1. 课程目标与讲师背景介绍 [0]

  1. 课程核心承诺 [0]

    1. 本课程保证在 100 分钟内教授创建和启动 AI 自动化系统 所需 80% 的核心概念。

  2. 课程内容概览 [1]

    1. 将涵盖 2025 年应使用的自动化工具及其设置方法。
    2. 教授 n8n 概念 的 80/20 法则，即构建首次自动化所需的一切。
    3. 最终将构建一个 LinkedIn 内容生成系统。
    4. 该系统能在几分钟内生成一周的内容，并保持品牌声调一致。
    5. 它提供完全的编辑控制并自动发布。
    6. 这将把 5 小时的工作量减少到仅 15 分钟的审核时间。
    7. 所有使用的工具都可免费设置。

  3. 讲师经验与成就 [6]

    1. 讲师于 2024 年从零开始学习 AI 自动化，并将其发展为一项完整业务。
    2. 目前运营一家自动化机构 Automate。
    3. 在 YouTube 上教授实用 AI 工作流，拥有超过 24,000 名订阅者。
    4. 在 Upwork 上是 AI 代理和自动化领域的前 3% 表现者。
    5. 总体上，已教授超过 100,000 人如何在实际业务中实施 AI 和自动化。
    6. 拥有一个 Skool 社区，有 500 多名活跃学习者每天构建实际解决方案。
    7. 讲师通过实际操作积累经验，包括扩大公司规模和帮助数百家企业实现流程自动化。

2. AI 自动化平台比较与选择 [15]

  1. 选择正确工具的重要性 [15]

    1. 刚开始时，面对众多 AI 工具，选择正确的工具至关重要。
    2. 错误的工具选择可能导致浪费数月时间。
    3. 本课程将展示如何找到正确的工具。
    4. 将回顾每种工具，帮助用户从第一天起做出正确决策。

  2. AI 自动化平台需求分析 (2025 年 5 月) [19]

    1. 讲师创建了 AI 自动化平台比较指南，提供易于理解的信息。
    2. 分析方法是查看这些工具的市场需求。
    3. 讲师从 Upwork 提取了 2025 年 5 月 AI 和自动化职位的全部需求范围。
    4. 使用 Claude Opus 4 总结了所有招聘趋势。
    5. 最常见的自动化术语 决定了工具的选择方法。
    6. Zapier 是工作流自动化平台的领跑者和最老平台，被约一半的职位提及。
    7. 其次是 Make。
    8. n8n 正在显著增长。
    9. 最常见的集成应用 包括 Go High Level, Google Sheets, Airtable, Slack, Notion, 和 HubSpot。
    10. 用户还可以查看平均薪资等级和最常见的任务及用例。

  3. 通用工作流自动化平台对比 [32]

    1. 讲师偏好 (n8n) [32]
    2. 讲师承认该文档带有偏见，因为他个人对所有平台都使用 n8n。
    3. n8n 是最灵活的，更新速度最快。
    4. 它拥有最佳的内置 AI 原生功能和最低的价格。
    5. 这对用户或客户来说是双赢的。
    6. Zapier (或 Zapier) [39]
    7. 适用于需要 最小灵活性但最大集成 的情况。
    8. Zapier 以拥有最多的连接而自豪，声称有 8,000 个内置连接。
    9. 尽管如此，大多数平台现在也有相当多的连接（如 Make 有 2,000 个）。
    10. Zapier 内置能力强，但灵活性低于其他平台。
    11. 如果需要连接到 Zapier 中没有的应用程序，选择 Make 或 n8n 可能更好。
    12. Zapier 是迄今为止最昂贵的，更适合企业客户。
    13. n8n [50]
    14. 托管成本显著更低。
    15. 云账户 费用约为每月 20 至 25 美元，并提供无限工作流使用。
    16. 成本优势：n8n 按“执行”收费，而 Make 按“操作”收费。
      1. 如果连接 10 个软件并全部执行，n8n 算作 1 次执行。
      2. Make 或 Zapier 算作 10 次执行。
      3. 因此，n8n 显著更便宜。
    17. 用户也可以在自己的服务器上自托管，这比听起来简单。
    18. n8n 拥有超过一千个集成应用，最适合灵活性。
    19. 软件更新非常频繁，通常每 1 到 2 周更新一次。
    20. 对于没有内置应用的 n8n，连接其他应用非常容易，Make 也是如此，但 Zapier 稍难。

