cerebro-vip INEMA.CLUB
início › INEMA.N8N

Aula/material do módulo j100 sobre criação de posts virais para redes…

INEMA.N8N · 2025-08-13 · ~14 min · ver no Telegram ↗

INEMA

Dublado

youtube.com/watch ↗

Aqui vão alguns hacks práticos para esse sistema multi-agente no n8n ficar mais rápido, barato e com mais impacto — inclusive na hora de vender como serviço.

Hacks para Performance e Custo⌗

  1. Modelos diferentes por agente
  • Pesquisa e Hook → modelos mini ou mais baratos (Qwen, GPT-4.1-mini)
  • Script e Orquestrador → modelos premium (Claude 3.7, GPT-4.1) Isso reduz o custo total em 40–60%.
  1. Limite de dados nos scrapers
  • No Apify, defina resultsLimit para 20–50 posts, não 100+.
  • Isso mantém o contexto limpo e evita gastar tokens com lixo.
  1. Memória só com resumo
  • Em vez de passar todo o output, passe apenas 3–7 bullets chave de cada agente para o próximo.
  • Exemplo: insights_summary e patterns_summary.
  1. Hooks externos carregados uma vez
  • Armazene seus 250 hooks em um Google Sheet e carregue só 5–10 relevantes via busca (palavra-chave).
  • Evita mandar toda a base para o modelo.

Hacks para Qualidade do Conteúdo⌗

  1. Exemplos bons e ruins
  • No Script Agent, coloque 2 exemplos de posts ruins e 2 excelentes.
  • O modelo aprende por contraste e acerta mais no tom.
  1. Avatar com gatilhos emocionais
  • No Google Doc do avatar, inclua frases reais de clientes.
  • Exemplo: “Eu só queria que meu time fosse mais rápido sem aumentar custo.”
  • O Script e Hook Agent vão usar linguagem mais persuasiva.
  1. Adapte CTAs por plataforma
  • LinkedIn: convite para comentar ou baixar algo
  • Instagram: call para salvar e compartilhar
  • TikTok/X: incentivar seguir + próxima parte

Hacks para Velocidade de Execução⌗

  1. Execução paralela de Pesquisa e Performance
  • Rode os dois agentes ao mesmo tempo e só depois alimente o Script.
  • No n8n, basta usar dois ramos e um Merge node antes do Script.
  1. Pré-carregar credenciais e chaves
  • Use Environment Variables no n8n para API_KEY e IDs, assim o workflow fica portátil.

  1. Teste com um Prompt Curto de Diagnóstico

    • Antes de rodar para um cliente, use um tópico curto como “IA em vendas B2B” para validar fluxo e ver onde gasta mais tempo.

Hacks para Venda e Demonstração⌗

  1. Demonstre com dados do próprio cliente

    • Faça o scraper do LinkedIn dele antes da call e já leve 2–3 padrões de outlier prontos.
    • Isso gera efeito “uau” imediato.

  2. Ofereça pacote de 3 posts

    • Em vez de vender só a automação, venda um pacote inicial: análise + 3 posts + hooks + hashtags.
    • A automação vira o seu “motor” interno, mas o cliente compra resultado.

  3. Mostre o ganho de tempo

    • Compare tempo manual (3h/pauta) vs. tempo do sistema (5–10 min).
    • Isso justifica ticket alto (\$5–10k).

Instagram/X/TikTok? Sim. O Orquestrador ajusta CTA/hashtags e o tamanho. Ex.: no X foque em 280–560 caracteres com thread curta.

E se meu perfil do LinkedIn for novo? Use concorrentes/peers no Apify para extrair padrões setoriais até ter dados. Ex.: COMPETITOR_URLS com 2–3 perfis.

Como garantir que o texto tenha minha voz? Inclua um parágrafo curto de Voice Guide no Webhook e salve na memória. Ex.: “Tom direto, sem jargão, exemplos práticos do dia a dia”.

Onde armazenar os 250 hooks? Comece com 30 em Google Sheets, vá ampliando. O agente Hook seleciona e adapta.

