Fluxos de trabalho editoriais com Gen AI

Visão Geral da Solução

As equipes de conteúdo enfrentam uma pressão crescente para produzir conteúdo envolvente e credível em um ambiente noticioso de fluxo rápido. Os métodos tradicionais geralmente levam ao esgotamento criador e à perda de oportunidades, em vez da criação de conteúdo, devido ao tempo gasto em pesquisa manual, verificação de fonte e gerenciamento de ferramentas. Com o MongoDB, você pode combinar a IA generativa com a infraestrutura de dados adaptável do MongoDB para otimizar as operações editoriais. Para ajudá-lo a testar esses recursos, fornecemos a demonstração do Laboratório de conteúdo, uma solução que você pode replicar.

A demonstração do Content Device simplifica os fluxos de trabalho editoriais e permite:

• Ingestão e estrutura de conteúdo diversos: esta demonstração processa eficientemente altos volumes de conteúdo não estruturado e semiestruturado de várias fontes, organizando-o dinamicamente por tópico, setor e metadados de origem.

• Permita a descoberta e o rascunho com base em IA: os modelos de incorporação e o MongoDB Atlas Vector Search transformam o conteúdo bruto em dados estruturados e pesquisáveis. Essa combinação permite a recuperação semântica de tópicos do momento e automatiza a redação de conteúdo, reduzindo o esgotamento criador.

• Melhorar a credenciais do conteúdo: esta demonstração captura e armazena URLs de origem, que são incorporados diretamente às sugestões de tópico. A integração com agentes de pesquisa externos agrega ainda mais sugestões de conteúdo com informações contextuais.

• Facilite a personalização e aumente a eficiência do fluxo de trabalho: esta demonstração processa o perfil do usuário para fornecer sugestões de escrita personalizadas e armazena rascunhos para controle de versão e reutilização. O esquema flexível do MongoDB torna isso possível ao adaptar-se sem esforço à evolução dos dados de perfil, aos formatos de rascunhos e aos novos tipos de conteúdo sem interromper o fluxo de trabalho.

clique para ampliar

figura 1. Diagrama de fluxo de experiência do usuário

Ao fornecer uma solução de armazenamento unificada, insights em tempo real e assistência automatizada de conteúdo, esta demonstração mostra como o MongoDB ajuda as equipes editoriais a reduzir a complexidade, melhorar a qualidade do conteúdo e acelerar a produção. Ele oferece aos editores um caminho claro da ideia à publicação.

Arquitetura de referência

A demonstração do ContentLab fornece uma ferramenta de publicação orientada por IA que combina a Gen AI com a infraestrutura de dados flexível do MongoDB para simplificar as operações editoriais. A arquitetura é projetada como um microsserviço para:

• Lidar com a ingestão de conteúdo diverso

• Impulsione a descoberta e o rascunho com base em IA

• Aumentar a credenciais do conteúdo

• Oferece suporte à personalização e à eficiência do fluxo de trabalho

clique para ampliar

figura 2. Arquitetura de alto nível da demonstração do Content Device

Essa arquitetura usa os seguintes componentes:

• Interface do usuário (UI): os usuários interagem com o sistema por meio de uma interface do usuário que fornece recursos como sugestões de tópicos, rascunho de FERRAMENTAS e gerenciamento de rascunhos.

• Serviços de backend: esses microsserviços lidam com diferentes funções da demonstração, incluindo:

  • Análise de conteúdo e backend de sugestões: esse serviço processa notícias e dados do Reddit, transformando conteúdo em vetores semânticas por meio de modelos de incorporação como o Cohere-embed. Esses vetores podem ser processados com o Atlas Vector Search para fornecer sugestões de tópicos em tempo real. O microsserviço tem estes componentes principais:

    • Agendador e orquestração: esse serviço automatiza os fluxos de trabalho de ingestão, geração de incorporação e sugestão de tópicos diariamente.

    • Função: esse serviço fornece serviços de assistência e personalização de escrita downstream para o microsserviço do assistente de escrita usando pesquisa e recuperação semântica.

    Abaixo, você pode encontrar um diagrama de visão geral de alto nível deste microsserviço.

    

    clique para ampliar

    figura 3. Arquitetura de alto nível do backend de conteúdo e sugestões

  • Backend do assistente de escrita: esse serviço fornece FERRAMENTAS para publicação, que inclui descrição de rascunhos, revisão, refinamento de conteúdo e conclusão de chat. Esses FERRAMENTAS usam LLMs, como o Athropic Class e o Amazon Web Services ReadRock.

