n8n AI驱动新闻聚合与自动化工作流(完整版教学)

作者

本工作流的主要功能是从多个科技新闻源（RSS）抓取文章，经过筛选，利用 DeepSeek 大模型进行两次处理（可能是总结摘要、翻译或提取关键信息），最后格式化并推送到飞书多维表格中

节点搭建流程：

这一步的目的是定时获取新闻，并给不同来源的数据打上标签。

1.添加 Schedule Trigger (定时触发器)

  • 设置： 设置为你希望运行的频率（例如每 1 小时或每天早上 8 点）。

2.添加 3 个 RSS Feed Read 节点 (并行分支)

RSS Feed Read 节点
RSS Feed Read 节点

3.添加 3 个 Edit Fields (字段编辑) 节点

Edit Fields (字段编辑) 节点
Edit Fields (字段编辑) 节点
  • 分别连接在三个 RSS 节点之后。
  • 目的： 为每个分支的数据添加一个来源标签便后续分辨文章来源，3个Edit Fields都一样的
  • 标题 String {{ $json.title }}
  • 内容 String {{ $json.contentSnippet }}
  • 日期 String {{ $json.isoDate }}
  • 链接 String {{ $json.link }}
  • 来源 String 纽约时报
  • 板块 String 新闻
  • 分类 String

4.添加 Merge (合并) 节点

Merge (合并) 节点
Merge (合并) 节点
  • 连接： 将前面 3 个 Edit Fields 的输出全部连到这个节点的输入端。
  • 设置： Mode 选择 “Append” (追加模式)，将三路数据合并成一个列表。

5.添加 Filter (过滤器) 节点

Filter (过滤器) 节点
Filter (过滤器) 节点
  • 连接： 连在 Merge 之后。
  • 设置： 设定筛选条件（根据截图上的 “24h内”）
  • 条件逻辑：{{ $json[‘日期’] }}
  • {{ new Date(Date.now() – 24 * 60 * 60 * 1000).toISOString() }}
  • if after
  • 注意填写好之后：“打开Convert types where required下的开关”

第二阶段：AI 智能处理 (中间核心部分)

这里使用了 LangChain 的结构，分两轮对文章内容进行深加工。

搭建第一组 AI 处理链

6.主节点： 添加 Basic LLM Chain 节点。

Basic LLM Chain 节点
Basic LLM Chain 节点
  • 挂载模型 (Model)： 拖入 DeepSeek Chat Model 节点（如果 n8n 没有原生 DeepSeek，通常使用 OpenAI Chat Model 节点，并将 Base URL 改为 DeepSeek 的 API 地址），连接到 Chain 的 Model 接口。
  • 挂载解析器 (Output Parser)： 拖入 Structured Output Parser，连接到 Chain 的 Output Parser 接口。这用于强制 AI 输出 JSON 格式（）。
  • Prompt 设置： 在 Chain 节点中编写提示词，例如：“请总结这篇文章的核心内容…”。
Basic LLM Chain 里面的节点内容
Basic LLM Chain 里面的节点内容

注意：Basic LLM Chain 里面的节点内容你可以人GPT帮你写

7.添加 Edit Fields 节点，跟前面的节点一样这里最后分类里面添加：{{ $json.output[“分类”] }}

  • 目的： 清洗或格式化第一轮 AI 输出的数据，为下一轮做准备。

8.搭建第二组 AI 处理链

  • 主节点： 再次添加 Basic LLM Chain 节点。
  • 挂载模型 & 解析器： 同样挂载 DeepSeek Chat Model 和 Structured Output Parser。
  • Prompt 设置： 这里可能是做深层次处理，比如“将摘要翻译成中文”或者“根据内容判断行业分类、打分”等。

9.添加 Edit Fields 节点，这里的节点跟上面一个，一样不需要改

  • 目的： 将 AI 处理后的最终结果整理成飞书表格需要的字段格式。

第三阶段：逻辑处理与输出

10.添加 Code (代码) 节点

  • 标签： “分类排序”
  • 目的： 使用 JavaScript 对最终的新闻列表进行排序（例如按重要性打分排序）或者进行最后的数据清洗。

// 获取上游输入的所有新闻项
const items = $input.all();
// 定义板块排序顺序
const sectionOrder = [
“产品发布/更新”,
“博客/研究/评论/深度报道”,
“其他（融资/社会舆论/人事变动等）”
];
// 对新闻进行排序
items.sort((a, b) => {
const sectionA = a.json.分类 || “”;
const sectionB = b.json.分类 || “”;
const indexA = sectionOrder.indexOf(sectionA);
const indexB = sectionOrder.indexOf(sectionB);
return indexA – indexB;
});
return items;

11.添加 Feishu (飞书/Lark) 节点，这里需要添加Token.和ID，还需要添加请求体JSON

  • 连接： 连在 Code 节点之后。
  • 设置：
  • Resource: Base (多维表格)
  • Operation: Create Record (新增记录)
  • 映射字段： 将前面处理好的 标题、摘要、来源、URL、AI 评分 等字段，一一对应填入飞书多维表格的列中。

请求体JSON：

{
“fields”: {
“标题”: “{{ $json[‘标题’] }}”,
“内容”: “{{ $json[‘内容’] }}”,
“日期”: “{{ $json[‘日期’] }}”,
“链接”: “{{ $json[‘链接’] }}”,
“来源”: “{{ $json[‘来源’] }}”,
“板块”: “{{ $json[‘板块’] }}”,
“分类”: “{{ $json[‘分类’] }}”
}
}

记得在飞书里面这样配置：

关键配置提示 (DeepSeek 接入)

截图中的 “DeepSeek Chat Model” 如果你在 n8n 的节点库里找不到同名原生节点，通常是这样配置的：

  1. 使用 OpenAI Chat Model 节点。
  2. 点击 Credentials -> Create New -> OpenAI API。
  3. 在配置里：
  • URL (Base URL): https://api.deepseek.com (或其他 DeepSeek 兼容地址)
  • API Key: 填入你的 DeepSeek API Key。

4.在节点模型名称 (Model Name) 里手动输入：deepseek-chat 或 deepseek-coder。
这套工作流非常高效，能把原本需要几小时阅读的科技新闻，自动浓缩成一份高质量的中文日报发到你的飞书里。

如果在搭建的过程中遇到任何问题，请评论区留言，这是整个工作流的前半部分，下面还有两大部分我们下期接着讲，我也会把完整版工作流分享给大家

发表评论