Como tratar formatos com carrossel/reels? Adicione um campo content_format no input. O Script ajusta estrutura para slides (títulos curtos por slide) ou bullet-points para reels.

conteúdo e vendas assistidos por IA\n\nComo começar em 7 dias:\n1) Mapear 3 tarefas repetitivas\n2) Conectar fontes de dados\n3) Pilotar um fluxo com IA + métrica clara\n\nCTA: quer a planilha de diagnóstico? Comente “AI-native”.", "hashtags": ["#InteligenciaArtificial","#Automacao","#Produtividade","#Negocios","#Estratégia"], "hooks": [ "80% do seu crescimento está preso em tarefas que a IA resolve. Destrave assim:", "Se eu acordasse amanhã sem automações de IA, faria exatamente isto em 7 dias:", "Pare de “testar IA” e comece a operar com IA: o mapa de 3 passos." ], "insights": [ "Empresas AI-native reduzem custos operacionais e aceleram ciclos de decisão", "Outliers recentes performaram melhor com aberturas diretas + bullets acionáveis" ], "sources": [ "fonte1.com/… ↗", "fonte2.com/… ↗" ] }

Conexão com o front-end (Lovable ou outro) • No Lovable, crie um chat simples que envia {topic, platform, sessionId} via POST para o Webhook do n8n. • No n8n, use o mesmo sessionId para a Simple Memory (garante contexto entre mensagens). • Se quiser logs detalhados, ative logging em cada AI Agent Tool e verifique os Logs ao depurar.

Prompts prontos para copiar

Orquestrador – system [mesmo texto do passo 3]

Pesquisa – system [mesmo texto do passo 4]

Performance – system [mesmo texto do passo 5]

Script – system [mesmo texto do passo 6]

Hook – system [mesmo texto do passo 7]

Exemplos de cURL com chaves (para testes rápidos)

OpenRouter teste de modelo curl -X POST https://openrouter.ai/api/v1/chat/completions -H "Authorization: Bearer YOUR_OPENROUTER_API_KEY" -H "Content-Type: application/json" -d '{ "model": "openai/gpt-4.1-mini", "messages": [{"role":"user","content":"Escreva um título com hook sobre IA em negócios"}] }'

Tavily search curl -X POST https://api.tavily.com/search -H "Content-Type: application/json" -d '{"api_key":"YOUR_TAVILY_API_KEY","query":"AI operating systems for SMB case studies","max_results":5}'

Apify iniciar actor curl -X POST "https://api.apify.com/v2/acts/ACTOR_ID/runs?token=YOUR_APIFY_TOKEN" -H "Content-Type: application/json" -d '{"startUrls":[{"url":"https://www.linkedin.com/in/seu-perfil"}],"resultsLimit":50}'

Apify pegar resultados curl "https://api.apify.com/v2/datasets/DATASET_ID/items?token=YOUR_APIFY_TOKEN"

Planilha de hooks (opção B) Estruture a primeira aba com colunas: id, categoria, template, exemplo. Exemplos de linhas: 1 | dor→solução | Se você [dor], faça isto: [3 passos] | Se você perde horas em tarefas manuais, faça isto:… 2 | antes→depois | Antes eu [estado], agora eu [resultado] porque [mecanismo] | Antes eu apagava incêndios… 3 | mapa claro | Se eu começasse do zero amanhã, faria isto em 7 dias: [passo1,2,3] | …

Redução de custo de tokens • O que vira memória: só resumos/IDs, não páginas inteiras • Pesquisa: peça 3–5 fontes, não 20 • Performance: limite a 20–50 posts mais recentes • Use modelos mini nos agentes Pesquisa/Hook; deixe o modelo top para o Script/Orquestrador • Comprimir contexto entre agentes: cada subagente retorna apenas o JSON combinado, sem verborragia

Checklist de testes

  1. Webhook responde 200 OK e retorna JSON final
  2. Pesquisa retorna 3–7 insights com 2–5 fontes
  3. Performance encontra pelo menos 2 outliers e 3 padrões
  4. Script entrega post entre 700–1400 caracteres + 5–10 hashtags
  5. Hook traz 3 opções distintas e coerentes
  6. Reexecução com outro tópico mantém memória, mas não vaza contexto irrelevante
  7. Logs sem erro de credencial ou mapeamento

