К содержимому
Языковые модели

AI-Content-Generation-for-LinkedIn

мультиагентная система для генерации постов

2 мин чтенияобновлено

Проект Anirudh1950 — это готовый пайплайн на базе LangChain, который автоматизирует ведение личного бренда в LinkedIn. Система сама собирает свежие новости из RSS-лент, веб-страниц и PDF-файлов, сохраняет их в локальную векторную базу ChromaDB и превращает в готовые публикации с иллюстрациями. Внутри работают сразу несколько ИИ-агентов (исследователь, автор, критик и генератор изображений), которые опираются на внешние API: Gemini, Perplexity и Groq. Решение пригодится контент-мейкерам, SMM-специалистам и разработчикам, которые хотят развернуть собственный автопостинг с проверкой фактов.

Ключевые особенности

  • Мультиагентная архитектура: оркестратор распределяет задачи между Research Agent (Perplexity), Writer Agent (Gemini), Critic Agent (Llama через Groq) и Image Agent (Gemini Imagen).
  • Сбор данных из разных источников: умеет парсить более 12 RSS-лент, скрапить обычные сайты, читать локальные и сетевые PDF через PyPDF2, а также опционально обходить пейвол Medium.
  • Локальный RAG и поиск трендов: разбивает тексты на чанки, переводит в эмбеддинги через sentence-transformers и ищет похожие статьи в ChromaDB (0–90 дней) или MongoDB (архив).
  • Интеграция по протоколу MCP: поддерживает Model Context Protocol для подключения веб-поиска, файловой системы и планировщика календаря, а готовый пост отправляет на почту или в Notion.

Что можно сделать

  • Запустить ежедневный автоматический дайджест новостей по выбранной нише с автоматической отправкой черновиков и картинок в базу Notion.
  • Использовать режим On-Demand: скормить скрипту ссылку на конкретную статью или свежий препринт с arXiv, чтобы получить выжимку в формате поста для соцсетей.
  • Адаптировать промпты агента-автора и критика под свой Telegram-канал или блог, заменив выходной формат с LinkedIn на нужную площадку.

Пример

# Генерация поста по конкретной ссылке
python main.py --url "[https://techcrunch.com/gpt-5-announcement](https://techcrunch.com/gpt-5-announcement)"

# Запуск ежедневного пайплайна по расписанию
python main.py --daily
ПодробнееЭто не весовая модель, а программный фреймворк (Hugging Face Space) — локальная видеокарта для инференса не нужна.
Для работы требуются API-ключи: Google GenAI (Gemini), Perplexity, Groq (есть бесплатный тариф) и LangSmith для трейсинга.
В качестве локального векторного хранилища используется ChromaDB без необходимости синхронизации с облачными БД.
Обсудить Telegram 0

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Anirudh1950/AI-Content-Generation-for-LinkedIn
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Anirudh1950/AI-Content-Generation-for-LinkedIn --local-dir ~/models/AI-Content-Generation-for-LinkedIn
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к AI-Content-Generation-for-LinkedIn
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Новые посты про версии AI-Content-Generation-for-LinkedIn — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

Anirudh1950/AI-Content-Generation-for-LinkedIn
Автор
Anirudh1950
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Project Genesis

Project Genesis