这篇不讲故事，直接上干货。把一个完整的工作流从 0 搭到能用的状态，每一步的命令和配置都列出来。

最终效果

跑起来之后，这个工作流会：

1. 定时抓取你指定的网页/RSS
2. AI 自动总结内容
3. 判断内容分类（科技/财经/工具/其他）
4. 存档到 SQLite 数据库
5. 如果命中你关心的关键词，额外推送通知

全程本地，不依赖任何云端 API。

前置环境

已经装好的：

• Ollama（qwen2.5:7b）
• n8n（Docker）

还需要加两个服务：

mkdir -p /opt/n8n-services && cd /opt/n8n-services
cat > docker-compose.yml << 'EOF'
version: "3.8"
services:
  # SQLite 不需要单独容器，n8n 内置支持
  # 但如果想外部访问数据，可以加一个 sqlite-web
  sqlite-web:
    image: coleifer/sqlite-web
    container_name: sqlite-web
    restart: unless-stopped
    ports:
      - "8002:8080"
    volumes:
      - n8n-data:/data
    environment:
      - SQLITE_DATABASE=/data/n8n-sqlite.db
volumes:
  n8n-data:
    external: true
EOF
docker compose up -d

SQLite Web 只是方便查看数据，不是必须的。

---

第 1 步：创建数据库表

在 n8n 里加一个 Execute Command 节点，初始化数据库：

sqlite3 /home/node/.n8n/database.sqlite << 'SQL'
CREATE TABLE IF NOT EXISTS content_archive (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    title TEXT NOT NULL,
    summary TEXT,
    category TEXT,
    source_url TEXT,
    keywords_matched INTEGER DEFAULT 0,
    created_at DATETIME DEFAULT CURRENT_TIMESTAMP
);
CREATE INDEX IF NOT EXISTS idx_category ON content_archive(category);
CREATE INDEX IF NOT EXISTS idx_created ON content_archive(created_at);
SQL

或者直接在 n8n 里用 SQLite 节点的 “Execute Query” 功能创建。

---

第 2 步：搭建工作流

打开 n8n，新建 Workflow，按顺序添加节点。

节点 1：Schedule（定时触发）

• 触发模式：Every Day
• 时间：09:00（或者你喜欢的时间）

节点 2：RSS Feed Read（抓取内容）

添加 3~5 个你常看的源。我用的几个：

https://feeds.feedburner.com/36kr/news
https://rsshub.app/36kr/news/latest
https://rsshub.app/ithome/news

RSSHub 可以自己部署，docker run -d -p 1200:1200 diygod/rsshub

节点 3：Code（数据清洗）

RSS 抓回来的数据需要整理：

// 合并所有 RSS 条目，去重
const items = $input.all();
const seen = new Set();
const unique = items.filter(item => {
  const url = item.json.link || item.json.guid || '';
  if (seen.has(url)) return false;
  seen.add(url);
  return true;
});
// 每条提取关键字段
const articles = unique.map(item => ({
  title: item.json.title || '无标题',
  content: item.json.contentSnippet || item.json.content || '',
  link: item.json.link || item.json.guid || '',
  date: item.json.pubDate || item.json.isoDate || ''
}));
return [{ json: { articles, count: articles.length } }];

节点 4：Ollama Chat（AI 处理）

这是核心节点。System Prompt：

你是一个内容处理助手。请对以下文章列表进行处理：
1. 为每篇文章生成 50 字以内的中文摘要
2. 判断分类：科技/财经/工具/其他
3. 提取 3 个关键词
输出格式为 JSON 数组，不要其他内容：
[
  {
    "title": "文章标题",
    "summary": "摘要",
    "category": "分类",
    "keywords": ["关键词1", "关键词2", "关键词3"],
    "link": "原文链接"
  }
]