Perguntas rápidas com respostas e exemplos

O que enviar como entrada mínima? topic e platform. Ex.: {"topic":"Como ser AI-native em 2025","platform":"linkedin"}

Posso usar para

r(): carrega medos, desejos, transformação e obstáculos do doc. Procedimento:

  1. Leia o Avatar.
  2. Pesquise 3–5 fontes recentes sobre o tema.
  3. Produza 3–7 insights com 1 linha cada, citando as fontes. Formato de saída ao Orquestrador: { "insights": ["...", "..."], "sources": ["url1", "url2", "url3"] }

• Tavily no n8n com HTTP Request (POST): URL: https://api.tavily.com/search Headers: Content-Type: application/json Body (JSON): { "api_key": "YOUR_TAVILY_API_KEY", "query": "{{\$json.topic}} site\:news OR insights", "max_results": 5 } Exemplo cURL (inclui a chave): curl -X POST https://api.tavily.com/search -H "Content-Type: application/json" -d '{"api_key":"YOUR_TAVILY_API_KEY","query":"AI operating systems for business insights","max_results":5}'

• Google Docs: use o node Google Docs > Get, Doc ID = {{\$env.AVATAR_DOC_ID}}. Alimente o texto para o agente.

  1. Subagente 2 – Performance (Outliers) • Node: AI Agent Tool • Tool: HTTP Request para Apify Actor de LinkedIn Posts/Profile Scraper sem login Observação: no Apify, procure por um scraper “LinkedIn … no login/cookies”. Copie o endpoint do seu actor.

• Exemplo cURL para iniciar o actor no Apify (inclui a chave): curl -X POST "https://api.apify.com/v2/acts/ACTOR_ID/runs?token=YOUR_APIFY_TOKEN" -H "Content-Type: application/json" -d '{ "startUrls": [{"url":"'"\$LINKEDIN_PROFILE_URL"'"}], "resultsLimit": 50 }'

Depois, pegue o datasetId da resposta e busque os itens: curl "https://api.apify.com/v2/datasets/DATASET_ID/items?token=YOUR_APIFY_TOKEN"

Mapeie os campos que o actor retornar (ex.: text, likes, comments, reactions, impressions, createdAt, url).

• System Message do Performance: Você é o Agente de Performance. Objetivo: identificar outliers nos últimos 20–50 posts do LinkedIn do usuário e, opcionalmente, de competidores. Regras:

  • Calcule uma métrica de engajamento ≈ (likes + comments + reactions) / (impressions ou 1).
  • Determine Q80 (top 20%) como outliers.
  • Extraia padrões: temas, formatos, aberturas, CTAs, timing, hashtags. Formato de saída: { "outlier_examples": [{"url":"...","why":"..."}], "patterns": ["...","..."], "hashtag_insights": ["#ex1","#ex2"] }
  1. Subagente 3 – Script • Node: AI Agent Tool • Sem ferramentas externas • System Message do Script: Você é o Agente de Script. Use os insights da Pesquisa e os padrões da Performance para escrever um post pronto para LinkedIn (ou plataforma especificada). Estrutura:
  • Abertura forte em 1–2 linhas
  • 3–6 bullets com valor prático (dados, frameworks, passo a passo)
  • Mini conclusão + CTA
  • 5–10 hashtags relevantes Limites:
  • 700–1400 caracteres (LinkedIn)
  • Sem jargões vazios; exemplos concretos Saída: { "post": "texto final", "hashtags": ["#..."] }
  1. Subagente 4 – Hook Opção A: Hooks embutidos no prompt (cole 250 linhas ao longo do tempo). Opção B: Hooks em Google Sheets, lidos via Google Sheets node e passados ao agente.

