n8n与DeepSeek联手：打造AI新闻实战平台

最新推荐文章于 2025-06-22 21:08:06 发布
最新推荐文章于 2025-06-22 21:08:06 发布
阅读量1.4k 收藏 26
点赞数 25
CC 4.0 BY-SA版权
文章标签： 人工智能 机器学习 大模型学习 AI 程序员 大模型 AI大模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_84495872/article/details/148354378

如何使用 n8n 搭配最新 DeepSeek 打造新闻早报

✅ 本地部署 n8n，免费体验强大自动化能力 

✅ 使用多个新闻 API 获取 AI 相关新闻 🔍 

✅ 深度解析 DeepSeek V3，AI 翻译 & 整理新闻 🧠

✅ 低成本搭建 Telegram 自动推送机器人 🤖

环境准备

n8n 是一个工作流自动化平台，它为技术团队提供了代码般的灵活性和无代码般的速度。n8n 拥有 400 多个集成、原生 AI 功能以及公平代码许可证，能够构建强大的自动化流程，同时完全掌控个人的数据和部署。

node部署：

Node： https://nodejs.org/en/

立即使用npx尝试 n8n (需要Node.js )，直接运行以下命令即可

npx n8n

docker部署

前置条件，这里使用docker 部署，根据docker官方下载安装即可。

Docker 下载： https://www.docker.com/

下载镜像

sudo docker pull n8nio/n8n

image.png

创建n8n_data数据卷

这个命令用于创建一个名为 n8n_data 的 Docker 数据卷(volume)。

sudo docker volume create n8n_data

image.png

数据卷的作用

数据卷是 Docker 容器持久化存储数据的推荐方式，它独立于容器的生命周期，即使容器被删除，数据卷中的数据仍然保留。

默认储存位置

在 Linux 系统上，Docker 数据卷默认存储在 /var/lib/docker/volumes/ 目录下。具体到这个数据卷，它的路径会是：

/var/lib/docker/volumes/n8n_data/_data

如何查找数据卷的位置？

1、使用 docker volume inspect 命令:

sudo docker volume inspect n8n_data

输出中会显示 Mountpoint，这就是数据卷在主机上的实际路径。

image.png

2、直接查看 Docker 默认存储目录:

sudo ls /var/lib/docker/volumes/n8n_data/_data

3、列出所有数据卷

sudo docker volume ls

image.png

部署n8n

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

图片

安装启动完成后，按 “o”,即可进入浏览器,或者点击地址
http://localhost:5678/setup

图片

配置n8n

设置管理员账号，密码。

image.png

初始化完成后，简单填写一下表单

image.png

根据邮箱地址获取永久密钥

image.png

发送成功 license，点击usage and plan ，输入邮箱收到的license。

image.png

点击 enter activation key，输入邮箱接收到的key即可。

image.png

开始使用

配置完成之后，我们可以看到首页，一个是从头开始，一个是测试一个简单AI示例。这里是预先构建好的 AI Agent案例，我们可以先在这里测试它的功能。

image.png

这里的测试释义OpenAI Model 为例，我们需要先配置 OpenAi 的key，如下图，双击 openai model

image.png

选择凭证，创建一个新的凭证

image.png

输入自己的openai key，点击保存,这里大多数人没有 海外账户，无法支付，为了方便测试,大家可以改为一些中转地址，主要是 api key 和 base url 即可。

image.png

保存完成之后，它会自动测试是分开使用，后边直接使用就好了

image.png

image.png

创建工作流

点击从头开始创建工作流，这里支持 手动触发、app 触发、定时触发、webhook 调用等，由于本地部署没有公网所以webhook无法调用。

image.png

image.png

实践操作AI工作流

主要作用，每天早上8点 ，自动查询国外AI新闻经过AI翻译整理，发送到tg指定频道，或者微信群。

1、编辑定时触发节点

添加一个定时触发工作流，这里支持月天小时等多个维度设置周期，同时也支持 cron表达式，进行更加精确的设置。

image.png

如何设置本地时间呢？

image.png

Timezone，时区设置为上海。

image.png

双击节点，再次点击测试，看到时间已经为8点

image.png

2、 NewsAPI

https://newsapi.org/

完成注册，记录自己的API-Key

image.png


找到获取的get url地址，替换为自己的key，这个地址的apikey都是自己的。
https://newsapi.org/docs/endpoints/everything

