La version courte
Mon pipeline de contenu utilise un agent de recherche nommé Nova, un workflow d’écriture LangGraph nommé Brown, des travailleurs visuels parallèles, une boucle d’expansion et de réduction pour les titres et une compétence de traduction française. Des fichiers Markdown simples relient les étapes. Les agents prennent environ 90 % du travail répétitif, tandis que je garde le sujet, la direction de la recherche, la structure, les idées personnelles et la révision finale.
- Automatisez la recherche, la rédaction, la production des médias, la préparation et la traduction, mais gardez humains le choix du sujet, la direction, le goût et la validation finale.
- Utilisez un agent exploratoire pour la recherche ouverte et un workflow déterministe avec points de contrôle pour l’écriture, où la répétabilité compte plus que l’autonomie.
- Séparez la génération de l’évaluation, gardez chaque étape inspectable grâce aux fichiers et à l’état persistant, puis arrêtez le pipeline quand les preuves en amont échouent.
Je peux maintenant rechercher, écrire et préparer une sortie YouTube complète en environ cinq heures de mon propre travail. La même tâche me prenait auparavant deux ou trois journées entières. Je n’y suis pas arrivé en demandant un texte à un seul modèle pour ensuite publier sa première réponse. Paul Iusztin, l’équipe de Towards AI et moi avons construit un pipeline qui confie aux agents spécialisés le travail répétitif de traduction, tout en gardant la réflexion entre des mains humaines.
Si vous voulez construire ou inspecter le système, commencez ici :
- Suivez le cours Agentic AI Engineering
- Explorez le dépôt libre du cours
- Utilisez mes fiches de référence en ingénierie IA
Cet article explique toute l’architecture : comment Nova fait la recherche, comment Brown écrit sans tout transformer en prose IA générique, comment des travailleurs parallèles produisent des visuels de marque, comment une boucle d’expansion et de réduction génère les titres et pourquoi la partie la plus importante du système est les 10 % que je refuse d’automatiser.
Vous préférez voir le pipeline et les diagrammes en mouvement? Regardez la présentation complète ici, puis gardez cet article comme référence technique.
L’objectif n’est pas de retirer l’humain
La production de contenu était devenue le plus gros goulot d’étranglement de ma semaine. Un script de 15 minutes pouvait prendre deux ou trois jours une fois la recherche, le plan, la rédaction, la révision, la traduction, les diagrammes, les titres et les miniatures comptés. Au moment de publier, il me restait moins de temps et moins d’énergie pour construire la prochaine chose qui mériterait d’être expliquée.
Le raccourci évident est souvent pire : entrer un sujet dans ChatGPT, copier, coller, publier. Quand vous retirez votre propre réflexion du processus, l’IA ne crée pas d’effet de levier. Elle accélère la mise à l’échelle d’une mauvaise entrée. Le résultat ressemble à des dizaines de textes que le modèle a déjà vus parce qu’aucune direction originale ne survit au processus.
J’utilise donc un autre objectif :
Automatisez la traduction de la pensée en artéfacts, pas la réflexion qui rend ces artéfacts utiles.
Je choisis encore le sujet, je fournis la direction de recherche, je vide ce que je sais déjà, je façonne l’argument, j’insère de l’expérience de première main et j’approuve le résultat final. Le système prend en charge les répétitions coûteuses entre ces décisions.
Ce que l’ancien workflow coûtait
Mon ancien processus commençait habituellement par une idée tirée d’un article scientifique, d’un commentaire, d’une conversation ou de quelque chose qui ne quittait plus mon esprit. J’ouvrais beaucoup trop d’onglets, je prenais des notes dans un document, je regardais quelques explications récentes pour comprendre la forme du sujet, puis je commençais à écrire alors que la recherche était encore incomplète.
