打造智能写作工作流：n8n + 蓝耘MaaS平台完整实战指南

Ne0inhk

— 11 min read
打造智能写作工作流：n8n + 蓝耘MaaS平台完整实战指南

文章目录

一、前言

随着AI技术的快速发展，越来越多的开发者和内容创作者开始探索如何将AI能力集成到自己的工作流中。今天，我们将通过蓝耘平台的MaaS模型服务，结合强大的工作流自动化工具n8n，打造一个智能写文工作流。更令人兴奋的是，蓝耘平台正在推出"送千万Token资源包"福利活动，让更多用户能够免费体验AI的强大能力！

二、环境准备

2.1 注册蓝耘平台并获取API凭证

2.1.1 注册蓝耘MaaS平台

首先访问蓝耘MaaS平台官网进行注册。平台为新用户提供大量免费token，可以充分测试各种模型。

蓝耘注册页面

2.1.2 获取API密钥

登录后，进入MaaS平台选项卡，您将看到多种可调用的AI模型：

在左侧菜单中找到"API KEY管理"，点击"创建API KEY"，系统会生成API密钥。请妥善保存这个密钥，它是连接AI模型的关键。

创建新的API KEY

2.1.3 获取模型信息和接口地址

在MaaS模型广场中，选择您想使用的模型。点击查看详情后，您可以看到模型路径/maas/deepseek-ai/DeepSeek-V3.1，所有AI模型获取模型路径的方式一致。

模型详情页面

蓝耘提供了OpenAI兼容接口，可在MaaS平台文档中找到。

OpenAI兼容接口
💡 福利提醒：现在注册即可获得千万Token资源包，足够支撑大量的AI创作任务！

2.2 安装Docker环境

2.2.1 下载并安装Docker Desktop

首先进入Docker官网下载Docker桌面版：Docker官网

进入到Docker官网后点击Download Docker Desktop去下载Docker桌面版

Docker官网

找到适合我们的版本去下载，这里选择Windows-AMD64。

下载Windows-AMD64的Docker

2.2.2 配置Docker环境

运行Docker的安装程序后，点击OK

Docker安装Configuration


Docker Desktop安装完成

启动Docker Desktop后使用谷歌账号或者Github账号进行登录。

登录Docker Desktop

2.2.3 配置国内镜像源

需要配置Docker的国内镜像源，在Settings中配置Docker Engine，配置完毕后点击Apply&restart应用并重启：

{"builder":{"gc":{"defaultKeepStorage":"20GB","enabled":true}},"experimental":false,"registry-mirrors":["https://registry.cn-hangzhou.aliyuncs.com","https://docker.mirrors.ustc.edu.cn","https://registry.docker-cn.com","http://hub-mirror.c.163.com"]}
配置Docker国内镜像源

2.3 部署n8n工作流平台

2.3.1 拉取n8n镜像

在Images中点击Search images to run搜索镜像并运行。

搜索镜像

在Docker Hub中搜索n8n，然后找到n8nio/n8n点击Pull

搜索n8n镜像


点击Pull拉取n8n

2.3.2 创建并运行n8n容器

拉取成功后点击运行n8n镜像

运行n8n镜像

创建n8n容器配置：

配置项值
Container namen8n
Host port5678
Host pathn8n_data
Container path/home/node/.n8n
创建一个n8n容器

看到打印http://localhost:5678说明运行成功

运行容器

2.3.3 初始化n8n账户

在浏览器中访问http://localhost:5678进入n8n创建账户页面

创建n8n账户

登录后进入到n8n的主页面。至此，我们已经成功部署n8n了。

n8n主页面

三、构建智能写文工作流

现在让我们在n8n中构建一个智能写文工作流，该工作流将能够：

  • 接收写作主题和要求
  • 调用蓝耘平台MaaS模型生成内容
  • 对生成的内容进行优化和格式化
  • 输出最终的文章

3.1 创建工作流基础架构

3.1.1 创建新工作流

在n8n界面中点击 Create Workflow

在n8n中创建工作流

为工作流命名：智能写文助手

给工作流命名为智能写文助手

3.1.2 添加触发器节点

添加Manual Trigger节点作为工作流的起点

添加Manual Trigger节点作为工作流的起点

双击Manual Trigger节点进行配置

双击Manual Trigger节点

点击编辑按钮，配置输入参数：

  • topic： 文章主题
  • style： 写作风格（如：正式、轻松、技术性等）
  • length： 文章长度要求
  • keywords： 关键词（可选）
[{"topic":"请输入文章主题","style":"通用","length":"1000-2000字","keywords":"请输入关键词，用逗号分隔"}]
配置输入参数

3.2 配置AI模型调用

3.2.1 添加HTTP请求节点

添加HTTP Request节点用于调用蓝耘MaaS API

添加Http Request节点

3.2.2 配置请求参数

双击HTTP Request节点进行配置：

基础配置：

  • 请求方式（Method）：POST
  • 请求地址URL：https://maas-api.lanyun.net/v1/chat/completions
配置请求方式和URL

