n8n实战：自动化生成AI日报并发布

n8n实战：自动化生成AI日报并发布

n8n 在 Agentic AI 生态内已被广泛视为一款「低代码 × AI 编排」的核心框架，它让开发者与非开发者都能用拖拽的方式，将传统服务（数据库 / HTTP API）与各类大模型、向量检索无缝衔接，快速产出可落地的自动化场景。

本文将讲解如何利用 n8n 打造一条“AI 新闻采编与发布”流水线——它能在后台定时抓取多家科技媒体新闻，通过 OpenDataSky 大模型生成结构化中文日报并进行发布。整个过程无需手写后端代码，只需在 n8n 画布上完成节点配置。

什么是 n8n？

n8n（pronounced n-eight-n，“nodes & numbers” 的缩写）是一款开源的工作流自动化与集成平台。它提供：

• 可视化 DAG 设计器：每个节点代表一次 API 调用、脚本执行或 AI 推理。
• 内置 400+ 官方 / 社区节点：涵盖数据库、消息、云服务以及 LangChain AI 组件。
• 条件分支、错误重试、凭证集中管理与版本控制。
• 支持 JavaScript / TypeScript 片段，兼顾「无代码」与「可定制」。

简而言之，n8n 就是一条可以自由拼装的“数据 + AI 装配线”。

本教程要实现什么？

目标：一键生成「昨日 24h 内的 AI 行业要闻」并自动发布。流程示意如下：

1. 定时触发器：

   • 每 4 小时抓取 RSS → 抛入 “采集管道”
   • 每天 09:00 启动 “日报生成管道”

2. 采集管道（数据层）

   • 读取 RSS → 标准化 JSON → 计算 MD5 去重
   • Embedding → 向量 + metadata 写入 pgvector

3. 摘要管道（语义层 / 内容层）

   • 将关键词 Embedding → 相似度检索 top-K chunk
   • LLM Prompt：排序、翻译、Markdown 排版
   • 选择发布平台，调用接口发布

最终效果：无需人工干预，即可得到一份排版完整、中文易读的 AI 日报。

技术栈一览

• n8n 1.93.0 + @n8n/n8n-nodes-langchain
• PostgreSQL 14 + pgvector 0.6（也可使用 n8n 内置向量存储）
• OpenDataSky API（兼容 OpenAI SDK）获取 API Key

如何使用 n8n ？

1. 使用网页版： n8n 官方提供的云服务，访问 n8n 官网 登录使用。（需要付费订阅使用，新用户14天免费试用）
2. 本地部署： 部署在本地运行，根据 官方文档 部署即可。

同样，n8n 支持部署在 DataSky AI 云盒 中使用，本文为 DataSky AI 云盒部署实践所得。

编排工作流

整个自动化工作主要分为两个独立的流程分别实现：

1. 获取新闻资讯的流程
2. 生成相关话题日报的流程

下面将分别拆解这两个工作流程进行分析。

首先登录进 n8n 界面，点击“Create Workflow”创建空白工作流。

获取新闻资讯

配置定时触发器

点击“Add first step…”，选择“On a schedule”创建定时触发器。

也可以根据实际情况选择其他触发器，工作流需要自动化运行则必须要以触发器为首个节点

注意：
由于 n8n 默认使用的美国时区，为保证定时器正常按预期触发，则需要修改时区。

点开“On a schedule”节点自定义配置时间，根据需要的触发频率配置即可。这里我们选择每4小时触发一次。

其他触发器

当然也可以直接使用RSS触发器“RSS Feed Trigger”，RSS触发器也支持配置触发时间频率。

由于RSS触发器不便后续添加多项RSS新闻源，遂建议使用“On a schedule”触发器先配置时间，后续节点配置RSS新闻源。（若只有一条新闻源则可以使用“RSS Feed Trigger”）

设置RSS新闻源地址

在定时器后添加“Edit Fields”节点，节点中定义好RSS地址数组。可以按照如下配置：

类型一定要选择“Array”数组，以下是输入的模板

["https://feeds.arstechnica.com/arstechnica/index","https://www.theverge.com/rss/index.xml","...其他RSS源地址"
]

点击“Test Step”测试这个节点，可以看到输出应该是这样：

RSS地址可以在各新闻媒体平台上找到

拆分数组

需要将上一个节点的数组拆分为不同的items才能给后续RSS阅读节点使用：

测试输出如下：

可以看到经过这个节点数组已经被成功拆分，items 数量为 2

阅读 RSS 新闻源

添加 RSS Read 节点提取新闻内容，URL一栏输入上一个节点输出的rss变量 {{ $json.rss }} ，RSS Read 节点将会输出每一个URL中的新闻：

