Il Cervello: Dentro il Motore di Contenuto LLM di Zirelia

Il Problema con l’Automazione Basata su Template

La maggior parte degli strumenti di automazione social funziona con template:

“Buongiorno! Oggi mi sento [AGGETTIVO]. Guarda il mio ultimo [TIPO_CONTENUTO]! #hashtag”

Il risultato è prevedibile, ripetitivo e immediatamente riconoscibile come automatizzato. I follower si disimpegnano. Le piattaforme lo flaggano.

Zirelia adotta un approccio completamente diverso: invece di riempire template, ragiona a partire dal carattere della persona.

L’Architettura: Workflow LangGraph

La generazione di contenuti in Zirelia è un workflow multi-step orchestrato da LangGraph:

[Selezione Argomento] → [Generazione Pensiero] → [Scrittura Didascalia] → [Prompt Visivo] → [Controllo Qualità]

Ogni step è una chiamata LLM con un prompt specifico e ricco di contesto. I passaggi trasmettono dati in avanti, costruendo un post completo a partire da un’idea iniziale.

Step 1: Selezione Autonoma dell’Argomento

Il cervello non aspetta istruzioni su cosa pubblicare. Seleziona argomenti autonomamente in base a:

• Ora del giorno → mattina = caffè/benessere; notte = introspezione/gaming
• Interessi della persona → selezione casuale ponderata dalla config YAML
• Contesto memoria → cosa è stato pubblicato recentemente (per evitare ripetizioni)

def get_autonomous_topic(self, time_of_day: str) -> str:
    routine_topics = self.persona.routine.get(time_of_day, [])
    interest_topics = self.persona.interests
    # 70% routine, 30% interessi
    pool = routine_topics * 7 + interest_topics * 3
    return random.choice(pool)

Step 2: Generazione del Pensiero

L’argomento selezionato viene passato al PersonaBrain, che genera un “pensiero” grezzo — un monologo interno dal punto di vista della persona:

System: Sei Sienna Fox, una creator di LA di 23 anni. Sei giocosa, sicura e autentica...
Human: A cosa stai pensando adesso? Argomento: sessione di yoga mattutina.

Il LLM risponde in personaggio, producendo qualcosa di autentico invece che generico.

Step 3: Scrittura della Didascalia

Il pensiero grezzo viene raffinato in una didascalia social media rifinita, formattata per la piattaforma target (limiti di caratteri Twitter/X, stile hashtag, densità emoji).

Step 4: Generazione del Prompt Visivo

Il cervello espande l’argomento in un prompt dettagliato per la generazione di immagini, incorporando:

• I descrittori fisici della persona
• La trigger word del LoRA
• Il contesto della scena (ora del giorno, location)
• Modificatori di qualità (fotorealistico, 4k, luce golden hour)

Memoria: Vector Store ChromaDB

Il componente più importante per l’autenticità a lungo termine è la memoria.

Ogni post pubblicato viene embedato e archiviato in ChromaDB. Prima di generare nuovo contenuto, il cervello recupera i post passati semanticamente simili:

similar_posts = memory.search(topic, n_results=5)
# Iniettato nel prompt: "Hai già pubblicato su X. Evita di ripeterti."

Questo impedisce all’AI di pubblicare ripetutamente gli stessi contenuti — una chiara spia dell’automazione.

Nel tempo, la persona sviluppa una storia di contenuti coerente, come se avesse un vero passato.

Il Risultato

Un motore di contenuto che non si limita a riempire spazi vuoti — pensa, ricorda e crea.

La differenza è percepibile da qualsiasi lettore che interagisce con il feed abbastanza a lungo da notarla: i post sembrano provenire da un personaggio coerente ed in evoluzione, non da una macchina che gira con il pilota automatico.