  4. AI 代理特定平台 (Relevance AI 和 Flowise) [72]

    1. Relevance AI 和 Flowise 专注于 AI 代理。
    2. 它们是为特定功能构建的，因此灵活性较低（类似于 Zapier）。
    3. 如果需要执行特定 AI 代理操作（如构建销售代理），从 Relevance 的模板开始可能最简单。
    4. Relevance AI 提供预配置的代理模板（如 SEO 代理、收件箱管理器）。
    5. Relevance AI 类似于一个“黑箱”，用户可以更改少量设置，即插即用，但控制权较少。
    6. 在 n8n 或 Zapier 中从头构建，用户可以精确控制输入 AI 模型的提示。
    7. Flowise 允许用户可视化构建 AI 代理。
    8. 它设计得更技术性，更像开发人员集成大型语言模型。
    9. 适用于寻求对 AI 聊天机器人和代理系统有更多控制的技术解决方案。
    10. 可以在 n8n 等工作流自动化平台中构建这些功能，并具有连接其他软件的灵活性。
    11. Flowise 的缺点是难以直接连接到 Slack、Google Sheets 或 Go High Level。
    12. Relevance AI 似乎使用内置的 Zapier 连接。
    13. 建议使用通用工作流自动化平台，并在其中定义 AI 用例。

  5. 新兴平台 (Relay.app 和 Gumloop) [92]

    1. Relay.app [93]
    2. 这是一个有前景的工作流自动化平台，设置方式类似于 Zapier。
    3. 流程由触发器启动（如时间触发器），然后执行连接的块（如 LinkedIn, Claude, Google Mail）。
    4. Relay.app 以 “人在回路 (human in the loop)” 为特色，可以在工作流中暂停以获取人工批准。
    5. 尽管如此，Make 和 Zapier 也能实现此功能，且连接更多。
    6. Relay.app 提供模板，如会议跟进起草器和潜在客户丰富器。
    7. Gumloop [108]
    8. 旨在用 AI 自动化任何工作流，概念相似。
    9. 灵活性较低，因为它有预构建的用例块（如 Reddit 抓取器）。
    10. 如果用例超出其预构建范围，则难以使用。
    11. 此时最好使用工作流自动化平台，从头定义所有用例。
    12. Gumloop 和 RelayApp 与 n8n 一起正在迅速普及。

  6. 预配置 AI 应用 (Lindy) [116]

    1. Lindy 类似于 Flowise 和 Relevance，用于设置预定义的 AI 应用。
    2. 网站示例包括自动化客户支持和日程安排。
    3. 它使用拖放块，但这些块是高度预配置的。
    4. 如果需要更灵活的操作，Make 或 n8n 等平台能提供更大的流程图构建灵活性。

  7. n8n 模板和前端构建器推荐 [123]

    1. n8n 模板 [123]
    2. 讲师个人偏好 n8n，建议从那里开始构建用例。
    3. n8n.io/workflows 上有 3,000 个总模板，其中 1,700 个是 AI 工作流。
    4. 示例包括 WhatsApp 聊天机器人、数据分析师、文档交互和 AI 摘要。
    5. 用户可以探索模板（如 AI 销售网络研究员），并将其导入自己的环境。
    6. 学习基础知识后，可以轻松改编社区中的模板。
    7. n8n 的受欢迎程度和用户数量都在大幅增加，平台持续更新和改进。
    8. 前端构建器 [138]
    9. 上述平台都是后端构建器。
    10. 推荐的前端构建器是 Lovable.dev 和 Bolt.new。
    11. 用户可以构建前端或全栈应用，并将其连接到 n8n 等后端自动化系统。
    12. Lovable 和 Bolt 允许创建原型网站，连接到带有数据库的后端自动化。

  8. 本课程选择 n8n 的原因 [145]

    1. 本课程将使用 n8n，因为它灵活、强大、设置快速。
    2. n8n 提供免费试用。
    3. 接下来将使用 n8n 构建一个生产就绪的 LinkedIn 内容系统。
    4. 该系统能节省大量时间，将内容创建从 5 小时减少到 15 分钟的审核。

3. n8n 环境设置与基础工作流构建 [149]

3.1. n8n 账户设置与环境概览 [149]

  1. n8n 版本选择 [149]

    1. 课程将使用 n8n 云版本。
    2. 用户可以通过描述中的链接（包含联盟链接）或直接访问 n8n.io。
    3. n8n 被描述为“适用于技术团队的灵活 AI 工作流自动化”。
    4. 课程将证明它并非仅适用于技术人员，它是一个简单的可视化拖放工作流构建器。
    5. 定价和计划：
    6. 月度计划约为每月 24 英镑（约 34-35 美元）。
    7. 包含 2,500 次工作流执行和 5 个活跃工作流，对于初学者来说足够。
    8. 云版本 (n8n cloud)：
    9. 无需维护，自动更新，内置备份，设置超快。
    10. 非常适合本课程。
    11. 自托管 (Self-host)：
    12. 更便宜，每月约 15-20 美元，无限工作流。
    13. 需要自行设置，有单独的指南。
    14. 推荐步骤：注册 n8n 云版本的 Starter 计划，开始 14 天免费试用。
    15. 填写详细信息，设置账户名称，并通过电子邮件激活账户。
    16. 激活后，用户可以点击“Start Automating”进入 n8n 环境。

  2. n8n 环境界面 [176]

