Comment créer un agent LinkedIn de contenu fiable ?

Un agent LinkedIn fiable automatise la recherche, le brouillon, le visuel et la livraison dans ClickUp. Le vrai sujet n’est pas de publier plus, mais de garder un niveau éditorial correct avec moins de friction technique.

Quel problème faut-il automatiser ?

Il faut automatiser les tâches répétitives qui ralentissent la publication LinkedIn, pas déléguer toute la stratégie éditoriale. Un agent de contenu fiable ne doit pas décider seul de votre positionnement, de vos prises de parole sensibles ou de votre ligne éditoriale. Son rôle est plus simple : absorber une partie du travail mécanique pour vous laisser relire, corriger et valider.

Publier régulièrement sur LinkedIn demande au minimum quatre efforts. Le premier consiste à trouver un angle, c’est-à-dire une manière précise de traiter un sujet. Le deuxième consiste à vérifier des sources récentes, pour éviter les chiffres obsolètes ou les affirmations fragiles. Le troisième consiste à rédiger un post lisible, avec une idée claire, une progression logique et un ton adapté. Le quatrième consiste à produire un visuel cohérent, qui renforce le message sans tomber dans l’illustration générique.

L’agent devient utile à cet endroit précis. Il transforme un sujet brut en tâche prête à relire : un brouillon de post, quelques sources à contrôler, une proposition de visuel et un brief exploitable. Il ne remplace pas le jugement humain. Il prépare le terrain.

• Avant automatisation : Vous partez d’une idée vague, vous cherchez les sources, vous rédigez, vous reformulez, puis vous pensez au visuel.
• Après automatisation : Vous partez d’une tâche structurée avec un brouillon, une intention, des références et une image candidate.
• Ce qui reste humain : La validation du fond, le ton final, les exemples personnels, les arbitrages éditoriaux et la décision de publier.

LinkedIn indique dépasser 1 milliard de membres dans le monde dans ses communications officielles, notamment sur sa page “About LinkedIn”. Pour un profil B2B, cette échelle rend la qualité et la régularité importantes. Cela ne veut pas dire qu’un agent garantit plus de vues, plus de leads ou plus de clients. Aucune automatisation sérieuse ne devrait promettre ça.

L’objectif réel est plus concret : réduire le temps de production, standardiser le process et éviter que chaque publication reparte de zéro. La suite logique consiste donc à construire un workflow complet, poser les prérequis techniques, puis passer à l’implémentation Node.js avec Claude, Imagen 3 via MindStudio et ClickUp.

Que fait l’agent LinkedIn ?

Un agent LinkedIn fiable ne “crée pas du contenu” par magie. Il prend un sujet en entrée, cherche du contexte récent, rédige un post LinkedIn, génère une infographie, puis crée une tâche ClickUp prête à relire. Le point important : chaque étape produit un résultat vérifiable avant publication.

Le flux tient en cinq étapes simples.

• Première étape : Vous fournissez un sujet. Par exemple, une tendance IA, un retour d’expérience data, une analyse d’outil no-code ou un conseil d’automatisation.
• Deuxième étape : L’agent lance une recherche web pour récupérer des titres, des extraits et des sources récentes. Le but n’est pas de copier le web, mais de donner du contexte au modèle.
• Troisième étape : Claude, via l’API Anthropic, synthétise le brief et rédige un post adapté à une audience B2B. L’API permet simplement à l’agent d’envoyer une consigne à Claude et de récupérer sa réponse automatiquement.
• Quatrième étape : Imagen 3 génère une infographie à partir d’un prompt préparé par l’agent. Dans ce cas, Imagen 3 est accessible via le plugin Agent Skills de MindStudio, ce qui évite de développer toute l’intégration visuelle à la main.
• Cinquième étape : ClickUp reçoit une tâche contenant le texte, l’image et les points à vérifier avant publication.

Chaque outil a un rôle clair. Claude Code sert à construire et exécuter l’agent. Claude via l’API Anthropic gère le raisonnement, la synthèse et la rédaction. Imagen 3 produit le visuel. ClickUp centralise le contenu dans le workflow éditorial, avec une tâche exploitable par une personne.

