2025年，GitHub上最火的开源项目之一 n8n 成为了技术爱好者的自动化利器。
本文将手把手教你如何用 n8n 搭建一个 内容自动推送流程，让你在实践中熟悉 n8n 的工作方式和核心节点。
希望这个小例子能够抛砖引玉，引起你对 n8n 的兴趣，并继续探索它模块中的强大功能，帮助你实现脑中的奇思妙想。
先看下最终产出结果：
-
n8n 中的工作流：
-
飞书中带评分的文章推荐：
一、准备工作
在开始之前，你需要准备以下内容：
-
n8n 环境
- 可以选择本地 Docker 部署，也可以使用 n8n.cloud 云端服务。（本例选用后者）
- 如果是本地部署，确保 Docker 已安装并可正常运行。
官方提供的云端版，可以直接在浏览器访问，无需自己部署。地址： https://n8n.io/cloud。 注册后，点击 Get started for free 按钮，在 Dashboard 面板点击 Open instance 按钮进入实例， 最后点击 Create workflow 按钮创建工作空间。
-
推送平台（本例为飞书）
-
文章源
- 可以是技术博客 RSS、微信公众号 RSS 或者你自己团队的内部文章源。 （本例使用的 smashingmagazine 提供的 RSS）
-
大模型 / AI 接入（可选）
- 如果你希望自动评分文章或生成摘要，可准备一个大模型 API，例如 OpenAI、千问大模型等，并准备好 API-KEY。
二、n8n 流程设计概览
我们要实现的 工作流 大致如下：
- Schedule Trigger：定时触发任务
- RSS Read：获取文章列表
- Limit：控制抓取文章数量
- HTTP Request → Code：调用大语言模型给文章评分，并返回可用的数据结构
- HTTP Request：发送消息到目标平台（以飞书为例）
三、详细步骤
（一）Schedule Trigger 节点：定时触发
- 拖一个 Schedule Trigger 节点到工作区。
- 双击节点配置 Schedule Trigger：
- 配置触发频率，例如每天 9:00 自动执行。
- 这就是你的触发器，控制多久去抓一次 RSS。
- 添加 RSS Read 节点，连接 Schedule Trigger 节点。
- 配置 RSS URL，例如
https://www.smashingmagazine.com/feed/。
- 添加 Limit 节点，建议设置 Max Items: 10，先抓取最近 10 条文章。
（三）HTTP Request 节点：调用大语言模型（难点）
这个步骤需要将抓取到的文章数据通过请求 body 传给大模型，并让它返回理想的数据格式。
不同的模型请求的格式基本一样，只是 URL 与 model 有所不同。
-
添加 HTTP Request 节点。
-
配置：
- HTTP Method: POST
- URL: 大模型 API 地址
- Specify Headers: Using JSON, 并填入如下代码：
{
"Authorization": "Bearer <你的_API_KEY>",
"Content-Type": "application/json",
"Accept": "application/json"
}
- Body Content Type: JSON
- Specify Body: Using JSON, 选择
Expression 模式，并填入如下代码：
{{
{
"model": "模型名称",
"messages": [
{
"role": "user",
"content": "请根据以下文章评分。\n\n" +
"评分维度：\n" +
"1 信息价值\n" +
"2 技术深度\n" +
"3 是否值得阅读\n\n" +
"返回 JSON，例如：\n" +
"{\n" +
" \"score\": 0,\n" +
" \"title\": \"标题\"\n" +
" \"link\": \"链接\"\n" +
" \"summary\": \"一句话总结\"\n" +
"}\n\n" +
"文章：\n\n" +
"标题：" + $json.title + "\n" +
"摘要：" + $json.content + "\n" +
"链接：" + $json.link + "\n" +
"正文：" + ($json["content:encoded"] ? $json["content:encoded"].slice(0,1000) : "")
}
],
"reasoning": {
"enabled": true
}
}
}}
- Response Format: JSON
-
需要注意以下两点：
这里调试了很久才把 prompt 的格式调整对，如果返回值不对，需要多查看下配置信息是否填对。或者使用 postman 先进行请求测试，排除 n8n 格式不当导致的请求不成功。
（四）Code 节点：整理推送内容
- 拖拽 Code 节点到工作区与上一个节点连接。
-
在 Code 节点配置 Language： JavaScript，把抓取到的文章整理成通用推送格式：
return items.map(item => {
// 取 content
let content = item.json.choices?.[0]?.message?.content || "";
// 去掉 ```json 开头和 ``` 结尾
content = content.replace(/^```json\s*/, "").replace(/\s*```$/, "");
let parsed;
try {
parsed = JSON.parse(content);
} catch (e) {
parsed = {};
}
return {
json: {
score: parsed.score || 0,
title: parsed.title || "无标题",
summary: parsed.summary || "无",
link: parsed.link || "",
}
};
});
前面的 Limit 我设置的是 2， 所以这里只处理了两条数据：
（五）HTTP Request 节点：发送到平台
- 添加 HTTP Request 节点，连接 Code 节点。
- 配置：
- HTTP Method：POST
- URL：你的飞书 Webhook URL
- Authentication：None
- Headers：Content-Type: application/json
- Body Content Type：JSON
JSON Body 示例：
{
"msg_type": "text",
"content": {
"text": "今日推荐文章\n\n标题：{{$json.title}}\n评分：{{$json.score}}\n摘要：{{$json.summary}}\n阅读原文：{{$json.link}}"
}
}
- 测试节点，成功后即可发送文章到平台。可以在电脑工具栏的飞书图标看到消息提醒：
四、可选优化
- 评分推送：在 Code 节点里接入 AI 模型，对文章进行评分（信息价值、技术深度、是否值得阅读），再按评分排序推送。
- 多源整合：同时抓取多个 RSS 或 API，统一推送。
- 内容美化：可以在 JSON 里加入富文本或 Markdown，使推送消息更漂亮。
- 多平台扩展：飞书只是示例，你可以拓展到企业微信、Slack、Telegram 等。
五、总结
通过 n8n，你可以用 零代码或少量代码 实现自动化推送流程，同时熟悉 n8n 的核心节点和工作流程。
无论是团队技术分享，还是公众号或社区内容推送，这套流程都能快速落地，并且易于扩展。掌握 n8n 并结合大模型处理，你将拥有更强的自动化能力，让日常内容管理更加高效智能。欢迎到 云栈社区 的运维/DevOps/SRE板块分享和讨论你的自动化实践。 | 
发表于 4 小时前
|
查看: 3|
回复: 0
