Jak zamieniłem moją automatyzację-kobyłę w wydajny system

Pamiętasz mój wpis o automatyzacji publikacji wpisów? Zaczęło się niewinnie. Flow miało ogarniać tylko podstawowe SEO i media społecznościowe.

Potem doszło codzienne sprawdzanie arkusza o trzeciej nad ranem i kolejne mniejsze funkcje. Zamiast refaktoryzować, po prostu dokładałem nowe węzły. Kierowała mną klasyczna zasada: nie ruszam tego, co działa. Zbudowałem monstrualną kobyłę. Ponieważ korzystałem z API Groka, ten chaos zaczął generować realne i coraz większe koszty.

Claude wchodzi do gry (z pełnym dostępem)

Z pomocą przyszedł Claude i moje ustawienie MCP, które opisałem w poradniku o konfiguracji n8n z Claude Desktop.

Napisałem długi prompt. Opisałem całe flow, kontekst techniczny, moje wątpliwości i prośbę o optymalizację. I tu pierwsza brutalna prawda:

Nie musiałem opisywać kontekstu. Długi prompt nie przeszkadza, ale analizę napędza bezpośredni dostęp do danych, a nie twoja opowieść.

Kiedy Claude ma podłączone MCP do twojego n8n, po prostu podajesz mu ID workflow. On sam to czyta. Nie z twoich słów, ale prosto z kodu. To sytuacja, w której zasady z Zero-Shot Classification sprawdzają się w stu procentach.

Jak AI robi Code Review

Zazwyczaj w komunikacji z modelami językowymi opisuję wszystko z chirurgiczną precyzją, żeby wyciągnąć konkretny wynik. Tutaj wystarczyło podać numer przepływu.

Claude pobrał przez MCP cały JSON. Każdy węzeł, każde połączenie i każdy skrypt JavaScript, który napisałem. Przeczytał to tak, jak programista czyta cudzy kod przed refaktoryzacją. Szukał wyłącznie marnotrawstwa.

Znalazł trzy niezależne problemy:

1. Redundantne czyszczenie HTML: Kod wpisu był czyszczony do czystego tekstu trzy razy, w trzech różnych miejscach. Ta sama operacja, napisana trochę inaczej, bo gałęzie flow nic o sobie nie wiedziały.
2. Podwójne odpytywanie bazy: Google Sheets był odpytywany dwukrotnie o te same dane, które siedziały już w pamięci. Workflow nie ufał sam sobie.
3. Cztery wywołania AI na jeden tekst: Trzy węzły korzystały z potężnego modelu grok-4-1-fast-reasoning do generowania meta description i postów na Facebooka. To jak wysyłanie tira po bagietkę.

Zamiast czterech osobnych wywołań AI przetwarzających ten sam tekst na różne formaty, złóż jedno kompletne zapytanie.

Rzeźnia węzłów i nowe liczby

Claude zaprojektował nowy kształt flow i wdrożył go jedną operacją przez API. Nie modyfikował węzłów po kolei. Zastąpił całość nową wersją. Albo zapisuje się poprawnie, albo wcale.

Harmonogram, logowanie, obsługa duplikatów i RSS zostały nietknięte. Z zewnątrz blog działa tak samo. W środku jest taniej i stabilniej.

Przy okazji wyleciał stary bug niezwiązany z optymalizacją. Znalazł się fragment skryptu, który przy specyficznych warunkach kasował zawartość pliku zamiast do niego dopisywać. Naprawione w jednym rzucie.

Tak to wygląda w praktyce po czyszczeniu:

Twardy wniosek

Jeśli masz postawione n8n z MCP i chcesz zoptymalizować proces, potrzebujesz tylko ID przepływu i jednego zdania z celem.

To jest właśnie różnica między AI, które czyta twoje streszczenie, a AI, które analizuje twój surowy kod i strukturę bazy.