    1. 用户将看到自己的 n8n URL（例如 scrapes.app.n.cloud/home/workflows）。
    2. 个人偏好设置：讲师建议进入设置，将主题更改为浅色主题。
    3. 概览 (Overview) 页面显示剩余试用天数和执行次数（例如 0/1000）。
    4. 暂时无需担心项目 (projects) 或个人 (personal) 设置，只需关注概览。
    5. 接下来将讨论工作流 (workflows)、凭证 (credentials) 和执行 (executions)。
    6. 工作流 (Workflow) 是一组指令，用于与多个应用程序交互。
    7. 创建工作流：点击“Start Automating”或“Start from scratch”，并命名工作流（例如 email sender-first workflow）。
    8. 画布 (Canvas)：工作流画布提示用户添加第一步。
    9. 右侧面板：
    10. 包含笔记面板 (open notes panel)，可用于添加便利贴 (sticky note) 标记工作流。
    11. 包含内置的 Ask Assistant，由 AI 驱动，用于构建或故障排除工作流。

3.2. 触发器 (Triggers) 与节点 (Nodes) 基础概念 [209]

  1. 触发器 (Triggers) [210]

    1. 每个工作流都必须由某种事件触发。
    2. 触发事件可以包括：手动点击执行、每天早上 9 点（时间触发器）、或 Google 表格中收到新记录（应用触发器）。
    3. 触发器设置在每个工作流的开始。

  2. 节点 (Nodes) [217]

    1. 节点是画布上的组件，以特定方式与应用程序、数据或 AI 交互。
    2. 节点类型：
    3. AI：用于构建 AI 相关功能。
    4. 在应用中执行操作 (Take an action in an app)：例如使用 Google Mail。
    5. 数据转换和流 (Data transformation and flows)：用于将数据格式化（例如从 Google Sheets 转换为电子邮件格式）。
    6. 选择应用：例如输入 Gmail，可以看到所有可用操作（如发送消息、标记已读、获取消息）。
    7. 节点状态：新添加的节点通常显示为红色，表示尚未配置或连接。

  3. 工作流流程与数据传递 [237]

    1. 工作流是构建从左到右的流程。
    2. 节点通过“手臂”连接，数据在节点之间传递。
    3. 节点组成部分：
    4. 凭证 (Credentials)：连接应用程序的用户名和密码。
    5. 资源 (Resource)：要执行的操作（例如发送消息）。
    6. 操作 (Action)：具体行为（例如发送消息、标记已读）。
    7. 其他字段：收件人、主题行、格式、消息内容。

3.3. 首次简单工作流：发送邮件 [248]

  1. 配置 Gmail 节点 [248]

    1. 目标是发送一封测试邮件给自己。
    2. 填写收件人（例如 simon@scrapes.ai）、主题（“hello Simon”）和消息内容（“Hey, this is a test email.”）。

  2. 创建凭证 (Credentials) [267]

    1. 点击“create new credential”，默认使用 Gmail 账户。
    2. 身份验证类型 (Authentication type)：使用 OAuth 2（类似于“使用 Google 登录”）。
    3. 登录 Google 账户并授予 n8n 访问权限（读取、撰写、发送、删除邮件等）。
    4. 成功连接后，建议编辑凭证名称，以便将来识别（例如 Gmail account Simon scrapes.ai）。

  3. 执行工作流 [286]

    1. 连接触发器和 Gmail 节点。
    2. 点击“execute workflow”。
    3. 节点将亮起绿色，表示执行成功。
    4. 邮件将发送，主题为“Hello Simon”，内容为“Hey, this is a test email.”，并附带“This email was sent automatically with N”的归属信息。

  4. 工作流编辑与动态变量 [295]

    1. 移除归属信息：在 Gmail 节点的选项中，关闭“append N attribution”。
    2. 设置触发器：工作流通常需要基于事件触发，而非手动触发。
    3. 搜索并添加 Schedule Trigger（时间触发器）。
    4. 设置为每天早上 9:00 发送邮件。
    5. 插入动态变量 (Dynamic Variable)：
    6. 将静态消息“Hey, this is a test email.”改为“Have a great day.”。
    7. 在主题中插入动态日期：使用表达式（双花括号 {{）。
    8. 输入 {{$now.format("DDL YYYY")}}，这将显示为“Today is 31st of July, 2025”。
    9. 表达式使其动态化，日期将自动更新。

  5. 测试与激活 [327]

    1. 将 Schedule Trigger 连接到 Gmail 节点。
    2. 从任一触发器测试执行，新邮件将包含动态更新的日期。
    3. 激活工作流：点击“active”开关，使 Schedule Trigger 在每天早上 9 点自动运行。

  6. 执行历史与数据流 [338]

    1. 在 Executions 中可以查看历史运行记录。
    2. 可以查看工作流节点、输入和输出。
    3. 数据流视图：
    4. Inputs (左侧)：来自上一个节点的数据（例如日期）。
    5. Transformations (中间)：在当前节点进行的转换（例如表达式）。
    6. Outputs (右侧)：当前节点的操作结果（例如 Gmail 确认邮件已发送）。
    7. 当与多个节点交互时，可以查看数据如何在节点间传递。
    8. 结论：用户已成功构建第一个简单的 n8n 工作流。