Étape	Outil	Entrée	Sortie	Contrôle humain recommandé
Sujet	Claude Code	Idée ou angle de post	Instruction structurée	Vérifier que le sujet est utile et précis
Recherche	Recherche web	Sujet fourni	Titres, extraits, sources récentes	Écarter les sources faibles ou hors sujet
Rédaction	Claude via API Anthropic	Brief enrichi	Post LinkedIn B2B	Relire le fond, le ton et les affirmations
Visuel	Imagen 3 via Agent Skills MindStudio	Prompt d’infographie	Image générée	Vérifier la lisibilité et l’absence d’erreur
Organisation	ClickUp	Texte, image, checklist	Tâche prête à relire	Valider avant publication

Ce découpage évite de créer une boîte noire difficile à corriger. Si le post est faible, vous savez si le problème vient du sujet, des sources, du prompt, du visuel ou de la validation éditoriale.

Quels comptes faut-il préparer ?

Pour démarrer proprement, il faut préparer cinq éléments : Node.js 18 ou plus, Claude Code, un compte Anthropic, un compte MindStudio et un compte ClickUp avec accès API.

Ces prérequis couvrent les trois besoins de l’agent : exécuter du code, appeler des modèles d’IA, puis créer des tâches dans votre espace de travail. Rien de compliqué, mais chaque accès doit être prêt avant d’écrire la logique métier.

Prérequis	Rôle dans l’agent
Node.js 18+	Permet d’exécuter le script en JavaScript moderne, notamment avec les modules ES, c’est-à-dire le système import/export utilisé dans les projets récents.
Claude Code	S’installe via npm selon la documentation officielle d’Anthropic et facilite le développement de l’agent directement depuis le terminal.
Compte Anthropic	Donne accès à Claude via une clé API. Le SDK Anthropic, c’est-à-dire la bibliothèque officielle côté code, servira à envoyer des prompts et récupérer les réponses du modèle.
Compte MindStudio	Fournit le plugin Agent Skills, utilisé ici pour lancer une recherche Google structurée et accéder à Imagen 3 pour la génération d’images.
Compte ClickUp	Nécessite un token API et l’identifiant de la liste dans laquelle l’agent créera automatiquement les tâches de contenu.

Les accès sensibles doivent être placés dans un fichier .env à la racine du projet. Les clés API ne doivent jamais être codées en dur dans le script, car elles peuvent finir dans un dépôt Git, un log ou une archive partagée.

MINDSTUDIO_API_KEY=VotreCleMindStudio
ANTHROPIC_API_KEY=VotreCleAnthropic
CLICKUP_API_TOKEN=VotreTokenClickUp
CLICKUP_LIST_ID=VotreIdentifiantDeListeClickUp

Voici la liste de contrôle minimale avant de passer au code :

• Installer Node.js en version 18 ou supérieure.
• Installer Claude Code via npm en suivant la documentation officielle d’Anthropic.
• Créer une clé API Anthropic pour appeler Claude depuis le script.
• Créer une clé API MindStudio avec accès au plugin Agent Skills.
• Récupérer le token API ClickUp et l’identifiant de la liste cible.
• Créer le fichier .env avec les quatre variables nécessaires.

Une fois ces comptes et accès prêts, le chapitre suivant peut passer à la création du projet Node.js et à l’installation des dépendances.

Comment construire le projet ?

Pour construire l’agent, je pars d’une base volontairement simple : un projet Node.js, quelques dépendances, des clés API chargées depuis un fichier local, puis un fichier agent.mjs qui orchestre les appels entre recherche, rédaction, génération visuelle et création de tâche.

Voici les commandes à exécuter dans votre terminal :

mkdir linkedin-content-agent
cd linkedin-content-agent
npm init -y
npm install @mindstudio-ai/agent @anthropic-ai/sdk dotenv

Chaque dépendance a un rôle précis :

• La dépendance @mindstudio-ai/agent sert à utiliser les Agent Skills, c’est-à-dire des fonctions réutilisables que l’agent peut appeler pour exécuter une action.
• La dépendance @anthropic-ai/sdk permet d’appeler Claude, le modèle de langage d’Anthropic, pour analyser un sujet, structurer un brief ou rédiger un post.
• La dépendance dotenv charge les variables d’environnement depuis un fichier local .env, sans écrire les clés API directement dans le code.