测试得到新闻内容：

提取有效字段

再次添加“Edit Fields”节点，用于提取后续所需的有效字段

字段名	字段类型	值（变量）
title	String	{{ $json.title }}
content	String	{{ $json['content:encodedSnippet'] ?? $json.contentSnippet }}
date	String	{{ $json.isoDate }}
link	String	{{ $json.link }}

测试输出结果为：

生成 Hash 值（可选）

本节点目的是对获取的文章标题生成标识符，方便后续对文章进行去重

测试结果：

将新闻作为矢量存储

矢量存储能够在大量新闻的情况下，提供语义进行检索，从而获得更加符合话题的资讯文章。（若不需要这么高的精准度，可以直接存入 SQL 后续再根据简单的关键词检索数据库即可）

添加 Vector Store 节点

除数据库节点外，矢量存储还需要另外3个节点配合：嵌入模型节点、数据加载器、文本分割器

配置数据库凭证

点开 Postgres PGVector Store 节点在“Credential to connect with”一栏添加数据库凭证

按照自己搭建的数据库配置即可。但是要注意：PostgreSQL 需要安装 pgvector 扩展才可以使用向量存储，不知道怎么安装可以去查找一下相关教程。

数据库凭证添加好后，配置 Postgres PGVector Store 节点，Table name 不要与数据库中的表名冲突即可，Embedding Batch Size 参数跟使用的嵌入模型有关，可以酌情选择。

配置嵌入模型

在 Embeddings 节点中添加嵌入模型资源，首先需要添加 API 接口凭证。这里可以填入 OpenDataSky 的 API，Base URL 输入 http://server.opendatasky.com/v1/api/open-ai/ds ，API Key 前往平台获取。

注意
保存 API 凭证的时候，n8n 会调用 /modellist 接口来验证连通性。由于 OpenDataSky 暂未开放 /modellist 接口，所以点击保存时会出现错误提示，忽略即可。（不会影响后续模型的调用）

输入嵌入模型 ID，这里选择了通义千问系列的嵌入模型 text-embedding-v3，也可以选择其他模型。支持的模型见模型列表

配置数据加载器

数据加载器负责加工上面节点输出的新闻数据，数据类型选择 JSON。

这里输出的数据会进入向量化的过程，所以选择性地提供需要向量化的数据（比如文章标题与正文），Mode 选择 Load Specific Data，Data 中合并新闻标题+正文，复制下面的变量即可。

# {{$json.title}}
{{ $json.content }}

除此之外，还需要额外配置 Metadata 数据，Metadata 将会以 jsonb 类型存储在 PostgreSQL 中，配置标题、hash、链接、时间，防止这些数据丢失，也可以加入一些其他字段（如createDate）。

点击 “Add Option” 配置 Metadata，可以按照例子填写

Name	Value
title	{{ $json.title }}
createDate	{{ $now.toISO() }}
publishDate	{{ $json.date }}
link	{{ $json.link }}
title_hash	{{ $json.md5 }}

填写 Value 时输入框要选 “Expression” 表达式

在 metadata 中配置好 title_hash 后，可以在 PostgreSQL 中添加触发器，在写入数据库时将 title_hash 提取为单独的一列，方便后续查询。（也可以直接在 metadata 的 json 中查询，这样不需要触发器）

触发器示例：

CREATE OR REPLACE FUNCTION extract_title_hash()
RETURNS trigger AS $$
BEGINNEW.title_hash := NEW.metadata ->> 'title_hash';RETURN NEW;
END;
$$ LANGUAGE plpgsql;CREATE TRIGGER trg_extract_title_hash
BEFORE INSERT OR UPDATE ON n8n_vectors_test
FOR EACH ROW EXECUTE FUNCTION extract_title_hash();

注意
使用该触发器需要保证数据库已经存在 title_hash 列，可以手动创建 title_hash 列，类型 text。

配置文本分割器

添加文本分割器节点时，建议选择 “Recursive Character Text Splitter” 类型，会将新闻分割完整的段落。

节点内设定一个合理的 Chunk Size 即可，不需要 Chunk 之间的数据重叠 Chunk Overlap 设置为 0。（Chunk Size 不宜设置得太高，会超出嵌入模型的 Max Tokens）

测试

根据以上步骤将矢量存储配置好后，在“Postgres PGVector Store”节点中点击“Test step”进行测试。

测试结果应当如下：

可以看到文章都已存入数据库。

当前的工作流节点应当如下：

提示
当然，也可以把 Postgres PGVector Store 替换为 n8n 内置的向量存储 “Simple Vector Store”，但 Simple Vector Store 不适合持久化存储，且无法执行后续的去重工作，不推荐。

