Como montar um fluxo de conteúdo com IA no Claude Code, do zero

Automatizar produção de conteúdo virou obsessão de quem faz SEO↳SEO4 conteúdosPor que a transição do SEO clássico para a Otimização de Motores Generativos (GEO) exige que se repense a modelagem semânticaMarketing Tech · mai 2026O impacto da pesquisa e do SEO no comércio eletrônico: insights da State of Search Brasil 5Marketing Tech · fev 2025SEO por Elas 2025: Impulsionando e promovendo mulheres no Marketing DigitalMarketing Tech · fev 2025Ver tudo em Marketing Tech → no Brasil e precisa escalar sem contratar uma redação inteira. A tentação é óbvia: joga a palavra-chave num modelo, pede o artigo, publica. Só que essa rota produz commodity que não se sustenta. Tania Brown, growth marketing manager da Victorious, passou meses construindo e reconstruindo um pipeline no Claude Code e chegou a uma conclusão que muda o jogo: a parte difícil não é fazer a IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → escrever, é definir como o artigo pronto precisa ser e montar o fluxo que chega lá de forma confiável.

O sistema dela sustenta produção para o blog de uma empresa e para publicações externas, levando as peças a cerca de 95% do ponto de publicação. Abaixo eu traduzo esse desenho para a sintaxe real do Claude Code (subagentes em .claude/agents/, contexto em CLAUDE.md, slash commands), porque o artigo original descreve a estratégia mas não mostra os artefatos. Testei a estrutura montando um pipeline de blog post do zero.

Pré-requisitos

• Claude Code instalado (npm install -g @anthropic-ai/claude-code), autenticado com uma conta Claude Pro/Max ou chave de API.
• Um diretório de projeto vazio. Rode claude dentro dele uma vez para inicializar.
• Os documentos de contexto prontos (falo deles já já). Sem isso, o fluxo automatiza a produção de texto genérico.

No Claude Code, subagentes são arquivos Markdown com frontmatter YAML dentro de .claude/agents/. Cada um roda na própria janela de contexto, o que resolve na marra o problema de misturar tarefas. Essa isolação de contexto é justamente o que Tania descobriu na prática (volto a isso na seção do tropeço).

Comece pelo fim: defina o que é "qualidade"

O erro de quase todo fluxo é começar pelo prompt. Tania recomenda o contrário: partir do artigo pronto. Definido o alvo (conteúdo útil, na voz da marca, que descreva o negócio com precisão e tenha potencial de ranquear ou ser citado em respostas de IA), você lista o que precisa pra chegar lá e separa em constantes (valem pra toda execução) e variáveis (tópico, ângulo, keyword, a cada rodada).

As constantes viram arquivos de contexto que você referencia. Uma estrutura que funcionou:

.claude/
  agents/
    researcher.md
    outliner.md
    writer.md
    editor.md
    fact-checker.md
    ai-editor.md
context/
  brand-explainer.md     # quem somos + ICP (setor, senioridade, dores)
  voice-guide.md         # com EXEMPLOS, nao lista de adjetivos
  best-practices.md      # meta description, slug, keywords naturais
  offerings.md           # produtos, servicos, metodologia
  first-party/           # pesquisas proprias e cases
  sitemap.xml            # ou export do Screaming Frog
CLAUDE.md

O voice-guide.md é o ponto que a maioria erra. "Amigável, mas formal" não diz nada a um LLM. Mostre trechos do que fazer e do que evitar. Não tem guia? Peça ao próprio modelo pra gerar um a partir dos seus melhores textos.

O CLAUDE.md na raiz é lido automaticamente pelo Claude Code em toda sessão. É onde vai o orquestrador: o mapa do fluxo do início ao fim e o que cada agente faz. Exemplo enxuto:

# Orquestrador do pipeline de conteudo

Quando eu rodar /novo-artigo <keyword> <angulo>:
1. Invoque o subagente `researcher` -> gera context/dossie.md
2. Invoke `outliner` com o dossie -> PARE para revisao humana
3. Apos meu OK, invoque `writer` -> draft.md
4. Rode em janelas separadas: `editor`, depois `fact-checker`, depois `ai-editor`
5. Entregue para revisao humana final. NUNCA publique sem ela.

Contexto obrigatorio em toda etapa: context/brand-explainer.md,
context/voice-guide.md, context/best-practices.md

Atualize esse arquivo sempre que mudar responsabilidades. É ele que impede pulos de etapa.

Kickoff: um slash command

Em vez do dashboard local que Tania usa, criei um slash command em .claude/commands/novo-artigo.md, que já entra pré-preenchido ao digitar /novo-artigo:

---
description: Inicia o pipeline de um blog post
argument-hint: <keyword> <angulo>
---
Inicie o pipeline descrito em CLAUDE.md para a keyword "$1"
com o angulo "$2". Comece pela etapa 1 (researcher).