• Node: AI Agent Tool • Tools: Google Sheets (se usar planilha) • System Message do Hook: Você é o Agente de Hook. Possui um banco de hooks virais comprovados. Tarefa: selecione os 3 mais relevantes ao post e adapte-os ao tópico e avatar. Critérios: clareza, curiosidade, tensão, benefício concreto, sem clickbait vazio. Saída: { "hooks": ["...", "...", "..."] }

  1. Montagem do retorno e resposta • Do Orquestrador, agregue as saídas dos subagentes e normalize no JSON final exigido. • Nodes finais:
  • Merge/Function (se precisar ajustar o JSON)
  • Respond to Webhook (se começou com Webhook)

Exemplo de saída final esperada { "post": "Ser AI-native não é modinha. É eficiência previsível.\n\n3 sinais de evolução:\n• Automatize processos repetitivos e ganhe 30–50% de tempo\n• Padronize decisões com dados em tempo real\n• Crie alavancas: atendimento,

a

read_avat

Aqui vai um passo a passo direto para montar no n8n o sistema de conteúdo com múltiplos agentes que pesquisa, analisa seus outliers no LinkedIn, escreve o post e escolhe 3 hooks virais. Vou dar os prompts prontos, nós do n8n, exemplos de cURL com as chaves de API nos headers e um checklist de testes.

Guia rápido do que você vai montar

  1. Orquestrador Social no n8n (AI Agent) com quatro subagentes
  2. Pesquisa com Tavily + leitura de Avatar no Google Docs
  3. Performance com scraping de posts do LinkedIn via Apify
  4. Script do post com estrutura otimizada
  5. Seleção de 3 hooks virais a partir de um banco de 250 hooks
  6. Memória compartilhada entre todos os agentes
  7. Interface via webhook (para Lovable ou qualquer front-end)

Pré-requisitos • n8n atualizado com AI Agent Tool e Simple Memory • Contas e chaves: OpenRouter (ou outro provedor), Tavily, Apify, Google (Docs/Sheets) • Documento Google com seu Avatar (medos, desejos, transformação, obstáculos) • Planilha Google ou JSON com os 250 hooks (pode começar com 30 e ampliar depois)

Arquitetura e roteamento de modelos • Orquestrador: modelo forte de raciocínio e instrução (ex.: Claude 3.7, GPT-4.1) • Pesquisa: modelo eficiente/custo (ex.: GPT-4.1-mini, Qwen/Haiku) • Performance: modelo leve (agrega dados do scraper + estatística simples) • Script: modelo de linguagem forte (Claude/GPT-4.1) • Hook: modelo rápido (mini) porque só seleciona/adapta

Montagem no n8n

  1. Variáveis recomendadas (Environment variables ou parâmetros no Workflow) LINKEDIN_PROFILE_URL = https://www.linkedin.com/in/seu-perfil COMPETITOR_URLS = lista opcional separada por vírgula AVATAR_DOC_ID = ID do Google Doc com seu avatar HOOKS_SHEET_ID = ID da planilha Google com hooks (se usar Sheets) TAVILY_API_KEY, APIFY_TOKEN, OPENROUTER_API_KEY = suas chaves

  2. Nó inicial Opção A – Webhook • Node: Webhook (POST) • Response: via Respond to Webhook no final • Campo esperado: { "topic": "assunto do post", "platform": "linkedin|instagram|x|tiktok" }

Opção B – Chat Trigger do n8n • Node: Chat Trigger • Você conversa direto no n8n

  1. Memória compartilhada • Node: Simple Memory • Key: use um sessionId vindo do Webhook (req.headers['x-session-id'] ou gere um UUID) • Conecte esta memória a todos os AI Agent Tools

  2. Orquestrador Social • Node: AI Agent Tool • Modelo: credencial OpenRouter (ou outro) • System Message do Orquestrador (cole exatamente): Você é um Orquestrador Social. Coordene subagentes na sequência:

  3. pesquisa, 2) performance, 3) script, 4) hook. Entrada: tópico do post, plataforma e contexto do usuário. Saída final em JSON: { "post": "texto final pronto para publicar", "hashtags": ["..."], "hooks": ["hook1", "hook2", "hook3"], "insights": ["ponto 1","ponto 2"], "sources": ["url1","url2"] } Regras:

  • O agente de pesquisa deve retornar insights com 3–7 pontos e 2–5 fontes.
  • O agente de performance deve calcular outliers dos últimos 20–50 posts por taxa de engajamento aproximada: (curtidas+comentários+reações)/impressões ou, se não houver impressões, usar ranking por interações.
  • O agente de script deve montar o post escaneável: 1 abertura forte; 3–6 bullets; 1 CTA; 5–10 hashtags; 700–1400 caracteres.
  • O agente de hook deve selecionar 3 hooks mais relevantes do banco e adaptá-los ao tópico.
  • Mantenha o tom do usuário se fornecido.
  • Platform: se não for LinkedIn, ajuste CTAs e hashtags para a plataforma.
  • Retorne somente o JSON exigido.

