基于 n8n 与 AI 模型的智能写作工作流构建

在 Docker Hub 中搜索 n8nio/n8n 并拉取镜像。

2.3.2 创建并运行 n8n 容器

配置容器参数：

启动容器后，若打印 http://localhost:5678 表示运行成功。

2.3.3 初始化 n8n 账户

在浏览器访问 http://localhost:5678 创建管理员账户。登录即可进入主页面。

构建智能写文工作流

本工作流将实现以下功能：

• 接收写作主题和要求
• 调用 AI 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 界面点击 Create Workflow，命名为'智能写文助手'。

3.1.2 添加触发器节点

添加 Manual Trigger 节点作为起点。双击配置输入参数：

• topic： 文章主题
• style： 写作风格（如：正式、轻松、技术性）
• length： 文章长度要求
• keywords： 关键词（可选）

示例数据：

[{"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"}]

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 AI 模型 API。

3.2.2 配置请求参数

双击节点进行配置：

基础配置：

• 请求方式（Method）：POST
• 请求地址 URL：https://api.ai-service.com/v1/chat/completions

配置 Headers（请求头）：

• Content-Type: application/json
• Authorization: Bearer <你的 API_KEY>

配置 Body（请求体）： 选择 JSON 格式，输入以下内容：

{
  "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
}

3.2.3 测试 API 连接

点击 Execute step 测试 API 连通性。

3.3 内容处理与优化

3.3.1 添加内容处理节点

添加 Code 节点进行内容清洗。

3.3.2 配置内容处理逻辑

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: new Date().toISOString(),
  wordCount: formattedContent.length,
  style: items[0].json.style || '通用'
};

return [{
  json: {
    content: formattedContent,
    metadata: metadata,
    originalResponse: aiResponse
  }
}];

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。

3.4.2 配置 Markdown 生成逻辑

// 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：** ${new Date(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：** ${new Date().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 = new Date().toISOString().replace(/[:.]/g, '-').slice(0, 19);
const fileName = `${processedData.metadata.title.replace(/[^一-龥a-zA-Z0-9_]/g, '_')}_${timestamp}.md`;

console.log(`📁 Markdown 文件已准备完成`);
console.log(`📄 文件名：${fileName}`);

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'
    }
  }
}];

执行完成后，点击 Download 下载 Markdown 文件。

工作流测试与验证

4.1 完整流程测试

编辑起点节点，设置 topic 为测试主题，点击 Save 保存后执行工作流。

4.2 验证输出结果

下载并查看生成的 Markdown 文件，验证内容质量及格式是否符合预期。

总结

通过本教程，我们构建了一个基于 n8n 和 AI 模型服务的智能写文工作流。该方案具有以下优势：

部署便捷

• 使用 Docker 快速搭建本地环境，无需复杂配置
• 容器化部署保证环境隔离

高度自定义

• 灵活调整模型参数、输出格式和处理逻辑
• 支持多种写作风格和类型定制

可扩展性强

• 节点化设计便于扩展功能（如翻译、审核等）

自动化程度高

• 从输入到生成文档全流程自动化
• 显著提升内容创作效率