4. n8n 核心概念：掌握 13 个关键节点 (80/20 法则) [349]

4.1. 执行要素 (Execution Essentials) [353]

  1. 流程方向和顺序 (Flow Direction and Order) [355]

    1. 如果只连接到一个流程，执行顺序是从 左到右。
    2. 如果连接到多个流程（顶部和底部），顶部的流程总是先运行。
    3. n8n 默认是 顺序执行 (sequential execution)，即节点是同步地、一个接一个地运行，而不是并行运行。
    4. 即使连接到同一个节点，它也会先完成顶部流程，再运行底部流程。

  2. 节点按输入运行 (Nodes Run Once Per Input) [369]

    1. 如果有五个输入项，节点将运行五次。
    2. 示例：一个包含多个潜在客户信息的 JSON 数组（嵌套数据）。
    3. 如果将该数组拆分为单独的组件（例如 5 个潜在客户），它将变成 5 个项目。
    4. 当这 5 个项目传递给 If 节点时，该条件将被处理 5 次，即每个输入处理一次。

  3. 分支 (Branching) [380]

    1. 可以使用条件将工作流拆分为多条路径。
    2. 示例：如果数据满足某个条件，则执行 A 动作；如果不满足，则执行 B 动作。
    3. 这允许基于数据本身采取确定性的行动。

  4. 工作流激活 (Workflow Activation) [384]

    1. 工作流默认是 非活跃 (inactive) 状态。
    2. 如果希望工作流被外部数据激活（如 Webhook 触发器、时间触发器），需要点击切换按钮激活流程。
    3. 除非手动运行，否则不激活流程将不会运行。

4.2. 核心触发器 (Core Triggers) [389]

  1. 手动触发器 (Manual Trigger) [390]

    1. 这是最直接的触发器，当用户点击“test workflow”按钮时运行。
    2. 在测试过程中会持续使用。

  2. 日程触发器 (Schedule Trigger / Cron Trigger) [397]

    1. 允许定义工作流运行的时间间隔（例如每 1 天，早上 5 点）。
    2. 要使其生效，需要激活工作流。
    3. 适用于需要特定时间运行的任务，如每日报告或每周检查。
    4. 也可以使用 Cron Job 定义精确的运行时间。

  3. 应用事件触发器 (App Events) [408]

    1. 用于连接外部应用（如 Airtable, Google Drive, Outlook）。
    2. “on app event” 节点：当应用中发生某事时运行流程。
    3. 示例：OneDrive 触发器可以检查是否有新文件创建或更新。
    4. 示例：Google Sheets 节点有三个触发器：on row added, on row updated, 或 on row added or updated。
    5. 几乎所有可想到的条件都可以通过特定应用激活。

4.3. 通用数据处理 (Universal Data Processing) [422]

  1. 数据扁平化 (Flattening Data Structure) - Split Out 节点 [425]

    1. 流程开始于激活触发器，然后是数据转换。
    2. 初始数据通常是嵌套结构（一个包含多个潜在客户的巨大对象）。
    3. Split Out 节点 用于将嵌套结构扁平化，拆分成单独的行（例如 5 个潜在客户变成 5 行）。
    4. 扁平化后，数据结构更接近数据库表。

  2. 数据聚合 (Aggregating Data) - Aggregate 节点 [442]

    1. 与扁平化相反，当数据以行形式存在，但需要作为一个整体数据集传递时（例如传递给 AI 节点）。
    2. Aggregate 节点 将数据行重新聚合回嵌套结构（单个列表）。
    3. 可以选择只聚合特定字段（例如只聚合名字和姓氏）。

  3. 创建和修改字段 (Create and Modify Fields) - Set 节点 [455]

    1. Set 节点（或 Edit Fields 节点）用于创建和修改数据字段。
    2. 适用于处理大量结构化数据时，只提取或处理特定字段。
    3. 示例：结合 first name 和 last name 创建 full name 字段。
    4. 可以使用 JavaScript 表达式进行数据操作。
    5. Set 节点也是剥离数据、只保留所需字段的强大方式。

  4. 条件分支 (Conditional Branching) - If 节点 [477]

    1. 用于做出决策，将流程分支为两个方向。
    2. If 节点：如果条件为真，走一条路径；如果为假，走另一条路径。
    3. 示例：如果 full name 等于“Sarah Johnson”，则为 True。
    4. Switch 节点：如果条件多于两个，可以使用 Switch 节点。

  5. 自定义数据操作 (Custom Data Manipulation) - Code 节点 [491]

