手把手用 n8n 搭一条内容流水线：选题采集到定时发布，全程可审计

为什么用 n8n 而不是”让Agent全自动”

很多内容自动化的失败原因不是模型不行，而是没有闸门：一篇有事实错误或语气跑偏的文章被直接发布，一次事故就够让整个流程被叫停。

这条流水线的设计原则只有一条：机器负责苦力，人负责判断，每一步都留下可查的痕迹。

整体结构

定时触发 → 选题采集 → 去重与打分 → 生成草稿 → 质量闸门 → 人工审批 → 发布 → 归档告警

七个环节，全部用 n8n 原生节点 + 一个”AI 调用”节点实现，不依赖自建服务。

环节一：选题采集

节点组合：Schedule Trigger（每天 8:00）→ RSS Read（行业媒体）→ HTTP Request（关键词搜索 API）

关键设置：

• RSS 源控制在 5～10 个，太多反而噪音化
• 每个源单独抓取，失败不阻塞其他源（n8n 的节点级 Continue On Fail）
• 输出统一成 {title, url, excerpt, source, publishedAt} 结构

环节二：去重与打分

去重用两段式，别直接上向量：

1. URL 规范化后精确比对（能砍掉 60% 重复）
2. 标题做归一化（去标点、转小写、去停用词）后做字符串相似度，阈值 0.85

打分交给模型，用一个固定 JSON schema：

{
  "relevance": 0-10,
  "originality": 0-10,
  "evergreen": 0-10,
  "recommend_topic": "string",
  "reason": "string"
}

只保留 relevance >= 7 && originality >= 6 的条目，其余归档不丢弃——三个月后复盘选题策略时，这些”落选题”往往比中选的更有信息量。

环节三：生成草稿

调用模型时不要一次性塞全部材料，而是：

• 先让模型只产出大纲（三级标题 + 每节要点）
• 人工或规则检查大纲结构
• 再按节生成正文，最后拼接

好处是出错时只坏一节，不用整篇重来。上下文也更干净。

环节四：质量闸门（最重要的一步）

用代码节点做机械化检查，不花一分钱模型费：

• 字数区间（如 1200～2500 字）
• 标题层级是否规范（是否出现 H1，格式站通常禁止正文 H1）
• 链接是否可达（HEAD 请求）
• 是否出现敏感词表里的词
• 是否包含免责/引用要求的段落

不通过的走”自动重试一次 → 仍不通过则转人工”。

环节五：人工审批

用一个简单的审批表单（n8n 的 Wait 节点 + Webhook 表单）发到团队群，三个按钮：通过 / 修改后发布 / 废弃。

原则：审批人看到的是渲染后的预览，不是 Markdown 源码。这能显著降低审批疲劳，也能让非技术人员参与。

环节六：发布与归档

发布走 API 提交到内容系统，成功后写一条记录到表（标题、URL、发布时间、模型版本、评分）。

环节七：告警

只在三种情况发通知：连续两次闸门失败、发布接口报错、单日产出为 0。不要给每个成功都发消息，否则一周后所有人都会静音。

踩过的坑

• 时间戳陷阱：RSS 的发布时间时区混乱，统一转 UTC 再做增量过滤
• 模型返回非法 JSON：加一层解析重试，并把失败的原始输出存起来，用于改进提示
• 成本失控：给生成节点设置单次最大 token，并每天汇总调用次数，超阈值自动暂停
• 重复发布：归档表要用 URL 做唯一键，幂等是对第二天自己的尊重

这套流程的价值

不是”省了写稿的人”，而是把选题和质检变成了有记录的流程。三个月后你能回答：哪类选题转化最好、哪个模型版本返工最多、哪一步卡最久。这些答案，才是自动化真正的复利。