La première version était trop longue. La deuxième était plus propre, mais souvent ennuyante. Je l’envoyais à quelqu’un, j’attendais ses commentaires, je faisais une autre révision, j’enregistrais, je préparais les visuels, puis je regardais un champ de titre YouTube vide le vendredi soir. Je suis chercheur et bâtisseur, pas monteur ni designer, alors chaque tâche de production détournait mon attention du travail que je voulais vraiment faire.
Le workflow agentique change la répartition de ce temps. Ce qui demandait deux ou trois jours prend maintenant environ cinq heures de mon travail direct pour une sortie typique. Ce chiffre n’est pas un benchmark pour toutes les équipes. C’est le résultat de l’automatisation d’un workflow précis que je comprends bien, après avoir construit et entretenu le système sous-jacent.
L’architecture : cinq composants et une couche de mémoire
Le système contient cinq composants principaux :
- Nova, l’agent de recherche approfondie.
- Brown, le workflow d’écriture.
- Un système de médias pour les diagrammes et le transfert de style d’images.
- Un générateur de titres et de SEO.
- Une compétence séparée de traduction française.
Le contrat entre eux est le système de fichiers. Chaque étape lit et écrit de simples fichiers Markdown dans un répertoire de travail. Son état d’exécution interne vit dans une base de données, mais les artéfacts importants restent lisibles par un humain.
Ce choix semble presque trop simple, et c’est justement pourquoi il fonctionne. Si la recherche est faible, je peux modifier research.md. Si la structure ne va pas, je peux corriger article_guideline.md. Si le rédacteur échoue, je peux reprendre depuis un point de contrôle. Je n’ai pas besoin de relancer une chaîne longue et coûteuse parce qu’une étape probabiliste a pris une mauvaise décision.
Nova et Brown sont exposés comme serveurs MCP. Les étapes visuelles, de préparation et de traduction sont des compétences invoquées depuis un environnement de programmation comme Claude Code ou Cursor. Cette séparation est intentionnelle. Un serveur fournit des outils réutilisables et un état persistant. Une compétence transporte une procédure répétable avec les fichiers, les prompts, les exemples et les règles de validation dont elle a besoin.
Nova : un agent pour la recherche exploratoire
La première décision d’architecture importante a été de faire de la recherche un agent et de l’écriture un workflow. Les deux problèmes semblent semblables de loin, mais ils récompensent des comportements opposés.
La recherche est exploratoire. Un système utile devrait changer sa prochaine requête après avoir découvert une lacune, suivre les preuves prometteuses, intégrer les commentaires de l’utilisateur et décider ce qui mérite une extraction plus profonde. Une boucle d’agent de style ReAct convient parce que le chemin ne peut pas être complètement défini d’avance.
L’écriture récompense la prévisibilité. Elle demande une structure connue, des contraintes de style serrées, des sources contrôlées et une révision répétable. Plus d’autonomie crée plus d’occasions pour le modèle de s’égarer. C’est pourquoi Brown n’est pas un agent ouvert.
Nova commence avec deux entrées : un outline.md sommaire et un ensemble de sources de référence auxquelles je fais déjà confiance. Mon plan peut être désordonné. Il contient des puces, des réactions, des phrases que je veux conserver, des URL et des lacunes explicitement marquées pour la recherche. Nova transforme cette graine en un artéfact de recherche dense et cité.
Le processus fonctionne ainsi :
- Nova compare le plan aux sources de référence et effectue une analyse des lacunes.
- Il génère des requêtes pour les zones manquantes.
- Trois rondes de recherche fixes lancent des appels de recherche simultanés.
- Les nouvelles sources sont notées selon leur fiabilité, leur autorité, leur pertinence et leur qualité.
- Seules les meilleures sources sont extraites au complet. Les autres restent sous forme de résumés quand cela suffit.
- Des outils propres à chaque source traitent les pages Web, les dépôts, les fichiers locaux et le matériel YouTube.
- Tout ce qui est utile est compilé dans
research.mdavec des citations.