User Message：

以下是需要处理的文章列表：
{{ JSON.stringify($node["Code"].json.articles) }}

注意： 如果文章太多，一次性处理可能会超时。建议在 Code 节点里限制数量（比如取最新的 10 条）。

节点 5：Code（解析 AI 输出）

AI 返回的是 JSON 字符串，需要解析成 n8n 能处理的格式：

const raw = $input.first().json.content || $input.first().json.message?.content;
let articles;
try {
  // 有时候 AI 会在 JSON 外面包一些废话，用正则提取
  const jsonMatch = raw.match(/[[sS]*]/);
  articles = jsonMatch ? JSON.parse(jsonMatch[0]) : [];
} catch (e) {
  articles = [];
}
// 拆分成多条，每条是一个文章
return articles.map(a => ({
  json: {
    title: a.title || '',
    summary: a.summary || '',
    category: a.category || '其他',
    keywords: a.keywords || [],
    link: a.link || ''
  }
}));

节点 6：IF（关键词匹配）

检查文章是否包含你关心的关键词：

条件：keywords 数组包含以下任意一个
  - "AI" 或 "人工智能" 或 "Ollama" 或 "Docker" 或 "Linux"

匹配到的文章走”是”分支，否则走”否”分支。

节点 7：SQLite（存档 – 所有文章）

“否”分支和”是”分支都连一个 SQLite 插入：

INSERT INTO content_archive (title, summary, category, source_url, keywords_matched)
VALUES ('{{ $json.title }}', '{{ $json.summary }}', '{{ $json.category }}', '{{ $json.link }}', 0);

“是”分支的 keywords_matched 设为 1。

节点 8：Telegram Bot（推送 – 仅命中关键词的文章）

只有命中关键词的文章才推送：

📌 关键词命中提醒
标题：{{ $json.title }}
分类：{{ $json.category }}
摘要：{{ $json.summary }}
{{ $json.link }}

---

完整工作流结构

Schedule (每天 9:00)
  ↓
RSS Feed Read (3~5 个源)
  ↓
Code (去重 + 提取字段)
  ↓
Ollama Chat (总结 + 分类 + 关键词)
  ↓
Code (解析 JSON 输出)
  ↓
     IF (关键词匹配?)
    / 
  是   否
  ↓     ↓
SQLite  SQLite
(标记1) (标记0)
  ↓
Telegram 推送

---

优化点

1. 分页处理

如果 RSS 源很多（20+ 条），建议分批处理：

// Code 节点里加一个分页器
const articles = $input.first().json.articles;
const PAGE_SIZE = 5;
const page = $execution.resumeData?.page || 0;
const slice = articles.slice(page * PAGE_SIZE, (page + 1) * PAGE_SIZE);
if (slice.length === 0) {
  return []; // 处理完毕
}
// 设置下次继续
$execution.resumeData = { page: page + 1 };
return [{ json: { articles: slice, hasMore: (page + 1) * PAGE_SIZE < articles.length } }];

2. 错误重试

n8n 支持节点级别的错误重试。在 Ollama Chat 节点设置里：

• On Error → Retry
• Max Retries → 3
• Retry Interval → 30s

模型加载慢或者超时时自动重试，不用手动重跑。

3. 导出工作流

搭好的工作流可以导出备份：

n8n → Workflow → 右上角三点 → Download

导出的 JSON 文件就是你的工作流模板，换机器直接导入。

---

验证

跑完之后，打开 SQLite Web（http://IP:8002），应该能看到 content_archive 表里有记录了。

每条记录包含：

• 标题、摘要、分类
• 是否命中关键词
• 抓取时间

可以按分类筛选，看看 AI 分得准不准。

---

资源占用

一次完整执行（10 篇文章）：

• Ollama 推理：约 30~60 秒
• n8n 内存峰值：约 400MB
• 磁盘占用：每天 10 条约 50KB（纯文本）

如果是 8G 内存的机器，建议：

• 文章数量限制在 5 条以内
• 模型换成 qwen2.5:3b
• 执行间隔拉到 12 小时一次

扩展方向

这个工作流是基础版，后续可以：

1. 加去重逻辑——用 SQLite 的 title 做 UNIQUE 约束，避免重复存档
2. 加 Webhook 触发——不只是定时，有新内容时通过 Webhook 立即触发
3. 加邮件摘要——每周日把当周存档汇总成一封邮件
4. 接入多模态——用 LLaVA 模型处理网页里的截图/图片

工作流 JSON 模板就不贴了（太长），有需要的可以自己按上面的节点配置搭。每一步都不难，主要是把流程想清楚再动手。