150 parametrów zamiast briefu - jak AI zapamiętuje markę i uczy się od CEO

Każda fabryka treści ma ten sam problem na początku: agenci AI nie pamiętają. Każda kampania to reset. Tone of voice ustalony w poprzednim tygodniu, decyzja o stylu wizualnym sprzed miesiąca, korekta CEO sprzed dwóch dni - to wszystko znika między sesjami. W AI Marketing Factory rozwiązaliśmy to przez pamięć hybrydową z 150 parametrami DNA marki i pętlę samouczenia RLHF, gdzie każda ocena gwiazdkowa CEO przesuwa wektor marki w odpowiednim kierunku.

Co było „zepsute"?

AI Marketing Factory produkuje treści kampanii dla firmy Process Hub na kanałach LinkedIn i Facebook. System działa w pełni przez n8n, z agentami AI obsługującymi research, copywriting i produkcję grafiki.

W pierwszych tygodniach działania każda kampania startowała od nowego kontekstu. Agenty dostawały w briefie te same ogólne wytyczne - persona, branża, ton głosu - ale nie miały dostępu do wiedzy o tym, co już zadziałało. Konkretnie:

• Agent copywriterski nie wiedział, że post sprzed 2 tygodni z konkretnym sformułowaniem dostał ocenę 1/5 od CEO i wymaga korekty tonu
• Agent wizualny nie pamiętał, że brandbookowa zasada „zakaz sterylnych biur" już istnieje - generował zdjęcia biurowe zamiast przemysłowych
• Każdy nowy sprint zaczynał się od ręcznego przekazania kontekstu: co ustaliliśmy, jak marka ma brzmieć, co nie przeszło przez bramkę CEO

Skala problemu: przy 3–4 kampaniach tygodniowo Grzegorz (CEO) spędzał 2–3 godziny na poprawkach, które wynikały wyłącznie z braku pamięci systemu - nie z błędów agentów. Te same uwagi wracały co tydzień.

Dlaczego tak, a nie inaczej?

Zidentyfikowaliśmy dwa typy wiedzy, których agenty potrzebują:

Wiedza krótkoterminowa - kontekst aktualnej sesji: historia konwersacji z agentem, tymczasowe embeddingi przetwarzanego dokumentu, dane z bieżącego briefu kampanii. Ta wiedza jest potrzebna teraz i traci wartość po zamknięciu sesji.

Wiedza długoterminowa - DNA marki: brandbookowe zasady wizualne, tone of voice, profil preferencji CEO, historia wszystkich kampanii z wynikami, embeddingi zatwierdzonych treści. Ta wiedza rośnie z każdą kampanią i nigdy nie powinna znikać.

Do przechowywania wiedzy wektorowej mieliśmy dwa realne wybory: PGVector (rozszerzenie istniejącego PostgreSQL) i Qdrant (dedykowana baza wektorowa). Nie musieliśmy wybierać - użyliśmy obu, każdego do właściwego zadania.

Co odrzuciliśmy

Przetestowaliśmy kilka podejść do przechowywania wektorów. Odrzuciliśmy rozwiązania chmurowe ze względu na twardy wymóg RODO - dane przetwarzane wyłącznie w infrastrukturze EU. Wybraliśmy Qdrant self-hosted na własnym serwerze w Europie - spełnia wymóg i daje pełną kontrolę nad danymi.

Rozważaliśmy też uproszczone podejście: jedna baza wektorowa do wszystkiego. Odrzuciliśmy - pamięć krótkoterminowa i długoterminowa mają fundamentalnie różne wymagania dotyczące cyklu życia danych i wydajności wyszukiwania. Lepiej dwie wyspecjalizowane bazy niż jedna z kompromisami.

Co dokładnie dowieźliśmy?