    1. 当需要更复杂的、n8n 节点中没有的自定义数据转换时使用。
    2. 可以使用 Claude 或 GPT 等工具帮助编写代码。
    3. 示例：使用 Code 节点去除 full name 字段中的逗号。
    4. 编写 Code 节点流程：
    5. 确定要运行的次数（例如对所有输入项运行一次）。
    6. 选择语言（常用 JavaScript）。
    7. 使用 Claude 或 GPT 帮助起草代码，提供 JSON 数据示例和所需操作。
    8. AI 将输出一个草稿代码节点，用户可以复制粘贴并测试。
    9. 结论：数据处理是构建复杂自动化中最耗时的部分，但掌握这些节点就掌握了 80% 的关键。

4.4. 连接性与 API (Connectivity and APIs) [525]

  1. HTTP 请求 (HTTP Request) [526]

    1. 当没有特定应用的内置节点时，用于连接 API 或网页。
    2. 允许通过单个节点连接到任何外部源。
    3. 最常用的请求类型 (Methods)：
    4. GET：检索数据。
    5. POST：发送或发布数据到服务。

  2. GET 请求示例 (获取数据) [534]

    1. 使用 dummyjson.com/routes 获取虚拟产品数据。
    2. 找到获取所有产品的 URL 端点。
    3. 将 URL 复制到 HTTP Request 节点的 URL 字段。
    4. 由于不需要身份验证，直接运行即可获取大量产品信息。
    5. 接收到的数据是嵌套对象，可能需要使用 Split Out 节点进行处理。

  3. POST 请求示例 (发送数据) [550]

    1. 示例：向 /product/add 端点添加新产品。
    2. 将方法更改为 POST。
    3. Headers (头部)：告诉接收系统将接收何种信息。
    4. 示例：Content-Type 为 application/json（发送 JSON 数据）。
    5. Body (主体)：发送实际的产品数据。
    6. 在 n8n 中，可以直接在 Body 中输入属性（例如 title: BMW pencil）。
    7. 执行后，系统会返回响应，确认数据已添加并分配了 ID。
    8. 如果发送错误数据或映射错误字段，可能会收到负面响应或错误。

  4. 身份验证 (Authentication) [582]

    1. 如果发送到需要登录的服务，通常需要使用 API 密钥或授权。
    2. 通用凭证类型 (Generic Credential Types)：
    3. 最常用的是 Header Authorization。
    4. 在 API 文档中，通常要求输入名称 Authorization。
    5. 值通常是 Bearer 加上 API 密钥。
    6. 密钥会被保存为安全凭证，并被混淆处理，确保安全。

5. n8n 核心概念：Webhooks、存储与 AI 集成 [599]

5.1. Webhooks (接收数据) [599]

  1. Webhook 触发器 [599]

    1. Webhook 是 HTTP 请求的逆向操作，用于接收外部服务发送的数据。
    2. Webhook Trigger 节点有一个 Webhook URL 地址，外部服务将数据发送到此 URL。
    3. 在测试模式下，用户可以复制 Webhook URL。
    4. 示例：使用 Postman 等工具向该 URL 发送模拟请求（例如 POST 请求，Body 中包含 test: hello）。

  2. 接收数据与激活工作流 [613]

    1. 激活测试事件后，发送请求。
    2. n8n 接收到数据，包括 Headers 和 Body 中的内容（例如 hello）。
    3. Webhook 常用于激活工作流。
    4. 示例：客户通过 Stripe 购买产品，Stripe 通过 Webhook 发送信息，从而激活工作流。

  3. 响应 Webhook (Respond to Webhook) [631]

    1. Respond to Webhook 节点 用于向发送方返回信息，确认已成功接收响应。
    2. 通常放在流程的末尾。

5.2. 存储解决方案 (Storage Solutions) [634]

  1. 数据存储需求 [634]

    1. 数据经过抓取、接收和处理后，需要发送到某种存储介质。
    2. 最常用的是 Google Sheets 和 Airtable，但也适用于 Notion 或其他数据库。

  2. Google Sheets 示例 [640]

    1. 创建工作表：使用 Google Sheet 节点创建电子表格。
    2. 追加数据：使用 Append Row 操作，将处理后的潜在客户数据添加到工作表中。
    3. 连接与运行：
    4. 确保正确连接到 Google Sheet ID。
    5. 运行工作流时，如果未正确设置其他节点，需要先禁用它们（按 D 键）。
    6. 自动映射列：如果工作表为空，需要勾选“handling extra fields and input”选项，告诉 n8n 将新字段作为新列插入。
    7. 运行后，数据将以熟悉的表格格式添加到 Google Sheet 中。

  3. 其他存储操作 [671]

    1. Airtable 的概念相同，但它更像数据库。
    2. 可以执行的操作包括：接收数据、仅在需要更新时更改数据，而不是每次都刷新。
    3. Google Sheets 触发器也可以作为工作流的起点（例如，添加新行时触发）。

5.3. AI 集成 (AI Integration) [682]

  1. LLM 节点 (Basic LLM Chain) [683]

    1. LLM 节点是 AI 集成的核心。
    2. 使用时机：当需要 判断 (judgment) 时，而非传统的确定性逻辑（If this, then that）。
    3. 传统节点适用于“如果发票大于 1,000 美元，则发送审批”。
    4. AI 适用于“如果客户邮件暗示他们可能取消，则标记保留”。
    5. AI 可以判断传入消息的 情感 (sentiment)。

