打造 LinkedIn 帖子生成器：n8n 与 Azure OpenAI 的无代码之旅

引言

在当今数字化时代，自动化和人工智能（AI）的结合正在改变内容创作和发布的方式。如果你是一名 LinkedIn 用户，无论是用于个人品牌建设、业务推广还是行业交流，高效地发布高质量的帖子都至关重要。而手动搜索内容、撰写帖子往往耗时费力。好消息是，借助一些强大的工具，你可以轻松搭建一个自动化的 LinkedIn 帖子生成系统。这篇博客将深入探讨如何利用无代码平台 n8n 和 Azure OpenAI 来构建这样一个智能系统，全程无需复杂的编程技能，只需按照步骤操作即可。

认识 n8n：自动化的核心引擎

n8n 是一个开源的自动化工作流工具，它允许用户通过直观的可视化界面构建复杂的工作流，连接各种应用程序和服务，实现数据的自动传递和处理。它具有以下关键特性：

节点（Nodes）

节点是构成工作流的基本单元，每个节点执行特定的任务。例如，触发节点负责启动工作流，而常规节点则执行诸如发送邮件、调用 API 等操作。

  • 触发节点类型 ：包括手动触发（用于测试）、基于时间的触发（如定时任务）、基于事件的触发（如网络钩子、邮件触发等）。
  • 常规节点示例 ：HTTP 请求、设置自定义值、与 Gmail、Slack、Trello 等应用集成。

工作流（Workflows）

工作流是一系列按逻辑顺序连接的节点集合。在 n8n 中，你可以设置条件判断、分支和循环结构，使工作流能够根据不同的情况执行不同的操作。工作流可以通过手动触发或在满足特定条件时自动启动。

表达式（Expressions）

使用双大括号（{{ }}）语法，你可以动态引用前面节点中的数据。例如，{{ $json[“email”] }} 可以获取某个节点输出的电子邮件信息。同时，表达式支持 JavaScript 表达式，为数据处理提供了更多灵活性。

凭据管理（Credentials）

n8n 安全地存储用于连接外部服务的凭据（如 Google Sheets、GitHub 等的账号信息），这些凭据可以在多个工作流中重复使用，方便快捷。

变量与上下文（Variables & Context）

通过诸如 $node、$json、$binary、$items、$workflow 等变量，你可以访问运行时的数据，实现工作流内部的数据共享和交互。

数据结构（Data Structures）

JSON 格式是 n8n 中传递数据的主要方式。利用 “设置” 或 “函数” 节点，你可以创建或修改 JSON 数据结构，以满足不同节点的需求。

函数节点（Function & Function Item Nodes）

函数节点允许你编写自定义的 JavaScript 代码，处理更复杂的逻辑。其中，函数节点对所有项目进行统一操作，而函数项节点则对每个项目单独处理。

n8n 编辑器 UI（n8n Editor UI）

n8n 提供基于 Web 的可视化编辑器界面，你可以轻松设计和管理工作流，直观地展示流程逻辑，进行运行测试和调试。

执行模式（Execution Modes）

工作流支持手动执行模式（用于在编辑器中测试）和生产（激活）模式（在触发条件下自动执行）。同时，它还具备重试和错误处理机制，确保工作流的稳定可靠运行。

获取 n8n：两种方式任选

选项一：使用 n8n 云服务

访问 n8n 官方网站，注册并登录，即可立即开始使用 n8n 云服务。这种方式无需本地安装和配置，方便快捷，适合不想在本地搭建环境的用户。

选项二：部署社区版（本地运行）

  1. 安装 Docker Desktop：从 Docker 官方网站 下载并安装适用于你操作系统的 Docker Desktop。对于 Mac 用户，安装过程相对简单，按照安装程序的提示进行操作即可。

  2. 启动 Docker Desktop 后，在底部右下角点击终端图标打开终端。

  3. 执行以下命令来创建一个数据卷并启动 n8n 服务：

    • docker volume create n8n_data
    • docker run -it --rm --name n8n -p 5678:5678 -v n8n_data:/home/node/.n8n docker.n8n.io/n8nio/n8n

更多关于 Docker 安装和配置的详细信息，可以参考 n8n Docker 安装文档。

搭建 LinkedIn 帖子生成系统：详细步骤

第一步：添加触发器

为了构建我们的 LinkedIn 帖子生成器，首先需要添加触发器。在工作流的起始位置，我们添加一个时间触发器和一个手动触发器。时间触发器将按照预设的时间间隔自动启动工作流，而手动触发器则方便我们在测试阶段随时启动工作流，检查各节点的运行情况。

在添加触发器时，你可以根据实际需求设置时间触发器的频率，例如每天、每周或每隔几小时运行一次。手动触发器则在工作流编辑器中直观显示，点击即可触发。

第二步：添加 RSS URL

为了获取用于帖子创作的素材，我们选择了一个 RSS 源。在这里，我添加了 https://machinelearningmastery.com/blog/feed/ 作为 RSS URL。这个 RSS 源提供了大量关于机器学习和 AI 的文章，是生成 LinkedIn 帖子的优质内容基础。

在 RSS 节点中输入 URL 后，点击 “测试” 按钮，确保 n8n 能够成功获取到 RSS 源中的文章数据。这一步是为了验证连接的有效性，避免后续工作流因数据获取失败而中断。

第三步：添加筛选节点

为了提高帖子的质量和相关性，我们添加了一个筛选节点。在这个筛选节点中，我设置了两个筛选条件：

  1. 仅筛选发布日期在某个特定日期之后的文章，确保我们只处理最新的内容。这有助于保持帖子的时效性，吸引读者的关注。
  2. 筛选标题中包含 “AI” 关键词的文章。由于我们关注的是与 AI 相关的内容，这个筛选条件能够帮助我们聚焦于目标领域，生成更精准的帖子。

