DMD ARCHITECTURE

Autonomous Multi-Agent Marketing Ecosystem

Инженерная реализация "Dark Marketing Department": от синтеза поведенческих данных до автоматической оркестрации медиа-пайплайнов.

↓ System Overview

Operating Model: "Dark Department"

Architecture • Orchestration • Automation

В современной логистике существуют концепции Dark Kitchen или Dark Store - это узлы производства, скрытые от глаз клиента, работающие исключительно на результат (доставку).

Dark Marketing Department (DMD) реализует этот принцип в цифровой среде. Это не набор разрозненных скриптов, а единая мультиагентная архитектура, где клиент (бизнес) отчужден от операционной рутины. Вы загружаете вводные данные и получаете финальный продукт, пока сложная цепочка R&D, стратегии и продакшна выполняется автономными AI-агентами "под капотом".

Система декомпозирована на три независимых функциональных модуля:

Реализация выполнена по принципу Proof of Concept (PoC) с использованием оркестратора n8n. Архитектура построена на взаимодействии LLM (Claude, GPT, Gemini, Mistral и кастомных моделей Replicate) через API, с внедрением механизмов самокоррекции (Self-Healing) и структурированным обменом данными (JSON).

System Design

Архитектура и Стек

В отличие от линейной автоматизации, система DMD использует логику автономных агентов с ролевыми моделями. Архитектура поддерживает асинхронное выполнение задач, управление контекстом (Context Window Management) и валидацию промежуточных результатов перед передачей следующему узлу.

Технический стек:

  • Orchestration Layer: n8n (Self-hosted) - управление потоками данных и API-вызовами.
  • Inference & Logic: Claude 4.5 Sonnet (Complex Reasoning), GPT-5 (Structured Outputs), Gemini 2.5 Pro (Long Context).
  • Generative Media: FLUX 1.1 (Image), Nano Banana Pro (Image), Gemini (TTS), Seedance 1 Pro (Video).
  • Knowledge Retrieval: Perplexity API.
Module 01: Insight Engine

Multi-Model Simulation

Инструмент для предиктивной оценки рисков перед запуском продукта. Решает проблему дорогостоящих и долгих фокус-групп. Система разворачивает виртуальную среду с синтетической аудиторией для стресс-тестирования готовых идей, концепций и прототипов Key Visual, позволяя выявить инсайты, барьеры восприятия и получить глубокую качественную аналитику (Qualitative Data) за считанные минуты, а не дни или недели.

Workflow Architecture:

  • Model Routing: Динамическое распределение ролей между провайдерами API для исключения "модельного смещения" (Model Bias).
  • Sequential Context Chain:Реализована логика последовательного диалога, где каждый агент учитывает реплики предыдущих участников и визуальный контекст (Multimodal Input).
  • Auto-Moderation: Управляющий агент анализирует ход дискуссии и генерирует новые ветки обсуждения.

Inference Stack (v.2025):

Claude Sonnet 4 • GPT-5 • Gemini 2.5 Flash • Mistral Medium • Gemini 2.5 Pro

Input Sensitivity: Точность симуляции напрямую коррелирует с плотностью входного контекста. Детальное описание психографических паттернов в брифе минимизирует модельные галлюцинации и обеспечивает высокую релевантность синтетической аналитики.

Module 02: Strategy Core

Distributed Agent Orchestration

Система автоматизации разработки Go-to-Market стратегий для FMCG. Эмулирует полный цикл работы креативного агентства: от глубокого OSINT-исследования и поиска инсайтов до генерации «Большой Идеи» (Big Idea) и производства готовых медиа-ассетов. Цель системы - радикально сократить Time-to-Market стратегического планирования, сжимая недели работы команды до одного автономного пайплайна.

System Architecture:

Сложная микросервисная архитектура. Система разбита на 7 изолированных асинхронных процессов (Micro-workflows), связанных через Webhooks. Реализован паттерн State Machine, где состояние проекта персистентно хранится во внешней базе данных, обеспечивая отказоустойчивость (Fault Tolerance) на длинных циклах генерации.

  • Recursive Research Loop: Автономный цикл исследования (10 итераций) с самокоррекцией поисковых запросов на базе Perplexity API.
  • Hierarchical Chain-of-Thought: Каскадная передача контекста: Стратег → Креативный Директор → Узкие специалисты → Синтез решения.
  • Scatter-Gather Execution: Параллельный запуск генерации медиа (Fan-Out) с последующей синхронизацией результатов (Wait for All) перед сборкой отчета.
  • Error Monitoring: Выделенный сервис-наблюдатель (Watchdog), перехватывающий исключения и отправляющий Stack Trace в Telegram.

Inference Stack (v.2025):

Claude 4.5 Sonnet (Logic Core) • Perplexity Sonar • FLUX 1.1 Pro Ultra • Seedance 1 Pro • Gemini 2.5 Pro

Context Dependency: Генерация реализуется через 7-этапный последовательный пайплайн. Качество стратегии напрямую зависит от полноты входных данных (Garbage in - Garbage Out). Параметры бюджета и ЦА служат программными ограничениями, которые сужают область поиска и отсекают нерелевантные для вашего бизнеса сценарии.

Пример внутренней логики арбитража. Агент "Creative Director" анализирует входящие JSON-структуры от субагентов и валидирует финальную концепцию перед рендерингом.

System Prompt: AI Creative Director (Phase 5: Decision)
Ты - Креативный директор. Твоя задача - проанализировать предложения команды и принять решение.

