--- name: tutorial-note-daily description: Denní routina — 1 obecná "AI for normals" tutoriálová Substack Note navíc ke 3-notes pipelinu (4. slot, publikace 16:00 CET). Téma bere z reálné nedávné práce (mem0 learnings, DCW Context Hub commits/PRs), ale ABSTRAHUJE ho na obecný princip pro běžného AI uživatele — žádný kód, žádné názvy nástrojů z infry. Tyhle praktické "jak používat AI" notes konvertují na subscribery líp než engagement posty — tohle je conversion slot, ne engagement slot. Použij když Daniel řekne: "tutorial note", "naplánuj tutoriál", "tutorial slot", "udělej how-to note", nebo když to spustí cloud routine (scheduled task). --- # Tutorial Note Daily — 4. denní slot Naplánuje **1 obecnou "AI for normals" tutoriálovou Note/den** přes `substack-mcp`, odděleně od běžného 3-notes pipelinu (8:30/13:30/19:30) i launch routiny (12:00). Publikace **16:00 CET**. Proč: dřív skill generoval tech deep-dive ("jak cachuju Haiku prompty na 12GB GPU") — Danielovi followers (writers/creators, ne devs) tomu nerozumí a nic jim to neřekne. Nově: zdroj zůstává Danielova reálná práce (mem0), ale každý learning se **přeloží na obecný princip použitelný pro kohokoli, kdo používá AI** — bez kódu, bez tech žargonu. Cíl: subs, ne likes. ## Krok 1 — Najdi RAW learning z reálné práce (priorita zdrojů) 1. `mem0_search` query "learning discovery how-to" (limit 10) + `mem0_search` "tutorial note topic" (dedup proti minulým runům). 2. DCW Hub `get_context` pro 2–3 aktivní projekty (article-forge, grownote, subhook) → recent commits/PRs za 7 dní. 3. Hub Notion proxy `search_notion` (session recaps, research reporty, playbooky). 4. Fallback: starší mem0 learnings (vyhledej podle projektů). Vyber **JEDEN konkrétní learning / discovery / trade-off** z reálné práce. V téhle fázi je ještě tech-specific (názvy nástrojů, čísla) — to je OK, abstrakce přijde v Kroku 1.5. ## Krok 1.5 — Abstrahuj na obecný princip (AI for normals) Z raw learningu vydestiluj: **"co se z toho může naučit někdo, kdo nekóduje a jen používá AI?"** - Zahoď názvy nástrojů z infry (Haiku, Wan, ComfyUI, mem0, queue, GPU, R2…), čísla z infry, kód. - Nech jádro principu = obecné chování při práci s AI, které platí pro běžného člověka. - Doplň **lidský, relatable příklad** (psaní mailu, plánování, učení, organizace), ne dev příklad. Příklady transformace: - raw: *"cachuju Haiku prompty, platím 1/10"* → princip: *"Když AI dáváš pořád to samé zadání, napiš kontext jednou a měň jen detail — ušetříš čas i peníze."* - raw: *"video render jedu přes queue ať neblokuje"* → princip: *"Nech AI dělat dlouhé úkoly na pozadí, nečekej u obrazovky."* - raw: *"Haiku ztrácel nit na multi-step bězích, přepnul jsem na Sonnet"* → princip: *"Na složitější vícekrokové úkoly nasaď silnější model — levnější model se na dlouhé trati ztratí."* Pokud z learningu NEJDE udělat obecný princip bez tech žargonu (je čistě infra), zahoď ho a vezmi další kandidát z Kroku 1. NIKDY vágní advice ("be consistent"). NIKDY vymyšlená čísla. ## Krok 2 — Dedup - `list_scheduled_items` → žádná druhá tutorial note na stejný den. - `list_recent_notes` (limit 30) + mem0 záznamy `tutorial-note:` → stejné téma max 1× za 30 dní. ## Krok 3 — Draft (format gaty) - Angličtina, first-person, jednoduchá engagement-grade EN. **Žádný kód, žádný tech žargon.** - **One sentence per line** (prázdný řádek mezi větami). - 40–100 slov. Hook = konkrétní outcome/princip, NE otázka ("Most people use AI like a search box. Here's the shift that doubled what I get out of it."). - Tělo = 2–4 očíslované kroky, každý krok obecná akce + relatable (ne-dev) příklad. - Závěr = "tohle zvládneš taky" beat (bez imperativní tip-šablony). - Mám-li chuť napsat název nástroje z infry nebo číslo z GPU/queue/modelu → STOP, to je signál že abstrakce z Kroku 1.5 selhala. - Žádný link v těle, žádné "check it out", žádné banned fráze. ## Krok 4 — HARD APPROVAL (dvoufázový flow, nic se nepublikuje bez Danielova OK) **Fáze DRAFT (ranní run):** note NEplánuj. Ulož pending draft do souboru (`ops/tutorial-note-pending.json` v dcw-context-hub: `{date, content, angle, topic_source}`) a pošli Telegram preview s textem note + instrukcí: *"Odpověz 'ok' pro publikaci dnes 16:00 CET, 'ne' pro zahození."* Angle = nejbližší label z 15 angle chips (typicky "Claude Code workflow", "AI tooling trade-off", "Article Forge", "Drippery", "Substack growth", "Postmortem"). **Fáze APPROVE (odpolední run, ~15:00):** načti pending JSON (když není, skonči). Přes substack-mcp `get_recent_replies` (automation bot, webhook-persisted — NE `getUpdates`, ten 409) najdi Danielovu odpověď novější než draft: obsahuje-li "ok"/"ano"/"yes" → `schedule_note` (`content`, `scheduledFor` = dnes 16:00 CET; léto CEST `T14:00:00Z`, zima `T15:00:00Z`, `angle`) a zaloguj do mem0 `tutorial-note : ` s metadata `{"project":"content","category":"fact"}`. Obsahuje-li "ne"/"skip" nebo žádná odpověď není → NIC neplánuj a pošli Telegram "tutorial note dnes přeskočena (bez schválení)". Pending soubor po zpracování smaž. Danielova úprava textu v odpovědi ("ok, ale změň X") → aplikuj úpravu a pak naplánuj. ## Krok 5 — Telegram (VŽDY automation bot, NIKDY Gaia) Approve notifikace (draft preview i approve potvrzení) jdou **VŽDY na automation bota** — `TELEGRAM_BOT_API` + `TELEGRAM_CHAT_ID` z `dcw-context-hub/.env.local` (stejný bot, který používají ostatní scheduled workeři: CEO report, attribution, collab-scout…). Tohle je záměrně NE interaktivní Gaia bot (`channels/telegram`), ať approve pingy nezaplevelují hlavní Gaia konverzaci. - **Posílání** přes substack-mcp `send_telegram_message` (čte token z env sám) — NEBO raw `https://api.telegram.org/bot/sendMessage`. NIKDY nevypisuj token do outputu. - **Čtení odpovědi** přes substack-mcp `get_recent_replies` (webhook-persisted). NEPOUŽÍVEJ `getUpdates` — automation bot má aktivní webhook → 409. - **Interaktivní běh (Gaia):** approve preview přesto pošli na automation bota (8863), NE do téhle konverzace přes reply tool. Dvoufázový flow zůstává jen pro cron; v interaktivu můžeš po Danielově OK naplánovat rovnou.