Jak zbudowalem AI Content Hub za pomoca Claude Code — Case Study

Tworzenie contentu na 8 platform jednoczesnie to koszmar logistyczny. YouTube, blog, Medium, LinkedIn, Instagram, Facebook, TikTok, Twitter — kazda platforma ma inne formaty, inne limity znakow, inny jezyk (PL vs EN), inne wymagania graficzne. Reczne przygotowanie jednego tematu zajmowalo mi 4-6 godzin dziennie. Researchu na 30+ stron, pisanie 7-9 tekstow, generowanie grafik AI, montaz reelsow, publikacja na kazdej platformie osobno.

Postanowilem to zautomatyzowac. Nie zatrudnialem zespolu. Nie kupowalem drogich SaaS-ow. Uzylem jednego narzedzia — Claude Code, CLI od Anthropic — i w dwa tygodnie zbudowalem kompletny system produkcyjny.

To jest case study tego projektu. Realne koszty, realne metryki, realna architektura.

Problem — 8 platform, 1 czlowiek, 0 automatyzacji

Prowadze kanal edukacyjny o AI. Publikuje regularnie na YouTube (scenariusze + miniaturki), blogu aiagents.biz.pl (artykuly PL), Medium (artykuly EN), LinkedIn (posty EN), Instagramie (karuzele + reelsy PL), Facebooku (posty PL), TikToku (krotkie video PL) i Twitterze (thready EN).

Kazdy temat wymaga:

• Researchu — minimum 30 zrodel, zeby miec wiarygodne dane
• 9 roznych tekstow — kazda platforma ma inne formatowanie
• Grafik AI — miniaturki YT, okladki karuzel, hero bloga, headery Medium
• Reelsow wideo — 30-sekundowe animowane slajdy
• Publikacji — reczne wklejanie na kazda platforme

Jeden temat = caly dzien pracy. Przy 3 tematach tygodniowo to nierealne bez zespolu.

Rozwiazanie — Claude Code jako AI developer

Claude Code to narzedzie CLI od Anthropic. Dziala w terminalu — opisujesz co chcesz, a AI pisze kod, tworzy pliki, uruchamia skrypty, edytuje konfiguracje. Bez IDE, bez klikania. Czysta rozmowa z AI, ktory ma pelny dostep do systemu plikow.

Kluczowa roznica wzgledem ChatGPT czy nawet Cursor — Claude Code dziala autonomicznie. Nie generuje snippetow do skopiowania. Sam tworzy pliki, uruchamia testy, poprawia bledy. Moge powiedziec "zbuduj skrypt do pobierania artykulow z URL-i, konwersji na PDF i uploadu do Pinecone" — i dostaje dzialajacy skrypt po 5 minutach.

Tak powstal caly AI Content Automation Hub.

Architektura systemu

System sklada sie z 5 warstw:

Warstwa 1 — Research (pobieranie wiedzy)

Kazdy temat trafia do trzech formatow — MD (czytelny tekst), PDF (archiwum), Pinecone (wyszukiwanie wektorowe). Dzieki temu generowany content opiera sie na realnych danych, nie na halucynacjach AI.

Warstwa 2 — Generowanie contentu

Jeden skill /content [temat] generuje kompletny pakiet 9 plikow:

• _scenariusz_yt.md — scenariusz YouTube (PL)
• _artykul_blog.md — artykul na blog (PL, ~2000 slow)
• _artykul_medium.md — artykul Medium (EN, ~2500 slow)
• _post_linkedin.md — post LinkedIn (EN, plain text + emoji)
• _post_instagram.md — caption Instagram (PL + hashtagi)
• _post_facebook.md — post Facebook (PL, plain text + emoji)
• _post_twitter.md — thread Twitter (EN, max 280 znakow/tweet)
• _post_tiktok.md — opis TikTok (PL, krotki)
• _rolka_instagram.md — scenariusz reelsa (PL)

Kazdy tekst jest generowany z kontekstem RAG — najpierw system odpytuje Pinecone o najnowsze dane na temat, potem generuje tresc oparta na faktach.

Warstwa 3 — Grafiki AI

Grafiki AI generowane sa na SimplePod — chmurowym GPU (RTX PRO 6000, 95 GB VRAM) uruchamianym na zadanie. Skrypt simplepod_gpu.py startuje instancje, generuje obrazy, i natychmiast ja zamyka. Koszt: ~$0.91/h, typowo 10-20 minut na pakiet = $0.15-0.30.

Reelsy nie wymagaja GPU — Playwright renderuje slajdy HTML na PNG, FFmpeg laczy je z efektem Ken Burns (zoom/pan). 30-sekundowy reel generuje sie w 15 sekund.

