Kit de automatización de newsletters basado en LLM creado por un desarrollador con formación en arqueología

Hola. Estudié arqueología en la universidad, pero me convertí en desarrollador para intentar resolver el trabajo manual interminable.

Después de pensarlo mucho tiempo, comparto como open source un motor de automatización de newsletters (LLM Newsletter Kit) que hice para usarlo yo mismo.

Actualmente, este motor es el núcleo de "Research Radar", el newsletter sobre patrimonio cultural que opero, y está optimizado para mantener un CTR del 15% mientras el costo de la API de LLM por edición se mantiene alrededor de $0.20.

No es una simple recopilación de enlaces, sino un pipeline en el que un LLM analiza y resume conocimiento de un dominio especializado para ofrecer insights.

Trasfondo del desarrollo y una historia honesta

Como está basado en código, creo que quizá no se use de forma masiva por la barrera de entrada frente a las herramientas no-code. Desde el principio, más que buscar que se usara ampliamente, lo hice para resolver una necesidad muy concreta que yo tenía.

Al principio era un “newsletter especializado en patrimonio cultural” hecho solo para mi propio consumo. Después abrí el servicio para que cualquiera pudiera suscribirse.

Mientras lo desarrollaba, el código fuente y la lógica de dominio de patrimonio cultural estaban demasiado fuertemente acoplados. Para resolverlo, lo abstraje con una estructura de DI (inyección de dependencias) y lo separé como una librería que cualquiera puede usar.

npm i @llm-newsletter-kit/core

Actualmente, mi propio servicio también dejó atrás el código legacy fuertemente acoplado del pasado y ya opera migrado sobre este core open source.

Filosofía de diseño: "Logic in code, reasoning in AI"

La razón por la que elegí código en lugar de herramientas no-code es mi filosofía de diseño: “La lógica en el código, el razonamiento en la IA y las conexiones en la arquitectura (Logic in code, reasoning in AI, connections in architecture)”.

Las herramientas no-code son cómodas, pero tenían límites claros para implementar lógica compleja. Controlé los workflows decisivos con código type-safe (TypeScript) y dejé solo el análisis inteligente al LLM, lo que permitió implementar lógica sofisticada como self-reflection o validación en múltiples etapas.

Características principales

Diseño Type-First y DI: está escrito en TypeScript, y todas las etapas —como crawling, análisis y generación— se basan en interfaces Provider, así que pueden reemplazarse como si cambiaras piezas.

Bring Your Own Scraper: no hay lock-in con una librería específica. Puedes inyectar y usar de forma asíncrona lo que quieras, como Puppeteer, Cheerio o incluso un parser basado en IA.

Production Ready: incluye lógica de reintentos (Retries), opciones de encadenamiento y 100% de cobertura de pruebas para operación real.

Enlaces

• GitHub (Core): https://github.com/kimhongyeon/llm-newsletter-kit-core
• Ejemplo de resultado real (Research Radar): https://heripo.com/research-radar-newsletter-example.html
• Código de la implementación de referencia: https://github.com/kimhongyeon/heripo-research-radar

¡Gracias! Los comentarios y el feedback siempre son bienvenidos.