✍️ 序言

• 自动汇总 RSS 新闻、

• 定时推送 Discord 消息、

• 执行系统命令检测网络、

• 甚至用 AI 总结资讯、分析结果的工作流。

🤖 n8n 教学：引入 AI 及之前的部分

1️⃣ 建立工作流与触发器（Manual / Schedule） 🕹️

1. 在左侧边栏点击 Workflows → Create workflow 进入空白画布。

2. 在画布空白处点击 +（或按 Tab）添加第一个触发器：
• 选择 Manual Trigger（便于随时测试）。

3. 再次点击右上角 + → Add another trigger：
• 选择 Schedule，设定 Every 1 day at 00:00（本地时区）。

4. 将两个触发器都连到下游节点（后续我们接入 RSS）。
• ✅ 要点：n8n 的每条连线都代表一次数据项的流转；Manual/Schedule 都可触发同一条工作流。clean

2️⃣ 读取 RSS 新闻（RSS Read） 📰

1. 在触发器后点击 +，搜索并添加 RSS Read 节点。

2. 在 Feed URL 中填入示例源（如 BleepingComputer）。

3. 点击右上角 Save，随后在 RSS 节点内点击 Execute Node / Execute Step 进行试跑。

4. 在右侧运行面板观察结果：
• 可见字段：creator、title、link、content 等；
• Items 计数约 13（以源当下可用条目为准）。

5. 画布连线提示：上游触发器输出 1 个“启动项”，RSS 输出 N 个“数据项”，后续每个下游节点将对这 N 条逐一处理（per-item 语义）。clean

3️⃣ 推送到 Discord（Webhook 模式） 💬

1. 点击 RSS 节点右侧 + 添加 Discord → Send Message。

2. Connection Type 选择 Webhook，新建凭据：
• 在 Discord 服务器 Settings → Integrations → Webhooks 创建 Webhook；
• 复制 Webhook URL 粘贴回 n8n 凭据表单并 Save。

3. 在 Message 里先输入测试文本（如 hi），点击 Execute Step。

4. 打开 Discord 频道验证：会看到多条重复消息（例如 13 条）。
• 原因：RSS 节点输出了 13 个“数据项”，Discord 节点会对每项执行一次（这正是 n8n 的每项执行模型）。clean

5. 在 Message 模板中插入上游字段（拖拽或变量选择器）：
• 预览区会实时展示渲染结果示例。clean

4️⃣ 控制推送量（Limit） ✂️

1. 在 RSS Read 与 Discord 之间插入 Limit 节点。

2. 在 Max Items 设为 5（或你需要的上限）。

3. 点击上方 ▶ Run / Execute Workflow 或分别执行节点验证：
• 频道中应只收到 5 条新闻推送。clean

5️⃣ 主机命令执行（Execute Command） 🖥️

在不影响新闻推送链路的前提下，我们增加一条并行分支，对主机进行连通性检测。

1. 在画布空白处点击 + 添加 Execute Command 节点（与 RSS 链路平行）。

2. 在 Command 中填入：

3. 点击 Execute Step，在输出中查看 stdout：应包含 3 次 ICMP 回显统计。

4. 这是后续“系统健康状态”信息来源，可与新闻结果汇合后统一推送。clean

6️⃣ 合流（Merge / Append） 🔗

1. 在 Limit 与 Execute Command 的下游插入 Merge 节点。

2. Mode 选择 Append（顺序追加）：
• 输入 A：来自 Limit（多条新闻项）；
• 输入 B：来自 Execute Command（1 条命令输出）。

3. 执行 Merge 并在右侧结果面板检查：
• 可见新闻项在前、命令结果项在后，合并为单一输出集合。

4. 将 Merge → Discord 连线，新增一个专用的 Discord 节点用于“合流推送”，在消息中插入命令的 stdout 字段以展示连通性检测结果。clean

7️⃣ 调试效率：固定数据（Pin Data）📌

构建中后期，频繁回放上游节点会耗时且影响下游调试。我们通过 Pin Data 锁定测试数据，避免重复抓取/执行。

1. 打开 RSS Read 右侧运行结果，点击图钉 Pin；

2. 打开 Limit、Execute Command 的运行结果，同样 Pin；

3. 现在即使重复执行下游节点，已固定的数据也不会重置，便于反复调试消息模板、合流策略与推送格式。clean

8️⃣ 远程执行的可扩展性（SSH Node） 🛠️

1. 若需在其他服务器或网络设备上运行命令，新增 SSH 节点并配置：
• 目标主机、端口、认证方式（用户名/密码或私钥）；
• 待执行命令（如诊断脚本、服务状态查询）。

