用去年 github 最火的 n8n 快速实现自动化推送工具

2025 年，低代码自动化工具风靡开发者社区，而 GitHub 上最火的开源项目之一 n8n 成为了技术爱好者必学的自动化利器。

本文将手把手教你如何用 n8n 搭建一个 内容自动推送流程，以飞书作为示例推送平台，让你在实践中熟悉 n8n 的工作方式和核心节点。即使你未来想扩展到其他平台，这套流程也完全适用。

先看下最终产出结果：

n8n 中的工作流：
飞书中带评分的文章推荐：

一、准备工作

在开始之前，你需要准备以下内容：

n8n 环境
- 可以选择本地 Docker 部署，也可以使用 n8n.cloud 云端服务。（本例选用后者）
- 如果是本地部署，确保 Docker 已安装并可正常运行。
官方提供的云端版，可以直接在浏览器访问，无需自己部署。地址： n8n.io/cloud。注册后，点击 Get started for free 按钮，在 Dashboard 面板点击 Open instance 按钮进入实例，最后点击 Create workflow 按钮创建工作空间。

推送平台（本例为飞书）
- 打开你的飞书群 → "群设置" → "智能群助手" → "添加机器人"。
- 选择自定义机器人。
- 给机器人设置名称、头像，然后记下 Webhook URL。这个 URL 形如：
bash 复制代码
```
https://open.feishu.cn/open-apis/bot/v2/hook/xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx
```
- 如果需要，可以设置安全签名验证（本例未配置）。
- 注意：你也可以选择其他推送平台，例如企业微信、Slack 等。
文章源
- 可以是技术博客 RSS、微信公众号 RSS 或者你自己团队的内部文章源。（本例使用的 smashingmagazine 提供的 RSS）
大模型 / AI 接入（可选）
- 如果你希望自动评分文章或生成摘要，可准备一个大模型 API，例如 OpenAI、千问大模型等，并准备好 API-KEY。

二、n8n 流程设计概览

我们要实现的流程大致如下：

Schedule Trigger：定时触发任务
RSS Read：获取文章列表
Limit：控制抓取文章数量
HTTP Request → Code：调用大语言模型给文章评分，并返回可用的数据结构
HTTP Request：发送消息到目标平台（以飞书为例）

三、详细步骤

（一）Schedule Trigger 节点：定时触发

拖一个 Schedule Trigger 节点到工作区。
双击节点配置 Schedule Trigger：
- 配置触发频率，例如每天 9:00 自动执行。
- 这就是你的触发器，控制多久去抓一次 RSS。

（二）RSS Read 节点：获取文章

添加 RSS Read 节点，连接 Schedule Trigger 节点。
配置 RSS URL，例如 https://www.smashingmagazine.com/feed/。
- 可以看到能够获取到 40 条资讯。

添加 Limit 节点，建议设置 Max Items: 10，先抓取最近 10 条文章。

（三）HTTP Request 节点：调用大语言模型（难点）

这个步骤需要将抓取到的文章数据通过请求 body 传给大模型，并让它返回理想的数据格式。

不同的模型请求的格式基本一样，只是 URL 与 model 有所不同。

添加 HTTP Request 节点。

配置：

HTTP Method: POST
URL: 大模型 API 地址
Specify Headers: Using JSON, 并填入如下代码：

JSON 复制代码

    {
        "Authorization": "Bearer <你的_API_KEY>",
        "Content-Type": "application/json",
        "Accept": "application/json"
    }

Body Content Type: JSON
Specify Body: Using JSON, 选择 Expression 模式，并填入如下代码：

n8n 复制代码

    {{
        {
            "model": "模型名称",
            "messages": [
                {
                    "role": "user",
                    "content": "请根据以下文章评分。\n\n" +
                    "评分维度：\n" +
                    "1 信息价值\n" +
                    "2 技术深度\n" +
                    "3 是否值得阅读\n\n" +
                    "返回 JSON，例如：\n" +
                    "{\n" +
                    "  \"score\": 0,\n" +
                    "  \"title\": \"标题\"\n" +
                    "  \"link\": \"链接\"\n" +
                    "  \"summary\": \"一句话总结\"\n" +
                    "}\n\n" +
                    "文章：\n\n" +
                    "标题：" + $json.title + "\n" +
                    "摘要：" + $json.content + "\n" +
                    "链接：" + $json.link + "\n" +
                    "正文：" + ($json["content:encoded"] ? $json["content:encoded"].slice(0,1000) : "")
                }
            ],
            "reasoning": {
                "enabled": true
            }
        }
    }}

Response Format: JSON

需要注意以下两点：

备注：这里我调试了很久才把 prompt 的格式调整对，如果返回值不对，需要多查看下配置信息是否填对。或者使用 postman 先进行请求测试，排除 n8n 格式不当导致的请求不成功。

（四）Code 节点：整理推送内容

拖拽 Code 节点到工作区与上一个节点连接。
在 Code 节点配置 Language： JavaScript，把抓取到的文章整理成通用推送格式：

javascript 复制代码

return items.map(item => {
    // 取 content
    let content = item.json.choices?.[0]?.message?.content || "";

    // 去掉 ```json 开头和 ``` 结尾
    content = content.replace(/^```json\s*/, "").replace(/\s*```$/, "");

    let parsed;
    try {
        parsed = JSON.parse(content);
    } catch (e) {
        parsed = {};
    }

    return {
        json: {
            score: parsed.score || 0,
            title: parsed.title || "无标题",
            summary: parsed.summary || "无",
            link: parsed.link || "",
        }
    };
});

前面的 Limit 我设置的是 2，所以这里只处理了两条数据：

（五）HTTP Request 节点：发送到平台

添加 HTTP Request 节点，连接 Code 节点。
配置：
- HTTP Method：POST
- URL：你的飞书 Webhook URL
- Authentication：None
- Headers：Content-Type: application/json
- Body Content Type：JSON

JSON Body 示例：

JSON 复制代码

{
  "msg_type": "text",
  "content": {
    "text": "今日推荐文章\n\n标题：{{$json.title}}\n评分：{{$json.score}}\n摘要：{{$json.summary}}\n阅读原文：{{$json.link}}"
  }
}

测试节点，成功后即可发送文章到平台。可以在电脑工具栏的飞书图标看到消息提醒：

四、可选优化

评分推送：在 Code 节点里接入 AI 模型，对文章进行评分（信息价值、技术深度、是否值得阅读），再按评分排序推送。
多源整合：同时抓取多个 RSS 或 API，统一推送。
内容美化：可以在 JSON 里加入富文本或 Markdown，使推送消息更漂亮。
多平台扩展：飞书只是示例，你可以拓展到企业微信、Slack、Telegram 等。

五、总结

通过 n8n，你可以用 零代码或少量代码 实现内容自动化推送，同时熟悉 n8n 的核心节点和工作流程。

无论是团队技术分享，还是公众号或社区内容推送，这套流程都能快速落地，并且易于扩展。掌握 n8n 并结合大模型处理，你将拥有更强的自动化能力，让日常内容管理更加高效智能。