ontwikkeling van AI-agenten bij AlpinaGPT en Alpina Digital, automatiseerde de productie van 5-10 korte video's per week voor een AI/tech Telegram-kanaal. Hij gebruikte eerst ChatGPT als chatassistent, wat ongeveer 4 uur per week kostte voor 10 video's, maar dit vereiste handmatig kopiëren en assembleren. Vervolgens bouwde hij een n8n-workflow, besteedde vier dagen aan het opzetten en debuggen, maar vond de visuele editor pijnlijk voor iteraties, zonder versiebeheer en goede debugging. Uiteindelijk exporteerde hij de n8n-workflow als JSON, voerde die in bij Claude Code, en kreeg in één avond een werkende Python-pipeline. De uiteindelijke agent bestaat uit 2074 regels productiecode in 19 bestanden, met drie pipelines: D (bronnen uit 12 RSS-feeds via GPT-4o), C (generatie via HeyGen met 11 look-ID's, Whisper en FFmpeg post-processing), en A (publiceren naar YouTube, TikTok en Instagram Reels). Echte timings uit pipeline.log tonen aan dat het verzamelen van bronnen ongeveer 80-84 seconden duurt, en generatie 6-8 minuten. Toen de SubMagic API op 20 april 2026 begon te falen, verving de auteur deze in één dag door een aangepaste post-processingdienst. Hij concludeert dat code-agenten nu economischer zijn dan visuele bouwers, met betere controle en debuggbaarheid.
Bron: Habr — хаб ИИ —
origineel