图片

添加一个http 请求节点，GET请求，url为粘贴的那部分，点击测试，返回对应的新闻列表，认证不需要认证。

q后边对接的参数为查询的内容，改为ai。 https://newsapi.org/v2/everything?q=ai&apiKey=xxxx

图片

3、Gnews

个人用户使用 Gnews API,免费的为每天100次请求。

https://gnews.io/

图片

登录完成邮箱验证后，可以看到对应的key

图片

访问接口文档，https://gnews.io/docs/v4?python#authentication ，查看api地址，这里默认会带上key,将serach后边的q参数改为ai，因为回来的会有其他语言，我们这里只要英文相关的，lang=en
https://gnews.io/api/v4/search?q=ai&lang=en&apikey=xxxxx

图片

认证方式选择none即可，点击 Execute step，测试，正常返回新闻。

图片


 

调整工作流节点，让这两个http节点都是由同一个启动节点来触发

图片

4、数据格式处理

我们针对这两个http的请求，发现返回的都是json格式，但是内容的字段不太一致，我们统一处理一下，对数据进行统一，添加字段编辑节点

图片

图片

再次运行可以发现已经把这个字段json数据转成string类型的字符串了，同样的另外一个http节点执行相同的操作。

5、数据合并

添加merge 节点，将两个数据源合并

图片

将两个节点添加到merge 节点上

图片

点击执行，这里是合并后的数据

图片


 

6、新闻整合

6.1 整体说明

  1. 针对整理好的AI新闻进行翻译

  2. 对新闻内容进行标准化输出,eg:《标题+ 网址+消息摘要》

  3. 个性化AI提示词

6.2 提示词

AI新闻编辑指令手册
任务目标：筛选、翻译并整理全球AI技术动态，输出专业且易读的行业简报,10条左右

执行步骤：

  1. 日期标注
    📅 开头统一格式：
    "早上好，今天是[YYYY年MM月DD日]，以下是今日AI前沿速递："

  2. 内容筛选

    • 从指定信源筛选15条纯AI技术/应用进展（排除融资、会议等非技术内容）

    • 优先级

      ：模型突破＞算法优化＞新工具发布＞行业应用案例

  3. 翻译规范

    • 中英混合：保留专业术语原貌（如Diffusion Models、Few-shot Learning）

    • 技术细节：用中文清晰解释（例："通过稀疏注意力机制(sparse attention)降低计算开销"）

  4. 排版格式
    🔹 条目模板：
    ✅ 1. [核心突破] 标题突出技术亮点
    🔗 原文链接
    ▪️ 研究团队/公司：MIT、DeepMind等需标注
    ▪️ 关键数据：准确率/效率提升等量化指标加粗（例：降低30%训练成本）
    ▪️ 应用前景：1句话说明潜在影响

    🔹 视觉优化：

    • 每3条新闻后空1行

    • 关键术语用斜体标注

  5. 质量控制

    • 每条新闻需包含：技术名称+核心改进+应用价值

    • 禁用模糊表述（如"显著提升"→改为"提升22%推理速度"）

示例输出：

早上好，今天是2025年5月28日，以下是今日AI前沿速递：

✅ 1. Google推出VideoPoet：支持10秒视频的多模态生成
🔗 原文链接
▪️ 技术亮点：结合LLM与扩散模型，支持文本/图像/音频→视频转换
▪️ 突破数据：生成速度比SOTA模型快1.8倍
▪️ 应用场景：短视频创作、广告素材自动化

✅ 2. MIT提出联邦学习新框架，隐私保护再升级
🔗 原文链接
▪️ 创新点：采用动态梯度加密技术，客户端数据无需上传
▪️ 测试结果：在医疗数据训练中保持92%准确率（传统方法为87%）
▪️ 意义：破解医疗AI数据孤岛难题