La structure minimale reste légère :

linkedin-content-agent/
  package.json
  .env
  .gitignore
  agent.mjs

Le fichier .env contient vos secrets. Les valeurs ci-dessous sont des placeholders fictifs, à remplacer par vos vraies clés :

ANTHROPIC_API_KEY=placeholder_claude_api_key
MINDSTUDIO_API_KEY=placeholder_mindstudio_api_key
CLICKUP_API_KEY=placeholder_clickup_api_key
CLICKUP_LIST_ID=placeholder_clickup_list_id

Ce fichier ne doit jamais être publié dans un dépôt Git. Ajoutez-le tout de suite à .gitignore :

.env
node_modules/

Le fichier agent.mjs peut ensuite servir de squelette d’orchestration :

import "dotenv/config";
import Anthropic from "@anthropic-ai/sdk";
import { createSkill } from "@mindstudio-ai/agent";

const anthropic = new Anthropic({
  apiKey: process.env.ANTHROPIC_API_KEY,
});

async function researchTopic(topic) {
  // Objectif : Transformer un sujet brut en brief exploitable.
  return {
    topic,
    angle: "Placeholder angle",
    keyPoints: ["Placeholder point 1", "Placeholder point 2"],
  };
}

async function writeLinkedInPost(brief) {
  // Objectif : Demander à Claude de rédiger un post clair et utile.
  const response = await anthropic.messages.create({
    model: "claude-3-5-sonnet-latest",
    max_tokens: 900,
    messages: [
      {
        role: "user",
        content: `Rédige un post LinkedIn à partir de ce brief : ${JSON.stringify(brief)}`,
      },
    ],
  });

  return response.content[0].text;
}

async function generateInfographic(post) {
  // Objectif : Générer ou préparer une image liée au post.
  return "https://example.com/placeholder-infographic.png";
}

async function createClickUpTask(post, imageUrl) {
  // Objectif : Créer une tâche de validation ou de publication dans ClickUp.
  return {
    title: "Post LinkedIn à valider",
    post,
    imageUrl,
  };
}

const linkedInContentSkill = createSkill({
  name: "linkedin-content-agent",
  description: "Crée un post LinkedIn, une infographie et une tâche de suivi.",
  run: async ({ topic }) => {
    const brief = await researchTopic(topic);
    const post = await writeLinkedInPost(brief);
    const imageUrl = await generateInfographic(post);
    const task = await createClickUpTask(post, imageUrl);

    return { brief, post, imageUrl, task };
  },
});

export default linkedInContentSkill;

Cette séparation évite de créer un gros script difficile à maintenir. Chaque fonction a une responsabilité claire, ce qui rend l’agent plus simple à tester, à corriger et à faire évoluer quand vous ajoutez de nouvelles sources, un autre modèle ou une étape de validation humaine.

Comment produire un brouillon relisible ?

Pour produire un brouillon relisible, je combine trois choses simples : une recherche courte mais structurée, un prompt éditorial précis pour Claude, puis une tâche ClickUp qui oblige une vraie relecture humaine.

La recherche sert à cadrer le sujet, pas à recopier le web. Avec searchGoogle() du plugin Agent Skills, je récupère des résultats structurés avec titres, URL et snippets. Deux requêtes suffisent souvent : une recherche large pour comprendre l’angle, puis une recherche ciblée sur les données, annonces ou évolutions récentes.

const context = await searchGoogle({
  query: "agent LinkedIn contenu fiable automatisation IA",
  numResults: 5
});

const freshData = await searchGoogle({
  query: "LinkedIn algorithm content updates B2B 2024 2025 data",
  numResults: 5
});

Claude reçoit ensuite un brief compact. Le prompt système fixe le cadre éditorial : accroche courte, paragraphes aérés, une idée par bloc, ton B2B, aucune promesse exagérée, appel à l’action final. Sur LinkedIn, la lecture se fait beaucoup sur mobile : les pavés de texte fatiguent vite. Les sauts de ligne ne sont pas décoratifs, ils rendent le post scannable.

import Anthropic from "@anthropic-ai/sdk";

const anthropic = new Anthropic({ apiKey: process.env.ANTHROPIC_API_KEY });

const response = await anthropic.messages.create({
  model: "claude-3-5-sonnet-latest",
  max_tokens: 900,
  system: "Tu écris un post LinkedIn B2B clair. Accroche courte. Paragraphes aérés. Une idée par bloc. Pas de promesse exagérée. Ton expert, direct, utile. Termine par un appel à l’action simple.",
  messages: [{
    role: "user",
    content: `Sujet: ${topic}
Contexte vérifiable: ${JSON.stringify(context)}
Données récentes: ${JSON.stringify(freshData)}
Objectif: produire un brouillon relisible, prêt pour relecture humaine.`
  }]
});

const postDraft = response.content[0].text;

