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 成为了阿里西西小编必学的自动化利器。

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：

1. n8n 中的工作流：

2. 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：

1. 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。

2. 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：
   • 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。

3. 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）

4. 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

1. 拖一个 Schedule Trigger 节点到工作区。
2. 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

1. 添加 RSS Read 节点，连接 Schedule Trigger 节点。
2. 配置 RSS URL，例如 。
   • 可以看到能够获取到 40 条资讯。

3. 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。

1. 添加 HTTP Request 节点。

2. 配置：

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

       {
           "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：

       {{
           {
               "model": "模型名称",
               "messages": [
                   {
                       "role": "user",
                       "content": "请根据以下文章评分。nn" +
                       "评分维度：n" +
                       "1 信息价值n" +
                       "2 技术深度n" +
                       "3 是否值得阅读nn" +
                       "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" +
                       "}nn" +
                       "文章：nn" +
                       "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

3. 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

1. 拖拽 Code 节点到工作区与上一个节点连接。

2. 在 Code 节点配置 Language： JavaScript，把抓取到的文章整理成通用推送格式：

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(/^```jsons*/, "").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

1. 添加 HTTP Request 节点，连接 Code 节点。
2. 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：

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

3. 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、T@elegrimm 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。