附：术语中英对照表（供参考）

  • 大语言模型 → LLM

  • 强化学习 → Reinforcement Learning

  • 生成对抗网络 → GAN

请严格按此模板执行，确保信息密度与可读性平衡，忽略其他信息，原文链接等为真实地址。

6.3 添加AI节点

点击加号，添加AI-Agent 选择自定义

图片

点击 express 输入提示词

图片

设定ai的角色，任务以及要求，这里大家可以自定义

图片

这个时候点击测试，发现会报错，这里我们需要添加一个模型，我们以deepseek为例

图片

添加deepseek模型

图片

创建AI服务

图片

deepseek的api-key配置地址为： https://platform.deepseek.com/api_keys

创建一个key

图片

在配置界面输入对应的key 保存，它会自动测试ai服务的联通性。

image.png

模型配置，这里我们使用 deepseek-chat即可。

图片


 

6.4 测试整合输出

设置完成AI模型之后，我们点击测试，查看一下我们的输出效果，可以看到 output 就是整理好的新闻列表，看着效果还不错。

图片

7、消息推送

7.1 配置消息频道

这里我们使用电报为例，也可以使用webhook 推送到钉钉、飞书、公众号等平台， 在telegram的消息对话框搜索 botfather

图片

打开机器人，点击开始

图片

点击 new_bot 创建一个带机器人的频道

图片

首先输入频道的名字，接着输入 机器人的名字，这个名字要以_bot 结尾。

图片

7.2 配置发送工作流

点击加号，选择添加app ，选择 telegram，搜索send ，选择发送纯文本消息。

image.png

节点添加中，我们创建一个新的信任凭证，这个就是上边的token

image.png

输入我们创建的token ，保存之后会自动发起测试，如右下角说明无误

image.png

7.3 配置chat id

chat id 的作用就是，指定我们发消息到哪个频道,回到 telegram 中搜索get_id_bot,点击开始使用

图片

在对话框中输入： /my_id

image.png

就可以看到你的chat id 是多少，复制这个id

图片

配置对应chat id 和 消息内容

图片

7.4 完成工作流配置

点击测试，在A2Data 频道中可以看到 效果还是不错的，至此我们的AI 新闻早报就完成了，测试对应的原文链接也是可以直接访问的。

图片

返回工作流主页，记得打开这个定时开关

图片

完整工作流如下，你学废了吗？

图片

 