Pour le visuel, je reste sobre. Un bon prompt Imagen 3 décrit une infographie simple, lisible et cohérente avec le sujet.

const imagePrompt = `
Infographie B2B minimaliste sur la création d’un agent LinkedIn fiable.
Montrer 3 étapes: recherche structurée, rédaction par IA, validation humaine.
Style clair, fond clair, typographie lisible, peu de texte, icônes simples.
Format carré 1:1, adapté à LinkedIn.
`;

La dernière étape consiste à créer une tâche ClickUp. Le brouillon n’est jamais publié automatiquement : il arrive dans un flux de validation.

await fetch(`https://api.clickup.com/api/v2/list/${LIST_ID}/task`, {
  method: "POST",
  headers: {
    "Authorization": process.env.CLICKUP_TOKEN,
    "Content-Type": "application/json"
  },
  body: JSON.stringify({
    name: `Relire post LinkedIn - ${topic}`,
    description: `
Sujet d'origine: ${topic}

Brouillon:
${postDraft}

Image:
${imageUrl}

Checklist:
- Vérifier les sources
- Clarifier l’accroche
- Valider le visuel
- Contrôler le ton de marque
- Donner le feu vert final
`,
    status: "to review"
  })
});

Point de contrôle	Question à poser
Exactitude des sources	Les chiffres et annonces sont-ils vérifiables ?
Clarté de l’accroche	Comprend-on l’intérêt en moins de 3 secondes ?
Pertinence du visuel	L’image aide-t-elle vraiment à comprendre ?
Ton de marque	Le post ressemble-t-il à votre manière de parler ?
Validation finale	Un humain a-t-il relu avant publication ?

Et si votre prochain post commençait par un meilleur process ?

Un agent LinkedIn de contenu n’a pas vocation à remplacer votre jugement éditorial. Il sert à supprimer les frictions : recherche initiale, synthèse, premier jet, visuel et création de tâche dans ClickUp. Avec Claude, Imagen 3 via MindStudio et une base Node.js simple, vous pouvez construire un workflow clair, contrôlable et améliorable. La bonne approche consiste à automatiser la préparation, puis à garder une vraie relecture humaine avant publication. Vous gagnez du temps, vous standardisez votre production et vous gardez la main sur ce qui compte vraiment : la qualité du message publié.

FAQ

• Qu’est-ce qu’un agent LinkedIn de contenu ?
  Un agent LinkedIn de contenu est un workflow automatisé qui transforme un sujet en brouillon de post, ajoute un visuel et prépare une tâche de relecture. Dans cette approche, Claude rédige et synthétise, Imagen 3 génère l’image et ClickUp centralise la validation.
• Claude peut-il publier directement sur LinkedIn ?
  Techniquement, un workflow peut être connecté à plusieurs API, mais il est préférable de garder une validation humaine. L’objectif recommandé ici est de produire une tâche prête à relire, pas de publier automatiquement un contenu sans contrôle éditorial.
• Pourquoi utiliser une recherche web avant la rédaction ?
  La recherche web donne à Claude un contexte plus récent et plus précis. Elle réduit le risque de produire un texte trop générique. L’agent peut récupérer des titres et extraits, puis construire un brief compact avant la rédaction du post.
• Quels outils sont nécessaires pour construire cet agent ?
  Il faut Node.js 18 ou plus, Claude Code, le SDK Anthropic, un compte Anthropic, un compte MindStudio avec le plugin Agent Skills, ainsi qu’un compte ClickUp avec un token API et un identifiant de liste.
• Faut-il savoir coder pour créer ce workflow ?
  Un minimum de JavaScript et de ligne de commande est nécessaire pour la version Node.js. La logique reste accessible : une fonction pour rechercher, une fonction pour rédiger, une fonction pour générer l’image et une fonction pour créer la tâche ClickUp.

 

 

A propos de l’auteur

Je suis Franck Scandolera, responsable de l’agence webAnalyste et de l’organisme Formations Analytics. J’accompagne les entreprises sur le tracking avancé server-side, l’Analytics Engineering, l’automatisation No/Low Code avec n8n, l’intégration de l’IA dans les process métier et le SEO/GEO. J’ai travaillé pour des organisations comme Logis Hôtel, Yelloh Village, BazarChic, la Fédération Française de Football ou Texdecor. Si vous voulez industrialiser vos workflows IA, data ou marketing sans créer une usine à gaz, vous pouvez me contacter.