Trois rondes forment un budget volontaire. Plus de recherche ne veut pas automatiquement dire une meilleure recherche. Des limites fixes rendent les coûts et la latence prévisibles, tout en laissant assez d’espace à l’agent pour repérer et combler les lacunes importantes.
Nova possède aussi une politique d’échec stricte. Si une opération échoue complètement, par exemple si aucune des sept extractions ne réussit, l’agent s’arrête et demande de l’aide. Il ne transmet pas silencieusement un résultat vide au rédacteur. Un échec discret près du début d’un long pipeline peut devenir une hallucination confiante des heures plus tard, après que le système a dépensé des tokens et du temps de révision humaine. S’arrêter tôt est une fonctionnalité.
La spécification humaine entre la recherche et l’écriture
Je n’envoie pas directement research.md au rédacteur. Je transforme d’abord le plan sommaire en consignes d’article. C’est l’une des étapes humaines les plus rentables de tout le système.
Les consignes définissent les sections, l’accroche, un budget de mots pour chaque partie, les définitions importantes, les transitions, les exemples et chaque endroit où l’article a besoin d’un diagramme. Je les rends volontairement très précises. Une structure forte réduit l’espace dans lequel un LLM peut combler les trous avec du langage vague ou des affirmations non soutenues.
Cette étape me prend généralement environ une heure avec l’aide de l’environnement de programmation. Je dicte l’argument et je prends les décisions. Le modèle développe les détails mécaniques. Avec le choix du sujet et la révision finale, ces consignes font partie des 10 % qui gardent le travail à mon image.
Brown : un workflow pour une écriture contrôlée
Brown est un workflow LangGraph avec un système de points de contrôle SQLite. S’il échoue après avoir produit une première version, il reprend depuis l’état persistant au lieu de tout recréer. Son rôle n’est pas de découvrir l’argument. Son rôle est de traduire un argument approuvé et une recherche approuvée en prose claire.
Le système de voix est divisé en six profils Markdown :
- Structure : la forme des phrases, la longueur des paragraphes, les titres et le rythme physique de la page.
- Mécanique : la grammaire, la voix active, le point de vue et les règles de ponctuation.
- Terminologie : les termes préférés et les expressions génériques interdites.
- Tonalité : le registre émotionnel et le niveau de formalité acceptable.
- Article : les exigences du format de sortie.
- Personnage : mon parcours, ma mission, mes préférences et ma façon de réagir à l’information.
Le profil du personnage demande le plus de travail parce que c’est ce qui distingue mon résultat de celui de Paul ou d’un rédacteur fantôme générique. L’autre ingrédient majeur est le prompt par exemples. Deux ou trois bons textes qui sonnent juste enseignent le rythme et le jugement éditorial mieux que dix pages supplémentaires de règles abstraites.
Brown compile les profils, les exemples, les consignes et la recherche dans un grand prompt système. Le premier appel au rédacteur utilise assez de température pour permettre des variations utiles. Il doit quand même respecter deux règles strictes : suivre les consignes approuvées et fonder chaque affirmation factuelle sur research.md.
Des contextes séparés pour générer et juger
Après la première version, Brown entre dans une boucle évaluateur-optimiseur. Un réviseur avec un contexte frais compare l’article aux consignes, à la recherche et aux profils. Il retourne des violations structurées : où se trouve le problème, quelle règle a été brisée et ce qui doit changer. Un éditeur séparé applique ensuite ces corrections.
Le réviseur et l’éditeur ne partagent pas le contexte du rédacteur. C’est important. Quand le même modèle révise la réponse qu’il vient de produire, il hérite des hypothèses et des biais qui ont créé l’erreur. Un contexte frais agit comme une nouvelle paire d’yeux. Le même principe apparaît dans le filtre de sources de Nova et dans le validateur de titres plus loin dans le pipeline.