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。


👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。


1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

n8n + AI Agent：AI 自动化生成测试用例并支持导出 Excel
blues_C的博客
06-07 1549
如果我告诉你，有一种方法，你只需要输入需求内容，AI就能自动帮你设计出结构清晰、覆盖全面的测试用例，并直接生成一份精美的Excel表格，你会不会心动？
三大AI开发平台深度对比：Coze、Dify、n8n全方位解析
Code_流苏：在代码中寻诗意，在实践中觅真知
05-29 1969
三大AI开发平台深度对比：Coze、Dify、n8n全方位解析，你都用过吗？
n8n实战：自动化生成AI日报并发布
m0_57547088的博客
06-13 1801
本文介绍如何利用开源工作流平台n8n打造自动化AI新闻日报系统。该系统通过定时抓取科技媒体RSS新闻源，使用OpenDataSky大模型进行中文摘要生成和排版，最终自动发布结构化日报。关键实现步骤包括：配置定时触发器设置新闻采集频率、从多RSS源提取内容并去重、使用pgvector向量数据库存储新闻语义信息、调用LLM模型进行内容摘要和翻译。整个流程无需编写代码，仅需在n8n可视化界面中配置节点即可完成，实现了新闻采集、语义处理到发布的端到端自动化。
轻松掌握 Llama 3.1：轻松本地部署与远程使用的全攻略
2301_81887304的博客
08-28 1860
Llama 3.1 是 Meta（Facebook 的母公司）发布的一系列最先进的开源大语言模型。Llama 3.1 系列包括 8B（80 亿参数）、70B（700 亿参数）和 405B（4050 亿参数）模型。其中，405B 是 Meta 迄今为止最大的模型。
(新手向)n8n从部署到调用deepseek
最新发布
lgldl的博客
06-22 832
本文介绍了使用Docker安装和配置n8n工作流自动化平台的详细步骤：首先下载安装Docker Desktop，然后拉取官方n8n镜像并创建数据存储目录。文章提供了汉化包安装指南（可选），包括解压路径配置和汉化环境变量设置。重点演示了如何创建调用DeepSeek AI模型的工作流：添加聊天触发器节点，配置DeepSeek API密钥凭证，选择模型并测试运行。最后展示了工作流执行效果和微信交流方式。整个过程涵盖从基础安装到实际应用，为自动化工作流开发提供实用指导。
n8n+deepseek+通义万相——手把手带你搭建单词谐音梗工作流
weixin_43290229的博客
06-11 1043
n8n是一个开源自动化工作流搭建平台，你可以通过拖拽，将各个不同的节点连接起来，完成你设定的任务，让它24小时不眠不休地替你干活！
搭建工作流自动化工具n8n并配置deepseek大模型
xuebodx0923的博客
04-04 3748
1. 摘要（发音为 "n-eight-n"）是一个开源的图形化低代码工作流自动化工具，允许用户通过可视化界面连接不同的应用程序和服务，实现自动化任务。在linux服务器上，用docker安装n8n工作流自动化工具，用ollama私有化部署DeepSeek-R1-Distill-Qwen-1.5B。If you prefer to disable this security feature，set the environment variable N8N_SECURE_COOKIE to false
利用本地DeepSeek R1和n8n框架，创建AI智能体
Code1994的博客
02-16 8448
如今，AI 越来越智能。在本地部署个人 AI 智能体，是一件意义重大的事：无需云服务和 API，就能完全自主掌控私人 AI，保障数据安全和隐私，还能个性化定制。借助n8n、Ollama和DeepSeek-R1这三款超实用工具，你能在自己电脑上实现工作流程自动化、处理数据、与 AI 聊天。本文详细介绍如何安装这些工具、实现工具间的连接配置，以及在 Windows 电脑上搭建并运行本地 AI 智能体的步骤。
n8n-nodes-mcp-AI人工智能资源
04-02
"n8n-nodes-mcp-AI人工智能资源"这一标题意味着当前文件集合与n8n有关，并且特定地集中在AI人工智能相关的节点扩展上。这些文件是开发和维护n8n节点所必需的，节点是n8n中用于数据处理和执行特定操作的独立代码模块...
n8n：1.18.2 本地镜像
02-11
这种隔离性是通过Docker的容器技术实现的，容器内的n8n实例运行在一个轻量级的操作系统层面上，与宿主机的系统内核共享，但拥有自己的文件系统、进程空间和网络设置等。 此外，使用本地镜像还能够提高工作效率，...
开源AI新协议！AI Agent与前端交互的轻量级协议，轻松构建交互式AI应用！
bugyinyin的博客
06-04 829
AI Agent 的兴起让前端交互需求激增，但传统开发中，连接Agent后端与前端需大量定制代码，效率低下。 在 MCP（模型上下文协议）、A2A（Agent-to-Agent 通信协议）之后，AI Agent 的生态正在走向一个更完整的方向：AG-UI 协议横空出世，专为 Agent 与前端应用的通信交互而设计。
n8n - AI自动化工作流
热门推荐
AI工程化、开源分享、文档翻译、代码笔记
01-04 3万+