配置Headers（请求头）：

  • 请求头1：Name（Content-Type），Value（application/json）
  • 请求头2：Name（Authorization），Value（Bearer 蓝耘MaaS平台的APIKEY）
启动并配置请求头

配置Body（请求体）：
点击"Send Body"开关后，选择JSON格式，然后输入：

注意：/maas/deepseek-ai/DeepSeek-V3.1这个是蓝耘MaaS平台的模型名称，可以切换成蓝耘MaaS平台中的任意模型。
{"model":"/maas/deepseek-ai/DeepSeek-V3.1","messages":[{"role":"system","content":"你是一个专业的内容创作助手，擅长根据用户需求创作高质量文章。"},{"role":"user","content":"请根据以下要求创作文章：\n主题：{{ $json.topic }}\n写作风格：{{ $json.style }}\n文章长度：{{ $json.length }}\n关键词：{{ $json.keywords }}\n\n请创作一篇结构清晰、内容丰富的文章。"}],"max_tokens":2000,"temperature":0.7}
启动并配置请求体

3.2.3 测试API连接

配置完成后，点击Execute step测试是否能够调通蓝耘MaaS平台的模型

测试是否能够调用蓝耘MaaS平台的模型

3.3 内容处理与优化

3.3.1 添加内容处理节点

添加Code节点进行内容处理

添加Code节点进行内容处理

3.3.2 配置内容处理逻辑

双击Code节点进行配置，语言选择JavaScript：

// 提取AI生成的内容const aiResponse = items[0].json.choices[0].message.content;// 基本的内容格式化let formattedContent = aiResponse .replace(/\n\n/g,'\n\n')// 规范化段落间距.replace(/^\s+|\s+$/g,'')// 去除首尾空白.trim();// 添加文章元信息const metadata ={title: items[0].json.topic ||'未命名文章',createdAt:newDate().toISOString(),wordCount: formattedContent.length,style: items[0].json.style ||'通用'};return[{json:{content: formattedContent,metadata: metadata,originalResponse: aiResponse }}];

点击Execute step测试是否配置成功。

测试Code节点是否有效

3.4 生成Markdown文档

3.4.1 添加文档生成节点

在内容处理节点后，添加一个 Code 节点用于生成 Markdown 格式并下载

添加一个Code节点用于生成Markdown格式并下载

3.4.2 配置Markdown生成逻辑

配置Code节点，实现Markdown文档生成：

// 获取处理后的数据const items = $input.all();const processedData = items[0].json;// 生成 Markdown 内容const markdownContent =`# ${processedData.metadata.title} --- **创建时间：** ${newDate(processedData.metadata.createdAt).toLocaleString('zh-CN')} **字数统计：** ${processedData.metadata.wordCount} 字符 **文章风格：** ${processedData.metadata.style} --- ## 正文内容 ${processedData.content} --- ## 文档信息 - **生成时间：** ${newDate().toLocaleString('zh-CN')} - **文件格式：** Markdown (.md) - **处理状态：** 已完成内容格式化和优化 --- *本文档由 n8n 工作流自动生成* `;// 生成文件名（使用时间戳避免重复）const timestamp =newDate().toISOString().replace(/[:.]/g,'-').slice(0,19);const fileName =`${processedData.metadata.title.replace(/[^\w\u4e00-\u9fa5]/g,'_')}_${timestamp}.md`;// 打印下载信息 console.log(`📁 Markdown 文件已准备完成`); console.log(`📄 文件名：${fileName}`); console.log(`📊 文件大小：${markdownContent.length} 字符`);// 返回可下载的文件数据return[{json:{...processedData,markdown:{content: markdownContent,fileName: fileName,mimeType:'text/markdown',size: markdownContent.length }},binary:{data:{data: Buffer.from(markdownContent,'utf8').toString('base64'),mimeType:'text/markdown',fileName: fileName,fileExtension:'md'}}}];

