Мультиагентная система аналитики и автоматизации контента для сети YouTube-каналов
Мы разработали мультиагентную систему для сети из более чем 50 YouTube-каналов на испанском, английском и русском языках. Шесть AI-агентов разбирают результаты каждого ролика, находят темы на подъёме, готовят планы сценариев, подсказывают обложки и время публикации и прогнозируют просмотры ещё до выхода видео. Авторы работают в одном дашборде, а через три месяца после запуска средние просмотры по сети выросли на 34 %.
- срок проекта
- 5 месяцев
- функциональных модулей
- 9
- этапов разработки
- 3
- ключевых технологий
- 7
02 — Контекст
Задача проекта
Исходная ситуация, ограничения и проблемы, которые должна была решить новая система.
В начале 2024 года к нам обратилась сеть YouTube-каналов: больше 50 каналов на испанском, английском и русском языках и миллионы подписчиков. При таком масштабе у сети не было системного способа понять, какой контент работает на каждом из языковых рынков.
Решения о контенте принимались по интуиции, а не по данным, а авторы неделями вручную искали темы для новых роликов и подбирали обложки.
Решения по интуиции
Какие темы, форматы и обложки приносят просмотры, оценивали на глаз. Сравнить ролики внутри канала и между языковыми рынками было не с чем, поэтому удачный опыт одного канала не становился правилом для остальных.
Недели на поиск тем
Поиск тем для новых роликов шёл вручную и растягивался на недели, а на планирование одного сценария у автора уходило 3–4 часа.
Обложки проверялись вручную
Авторы сами меняли обложки у вышедших роликов и пытались запомнить, какой вариант сработал лучше. Систематического сравнения вариантов не было, и выводы зависели от памяти конкретного человека.
03 — Возможности
Что делает система
Ключевые сценарии и рабочие модули, собранные в единую систему.
Сбор данных по всем каналам
Конвейеры раз в час забирают из YouTube Data API метаданные, просмотры, вовлечённость и демографию аудитории по всем 50 каналам. По каждому ролику в PostgreSQL хранятся название, описание, теги, обложка, время публикации, длительность и категория, а также почасовая динамика просмотров, лайков, комментариев, репостов и времени просмотра — видно, как видео ведёт себя в первые часы.
Агент аналитики
Работает непрерывно и обрабатывает новые данные по мере поступления. Сравнивает результаты ролика с историческими закономерностями для этого канала и типа контента и отмечает видео, которые идут выше или ниже ожиданий. Если ролик не набирает ожидаемый охват, автор получает предупреждение и успевает поменять стратегию продвижения.
Агент поиска тем
Следит за трендами на YouTube, в соцсетях и новостях на всех трёх языках. Предлагает темы, интерес к которым растёт, но которые каналы сети ещё почти не освещали. Подсказки фильтруются по нише каждого канала и по тому, как у него раньше заходили похожие темы.
Агент планов сценариев
Получает тему и канал и составляет план сценария. Примерами служат удачные сценарии этого же канала, чтобы план совпадал со стилем и структурой автора. Агент не пишет текст целиком: он даёт ключевые тезисы, варианты зацепки для вступления и идеи для финала.
Агент анализа обложек
Разбирает обложки самых успешных роликов и выделяет приёмы, которые работают. Испаноязычная аудитория лучше откликалась на яркие цвета и выразительные лица, англоязычная — на чистый контрастный текст поверх кадра, русскоязычная — на крупные планы продукта и сравнения «до и после». По этим закономерностям агент предлагает концепции обложек.
Агент расписания публикаций
Подбирает время публикации для каждого канала: когда подписчики активнее всего, а конкуренция за просмотры минимальна. Алгоритм YouTube поощряет ролики с сильным стартом, поэтому важно выходить, пока аудитория онлайн. Для каждого языкового рынка агент нашёл своё оптимальное время.
Агент прогноза результатов
До публикации оценивает, сколько просмотров и времени просмотра ролик наберёт за первые 48 часов. На вход получает тему, обложку, название и запланированное время выхода. Прогноз помогает решить, вкладываться ли в продвижение ролика или сначала доработать его элементы.