文章去重（可选）

由于在之前的节点中添加了生成 Hash 值的节点，所以可以利用生成出来的 Hash 值对重复文章进行筛选

去重需要使用两个节点来实现：“Postgres”和“Merge”分别用来查询和合并。同时需要先断开生成 Hash 值的节点与数据库存储的连接，后续由其他节点提供输出到数据库节点。

Postgres节点

由生成 Hash 值节点作为输出，添加新的节点。

选择 Postgres节点动作为 SQL 查询。注意不要和“Postgres PGVector Store”节点混淆，“Postgres PGVector Store”和“Postgres”不是一个类型。

根据之前的流程，在此节点输入查询语句，查找有哪些重复的 Hash。

SELECT DISTINCT title_hash FROM n8n_vectors_test WHERE title_hash IN ('{{ $json.md5 }}');

若未根据上面的步骤创建 title_hash 触发器（数据库没有 title_hash 列，只有 metadata 的情况下），可以使用这个命令查重：

SELECT DISTINCT metadata->>'title_hash' AS title_hash
FROM n8n_vectors_test
WHERE metadata->>'title_hash' IN ('{{ $json.md5 }}');

配置与测试结果如图：

由于没有抓取新的数据所以测试中的所有 hash 值都是重复的。表明输出正确。

Merge节点

添加 Merge 节点，将生成 Hash 值和Postgres节点一同作为输入方。

如图，Postgres 节点连接 Input 1 ，生成 Hash 值节点连接 Input 2。

Merge 节点使用 SQL 查询筛选掉重复文章

附上查询语句

SELECT *
FROM input2
WHERE md5 NOT IN (SELECT title_hash FROM input1);

由于数据未更新，所有文章都是重复的，所以没有输出未重复的文章。此时可以添加其他 RSS 地址重新测试（或者等一段时间，让当前的 RSS 输出新的新闻）

再将去重后的新闻接入“Postgres PGVector Store”节点完成整个新闻存储流程。

附上完整的获取新闻资讯流程：

检索相关新闻并生成日报

配置定时触发器

由于是一个新的独立流程，所以需要从配置触发器开始。配置同获取新闻定时触发器相同，不再赘述。

添加向量检索节点

通过向量检索相关新闻，添加 Postgres PGVector Store 节点，Actions 选择 Get ranked documents from vector store。

选择在获取新闻资讯流程中的数据库与表，Prompt 根据需要检索的话题编写即可。Limit 输入一个合适的值，会限制文章的输出数量。需要开启“Include Metadata”选项

建议 Prompt 为完整的一句话，语义检索更准确。

若需要根据新闻时间进行过滤，建议在 PostgreSQL 中添加时间筛选的视图（View），在 Table Name 一栏填入视图名称，后续就会检索符合条件的新闻。

View 创建示例（只提供 publishDate 在24小时以内的新闻）：

CREATE OR REPLACE VIEW articles_last_24h AS
SELECT *
FROM n8n_vectors_test
WHERE (metadata->>'publishDate')::timestamptz >= NOW() - INTERVAL '24 hours';

此时 Postgres PGVector Store 节点的 Table Name 一栏填写 articles_last_24h 就会只检索24小时以内的新闻了。

添加 Embedding

将此节点的 Embedding 连接至之前配置的 “Embeddings OpenAI” 节点即可，在 将新闻作为矢量存储步骤中。也可以新建一个 “Embeddings OpenAI” 节点（注意：一定要与之前的 Embedding 节点使用相同的模型。）

测试结果如下：

由于 n8n 的查询方式导致 score 值为欧氏距离（L2），所以 score 值越小相似度越高。

筛选相识度高的内容/Chunk

在上一个节点中，查询到的文章是最相近的 50 篇（由 Limit 决定），但在这 50 篇中可能存在相似度不高的文章。所以，需要一个节点用以筛选出达到相识度（score 值）的文章。

添加 Filter 节点，配置如图：

输入一个合适的值，筛除掉 score 高于该值的文章。（score值越高，相似度越低。示例中筛选值设置为 0.5 ，可根据实际测试调整）

本次测试结果：

成功筛选出了相关的新闻的 Chunk，效果也符合预期。

提取 Chunk 中的 Hash 值（可选）

因为在上一个步骤中，筛选出来的数据为新闻的 Chunk，若是一篇长篇文章，则会被文本分割器分割成好几块 Chunk，将这些 Chunk 发送给大模型可能会造成文章的不完整。所以这里可以将匹配到的 Hash 值提取出来，再使用 Hash 值去拼接完整的文章。