2. 这使工作流具备跨主机巡检能力，可按 Schedule 定时执行并统一汇总/告警。

3. 建议与 Merge / If / Switch / Set 等节点组合，形成“采集 → 过滤/整形 → 汇总 → 推送”的标准链路。clean

9️⃣ 产出与回放（Executions / Credentials / Save） 📂

1. 右上角 Save 命名工作流（例如：Daily News & Ping Digest）。

2. 在左侧 Executions 随时回放任一历史运行，逐步展开每个节点以查看输入/输出与错误。

3. 在 Credentials 管理各服务密钥（Discord Webhook 等），便于多环境切换或复用。clean

以上步骤完成后，你将拥有一个可定时运行的自动化：它会拉取 RSS 新闻、限制数量、并行做主机连通性检测，将两路结果在 n8n 内合并后，最终统一推送到 Discord。整个过程未引入任何 AI 节点，聚焦在 触发 → 抓取 → 裁剪 → 执行 → 合流 → 通知 的自动化骨架上。

🤖 n8n 教学：引入 AI 及之后的部分

1️⃣ 引入 AI 节点（LLM Chain） 🧠

1. 在 Limit 与 Merge 节点之间插入新节点：点击 + → AI → Basic LLM Chain。

2. LLM Chain 节点会出现一个额外的“模型端口”用于连接大语言模型。

3. 点击“+”选择模型供应商：Anthropic、Azure、DeepSeek、OpenAI、Ollama 等。

4. 本例先选择 Ollama（本地模型），新建凭据：
• 在 Host 中填写运行 Ollama 服务的机器地址；
• 点击 Test 确认连接成功。

5. 在 Prompt 区域定义任务：

6. 在下方添加字段引用，将上一节点（Limit）的内容传入：{{$json["content"]}}。

7. 点击 Execute Step 运行：
• LLM Chain 对每篇文章执行摘要生成；
• 输出以 JSON 字段形式返回。

8. 若使用本地模型时摘要不完整，可切换为 OpenAI (GPT-4-mini) 以获取更高精度结果cleanclean。

2️⃣ 将 AI 应用于系统命令结果 💬

1. 新增一个 LLM Chain 节点，放在 Execute Command 与 Merge 之间。

2. Prompt 示例：

3. 将命令输出字段（stdout）拖入 Prompt。

4. 选择 OpenAI 模型并执行。
• AI 将基于 ping 输出智能生成自然语言描述（带幽默风格），实现“状态检测 + AI 解读”。

5. 至此，新闻摘要与系统状态两路都已引入 AI 处理逻辑cleanclean。

3️⃣ 整理数据：Set Field 节点 🧾

1. 观察 LLM Chain 的输出可知，其只返回 summary 字段。

2. 为了保留新闻的 creator、title、link、publishedDate 等信息，在 LLM Chain → Merge 之间插入 Set / Edit Fields 节点。

3. 在该节点中手动拖入前一节点的数据字段：
• creator
• title
• link
• publicationDate
• summary（来自 LLM 输出）

4. 点击 Execute Step 验证，输出应只保留以上字段并形成整洁 JSONclean。

4️⃣ 创建与管理多个工作流 📂

1. 右上角点击工作流名称 → 改名为 My First Workflow。

2. 点击右上角菜单 → Duplicate → 命名为 My Second Workflow。

3. 在左侧边栏的 Personal / Workflows 中查看两者。

4. 在 Credentials 可看到全部凭据（Ollama、OpenAI、Discord 等），方便复用。

5. Executions 页可查看每次运行日志、输入输出及 Token 使用量（底部实时显示）clean。

5️⃣ 扩展场景：添加更多数据源（YouTube） 🎥

1. 新建节点 Set Fields 定义数组变量 channel_ids，包含多个频道 ID。

2. 添加 RSS Read 节点，用以下格式读取频道视频：

3. 为了逐一读取多个频道，在中间插入 Split Out 节点（根据 channel_ids 拆分为多条记录）。

4. 运行后 RSS 输出多条视频数据（示例共 45 条）。

5. 继续添加 Filter 节点，通过表达式筛选近三天的视频（借助 ChatGPT 生成日期处理表达式）。

6. 最后连接到 Discord → Send Message 节点，将标题与链接推送到频道，实现视频聚合播报clean。

6️⃣ 引入 AI Agent（具备记忆与工具） 🧩

1. 在画布中添加 AI Agent 节点。外观类似 LLM Chain，但额外具有 Memory 与 Tools。

2. 在 Agent 的 Chat Model 处选择 OpenAI；

3. 在 Tools 中添加多个命令行工具示例：
• 工具 1：
• 工具 2：

4. 为 Agent 添加 Chat Trigger，输入自然语言问题：

5. Agent 自动选择相应工具执行命令并基于结果生成回答。
• 若询问 “Is Terry up?” 则仅触发第二条命令；
• Agent 能记忆上下文并连续交互，实现真正的智能化运维助手clean。

7️⃣ 教程最终效果 🌟

• 自动抓取与汇总新闻源内容；

• 调用本地或云端 LLM 生成简洁摘要；

• 并行执行系统检测命令并生成自然语言报告；

• 通过 Discord 实时推送多源信息；

• 支持 YouTube 视频聚合与时间过滤；

• 可扩展为 AI Agent，自主选择工具并执行任务。

🪶 结尾