Pipeline de Conteúdo Automatizado com IA: do Prompt ao Publish com TypeScript

O problema real: conteúdo que não escala sem virar lixo

Gerar conteúdo com IA é trivial. Abrir o ChatGPT, colar um prompt e copiar o resultado leva dois minutos. O problema começa quando você precisa de volume com qualidade mínima: 20 posts por semana, cada um com metadados corretos, validação de frontmatter, checagem de links, revisão humana antes de publicar e deploy automático depois da aprovação.

Sem um pipeline, o processo é manual, frágil e inconsistente. Com um pipeline mal feito, você publica conteúdo genérico que prejudica o domínio. Este post mostra como montar a infraestrutura de automação: a parte de engenharia que transforma "chamar uma API de LLM" em um sistema previsível.

A arquitetura cobre quatro estágios: geração, validação, revisão e publicação. Cada estágio é um módulo independente conectado por fila.

Arquitetura do pipeline em quatro estágios

[Briefing Queue] → [Geração via LLM] → [Validação Programática] → [Revisão Humana] → [Publicação]
       ↑                                        |
       └── Rejeição com feedback ───────────────┘

O fluxo é linear com um loop de rejeição. Se a validação falha, o item volta para a fila de geração com o motivo da falha anexado ao prompt. Se a revisão humana rejeita, o item volta com anotações do revisor. Sem esse loop, o pipeline vira um canhão de conteúdo ruim.

Cada estágio roda como um worker independente. Isso permite escalar a geração (que depende de latência da API) separadamente da validação (que é CPU-bound e rápida).

Modelagem do briefing e da fila

O briefing é o input do pipeline. Ele precisa ser estruturado o suficiente para gerar prompts consistentes, mas flexível para cobrir formatos diferentes.

// src/types/briefing.ts
export interface ContentBriefing {
  id: string;
  topic: string;
  targetKeyword: string;
  contentType: "tutorial" | "comparison" | "deep-dive" | "opinion";
  targetWordCount: number;
  categorySlug: string;
  // Contexto extra que o LLM recebe como system prompt
  additionalContext?: string;
  // Controle de retry
  attempt: number;
  maxAttempts: number;
  previousFeedback?: string;
}

export interface PipelineItem {
  briefing: ContentBriefing;
  generatedContent?: string;
  validationResult?: ValidationResult;
  status: "queued" | "generating" | "validating" | "reviewing" | "approved" | "rejected" | "published";
  createdAt: Date;
  updatedAt: Date;
}

Para a fila, BullMQ com Redis resolve. Se o volume é baixo (menos de 50 itens por dia), um array em SQLite com polling já funciona. A escolha depende de quantos workers concorrentes você precisa.

// src/queue/setup.ts
import { Queue, Worker } from "bullmq";
import IORedis from "ioredis";

// Conexão separada para queue e worker evita bloqueio
// no subscriber do Redis quando a queue publica eventos
const connection = new IORedis({
  host: process.env.REDIS_HOST ?? "localhost",
  port: Number(process.env.REDIS_PORT ?? 6379),
  maxRetriesPerRequest: null,
});

export const generationQueue = new Queue("content-generation", {
  connection,
  defaultJobOptions: {
    attempts: 3,
    backoff: { type: "exponential", delay: 5000 },
    removeOnComplete: { count: 100 },
  },
});

export const validationQueue = new Queue("content-validation", {
  connection,
});

export const publishQueue = new Queue("content-publish", {
  connection,
});

Se você já trabalha com filas em Node.js, o padrão é familiar. Para quem usa Docker no ambiente de desenvolvimento, a configuração do Redis fica simples com docker-compose.

Geração: chamando o LLM com controle

O worker de geração recebe o briefing, monta o prompt e chama a API. A parte que a maioria dos tutoriais ignora: controle de custo, timeout e tratamento de respostas malformadas.

// src/workers/generation.worker.ts
import { Worker, Job } from "bullmq";
import OpenAI from "openai";
import { ContentBriefing, PipelineItem } from "../ty

---

Leia o artigo completo em [https://www.vivodecodigo.com.br/backend/pipeline-conteudo-automatizado-ia-typescript-openai](https://www.vivodecodigo.com.br/backend/pipeline-conteudo-automatizado-ia-typescript-openai)