La boucle tourne aussi pendant un nombre fixe d’itérations au lieu de s’arrêter à un score de qualité généré par le modèle. Nous avons testé l’arrêt selon un score et l’avons trouvé instable. La qualité d’écriture a plusieurs dimensions, et compresser environ cent règles en un seul chiffre encourage le modèle à déclarer victoire trop tôt. Trois passages fixes donnent un coût prévisible, une latence prévisible et de meilleurs résultats.
Après ces passages, je lis encore tout l’article. J’ajoute des moments personnels que je suis seul à connaître, je corrige ce qui sonne faux et je renforce les accroches que le modèle a rendues trop prudentes. L’automatisation raccourcit cette dernière révision. Elle ne retire pas ma responsabilité.
Des travailleurs visuels parallèles et un style cohérent
Chaque marqueur de diagramme dans les consignes déclenche un patron orchestrateur-travailleurs. L’orchestrateur lit la section pertinente, repère le type d’explication nécessaire et lance un travailleur Mermaid spécialisé pour chaque emplacement visuel. Ces travailleurs peuvent tourner en parallèle parce que les diagrammes sont indépendants.
Le Mermaid brut est excellent pour obtenir une structure prévisible, mais il paraît rarement prêt à publier. Une compétence séparée de transfert de style envoie chaque résultat à Gemini avec un fichier de marque, une référence cible, des exemples positifs et des exemples négatifs. Les exemples négatifs comptent parce qu’ils montrent au modèle des résultats presque acceptables, mais encore incorrects. Dans nos tests, l’ajout de ces limites a beaucoup plus amélioré le taux de réussite au premier essai que les exemples positifs seuls.
Cette étape suit la même règle de conception que le reste du pipeline : l’orchestration est générique, mais la qualité vient de contrats explicites. Les couleurs de marque, la typographie, l’espacement, les exemples, les tailles de sortie et les critères de rejet vivent tous dans des fichiers qu’un humain peut inspecter et améliorer.
Développer puis réduire les titres au lieu de faire confiance à une seule idée
La préparation me prenait auparavant des soirées complètes. L’article ou le script final était prêt, mais je devais encore trouver un titre précis, intéressant et visible sur un petit écran.
Le système de titres remplace une seule supposition par une boucle d’expansion et de réduction. Chaque ronde crée neuf ensembles complets à partir d’angles volontairement différents, comme la transformation personnelle, la curiosité, la preuve par le travail, une affirmation audacieuse ou une observation à contre-courant. Un ensemble peut inclure le titre YouTube, les balises SEO, le titre et le sous-titre de l’infolettre et le message de sortie.
Un validateur séparé note les candidats selon six dimensions encadrées par une grille. Le jugement qualitatif vient du modèle. Les contraintes quantitatives, comme la longueur d’un titre sur mobile, utilisent des pénalités déterministes. Les meilleurs candidats amorcent la ronde suivante, et le processus se répète trois fois.
Le validateur possède sa propre fenêtre de contexte parce qu’un générateur ne devrait pas noter son angle préféré. À la fin, je garde les trois meilleurs au lieu de prétendre que le modèle peut parfaitement prédire le public. Le comportement réel tranche le choix serré par un test A/B.
La même règle s’applique à ce site Web. Le titre canonique de l’article reste stable pour le SEO, l’accessibilité, les liens et les données structurées. Une expérience interne peut tester un autre titre uniquement sur les cartes d’articles, où elle mesure quelle formulation honnête attire plus de lectures qualifiées sans changer l’identité de la page pour les moteurs de recherche.
La traduction est sa propre étape de production
Ma chaîne française reprend les mêmes idées centrales, mais la traduction n’est pas un dernier appel de remplacement de chaînes. La compétence française possède son propre profil de personnage, ses règles de terminologie, ses exemples et ses vérifications de structure. Elle traduit l’article et le texte visible des médias tout en préservant les liens, le code, les preuves et la mise en page.
Traiter la traduction comme une étape à part entière évite deux échecs courants : un article anglais publié pendant que sa version française reste périmée, et une traduction techniquement correcte qui ne sonne plus comme son auteur. Les deux langues devraient être révisées et publiées comme une seule unité.