  2. 配置 LLM 链 [697]

    1. 输入：客户消息（例如“The customer service is awful”）。
    2. 提示 (Prompt)：定义提示，要求 AI 确定消息是正面还是负面，并返回情感摘要和推理。
    3. 模型连接：通常使用 OpenRouter 连接各种模型（如 GPT-4o mini, Claude, Gemini）。
    4. 结构化输出解析器 (Structured Output Parser)：
    5. 如果需要特定的输出格式，可以勾选此框。
    6. 提供期望的 JSON 输出示例（例如 sentiment: negative, reasoning: ...）。
    7. 运行后，AI 返回结构化的 JSON 输出，将非确定性流程变得更具确定性。

  3. 高级输出解析器与 AI 代理 [725]

    1. 自动修复输出解析器 (Autofixing Output Parser)：
    2. 适用于更复杂的输出，它会持续运行直到获得所需的输出格式，防止出错。
    3. AI 代理 (AI Agent)：
    4. 经常被过度使用，90% 的 AI 工作可以使用 Basic LLM Chain 完成。
    5. 使用时机：需要 持续对话并带有记忆 (memory) 的情况。
    6. 需要访问特定 工具 (tools) 的情况。
    7. 示例：如果需要根据情感分析结果，使用 Gmail 工具起草一封回复邮件。
    8. 代理需要进行深入思考、数据访问、工具访问和访问外部服务器。
    9. 在此之前，Basic LLM Chain 即可满足 90% 的需求。

6. 实战：构建 LinkedIn 内容自动化系统 (工作流 1) [748]

6.1. 工作流规划与 Google Sheet 设置 [748]

  1. 工作流目标 [753]

    1. 构建一个生产就绪的系统，在几分钟内生成一周的内容，并保持品牌声调。
    2. 提供完全编辑控制，审核后自动发布。
    3. 将 5 小时工作量减少到 15 分钟审核时间。

  2. 系统组件规划 [759]

    1. Google Sheets：用于内容规划和调度。
    2. 包含字段：主题 (topic)、日期 (date)、状态 (status)、生成内容、编辑内容、批准复选框。
    3. 存储 品牌指南 (brand guidelines)，供 AI 拉取信息并保持声调一致。
    4. 手动审核步骤：编辑和批准帖子。
    5. 第二个工作流：每天读取工作表，检查是否有新的批准帖子，并调度或发布。
    6. 技术组件：Google Sheets (存储)、AI (写作)、外部平台 (图像生成)、服务 (发布到 LinkedIn)。

  3. 工作流 1 (内容生成器) 逻辑 [777]

    1. 输入：主题输入（来自 Google Sheet 的新行）。
    2. 品牌输入：从 Google Sheet 的另一个表格拉取品牌指南。
    3. AI 阶段：使用 LLM 链根据主题和品牌指南撰写内容。
    4. 图像生成阶段：生成匹配内容的图像。
    5. 输出：将生成的帖子和图像 URL 写回 Google Sheet，等待审核。

  4. Google Sheet 结构设置 [833]

    1. 创建名为 Content Calendar 的 Google Sheet。
    2. Sheet 1 (Brand)：用于输入品牌指南（例如测试品牌指南）。
    3. Sheet 2 (Calendar)：
    4. 包含列：ID (唯一标识符)、Topic、Date Scheduled、Date Created、Content、Status。
    5. 示例主题：AI agents instead of employees。

6.2. 工作流 1：输入与输出映射 [858]

  1. 设置 Topic 输入 (Google Sheets Trigger) [858]

    1. 添加 Google Sheets Trigger 节点，命名为 get topic。
    2. 设置为 on row added，检查频率设为每天早上 8:00。
    3. 连接 Google 凭证，并输入 Content Calendar 的 URL。
    4. 运行测试事件，拉取包含 ID 和 Topic 的数据行。

  2. 设置 Brand Guidelines 输入 (Google Sheets Node) [893]

    1. 添加 Google Sheets 节点，命名为 get brand guide。
    2. 操作为 get row in sheet。
    3. 再次授权 Google 凭证（最佳实践是命名凭证）。
    4. 输入 Brand sheet 的 URL。
    5. 运行测试，确保拉取到“test brand guidelines”。

  3. 设置内容输出 (Google Sheets Node) [922]

    1. 复制并粘贴 Google Sheets 节点，操作改为 append or update row。
    2. 确保连接到正确的 Calendar sheet。
    3. 匹配唯一标识符：使用 ID 列作为匹配项，确保内容写回正确的行。
    4. 从 get topic 触发器中拉取 ID 值。
    5. Date Created：使用动态表达式 {{$now.format("YYYY-MM-DD")}} 填充。
    6. Status：将状态输出设置为 draft post。
    7. Content：暂时留空，等待 AI 生成。

