接上节课，智能筛选新闻、生成海报并推送到企业微信。
思路和效果
将新闻按照主题关联度来排，取关联度高的前十条新闻，用它们的标题作为生图的关键词，然后将图片发到企微。步骤大致如下：
- DeepSeek：文本处理
- Gemini：图像生成
- 企业微信：消息推送
效果图：
目的达到了，但是图片内容效果不尽人意，因为我用的是nano banana2.5，不是pro，运行稳定且有需求的话可以用最新滴nano banana pro（也是最贵滴）。
一、核心节点：AI智能筛选新闻
这个节点是大模型做裁判的关键环节。它拿到所有新闻标题后，要选出最相关的10条。
1. 筛选逻辑拆解
系统指令很明确：
- 给每个标题打相关性分数（与"AI/人工智能/机器人/科技"相关程度）
- 按分数从高到低排序
- 取前10名
这样避免了随机选择，确保选出的都是干货。
2. 输出格式强制约束
大模型必须输出固定格式：
{
"selected_news_titles": ["标题1", "标题2"],
"poster_date": "2025年12月15日 星期一"
}小技巧：这种严格格式约束，让后续节点可以直接使用数据，不用再解析。
二、海报生成：让AI当美编
选好新闻后，需要"配图"。这里调用Gemini-2.0生成海报。
提示词设计精髓
这个提示词写得很有水平：
- 尺寸要求：4k竖版（9:16），适合手机查看
- 布局要求：Bento Grid（便当盒式分区）
- 风格要求：手绘风+简洁图标
- 关键约束：严禁内容重复！
为什么用OpenRouter？
- 它是"模型聚合平台"，能访问多种图像模型
- 根据需求用不同版本的大模型
三、数据处理：Base64提取与校验
AI返回的是数据URL，我们需要：
-
提取纯Base64字符串
-
计算MD5值（企业微信API要求）
代码节点核心逻辑：
# 找到"png;base64,"后面的部分
base64_string = image_data_url.split("png;base64,")[1]
# 计算MD5（用于校验）
md5_hash = hashlib.md5(base64.b64decode(base64_string)).hexdigest()四、最终推送：企业微信机器人
配置很简单：
{
"msgtype": "image",
"image": {
"base64": "{{base64_string}}",
"md5": "{{md5_hash}}"
}
}Webhook密钥从企业微信群机器人设置获取。
五、小记
这节我还学习了base64和md5，她俩都是企微接收图片时要求必填的参数。
base64是什么？
我跟龙哥一起探讨，发现它跟ASCII 的联系非常深，ASCII如下（截图不完整）：
我的理解是：ASCII里记录着里面有128个字符表（0-127），每格表代表不同的含义，包括古早常用的有特殊含义字母组合（0-31），计算符号和数字（32-64），大小写字母以及后面又加了些符号等等。而Base64是取里面的64个字符，大小写字母和数字，还差几个我不知道是什么，问了ds，她解释说：
- ASCII 定义了一个包含 128个 字符的标准集（包括控制字符和可打印字符）。
- Base64 从这个可打印字符部分中，精心挑选了 64个 最安全、最通用、最不可能被系统误解 的字符，组成了自己的"密码本"：
-
- 大写字母 A-Z (26个)
- 小写字母 a-z (26个)
- 数字 0-9 (10个)
- 符号 + (1个)
- 符号 / (1个)
- 总计：26 + 26 + 10 + 1 + 1 = 64个字符
这就是它名字 Base64 的由来------基于这64个字符的编码系统。
ds还举了例子，我觉得说的挺清楚的：
md5是什么呢？
我的理解是：MD5就像现在网购要求的开箱视频 （AI生成的不算），目的是验证买家 收到的货物的跟卖家 发过来的货物是否货不对板，防止了买家无凭证，也防止卖家的货在中途被掉包等。企微要求必填md5，就是验证我们在群聊收到消息推送发的图片（买家 ）与我们的工作流发给企微webhook的图片（卖家）是否一致，因为中间可能存在恶意广告给卖家图片调包的现象。ds说我的理解100%正确！
我看nano生图只有base64没有生成md5，所以我让ds帮我在代码里添加了md5的获取方式。本来用的是js，但是因为不熟悉，且python自带库，方便些，所以用了python代码。话说n8n的python代码标注的是Beta
，居然还是公测版，我们python如此的"不稳定"吗哈哈。