点击Execute step进行执行，执行完成后，点击Download下载Markdown文件

测试markdown文件是否成功下载

查看Markdown文档内容

正确下载

四、工作流测试与验证

4.1 完整流程测试

首先编辑起点节点，topic主题设置为如何制作排骨当归汤？，点击Save保存

点击Execute workflow执行工作流

执行工作流

4.2 验证输出结果

执行完毕后，下载并查看Markdown文件，验证生成的内容质量

查看markdown

五、总结

通过本教程，我们成功构建了一个基于蓝耘MaaS平台和n8n的智能写文工作流。这个工作流具有以下优势：

部署便捷

  • 使用Docker可以快速在本地搭建n8n环境，无需复杂配置
  • 一键式容器部署，环境隔离性好

高度自定义

  • 可以根据需要调整模型参数、输出格式和处理逻辑
  • 支持多种写作风格和内容类型定制

可扩展性强

  • n8n的节点化设计使工作流可以轻松扩展
  • 可添加更多功能如文本翻译、图片生成、内容审核等

成本效益高

  • 利用蓝耘平台提供的千万Token资源包，可以免费进行大量AI创作实验
  • 相比其他AI服务，性价比更高

自动化程度高

  • 从输入主题到生成格式化文档，整个过程完全自动化
  • 大幅提高内容创作效率，释放创作者时间

Read more

部署Qwen3-VL-32b的踩坑实录：多卡跑大模型为何vLLM卡死而llama.cpp却能“大力出奇迹”？

部署Qwen3-VL-32b的踩坑实录：多卡跑大模型为何vLLM卡死而llama.cpp却能“大力出奇迹”？

踩坑实录：多卡跑大模型Qwen-VL，为何vLLM模型加载卡死而llama.cpp奇迹跑通还更快？ 前言：部署经历 针对 Qwen2.5-32B-VL-Instruct 满血版模型的部署实战。 手头的环境是一台配备了 4张 NVIDIA A30（24GB显存） 的服务器。按理说，96GB的总显存足以吞下 FP16 精度的 32B 模型（约65GB权重）。然而，在使用业界标杆 vLLM 进行部署时，系统却陷入了诡异的“死锁”——显存占满，但推理毫无反应，最终超时报错。 尝试切换到 Ollama（底层基于 llama.cpp），奇迹发生了：不仅部署成功，而且运行流畅。这引发了我深深的思考：同样的硬件，同样模型，为何两个主流框架的表现天差地别？ 本文将围绕PCIe通信瓶颈、Tensor Parallelism（张量并行） 与 Pipeline

By Ne0inhk

在Windows11利用llama.cpp调用Qwen3.5量化模型测试

1.下载llama.cpp二进制文件 访问 https://github.com/ggml-org/llama.cpp/releases 或者 https://bgithub.xyz/ggml-org/llama.cpp/releases 选择适合自己平台的。我没有独立显卡，所以选择CPU版本 https://bgithub.xyz/ggml-org/llama.cpp/releases/download/b8192/llama-b8192-bin-win-cpu-x64.zip 解压到\d\llama8\目录。 2.下载量化模型 按照 章北海mlpy 公众号：Ai学习的老章~ID：mindszhang666 写的知乎文章Qwen3.5 0.8B/2B/

By Ne0inhk

WhisperX语音识别终极完整指南：从零安装到高效使用

WhisperX语音识别终极完整指南：从零安装到高效使用 【免费下载链接】whisperXm-bain/whisperX: 是一个用于实现语音识别和语音合成的 JavaScript 库。适合在需要进行语音识别和语音合成的网页中使用。特点是提供了一种简单、易用的 API，支持多种语音识别和语音合成引擎，并且能够自定义语音识别和语音合成的行为。 项目地址: https://gitcode.com/gh_mirrors/wh/whisperX 想要实现快速语音转文字和精准的说话人分离技术吗？WhisperX正是您需要的解决方案！作为基于OpenAI Whisper的增强版本，WhisperX在语音识别领域提供了前所未有的处理速度和准确性。本指南将带您从零开始，轻松完成WhisperX的安装配置。 🎯 为什么选择WhisperX？ 传统语音识别工具往往存在处理速度慢、时间戳不精确等问题。WhisperX通过创新的处理流程，完美解决了这些痛点： * 极速处理：相比传统方法快3-5倍 * 精准对齐：提供单词级别的时间戳标记 * 智能分割：自动识别并分离不同说话人 * 多语言支

By Ne0inhk

GitHub Copilot 教程

文章来源：https://vscode.it-docs.cn/docs/copilot/overview.html GitHub Copilot 为 Visual Studio Code 增加了多代理开发功能。规划好你的方法，然后让AI代理在项目中实现并验证代码变更。并行运行多个代理会话：本地、后台或云端。从一个中心视角管理所有角色。内联建议、内联聊天和智能行为会帮助你完成整个编码流程。 代理与代理会话 代理端到端地处理完整的编码任务。给代理一个高级任务，它会将工作拆分成步骤，编辑文件，运行终端命令，调用工具，并在遇到错误或测试失败时自我纠正。每个任务都运行在一个代理会话中，这是一个持续存在的对话，你可以跟踪、暂停、继续或交接给另一个代理。 重要 你们组织可能在VS Code中禁用了代理。请联系你的管理员以启用此功能。 从中央视图管理会话 并行运行多个代理会话，每个会话专注于不同的任务。聊天面板中的会话视图为你提供了一个统一的地方来监控所有活跃会话，无论是本地运行、后台还是云端运行。查看每次会话的状态，切换，查看文件变更，

By Ne0inhk