6.3. 工作流 1：AI 写作与图像生成 [963]

  1. AI 写作 (Basic LLM Chain) [963]

    1. 添加 LLM Chain 节点，拖动到预定的 AI 阶段。
    2. 定义提示 (Prompt)：
    3. 初始简单提示：“Write a LinkedIn post, max 150 characters, on the following topic: [Topic], using the following brand guidelines: [Guidelines]”。
    4. 动态传入 Topic（来自 get topic 节点）和 Brand Guidelines（来自 get brand guide 节点）。
    5. 模型连接：
    6. 推荐使用 OpenRouter，因为它提供统一的 API 密钥连接多种模型。
    7. 创建 OpenRouter API 密钥，并在 n8n 中设置凭证。
    8. 选择免费模型（例如 Gemini 2.5 Flash）或廉价模型。
    9. 设置一个付费模型作为 Fallback Model（例如 GPT-4o mini）以增加安全性。
    10. 结构化输出：
    11. 启用 Structured Output Parser。
    12. 定义期望的 JSON 格式：{"content": "LinkedIn post"}。
    13. 确保 AI 始终以可预测的格式输出内容。

  2. 数据过滤与循环 (Filter and Loop) [1063]

    1. 过滤空白项：在流程早期添加 Filter 节点。
    2. 条件：如果 Topic 字段（字符串）is not empty，则继续。
    3. 循环处理：添加 Loop 节点。
    4. 目标：确保每个主题（即使有多个）都 一次处理一个。
    5. 将整个流程（获取品牌指南、AI 写作、输出）连接到 Loop 节点内部。
    6. 防止重复处理：在 Filter 节点中添加条件：如果 Status is not equal to draft 或 is equal to not started，则处理。
    7. 这样可以防止工作流重复覆盖已生成的草稿。

  3. 图像生成 (OpenAI Node) [1162]

    1. 添加 OpenAI 节点，操作为 Generate Image。
    2. 使用 DALL-E 3 模型。
    3. 设置 OpenAI API 凭证（需要付费账户或免费额度）。
    4. 图像提示：使用表达式，例如：“Generate a LinkedIn post image in black and white, professional, for the following post: [Content]”。
    5. 数据引用：由于图像生成节点与 LLM 链节点不直接相连，需要明确引用 LLM 链的输出。
    6. 格式：{{$node["Basic LLM Chain"].json.output.content}}。
    7. 运行测试，生成黑白图像。

  4. 图像托管 (ImgBB) 与 URL 获取 [1224]

    1. DALL-E 3 输出的是数据文件，无法直接存储在 Google Sheet 中，需要托管为 URL。
    2. 使用 ImgBB (ImgBB.com) 免费上传和托管图像。
    3. HTTP Request 节点：
    4. 方法：POST（发送数据）。
    5. URL：ImgBB 的图像上传端点。
    6. 身份验证：使用通用凭证类型，将 ImgBB API 密钥作为查询参数 key 发送。
    7. Body：发送 n8n 二进制文件，命名为 image，输入文件名为 data。
    8. 运行后，ImgBB 返回包含 URL 的数据。
    9. 在 Google Sheet 中添加 Image 列。
    10. 在 Append 节点中，将 ImgBB 返回的 纯 URL 动态映射到 Image 列。

  5. 工作流 1 总结 [1274]

    1. 运行完整流程，确保内容和图像 URL 被正确追加到 Google Sheet 中，状态为 draft。
    2. 此时，用户已拥有一个从主题输入、品牌指南输入、AI 写作、图像生成到数据存储的完整工作流。

7. 实战：构建 LinkedIn 内容自动化系统 (工作流 2) [1289]

7.1. 工作流 2：调度与条件检查 [1289]

  1. 工作流 2 逻辑 [1289]

    1. 目标：一旦帖子被批准，自动调度并发布到 LinkedIn。
    2. 触发器：添加 Schedule Trigger，设置为每天早上 9:00 运行（给用户一小时编辑时间）。
    3. 获取帖子数据：复制工作流 1 的 Google Sheets 节点，命名为 get posts。
    4. 操作：获取所有帖子数据。
    5. 讲师偏好获取所有数据，然后进行过滤。

  2. 条件过滤 (If Node) [1306]

    1. 添加 If 节点，检查两个条件：Is it scheduled today? 和 Is it approved?。
    2. 条件 1 (Approved)：Status is equal to approved。
    3. 条件 2 (Scheduled Today)：Date Scheduled is equal to 今天日期（使用 {{$now.format("DD/MM/YYYY")}} 格式）。
    4. 需要确保 Google Sheet 中的日期格式与表达式格式匹配。
    5. 分支：
    6. 如果为 True，则继续执行发布操作。
    7. 如果为 False，则连接到 No Operation 节点（占位符，不执行任何操作）。