• MongoDB Atlas: o Atlas serve como o principal armazenamento de dados, fornecendo recursos de pesquisa semântica, armazenamento de banco de dados e pipelines de agregação para processamento e recuperação eficientes.

Abordagem do modelo de dados

Esta demonstração usa o seguinte design de modelo de documento e coleções para armazenar conteúdo.

A demonstração do Laboratório de conteúdo contém cinco collections principais:

• userProfile

• reddit_posts

• news

• suggestions

• drafts

A coleção userProfile armazena preferências individuais do usuário para personalizar sugestões personalizadas orientadas por IA. Essas preferências incluem:

• persona: o tipo de gravador que o usuário pode escolher.

• tone: o tom desejado que o usuário pode escolher, por exemplo, causal, oficial ou semiformal.

• styleTraits: As características predefinidas do gravador.

• sampleText: Uma frase de exemplo de um escritor.

Esse esquema segue o princípio de design do MongoDB de que dados acessados com frequência juntos são armazenados juntos, permitindo que o assistente de escrita recupere rapidamente as recomendações do usuário. Um documento de amostra é mostrado abaixo.

{
  "_id": {
    "$oid": "6862a8988c0f7bf43af995a8"
  },
  "persona": "The Formal Expert",
  "userName": "Mark S.",
  "tone": "Polished, academic, appeals to professionals and older readers",
  "styleTraits": [
    "Long, structured paragraphs",
    "Formal language with rich vocabulary",
    "Analytical, often includes references or citations"
  ],
  "sampleText": "This development represents..."
}

As collections reddit_posts e news armazenam dados brutos ingeridos de suas respectivas APIs. Esses documentos são ainda enriquecidos com incorporações, que são representações numéricas do significado do conteúdo que permitem a pesquisa semântica.

A coleção suggestions contém os tópicos sugeridos a partir dos dados reddit_posts e news processados. A interface do usuário pode encontrar facilmente esses documentos e usá-los para a seleção de tópicos. Um documento de amostra é mostrado abaixo.

{
  "_id": {
    "$oid": "686fb23055303796c4f37b7e"
  },
  "topic": "Backlash against generative AI",
  "keywords": [
    "algorithmic bias",
    "data privacy",
    "AI regulation",
    "public trust"
  ],
  "description": "As generative AI tools like ChatGPT proliferate, a growing public backlash highlights concerns over their negative impacts and the need for stronger oversight.",
  "label": "technology",
  "url": "https://www.wired.com/story/generative-ai-backlash/",
  "type": "news_analysis",
  "analyzed_at": {
    "$date": "2025-07-10T12:29:36.277Z"
  },
  "source_query": "Viral social media content"
}

Finalmente, a coleção drafts armazena os rascunhos dos usuários. Cada rascunho está associado a um tópico sugerido, permitindo fácil organização e recuperação. Esse modelo garante persistência, controle de versão e reutilização de conteúdo para fluxos de trabalho editoriais.

Construir a solução

Você pode replicar esta demonstração seguindo estas etapas:

Principais Aprendizados

• Adaptar modelos de dados com o esquema flexível do MongoDB: com o MongoDB, você pode adicionar novos campos ou adaptar os existentes - como metadados personalizados, resumos e históricos de versões - em suas collections, sem tempo de inatividade ou migrações complexas.

• Integre o Atlas Vector Search para uma descoberta significativa: com o MongoDB, você pode armazenar incorporações de várias APIs em suas respectivas coleções e, em seguida, executar consultas de similaridade para revelar tópicos relevantes em segundos.

• Garanta a confiança Editorial rastreando as fontes de conteúdo: com o MongoDB, você pode armazenar URLs de origem e metadados juntamente com sugestões, facilitando a verificação das origens e preservando a autoridade nos rascunhos.

• Mantenha um fluxo constante de ideias automatizando seu pipeline: com o MongoDB, você pode agendar tarefas diárias para coletar notícias, processar incorporações e gerar sugestões que garantem recomendações de tópicos atualizadas.

Autores

• Aswin Subramanian Maesvaran, MongoDB

• Felipe Trejos, MongoDB

Saiba mais

• Para entender como o Atlas Vector Search aprimora a pesquisa semântica e habilita a análise em tempo real, visite a página do Atlas Vector Search.

• Para saber como o MongoDB está transformando as operações de mídia, leia o artigo Personalização de mídia alimentada por IA: MongoDB e Vector Search.

• Para descobrir como o MongoDB oferece suporte a fluxos de trabalho de mídia modernos, visite a página MongoDB para mídia e entretenimento.