Stack technologiczny

• PostgreSQL (dane relacyjne, logi kampanii, audit log)
• pgVector - rozszerzenie PostgreSQL (pamięć długoterminowa marki)
• Qdrant self-hosted (pamięć krótkoterminowa sesji agentów)
• n8n (orkiestrator - zapis i odczyt z obu baz przez workflow)
• Model embeddingów OpenAI (generowanie wektorów dla treści)
• Jira API (źródło ocen CEO, statusów kampanii)

Kluczowe moduły

Pamięć krótkoterminowa w Qdrant. Każda sesja agenta działa we własnej, izolowanej przestrzeni. Tymczasowe embeddingi - brief kampanii, wyniki Agenta Researchera, robocze wersje treści - są dostępne przez cały czas trwania sesji roboczej. System automatycznie czyści dane po zakończeniu pracy, nie zaśmiecając bazy długoterminowej tymczasowym kontekstem.

Pamięć długoterminowa w pgVector. Zatwierdzone treści, oceny CEO, zasady brandbooka, historia kampanii - wszystko z metadanymi umożliwiającymi semantyczne filtrowanie i wyszukiwanie. Indeks zoptymalizowany pod rzadki zapis i bardzo częsty odczyt. Agent Researcher dostaje trafione semantycznie fragmenty DNA marki przy każdym nowym briefie - bez ręcznego przekazywania kontekstu.

Biblioteka ponad 100 embeddingów - DNA Fabryki. Damian (Lead PM) wraz z Robertem (strateg) opracowali słownik parametrów sterujących AI: wartości emocjonalne marki, dozwolone i zakazane skojarzenia wizualne, profile person z mapami bólu, historyczne wyniki kampanii z wagami wpływu. Każdy parametr ma przypisany wpływ na wynik - agent wie, które embeddingi mają największe znaczenie dla konkretnego typu kampanii.

Pętla RLHF - system uczy się od CEO. Grzegorz ocenia każdy asset gwiazdkami 1–5 w Jirze jednym kliknięciem. Ta ocena trafia przez n8n do bazy jako sygnał treningowy. Przy kolejnej kampanii na podobny temat system waguje embeddingi według historii ocen: wysoko ocenione treści mają większy wpływ na kolejne wygenerowania, nisko ocenione - zmniejszają wagę powiązanych parametrów tonu. Agent Copywriter koryguje styl po otrzymaniu niskiej oceny - automatycznie, bez ręcznej instrukcji.

Największe wyzwanie techniczne

Mechanizm aktualizacji embeddingów przy zmianach materiałów źródłowych. Brandbookowe zasady wizualne zmieniły się dwukrotnie w trakcie projektu. Stare embeddingi zostały w bazie - agenty korzystały z nieaktualnych wytycznych bez wiedzy o tym. Rozwiązanie: system wersjonowania dokumentów źródłowych. Przy aktualizacji materiału stare embeddingi są archiwizowane, nowe generowane i indeksowane natychmiast. Wyszukiwanie semantyczne zwraca wyłącznie aktywne wersje - agenty zawsze widzą aktualny brandbookowy kontekst, nigdy historyczny.

Co to dało „w cyferkach"?

• Czas ręcznego przekazywania kontekstu przed kampanią: 45–60 minut → 0 minut
• Powtarzające się uwagi CEO do tonu głosu: 8–10 tygodniowo → 1–2 tygodniowo (po 3 sprintach z RLHF)
• Oszczędność czasu CEO na poprawkach wynikających z braku pamięci systemu: ~90 minut tygodniowo × 52 tygodnie × 250 PLN/h = 19 500 PLN rocznie
• Spójność tonu głosu między kampaniami mierzona wewnętrznie: wzrost z 61% do 89% po wdrożeniu DNA Fabryki
• Liczba parametrów sterujących AI w aktywnej bibliotece: ponad 140 embeddingów (stan na kwiecień 2026)

Nie piszemy briefów do kolejnych kampanii. System wie, jak marka ma brzmieć - bo zapamiętał każdą poprzednią decyzję i każdą ocenę. To jest różnica między narzędziem AI i systemem AI.

Tego, czego sami codziennie używamy w Process Hub, uczymy Wasze zespoły. Jeśli Twoi agenci AI zaczynają każdą kampanię od zera - napisz, pokażemy jak to naprawić.