  3. 测试条件 [1359]

    1. 在 Google Sheet 中，将一个帖子的 Status 设为 approved，Date Scheduled 设为今天。
    2. 另一个帖子 Status 设为 approved，Date Scheduled 设为明天。
    3. 运行触发器，If 节点将只通过满足“已批准且是今天”条件的帖子。

7.2. 社交媒体发布 (Upload Post Node) [1373]

  1. 选择发布工具 [1373]

    1. 直接使用 LinkedIn 节点设置 API 账户通常很复杂。
    2. 推荐使用社区节点 Upload Post，它连接到 uploadpost.com。
    3. 在 n8n 的 Nodes 窗口中安装 Upload Post 社区节点。

  2. Upload Post 设置 [1389]

    1. Upload Post 节点操作：Upload Text 或 Upload Photos。
    2. Upload Post 账户设置：
    3. 访问 uploadpost.com，注册并连接到 LinkedIn 账户。
    4. 生成 API 密钥，并在 n8n 凭证中输入。
    5. 节点配置：
    6. User Identifier：输入用户在 Upload Post 上的个人资料名称。
    7. Platforms：选择 LinkedIn。
    8. Main Content：动态传入 Content 字段（已编辑的帖子内容）。
    9. 运行测试，帖子将发布到 LinkedIn。

  3. 更新发布状态 [1443]

    1. 重要步骤：发布成功后，必须更新 Google Sheet 中的状态，防止重复发布。
    2. 复制并粘贴 Google Sheets 节点（Append/Update Row）。
    3. 匹配 ID，将 Status 字段更新为 posted。

  4. 图像发布 [1449]

    1. 将 Upload Post 节点操作改为 Upload Photos。
    2. Image URL：动态传入 Image URL 字段。
    3. 可以添加 Caption 和设置 LinkedIn Visibility。
    4. 运行测试，帖子将连同图像一起发布到 LinkedIn。
    5. 注意：如果频繁运行，可能会达到 Google Sheets API 的请求限制。

7.3. 完善与激活工作流 [1462]

  1. 工作流激活 [1468]

    1. 清除执行历史，保存工作流。
    2. 将两个工作流（内容生成器和调度器）都设置为 Active。
    3. 内容生成器将在每天早上 8:00 运行，调度器将在每天早上 9:00 运行。

  2. 结论 [1477]

    1. 用户已构建完整的 LinkedIn 内容自动化系统。
    2. 该系统提供完整的编辑控制、调度功能，并能以品牌声调发布帖子。

8. 优化：提升 AI 写作质量与提示工程 [1478]

  1. 提升写作质量的必要性 [1478]

    1. 接下来将改进提示 (prompt)，使 AI 写作听起来更像人类，并符合品牌风格。

  2. 结构化提示生成器 [1480]

    1. 讲师使用 Skool 社区中的 Prompts Generator 资产。
    2. 该工具通过一个提示，快速创建一个结构化的、90% 可用的提示。
    3. 将该提示复制到 Claude 或 ChatGPT 中。
    4. 输入要求：基于 LinkedIn 约束，创建一个关于输入主题的、人类般的（三年级语言）、简单真实的 LinkedIn 帖子，并带有 Hook。输出应仅为内容。

  3. AI 生成结构化提示 [1503]

    1. AI 会输出一个结构化的提示，包含角色 (Role)、约束 (Constraints)（例如最大 3,000 字符）、以及写作风格（例如以引人注目的 Hook 开头，使用短句）。
    2. 将生成的提示复制回 Basic LLM Chain 节点。
    3. 在提示的输入部分，动态插入 Topic。

  4. 定义品牌指南 [1511]

    1. 在 Claude 或 ChatGPT 中，要求生成一套基本的、友好的品牌写作指南，包含实用示例。
    2. 示例指南：
    3. 写作风格：像与同事喝咖啡时解释解决方案一样，使用“我们 (we)”的语言。
    4. 结构：以识别痛点开头，分享简短的真实世界示例，然后提供简单的三步解决方案。
    5. 长度：保持在 150 到 300 字之间。
    6. 将这些指南输入到 Google Sheet 的 Brand Guidelines 表格中。

  5. 最终测试与 AI 检测 [1522]

    1. 删除 Google Sheet 中的旧帖子，将状态设为 not started。
    2. 重新执行工作流，生成新的帖子。
    3. 新生成的内容听起来更自然，句子简短，符合品牌指南。
    4. AI 文本检测：将新内容放入 AI 文本检测器中。
    5. 结果显示“您的文本很可能是人类撰写的，可能包含 AI 或 GPT 生成的部分”（23% 可能性）。
    6. 相比直接使用 ChatGPT 生成的文本，这大大提高了通过内容检测算法的可能性。
    7. 社区中提供了进一步优化方法，可实现 0% 被检测为 AI 撰写的文本。
    8. 总结：用户已构建一个强大的 LinkedIn 内容自动化系统，节省了大量时间。