这里选择 “Code” 节点，示例如下：

const unique = [...new Set(items.map(i => i.json.document.metadata.title_hash))];return unique.map(hash => ({ json: { title_hash_unique: hash } }));

输出结果：

使用 Hash 拼接完整文章（可选）

添加 PostgreSQL 查询节点：

将上一个步骤输出的 Hash 用来查询数据库，同时对文章进行拼接，用一段 SQL 就可以实现：

WITH parts AS (SELECTtitle_hash,text,metadata ->> 'link'        AS link,metadata ->> 'title'       AS title,metadata ->> 'publishDate' AS publish_date,(metadata #>> '{loc,lines,from}')::int AS line_from,(metadata #>> '{loc,lines,to}')::int   AS line_toFROM n8n_vectors_testWHERE title_hash IN ('{{ $json.title_hash_unique }}')
)SELECTtitle,string_agg(text, ' ' ORDER BY line_from, line_to) AS body,link,publish_date
FROM parts
GROUP BYtitle_hash,link,title,publish_date
ORDER BYtitle_hash,publish_date;

输出结果：

tip
若在存储新闻的步骤中设置了较大的 Chunk Size，使得文章正文不会被切割为多个 Chunk，则可以完全去掉提取Hash与拼接文章这两个步骤。

合并 items

若需要将所有文章一起发给大模型，则需要将上面步骤输出的 items 合并为一条。否则后面的大模型会根据 items 数量一个一个地进行请求。

这里还是使用 “Code” 节点，示例代码：

const arr = items.map(item => item.json); // 获取所有输出内容
return [{json: {myArrayStr: JSON.stringify(arr), // 转为字符串}}
];

输出结果：

可以看到只有一个 item 了。

生成日报

到这一步就可以将新闻材料发送给大模型，让大模型进行总结了。

添加 AI Agent 节点，“Source for Prompt” 选择 “Define below” 自定义 Prompt。简单的 Prompt 示例：

你是一位专业的新闻编辑，请根据以下材料总结一篇 AI 相关的新闻资讯：
{{ $json.myArrayStr }}

这里还需要添加大模型（Chat Model）才能使用，选择 “OpenAI Chat Model”，由于 OpenDataSky API 凭证已在之前配置嵌入模型时提供了，所以这里只需要输入 Model ID 就可以。

查看 OpenDataSky 支持的 Chat Model

使用 gpt-4.1-mini-2025-04-14 测试输出结果：

Prompt 可以根据需求进行优化，以达到符合预想的效果。

发送日报

之后的步骤就完全按照需求和喜好来制定了，比较通用的方法是：使用 HTTP Request 节点连接各种平台实现自动化发送，或使用 Send Email 发送邮件。也可以使用 n8n 内置的一些节点配置会更加简单。

以 QQ 邮箱为例，需要在 Send Email 节点添加 QQ 邮箱的凭证，User 就是你的邮箱地址，Host 输入邮箱官方提供的地址 smtp.qq.com，Password 则需要去 QQ 邮箱设置中生成授权码（QQ 邮箱的登录密码是不能用于第三方的），Port 和 SSL/TLS
使用默认的就行（465 和 开启 ）。

简单指引：网页QQ邮箱 -> 设置 -> 账号 -> POP3/IMAP/SMTP/Exchange/CardDAV/CalDAV服务 在此根据指引生成授权码即可。

可以看到 Email 成功保存。

在 “Send Email” 中 “From Email” 要和凭证中的 User 邮箱一致，“To Email” 填写需要发送到的邮箱地址即可（也可以发给自己）。

由于大模型输出的内容主要为 Markdown 格式，而邮箱不支持 Markdown，所以在生成日报和邮箱节点中添加了一个 Markdown 转 HTML 的节点。

最后得到完整的工作流如图：

查看一下邮箱的邮件：

结语

通过本文的详细实践，我们成功构建了一套完整的AI日报自动化生成系统。这不仅仅是一个技术演示，更是展现了n8n在AI工作流编排中的强大潜力。

掌握n8n + AI的核心技能，这不仅是一个技术工具，更是连接传统业务与AI能力的桥梁。在AI原生应用的时代，这样的自动化能力将成为企业和个人的核心竞争力。

开始行动吧！ 从复制本文的工作流开始，逐步定制属于你的AI自动化解决方案。记住，最好的学习方式就是在实践中不断迭代和优化。