Conselho de ouro dela: comece com um único tipo de conteúdo e faça funcionar bem antes de adicionar formatos. Tentar tudo de uma vez resulta num fluxo que não funciona bem pra nada.

Os subagentes, um a um

Cada subagente é um .md com frontmatter. O do Researcher:

---
name: researcher
description: Pesquisa topico, cobertura existente e SERPs; gera dossie
tools: WebSearch, Read, Write
---
Voce pesquisa o topico recebido e produz context/dossie.md com:
- Angulo e lacuna que a peca vai preencher
- O que ja publicamos sobre isso (consulte sitemap.xml)
- Quem aparece nos AI Overviews para a keyword
- Fontes citaveis do setor (evite sites de lista)
Use SO fontes confiaveis. Marque cada afirmacao com a fonte.

O Outliner gera a estrutura e é onde entra a primeira barreira humana, o ponto barato pra decidir descartar, revisar ou seguir, antes de gastar tokens com a redação:

---
name: outliner
description: Gera outline hierarquico a partir do dossie
tools: Read, Write
---
Leia context/dossie.md e context/voice-guide.md.
Produza outline hierarquico com as secoes obrigatorias.
Ao terminar, PARE e peca aprovacao humana antes de prosseguir.

O Writer recebe dossiê, outline, guia de voz, ICP e cases. Vale dar a ele um exemplo de conteúdo bom escrito a partir de um outline e pedir que analise fluxo narrativo e escolha de palavras. Se você segue regras como BLUF (bottom line up front) ou MECE, seja explícito sobre quando aplicá-las.

O tropeço que ensinou a separar os agentes

Tania começou com um editor só cuidando de estrutura, cobertura e estilo juntos. Dividir em dois, um pra estrutura e cobertura, outro pra fraseado e "AI tells", produziu output melhor do que pedir a um único contexto pra consertar tudo. O mesmo com o fact-check: pedir ao editor pra também checar fatos deu dois trabalhos mal feitos.

É exatamente aqui que a isolação de contexto do Claude Code ajuda: cada subagente roda numa janela nova, então não há como um objetivo contaminar o outro. A divisão em três:

---
name: fact-checker
description: Verifica alucinacoes com vies adversarial
tools: WebSearch, Read
---
Assuma que TODA afirmacao do draft esta errada.
Tente desprovar cada estatistica e fato citado.
Liste o que nao conseguiu confirmar em fontes independentes.
NAO edite estilo. Seu unico trabalho e a veracidade.

O editor verifica conformidade com o guia de estilo, remove palavras proibidas, checa estrutura, ordem lógica, frases vagas e pontes faltando. O ai-editor foca exclusivamente nos vícios de escrita de IA, sem se meter em estilo. Rode-os na ordem do orquestrador.

Como verificar que deu certo (e o que fazer quando não dá)

Depois de rodar /novo-artigo, confira: o dossie.md foi gerado com fontes marcadas? O outliner realmente parou pra revisão em vez de emendar direto na redação? Se ele não pausou, o problema costuma estar no CLAUDE.md, reforce a palavra PARE e o critério de aprovação.

Se o fact-checker sai "limpando" tudo sem apontar nada, provavelmente ele não tem a tool WebSearch no frontmatter, então está "checando" só com o próprio conhecimento do modelo. Foi meu erro na primeira rodada. Adicionar WebSearch fez ele começar a devolver afirmações realmente não confirmadas.

Tania roda duas passadas dos editores antes de entregar a um humano. Isso reduz o trabalho manual, mas não leva a peça a 100%, e ela é enfática: você nunca deveria querer publicar algo que nenhum humano tocou.

Vale a pena? E o que muda pro dev brasileiro

Sim, o sistema maximiza recursos. Mas traz risco: segundo ela, com o Google desindexando de forma agressiva conteúdo que não seja de commodity, pode simplesmente não fazer sentido pra sua marca. E não é um build rápido.

Pra quem faz SEO técnico no Brasil e pensa em GEO, a lição é esta: o diferencial não está no modelo, está no contexto que só você tem, o que vive na sua pasta context/. Sem ICP real, exemplos de conteúdo bom e pesquisa primária, nenhum fluxo produz algo que ressoe, e você só automatiza a fábrica de texto genérico.

Se o pipeline inteiro parece demais, comece com um agente. O processo de refresh (atualizar peças antigas com stats novos) foi uma das partes mais importantes do fluxo dela e é um ótimo ponto de partida isolado, um único subagente refresh.md que lê a URL e sugere atualizações.

Fonte: Search Engine Land