Kit otomatisasi newsletter berbasis LLM yang dibuat oleh developer berlatar belakang arkeologi

Halo. Saya seorang engineer yang mengambil jurusan arkeologi di universitas, tetapi kemudian menjadi developer untuk mencoba menyelesaikan pekerjaan manual tanpa akhir.

Setelah lama mempertimbangkannya, saya membagikan sebagai open source mesin otomatisasi newsletter (LLM Newsletter Kit) yang saya buat untuk saya pakai sendiri.

Saat ini, mesin ini menjadi inti dari newsletter warisan budaya yang saya kelola, 'Research Radar', dan telah dioptimalkan sehingga mempertahankan click-through rate (CTR) 15% sambil menjaga biaya API LLM per terbitan di kisaran $0.20.

Ini bukan sekadar kumpulan tautan, melainkan pipeline yang memungkinkan LLM menganalisis dan merangkum pengetahuan dari domain khusus untuk memberikan insight.

Latar belakang pengembangan dan cerita jujur

Karena berbasis kode, saya pikir mungkin ini tidak akan digunakan secara luas oleh publik dibandingkan tool no-code karena hambatan masuknya lebih tinggi. Sejak awal, tujuannya memang bukan untuk dipakai luas, melainkan untuk menyelesaikan kebutuhan saya yang sangat spesifik.

Awalnya ini adalah 'newsletter khusus warisan budaya' yang saya buat hanya untuk saya baca sendiri. Setelah itu, saya membuka layanannya agar siapa pun bisa berlangganan.

Saat mengembangkannya, source code dan logika domain warisan budaya ternyata terlalu tightly coupled. Untuk mengatasinya, saya mengabstraksikannya dengan struktur DI (dependency injection) dan memisahkannya menjadi library yang bisa digunakan siapa saja.

npm i @llm-newsletter-kit/core

Saat ini, layanan saya sendiri juga sudah meninggalkan legacy code lama yang tightly coupled, lalu dimigrasikan dan dijalankan di atas core open source ini.

Filosofi desain: "Logic in code, reasoning in AI"

Alasan saya memilih kode alih-alih tool no-code adalah karena filosofi desain saya. "Logic in code, reasoning in AI, connections in architecture."

Tool no-code memang nyaman, tetapi punya batas yang jelas saat harus mengimplementasikan logika yang kompleks. Workflow yang krusial saya kendalikan dengan kode yang type-safe (TypeScript), sementara analisis yang cerdas saya serahkan hanya kepada LLM, sehingga saya bisa mengimplementasikan logika yang canggih seperti self-reflection atau verifikasi multi-tahap.

Fitur utama

Desain Type-First & DI: Ditulis dengan TypeScript, dan semua tahap seperti crawling, analisis, serta generasi berbasis pada antarmuka Provider sehingga bisa diganti seperti menukar komponen.

Bring Your Own Scraper: Tidak lock-in ke library tertentu. Anda bisa menyuntikkan apa pun yang Anda inginkan secara asinkron, seperti Puppeteer, Cheerio, atau parser berbasis AI.

Production Ready: Dilengkapi dengan logika retry, chain option, dan test coverage 100% untuk operasional nyata.

Tautan

• GitHub (Core): https://github.com/kimhongyeon/llm-newsletter-kit-core
• Contoh hasil nyata (Research Radar): https://heripo.com/research-radar-newsletter-example.html
• Kode implementasi referensi: https://github.com/kimhongyeon/heripo-research-radar

Terima kasih. Feedback selalu saya sambut!