n8n是一个具有原生AI功能的工作流自动化平台，它为技术团队提供了代码的灵活性和无代码的速度。凭借400多种集成、原生人工智能功能和公平代码许可证，n8n可让您构建强大的自动化，同时保持对数据和部署的完全控制。“我经常（比我预期的要频繁）遇到这个问题，所以我决定最好在这里回答。在为这个项目寻找一个有免费域名的好名字的时候，我很快意识到我能想到的所有好名字都已经被取用了。就在那时，我最终选择了’n8n’。，因为它使用节点视图，并使用node.js和’mation’表示“自动化”，这是该项目应该帮助的。
手把手教你搭建n8n+mcp+deepseek工作流
2501_92003677的博客
05-19 1167
本文详细介绍了如何搭建n8n+mcp+deepseek的工作流，分为四个主要步骤：首先，通过Docker部署n8n，推荐使用官方镜像或国内镜像；其次，激活n8n账号并完成注册；接着，安装mcp工具节点；最后，正式搭建工作流，包括创建workflow、添加Onchatmessage和AIAgent组件、配置deepseek模型和MCPClientTool组件。通过这一流程，用户可以实现在n8n平台上调用mcp工具进行智能问答，最终通过测试验证工作流的有效性。
TensorFlow相关组件的安装
AAI666666的博客
01-11 2934
TensorFlow相关组件的安装
玩转自动化操作神器n8n之（1）n8n的简介与安装
u014723479的博客
05-15 1万+
n8n是一款强大的工作流程自动化工具，可以自定义想要使用的功能和应用程序。n8n基于节点能够将任何工具连接在一起，轻松部署不同类型的任务。n8n虽然在国内知名度没那么高，但是老外确实非常喜欢这个工具。我们简单搜索一下就可以发现知乎上基本上没有人讨论这个话题，就算仅有的几个回答也是好多年之前的，不知道的人还以为是一个小众软件呢B站上面更是直接搜索不到但是当你打开它的GitHub页面，发现上面的star达到了30K，这是非常恐怖的一个数字。
如何用AI赋能N8N提高自动化能力？
weixin_41736460的博客
06-11 2095
N8N是一个开源的无代码工作流程自动化工具，它允许用户通过可视化的界面来创建复杂的自动化工作流程。N8N 提供了丰富的节点，这些节点可以连接到各种服务和应用程序，如电子邮件、社交媒体、数据库、云存储服务等，实现数据的自动化处理和传输。N8N 的目标是为个人和企业提供一个灵活的自动化解决方案，使得即使是不具备编程技能的用户也能构建复杂的工作流程。通过上述方法，你可以将 AI LLM 的能力整合到你的 N8N 自动化工作流中，实现文本分析、翻译、内容生成等多种任务。
「AIGC」n8n AI Agent开源的工作流自动化工具
拥抱AI Design
10-22 3137
n8n AI Agent在工作流中直接使用 JavaScript 或 Python 代码，以实现高度定制的逻辑。
【亲测免费】 探索新闻的无限可能 - 使用NewsAPI_node接口解锁实时资讯
gitblog_00881的博客
08-30 676
探索新闻的无限可能 - 使用NewsAPI_node接口解锁实时资讯 在这个信息爆炸的时代，掌握最新的新闻动态对于个人和企业来说至关重要。今天，我们来深入探索一款名为NewsAPI_node的强大工具，它将帮助您轻松接入全球超过70家知名新闻网站的头条和元数据。让我们一探究竟，看看如何利用这款开源项目，在您的应用中实现新闻数据的无缝集成。 项目介绍 NewsAPI_node是一个基于Node.js...
n8n deepseek
03-01
### n8n与DeepSeek的集成 #### 集成概述 n8n是一个强大的工作流自动化工具，允许用户创建复杂的工作流来连接不同服务。通过将n8n与DeepSeek集成，可以实现更高效的数据检索和处理流程。这种组合能够显著提升工作效率，尤其是在涉及大量非结构化数据的情况下[^1]。 #### 实现方式 为了使n8n能与DeepSeek协同工作，通常需要开发特定节点(node)，该节点作为两者之间的桥梁。此节点应具备向DeepSeek发送请求的能力，并解析返回的结果用于后续操作。下面展示了一个简单的Python脚本片段，可用于构建这样的自定义节点： ```python import requests def query_deepseek(document_id): url = f"https://api.deepseek.com/v1/documents/{document_id}/retrieve" headers = { 'Authorization': 'Bearer YOUR_ACCESS_TOKEN', 'Content-Type': 'application/json' } response = requests.get(url, headers=headers) if response.status_code == 200: return response.json() else: raise Exception(f"Error retrieving document: {response.text}") ``` 这段代码展示了如何利用`requests`库发起HTTP GET请求到DeepSeek API端点，获取指定ID的文档详情。实际应用中可能还需要考虑错误处理机制以及身份验证逻辑等细节问题。 #### 应用场景举例 当企业内部存在海量历史档案资料时，借助于上述提到的人工智能代理技术，配合n8n设计出一套完整的自动化方案就显得尤为重要了。比如，在接收到新客户咨询邮件后触发相应事件，自动调用DeepSeek接口查询匹配度最高的过往案例供客服人员参考；或是定期扫描某类文件夹内的新增PDF文件，经过OCR识别转换为文本格式后再存入数据库以便日后快速定位查阅等等。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值