Les 10 % que je garde
Je choisis encore le sujet. Je regarde encore le travail récent qui existe déjà. Je fais encore le remue-méninges et je décide ce qui mérite une recherche. Je façonne encore les consignes, j’approuve les preuves, je révise le résultat, j’enregistre avec ma propre voix quand une sortie demande une vidéo et j’entretiens le code qui fait tourner le système.
Ce n’est pas une faiblesse de l’automatisation. C’est tout l’objectif.
Le goût, la direction, la personnalité et la validation ne sont pas des problèmes de traduction. Les agents peuvent accélérer la transformation d’une idée en ensemble d’artéfacts, mais ils ne peuvent pas décider quelles idées méritent votre nom. Le pipeline multiplie la force de la pensée que vous lui donnez. Si la graine est vide, il produit du vide bien poli.
Cet article lui-même a suivi le même processus général : un script terminé a fourni l’argument, Gemini a analysé toute la vidéo source pour repérer les diagrammes techniques, les captures ont été extraites et vérifiées pour exclure mon visage, puis le résultat a été adapté en anglais et en français pour le site. L’automatisation a fait gagner du temps parce que l’intention et le matériel source existaient déjà.
Si vous voulez construire la pile complète, y compris Nova, Brown, FastMCP, LangGraph, le workflow visuel, l’évaluation et le déploiement, le cours Agentic AI Engineering l’enseigne au moyen d’un projet de portfolio complet. Vous pouvez aussi commencer directement avec le dépôt libre et garder les fiches de référence en ingénierie IA près de vous pendant que vous décidez quelles parties de votre propre workflow devraient être des agents, des workflows ou du code déterministe.
La bonne question n’est pas « Un agent peut-il automatiser ceci? » C’est plutôt « Quelle partie de ce travail exige encore mon jugement? » Protégez d’abord cette partie. Automatisez ensuite tout ce qui vous empêche d’en faire davantage.
FAQ
Qu’est-ce que le pipeline de contenu avec agents IA automatise?
Il automatise la recherche approfondie, la première rédaction, les cycles de révision, la création et le stylisme des diagrammes, la génération de titres et de variantes SEO, la préparation et la traduction française. Le choix du sujet, la direction, l’expérience personnelle, la révision finale et la validation restent humains.
Pourquoi la recherche est-elle un agent et l’écriture un workflow?
La recherche est exploratoire et gagne à changer de direction quand de nouvelles preuves apparaissent. L’écriture exige des étapes prévisibles, des contraintes de style strictes, des points de contrôle et une boucle de révision répétable. Un workflow déterministe lui convient donc mieux.
Comment le pipeline réduit-il les hallucinations et les échecs silencieux?
Chaque fait doit provenir du fichier de recherche, les sources passent un filtre de qualité avant l’extraction complète, les réviseurs séparés reçoivent un contexte frais et un échec total en amont arrête le pipeline pour demander une intervention humaine plutôt que de transmettre de mauvaises données.
Comment le système d’écriture évite-t-il la prose IA générique?
Il compile six profils de voix ciblés, de bons exemples, les consignes de l’article et la recherche dans un seul prompt. Un réviseur distinct repère les violations concrètes, puis un éditeur les corrige pendant un nombre fixe d’itérations.
Pourquoi utiliser de simples fichiers Markdown entre les étapes?
Les fichiers créent un contrat simple et inspectable. Si une étape échoue ou produit un résultat faible, un humain peut ouvrir l’artéfact, le corriger et reprendre uniquement le travail en aval au lieu de relancer tout le pipeline.
Qu’est-ce qui devrait rester humain dans un workflow de contenu automatisé?
Gardez les parties qui demandent du goût et de la responsabilité : choisir le sujet, décider ce qui mérite d’être dit, fournir le contexte de première main, façonner la structure, vérifier les preuves et prendre la décision finale de publication.