Дашборд и входящие рекомендации
React-дашборд показывает все каналы и свежие ролики с ключевыми метриками. Рекомендации агентов приходят во «входящие» карточками: тема, почему она актуальна, поисковый спрос и какие каналы-конкуренты её уже снимают. Тема одобряется одним кликом, и агент сразу готовит план сценария. По вышедшим роликам виден факт против прогноза, а сильные расхождения объясняет агент аналитики.
A/B-тесты обложек и автоматизация
Автор загружает несколько вариантов обложки, система через API A/B-тестирования YouTube сама проводит тест и переводит весь трафик на победителя, когда данных хватает для статистически значимого вывода. После одобрения рекомендации система может поставить ролик на оптимальное время, подобрать хештеги по трендовым запросам и подготовить локализованные названия для продвижения в нескольких регионах.
04 — Архитектура
Технологический стек
Технологии выбраны под нагрузку, интеграции и дальнейшее развитие продукта.
Зачем в проекте · 01 / 07
Python
На Python написаны конвейеры сбора данных, аналитические алгоритмы, которые сравнивают успешные и неуспешные ролики, и сами агенты. Один язык для данных, аналитики и LLM-логики упрощает развитие и сопровождение системы.
- Multi-Agent AI
05 — Процесс
Как шла разработка
Последовательность работ от исследования задачи до запуска и проверки результата.
Сбор данных и аналитика
Интегрировали YouTube API, настроили извлечение метаданных роликов, обработку метрик вовлечённости и анализ демографии аудитории и собрали единое хранилище данных по всем каналам. Аналитический слой сравнивает успешные и неуспешные ролики внутри канала и между похожими каналами.
Мультиагентная система
Разработали шесть специализированных AI-агентов, алгоритмы поиска закономерностей, выявление трендов, модели прогноза результатов и движок рекомендаций контента.
Дашборд и автоматизация
Запустили дашборд аналитики в реальном времени, автоматические рекомендации контента, A/B-тестирование обложек, оптимизацию расписания публикаций и отслеживание результатов. Все три этапа заняли пять месяцев.
06 — Итог
Результаты
Что создано в рамках проекта: рабочий контур, реализованные возможности и подтверждённые факты.
- средних просмотров по сети за три месяца
- +34 %
- точность прогноза просмотров за первую неделю
- 87 %
- в неделю вместо 2–3
- 4–5 роликов
- CTR у обложек по рекомендациям агента
- +28 %
Через три месяца после запуска средние просмотры роликов по сети выросли на 34 %. Агент прогноза предсказывает просмотры за первую неделю с точностью 87 %, и авторы уверенно выбирают, какой контент делать в первую очередь. Авторы стали выпускать 4–5 роликов в неделю вместо 2–3: агент поиска тем предлагает 15–20 релевантных тем на канал в неделю вместо многочасового ручного поиска, а планирование сценария сократилось с 3–4 часов до часа и меньше.
У роликов с обложками по рекомендациям агента CTR в среднем на 28 % выше, чем у обложек, сделанных без подсказок AI, а за первые два месяца автоматические A/B-тесты проверили больше 300 вариантов обложек. Сильнее всего выросли испаноязычные каналы — темпы прироста подписчиков увеличились на 41 %. Русскоязычные каналы перешли на более длинные форматы, которые предпочитает их аудитория, и нарастили время просмотра на 19 %, а англоязычные сохранили стабильный рост при на 30 % меньших ручных усилиях авторов.
Детали проекта
Почему кейс без имени клиента
Название сети и её каналов мы не раскрываем. Каналы, аудитория и статистика принадлежат клиенту, а знание о том, какие темы, обложки и время публикации приносят просмотры на каждом языковом рынке, — его конкурентное преимущество. Отзыв клиента можем предоставить по запросу под NDA.
При этом устройство системы мы описываем открыто: конвейеры данных, шесть агентов, стек и этапы работы. По этому описанию несложно прикинуть, как такой подход сработает для ваших каналов, — детали под ваши задачи разберём на встрече.
FAQ
Вопросы о проекте
Обсудим похожий проект?
Расскажите о задачах вашего бизнеса — предложим архитектуру и оценим сроки
