CASE STUDY · AI AUTOMATION & OPERATIONS

Reliable AI Media
Automation Pipeline

把 RSS 選題、去重、LLM 編輯、影片生成、發布、失敗重試、紀錄與通知接成可追蹤的自動化流程;重點不是大量產片,而是可恢復、可檢查、可人工介入。

GitHub ↗

01 / Verified scope

數字來自目前 repository 的設定與執行介面。

4內容線:科技、消費金錢、資安、科學未來
3發布介面:YouTube、Instagram Reels、Facebook Reels
2通知管道:Email 與 Telegram
3安全執行模式:dry-run、no-upload、隱私狀態覆寫

02 / Pipeline

從來源到發布,每一步留下可追蹤狀態。

Reliable AI Media Automation Pipeline 架構視覺
來源蒐集、事件去重、LLM 或本機評分、媒體生成、多平台發布與營運紀錄。

03 / Reliability

Deduplicationseen.json 記錄已處理條目,並跨來源避免重複事件再次發布。
Failure Recoverypending_upload.json 保存已生成但發布失敗的影片,下一輪先重傳而不是重新生成。
Audit Trail每次 job 保存 topic profile、來源標題、來源 URL、feed、結果、錯誤階段與警告。
Operational Visibility分開保存 job、各平台 publish status、每日 log 與 report,並可發送 Email / Telegram 通知。

04 / Architecture

RSS Sources多來源輪流取樣與全文 fallback
Editorial Guardprofile 關鍵字、排除詞、去重狀態
GenerationLLM 選題、腳本、TTS、字幕與素材
Operationspublisher adapters、重試、紀錄與通知

05 / Attribution

清楚區分既有框架與新增工程。

影片生成核心建立在 MoneyPrinterTurbo 可攜版上;此工作區的重點是外層自動化與營運能力,包括四條內容線、RSS 與選題規則、去重狀態、失敗恢復、多平台發布介面、排程、工作紀錄、日報與通知。Portfolio 不把上游框架功能宣稱為完全自行從零實作。

06 / Current limit

品質閘門設定存在,但目前尚未成為真正的發布阻擋。

config.example.toml 內已有 quality gate 相關欄位,但目前主流程尚未呼叫該檢查。現階段較可靠的人工介入方式是先使用 --dry-run--no-upload 檢查題材與產物,再決定是否發布;因此不把「自動品質把關」列為已完成功能。

07 / Takeaway

可靠自動化不是把步驟串起來而已。

真正可維運的工作流還需要來源可追溯、重複防護、失敗恢復、狀態紀錄、通知與人工審核入口。這些才是此專案最值得展示的部分。