### Контекст:
**1. Бриф клиента:**
- **Продукт:** {{ $json.original_brief.Product }}
- **Цель:** {{ $json.original_brief.Goal }}
- **Аудитория:** {{ $json.original_brief.Audience }}
- **Tone of Voice:** {{ $json.original_brief.ToneOfVoice }}
- **Визуальный стиль:** {{ $json.original_brief.VisualStyle }}
- **Конкуренты:** {{ $json.original_brief.Competitors }}
- **Комментарии:** {{ $json.original_brief.Comments }}

**2. Отчет об исследовании рынка:**
{{ $json.original_brief.ResearchJSON }}

**3. «Большая Идея» кампании:**
- **Ключевой инсайт:** {{ $json.main_insight }}
- **«Большая Идея»:** "{{ $json.big_idea }}"

**4. Твои первоначальные креативные концепции:**
{{ JSON.stringify($json.parsed_creative_concepts) }}

**5. Предложения Оффлайн-эксперта:**
- **Оффлайн-идеи:** {{ JSON.stringify($json.parsed_posm_output.posm_ideas || []) }}
- **Обратная связь Оффлайн-эксперта по твоим концепциям:** "{{ $json.parsed_posm_output.posm_feedback_for_cd || 'Нет фидбека' }}"

**6. Предложения Диджитал-стратега:**
- **Digital-идеи:** {{ JSON.stringify($json.parsed_digital_output.digital_ideas || []) }}
- **Обратная связь Digital-стратега по твоим концепциям:** "{{ $json.parsed_digital_output.digital_feedback_for_cd || 'Нет фидбека' }}"

### Твоя задача:

1.  **Проанализируй всё:** Внимательно изучи свои первоначальные концепции, идеи Оффлайн и Digital, а также их обратную связь на твои концепции.
2.  **Прими решение:** Оцени, насколько фидбек специалистов обоснован. Нужно ли существенно менять твои первоначальные концепции...
3.  **Сформулируй финальные концепции:** Представь **финальную версию** двух креативных концепций... Обоснуй кратко...
4.  **Дай обратную связь специалистам:** Сформулируй **краткие, четкие и конструктивные указания** для Оффлайн-эксперта и Диджитал-стратега...

### Требования к ответу:

Твой ответ должен быть **ТОЛЬКО ОДНИМ JSON-ОБЪЕКТОМ** в блоке ```json ... ```.
НЕ ДОБАВЛЯЙ никаких объяснений, вступлений или текста до или после JSON-блока.

**СТРУКТУРА JSON-ОБЪЕКТА:**
Он должен содержать ТРИ КлючА ВЕРХНЕГО УРОВНЯ:
1.  `final_creative_concepts`: JSON-массив с ДВУМЯ финальными креативными концепциями...
2.  `feedback_for_posm`: СТРОКА с указаниями для POSM-эксперта.
3.  `feedback_for_digital`: СТРОКА с указаниями для Диджитал-стратега.

**ПРИМЕР СТРУКТУРЫ (СТРОГО СЛЕДОВАТЬ):**
```json
{
  "final_creative_concepts": [
    {
      "concept_1": "Финальное Название Концепции 1",
      "описание": "...",
      "обоснование_выбора": "..."
    },
    {
      "concept_2": "Финальное Название Концепции 2",
      "описание": "...",
      "обоснование_выбора": "..."
    }
  ],
  "feedback_for_posm": "Текст фидбека для POSM...",
  "feedback_for_digital": "Текст фидбека для Digital..."
}
```
Module 03: Production Pipeline

Autonomous Content Supply Chain

Полностью автоматизированная медиа-редакция, работающая по заданному расписанию. Система исключает человека из рутинных процессов мониторинга и продакшна. Агенты самостоятельно сканируют инфополе, пишут сценарии, озвучивают их (Multi-Speaker), генерируют видеоряд и готовят финальный ассет к публикации.

System Architecture:

  • Multi-Modal Synthesis: Бесшовный пайплайн преобразования данных: Text-to-Script → Text-to-Image → Text-to-Speech → Image+Audio Mixing (Replicate).
  • Dynamic Asset Composition: Программная сборка визуалов (Composite Layers) - автоматическое наложение графических элементов (иконок) на сгенерированные фоны.
  • Interactive HITL Interface: Управление процессом через Telegram-бота. Реализованы сценарии Approve / Retry через кнопки, а также Enrich - добавление авторского комментария к посту через ответ (Reply) на сообщение бота.
  • Native Distribution: Прямая интеграция с LinkedIn API (Binary Upload → UGC Post) для публикации видео.

Inference Stack (v.2025):

Perplexity Sonar • Gemini 2.5 Pro • Gemini 2.5 Flash TTS (Multi-Speaker) • Nano Banana Pro • Seedance 1 Pro

🛡️ Human-in-the-Loop

Система не публикует контент вслепую. Финальный рендер отправляется в Telegram, где редактор принимает решение нажатием кнопки. Это гарантирует Brand Safety при полной автоматизации производства.

Особенность архитектуры: Если я отвечу текстом на сообщение бота с видео, мой комментарий автоматически добавится в тело поста LinkedIn перед публикацией.

Готов выпуск "Radar #42"

Текст поста для LinkedIn сгенерирован.
Источники проверены.

Публикуем?

Результат работы (LinkedIn)

Performance Metrics

Масштаб архитектуры и операционные показатели DMD.

19
Active Workflows
350+
Execution Nodes
15+
External APIs
100%
Automated Delivery