--- title: "Я научил Claude Code читать собственные логи и предлагать темы для постов" description: "Как скилл blog-ideas-research парсит логи сессий, фильтрует шум и предлагает темы для блога - с рекурсией и human gate" url: "https://ifonin.ru/blog/claude-code-logs-content-mining/" date: 2026-02-26 tags: ["claude-code","automation","content","skills"] --- # Я научил Claude Code читать собственные логи и предлагать темы для постов Несколько месяцев назад я вручную просматривал логи своих Claude Code сессий в поиске тем для блога. Открываешь JSONL-файл, листаешь полтысячи строк служебного шума, выписываешь три интересных момента. Потом начинаешь следующий файл. Через час у тебя есть пять потенциальных тем и стойкое ощущение, что этот процесс можно было не делать вручную. В какой-то момент я понял: я делаю ровно ту работу, которую сам же прошу автоматизировать у Claude. Нерационально. Так появился скилл `blog-ideas-research`. --- ## Что он делает Скилл берёт логи всех Claude Code сессий, фильтрует из них полезное и выдаёт список идей для постов - с заголовком, углом подачи и ссылками на конкретные сессии, где эта тема всплывала. Три шага. **Шаг 1: убрать шум локально.** Python-скрипт обрабатывает логи до того, как к ним прикоснётся любая языковая модель. Он выбрасывает повторяющиеся записи, заменяет пути и UUID на заглушки, оставляет только уникальные паттерны. Конкретно: UUID типа `a3f7c9d2-...` превращается в ``, абсолютные пути `/Users/igor/projects/...` - в ``. После этого все похожие строки лога схлопываются в одну. В моём проекте mp root было 33 промпта в сессиях. После фильтрации осталось 5-7 ключевых записей. Экономия существенная. Без этого шага тратишь токены на мусор - повторяющиеся tool call'ы, идентичные Bash-команды, дубли Read-запросов к одним файлам. **Шаг 2: параллельные агенты.** Отфильтрованное идёт к нескольким маленьким агентам одновременно. Один определяет тип работы (feature, bugfix, research), другой вытаскивает формулировки, третий группирует по смыслу, четвёртый генерирует заголовки. Все работают параллельно и независимо, каждый видит только свой узкий кусок отфильтрованного JSON. Здесь нет смысла использовать мощную модель - задача механическая, структурированная. Haiku справляется отлично, и стоит заметно дешевле Opus. Для рутинного парсинга это работает хорошо. **Шаг 3: синтез.** Старший агент собирает результаты всех предыдущих, сравнивает с уже опубликованными постами блога и выдаёт ранжированный список. Дубли уходят. На выходе - JSON примерно такого вида: ```json { "title": "Polling gates в многофазных пайплайнах", "angle": "Детерминированный Python между агентами экономит токены", "evidence": "session_2026-02-14, session_2026-02-17", "confidence": "high" } ``` Поле `evidence` - это не украшение. Это ссылка на конкретные сессии, чтобы я мог проверить, откуда взялась идея и насколько уверенно агент интерпретировал контекст. --- ## Рекурсия и деградация сигнала На третьей итерации система предложила написать пост о паттернах оркестрации агентов. Звучало убедительно, confidence высокий. Я открыл источники. В первой сессии был один вопрос про параллельный запуск - в контексте совершенно другой задачи. Во второй - мимоходом сказанное замечание. Агент склеил два случайных упоминания в "паттерн" и оформил как тему. Система анализировала свои же прошлые выводы и начала находить темы, которые сама раньше придумала. Замкнутый круг: сигнал деградирует с каждой итерацией. Без внешней точки зрения это происходит незаметно - агент уверен, confidence высокий, а реального материала для поста нет. А потом то же самое случилось с этим постом. Система предложила написать про то, как она предлагает писать посты. Тема прошла review и стала текстом, который ты сейчас читаешь. Рекурсия состоялась. --- ## Где это ломается За несколько месяцев я видел четыре типа сбоев. **Придуманные паттерны.** Агент видит два похожих упоминания в разных сессиях и делает вывод, что это устойчивый паттерн. Два случайных упоминания токенизации в разных контекстах превращаются в "тему про оптимизацию токенов". Иногда это правда - тема действительно важная. Иногда просто совпадение. Без поля `evidence` с конкретными сессиями отличить одно от другого было бы трудно. **Эхо-камера.** Если прошлые идеи попадают в контекст следующего цикла, система начинает переоткрывать то, что уже предлагала. С каждым кругом разнообразие падает. У меня из 47 идей за первые две недели 19 оказались дублями уже опубликованных постов - система просто не отслеживала, что я это уже писал, пока я не добавил список опубликованных в её контекст. **Слабый сигнал.** Десять идей из тех же 47 я отклонил как "слабый сигнал" - тема интересная, но в логах только одно упоминание, исходный контекст не позволяет написать полноценный пост. Агент поставил им высокий confidence, потому что формально всё верно: тема есть, угол есть, источник есть. Но одного источника мало. **Реальные идеи без базы.** Ещё семь идей были настоящими - я хотел бы их написать - но в логах не хватало деталей для полноценного поста. Честный результат: система нашла что-то реальное, но материала на статью нет. Это лучший из возможных отказов. --- ## Что я сделал чтобы не ломалось Первое - human gate. Ни одна идея не входит в следующий цикл без моего одобрения. Это не последний шаг перед публикацией, это фильтр между итерациями. Внешняя точка зрения разрывает замкнутый круг. Для меня это единственный шаг, который я пока не автоматизирую без потери качества. Второе - логирование отклонённых идей. Когда я отклоняю что-то, добавляю короткий тег: "дубль", "слабый сигнал", "придуманный паттерн", "нет базы". В следующих итерациях система реже предлагает то же самое. Это не прямая инструкция - просто контекст, который меняет выводы синтез-агента. Из 47 идей за первые две недели прошли review 11. Это примерно 23%. Для системы, которая сначала бросает широко и потом фильтрует, результат рабочий. Важнее другое: из этих 11 я уже написал несколько постов, включая этот. --- ## Попробуй сам Что сработало у меня: 1. Скрипт предобработки логов - без него токены уходят на шум, и стоимость итерации резко растёт 2. Разделение на маленькие задачи для дешёвых агентов и большую задачу синтеза для сильной модели 3. Human review как обязательный шаг между итерациями - не опциональный бонус 4. Логирование отклонённых идей с тегами причин отказа Технически всё это не сложно. Логи уже есть - Claude Code пишет JSONL после каждой сессии в `~/.claude/projects/`. Один активный проект за месяц работы даёт достаточно записей, из которых после фильтрации остаётся десяток содержательных. Скрипт фильтрации можно написать быстро: вытащить только assistant-сообщения выше определённой длины, убрать tool call'ы без текстового контекста, схлопнуть повторяющиеся паттерны через простое хэширование. Этого достаточно для первой версии. Самая трудоёмкая часть - не написать скрипт и не настроить агентов. Самая трудоёмкая - честно просматривать отклонённые идеи и тегировать причины. Именно это делает систему точнее с каждым циклом, а не просто продуктивнее. Без этого шага через несколько итераций получаешь красивый JSON с уверенными идеями и низким реальным качеством. Логи уже есть. Там больше материала, чем кажется - надо только не читать их вручную.