通过这两个筛选条件，我们可以从海量的 RSS 文章中提取出最符合我们需求的内容，为后续的帖子生成奠定基础。

第四步：添加限制节点

为了控制工作流的执行规模，我们添加了一个限制节点。在这个示例中，我将限制节点的条目数量设置为 5。这意味着每次工作流运行时，最多只会处理 5 篇经过筛选的文章，避免因一次性处理过多数据而导致 excessive calls（过多调用）到 OpenAI API，从而节省成本并确保系统的稳定性。

你可以根据实际情况调整这个限制值，例如，如果你的 OpenAI API 配额充足且希望生成更多帖子，可以适当增加该数值；反之，如果预算有限或希望降低系统负载，可以减少该数值。

第五步：编写提示代码

接下来，我们添加一个代码节点，用于为每篇文章生成相应的提示（prompt）。在这个代码节点中，我编写了如下 JavaScript 代码：

return items.map(item => ({
  json: {
    prompt: `Write a short and engaging LinkedIn post about this AI article:\nTitle: ${item.json.title}\nContent: ${item.json.content}\nLink: ${item.json.link}\nKeep it under 250 words and use a professional tone.`,
  }
}));

这段代码的作用是对每个输入项（即筛选后的文章）进行处理，生成一个包含提示信息的 JSON 对象。提示信息明确指出了我们希望 AI 模型根据文章的标题、内容和链接，撰写一篇简洁、吸引人的 LinkedIn 帖子，字数控制在 250 字以内，并保持专业语气。这样的提示设计能够引导 AI 模型生成符合我们预期的高质量帖子。

第六步：添加 AI 代理（AI Agent）

在工作流中，我们添加一个 AI 代理节点，用于调用 AI 模型并生成帖子内容。在这个节点中，我设置了系统提示为 “LinkedIn Post Writer”（LinkedIn 帖子撰写者），而用户消息则来自前面代码节点生成的提示信息。

AI 代理节点会根据我们提供的提示和系统设定，将任务发送给后端的 AI 模型（例如 Azure OpenAI），并获取模型生成的帖子内容作为输出。这个节点是整个工作流中实现 AI 自动生成帖子的关键环节，它将我们的提示转化为实际的帖子文本。

第七步：集成 Azure OpenAI 模型

为了为 AI 代理节点提供实际的 AI 模型支持，我们需要添加 Azure OpenAI 模型节点。在添加该节点之前，首先需要创建相应的凭据。

  1. 在 n8n 的凭据管理界面，选择添加新的 Azure OpenAI 凭据。
  2. 输入你的 Azure OpenAI 服务的 API 密钥和相关配置信息，例如 API URL 和部署名称等。这些信息通常可以在你的 Azure 门户中找到，确保输入准确无误。

完成凭据配置后，在 Azure OpenAI 模型节点中选择相应的模型（如 gpt-3.5-turbo 或其他适合文本生成的模型），并指定模型的参数，例如最大令牌数、温度值等，以控制生成文本的质量和风格。

第八步：连接 LinkedIn 节点

最后，我们添加一个 LinkedIn 节点，用于将 AI 生成的帖子发布到 LinkedIn 平台。在这个节点中，需要输入你的 LinkedIn 账号凭据，并配置帖子的发布选项，例如发布到个人资料、公司页面还是群组等。

通过这个 LinkedIn 节点，我们的工作流能够将生成的帖子自动发布到指定的 LinkedIn 页面，实现从内容获取、生成到发布的全流程自动化。

测试工作流

在完成上述所有步骤后，我们需要对整个工作流进行测试，以确保每个节点都能正常运行，数据能够正确传递，并且最终能够成功生成和发布帖子。

点击工作流编辑器中的 “测试工作流” 按钮，启动工作流的执行过程。在执行过程中，你可以通过观察每个节点的输出数据和状态，来检查工作流是否按预期运行。

转到执行选项卡，查看工作流的执行详情。在 AI 代理节点的输出窗口中，你应该能看到生成的 LinkedIn 帖子内容。这些内容是根据我们提供的 RSS 文章和提示，由 AI 模型生成的。此时，我暂时移除了 LinkedIn 节点，以避免实际发布帖子，方便我们专注于测试生成内容的质量和准确性。

如果你对生成的帖子内容满意，可以将 LinkedIn 节点重新连接到工作流中，并重新执行工作流，将帖子正式发布到 LinkedIn 平台。

总结与展望

通过以上详细步骤，我们成功构建了一个基于 n8n 和 Azure OpenAI 的 LinkedIn 帖子生成系统。从通过 RSS 源获取最新的 AI 文章，到利用 AI 模型自动生成专业、吸引人的帖子，再到自动发布到 LinkedIn 平台，整个流程实现了高度的自动化和智能化。

这个系统不仅节省了大量的时间和精力，还能够确保帖子的质量和相关性，帮助你在 LinkedIn 上保持活跃的更新频率，吸引更多的关注和互动。无论是个人品牌建设、业务推广还是行业交流，这个工具都能为你提供有力的支持。

未来，你可以尝试对工作流进行进一步的优化和定制。例如，更换不同的 RSS 源以获取更多样化的内容，调整提示的措辞和格式以生成更具特色的帖子，或者集成更多的社交媒体平台实现多平台发布。此外，你还可以探索使用其他 AI 模型或工具，进一步提升内容生成的效果和效率。

希望这篇博客能够为你提供清晰的指导和灵感，帮助你轻松搭建自己的 LinkedIn 帖子生成系统，开启自动化内容创作的新篇章。如果你在构建过程中遇到任何问题或有新的想法和建议，欢迎随时在评论区留言交流。