Adicione quatro Sub-Agents abaixo dele (no próprio node, se seu n8n permitir, ou como nós AI Agent Tool encadeados; ambos funcionam, usando a mesma Simple Memory).

  1. Subagente 1 – Pesquisa • Node: AI Agent Tool • Tools:
  • HTTP Request para Tavily
  • Google Docs: Get document (AVATAR_DOC_ID) • System Message do Pesquisa: Você é o Agente de Pesquisa. Objetivo: enriquecer o tema com fatos atuais e alinhar ao Avatar. Ferramentas:
  • tavily_search(query, max_results): retorne título, resumo, url. *

Como criar no n8n um sistema de múltiplos agentes que produz posts virais para LinkedIn (e também Instagram, X/Twitter e TikTok) usando dados reais, pesquisa e ganchos comprovados, sem precisar escrever código.

Resumo por etapas:

  1. Interface e Agente Social O usuário envia uma ideia ou texto inicial para um agente principal que coordena subagentes especializados.

  2. Agente de Pesquisa Pesquisa sobre o tema usando fontes externas e dados do avatar/público-alvo armazenados em documentos, enriquecendo o contexto.

  3. Agente de Performance (Outliers) Faz scraping dos últimos 20–100 posts no LinkedIn (com Apify) para identificar padrões e posts de maior desempenho, podendo incluir concorrentes.

  4. Agente de Script Com base na pesquisa e nos dados de performance, cria o post completo seguindo estruturas de copy que funcionam e exemplos de alta performance.

  5. Agente de Hook Seleciona 3 ganchos relevantes de um banco de 250 hooks virais já testados, adaptando-os ao conteúdo gerado.

  6. Memória Compartilhada Todos os agentes compartilham um contexto único para manter coerência entre as etapas.

  7. Integração e Execução Conexão com o Lovable para interface de chat e uso de Webhooks para disparar e receber respostas do n8n. Utiliza modelos diferentes via OpenRouter conforme custo, velocidade e qualidade necessários.

  8. Benefícios

  • Redução do uso de tokens com subagentes focados
  • Aproveitamento de dados próprios e de concorrentes
  • Sistema modular que pode ser vendido como serviço de alto valor (ex.: \$10.000)
  • Aplicável a qualquer rede social, não apenas LinkedIn

Esse sistema de crescimento social com multi-agentes no n8n funciona como uma automação em quatro etapas que usa dados reais do seu perfil e ganchos virais testados para gerar posts com alto potencial de engajamento. Segue o resumo detalhado por etapas:

  1. Agente 1 – Pesquisa Faz buscas na internet e cruza com informações do seu avatar (público-alvo) para criar um contexto mais rico.

  2. Agente 2 – Performance Analisa de 20 a 50 posts recentes do LinkedIn, medindo curtidas, comentários e reações para identificar os melhores desempenhos e extrair padrões.

  3. Agente 3 – Script Com base na pesquisa e nos posts de melhor resultado, gera um roteiro claro com diretrizes para o próximo post.

  4. Agente 4 – Hook Busca em um banco de 250 ganchos virais comprovados, seleciona os três mais relevantes para o seu conteúdo e os adapta ao seu tema.

Vantagens principais

  • Usa seus próprios dados para melhorar posts
  • Reduz consumo de tokens com sub-agentes no n8n
  • Funciona para qualquer plataforma, não só LinkedIn
  • Integra pesquisa, análise de performance, roteiro e ganchos em um fluxo único

j100 - Crescimento Social nas Redes Sociais

chatgpt.com ↗

1

Recursos

↑ voltar ao topo · ver no Telegram ↗