Warstwa 4 — Content Studio (dashboard)

Content Studio to aplikacja Next.js 15, ktora daje wizualny przeglad calego pakietu contentu. 8 zakladek — po jednej na platforme. Podglad tekstow, review grafik (Flux vs Qwen side-by-side), one-click publikacja.

Dziala lokalnie (port 3111) i na VPS (aiagents.biz.pl/studio). Publikuje automatycznie przez:

• Blog — bezposredni API call do aiagents.biz.pl
• Instagram, LinkedIn, Facebook, TikTok — Blotato API (auto-publish)
• YouTube — n8n webhook
• Medium, Twitter — manual (na razie)

Warstwa 5 — n8n (automatyzacja)

9 workflowow na self-hosted n8n (Hostinger VPS):

• AI News Content Generator — pon/sr/pt o 08:00
• Medium Article Generator — wtorek o 09:00
• Blog Post Generator — on-demand (webhook)
• SEO Rank Checker — poniedzialek o 07:00
• Content Repurposer Bot — on-demand (Telegram)

n8n integruje sie z Claude Code przez MCP (Model Context Protocol) — moge odpytywac i triggerowac workflowy bezposrednio z terminala.

Workflow w praktyce — od zera do publikacji w 30 minut

Caly proces wyglada tak:

1. /temat ai-w-healthcare-2026 — system pobiera 30+ artykulow, konwertuje na PDF, indeksuje w Pinecone (~5 min)
2. /content ai-w-healthcare-2026 — generuje 9 plikow tekstowych z kontekstem RAG (~3 min)
3. /grafika — start GPU, batch generacja wszystkich grafik AI, stop GPU (~15 min)
4. Reel — generate_reel.py --mode slides generuje MP4 w 15 sekund
5. Content Studio — review wszystkiego, one-click publish na 6 platform (~5 min)

Laczny czas: ~30 minut. Z czego 15 minut to generowanie grafik na GPU (mozna robic cos innego w tym czasie).

Dla porownania — reczne przygotowanie tego samego pakietu zajmowaloby 4-6 godzin.

Metryki po 2 tygodniach

Koszty

Dla porownania — zatrudnienie content managera to minimum $1500-2000/miesiac. Outsourcing do agencji — $3000-5000. System robi to samo za ~$100/miesiac.

Co zadziałalo najlepiej

Claude Code w terminalu — to nie jest "kolejny copilot". To autonomiczny agent, ktory pisze cale skrypty, debuguje bledy, tworzy konfiguracje. Nie musialem otwierac IDE ani razu. Cala architektura — 25 skryptow, 23 skille, Content Studio — powstala w rozmowach w terminalu.

MCP (Model Context Protocol) — mozliwosc podlaczenia Claude Code do n8n, Pinecone i innych serwisow przez MCP to game-changer. Nie musze recznie kopiowac danych miedzy narzediami.

CLAUDE.md — plik konfiguracyjny projektu, ktory Claude Code czyta na starcie kazdej sesji. Zawiera cala architekture, konwencje, parametry modeli, endpointy API. Dzieki temu AI ma pelny kontekst projektu bez ponownego tlumaczenia.

RAG-first approach — kazdy generowany tekst opiera sie na danych z Pinecone, nie na "wiedzy ogolnej" modelu. Efekt: content jest aktualny i oparty na zrodlach.

Co nie zadziałalo

Wan 2.2 T2V (text-to-video) — testowalem generowanie reelsow przez model AI na GPU. Jakosc tragiczna, czas generowania ~2h na 30-sekundowy klip. Zastapilem to Playwright + FFmpeg — 15 sekund, zero GPU, wystarczajaca jakosc.

Pelna automatyzacja Medium i Twittera — Blotato wspiera te platformy, ale integracja nie jest jeszcze wdrozona. Na razie manual copy-paste.

Koszty GPU przy dluzszych sesjach — jesli zapomnisz zamknac SimplePod, $0.91/h leci. Dodalem ostrzezenia w skryptach, ale to wymaga dyscypliny.

Wnioski

Claude Code to nie jest narzedzie do "pisania kodu szybciej". To narzedzie do budowania calych systemow przez rozmowe. Opisujesz architekture, AI ja implementuje. Poprawiasz, iterujesz, rozszerzasz — caly czas w terminalu.

Dla solo-tworcow contentu to zmiana paradygmatu. Zamiast robic wszystko recznie albo placic za drogie narzedzia, mozesz zbudowac wlasny system — dokladnie pod swoje potrzeby, za ulamek kosztow.

Caly projekt jest open-source w duchu — jesli chcesz zbudowac cos podobnego, potrzebujesz:

1. Claude Code (subskrypcja Anthropic)
2. Troche cierpliwosci na poczatku (pierwsze 3 dni to nauka konwencji)
3. Jasnej wizji tego, co chcesz zautomatyzowac

Reszta — skrypty, integracje, dashboard — napisze sie sama. A raczej — Claude Code ja napisze.