Datawhale 11小时前
AI自动化神器n8n，保姆级教程来了！
index_new5.html
../../../zaker_core/zaker_tpl_static/wap/tpl_guoji1.html

 

本文分享了如何使用n8n（nodemation）这一开源工作流自动化工具，实现GitHub Trending项目的追踪，并自动生成邮件通知和发布到博客。通过搭建两个工作流，分别负责获取项目列表并存储，以及AI总结和自动化发布，最终实现信息的自动化抓取、过滤、总结和发布。文章详细介绍了n8n的核心特点、部署方法、以及工作流的搭建过程，包括使用HTTP Request、GitHub、Supabase、Code、Basic LLM Chain等节点，并提供了代码示例和调试技巧。

💡 n8n是一个开源的、高度可扩展的工作流自动化工具，通过直观的可视化界面连接应用、服务和数据，构建自动化流程，提升效率。

🌐 n8n提供多种自托管部署方式，本文使用docker compose部署，并配置反向代理服务，使得用户可以通过访问指定域名访问n8n的UI界面。

🛠️ 工作流1用于获取GitHub Trending项目列表并存储，通过Python脚本获取Trending项目列表，并使用HTTP Request节点访问本地服务，将数据存储到Supabase数据库中。

🤖 工作流2负责GitHub Trending项目AI总结与自动化发布，包括剔除已推送项目、挑选项目、获取README、使用大语言模型总结、邮件推送和博客发布，最终实现自动化信息流。

📝 代码节点是工作流中的关键，使用JavaScript或Python编写代码，处理数据，并返回给下游节点，文章提供了代码示例，展示了如何使用内置方法和变量，以及调试技巧。

原创 王晓亮 2025-06-24 22:29 浙江

 Datawhale干货 

作者：王晓亮，Datawhale成员

 


目录

作为一个程序员，我一直期望可以追踪 GitHub 的 Trending 项目，但是每次都要去 GitHub 上手动查看并挨个浏览 GitHub 仓库内容，非常麻烦。

在接触到 n8n 之后，我萌生一个想法，利用 n8n 自动化进行 GitHub Trending 项目的追踪， 并生成邮件通知，甚至自动化发布到我的博客站点中。通过周末两天时间完成该工作流的搭建，并成功运行。以下是 n8n 相关介绍及工作流搭建过程，分享给大家。

n8n 初识：一个自动化超级英雄

n8n 是 nodemation 的简称，是一个开源的、高度可扩展的工作流自动化工具。GitHub 仓库为 https://github.com/n8n-io/n8n ，当前 Star 数已经达到 108K。它允许你通过一个直观的可视化界面，将不同的应用、服务和数据连接起来，创建复杂的自动化流程，从而提升效率、减少重复性工作。

核心特点：

相较于市面上其他自动化工具，n8n 的核心优势在于其开源的本质和卓越的可扩展性。开源意味着透明、社区驱动的快速发展，并且可以根据你的具体需求进行深度定制。而其强大的节点系统和灵活的编程能力， 使得它不仅能满足日常的简单自动化需求，更能应对复杂的企业级工作流挑战，真正成为“自动化超级英雄”。

部署 n8n 环境：开启自动化之旅

n8n 提供多种自托管部署方式，且官方提供参考仓库 https://github.com/n8n-io/n8n-hosting 。

这里我使用 docker compose 部署，同时为了后期 OAuth 相关认证支持，还需要准备一个子域名用作 n8n 服务的域名。需提前将域名解析指向 n8n 服务的公网地址。

1. 在服务创建目录 

mkdir n8n-compose && cd n8n-compose

2. 参考 官方示例（https://github.com/n8n-io/n8n-hosting/tree/main/docker-compose/withPostgresAndWorker）创建文件 

docker-compose.yml

 与 

init-data.sh

3. 准备环境变量配置文件

.env

（更改下列配置项为实际值）
POSTGRES_USER=changeUser
POSTGRES_PASSWORD=changePassword
POSTGRES_DB=n8n

POSTGRES_NON_ROOT_USER=changeUser
POSTGRES_NON_ROOT_PASSWORD=changePassword

ENCRYPTION_KEY=changeEncryptionKey

N8N_EDITOR_BASE_URL=https://n8n.example.com
WEBHOOK_URL=https://n8n.example.com

4. 在容器配置文件中加上环境变量配置

diff --git a/docker-compose/withPostgresAndWorker/docker-compose.yml b/docker-compose/withPostgresAndWorker/docker-compose.yml
index b5b2de6..2d8cdfc 100644
--- a/docker-compose/withPostgresAndWorker/docker-compose.yml
+++ b/docker-compose/withPostgresAndWorker/docker-compose.yml
@@ -19,6 +19,8 @@ x-shared: &shared
     - QUEUE_BULL_REDIS_HOST=redis
     - QUEUE_HEALTH_CHECK_ACTIVE=true
     - N8N_ENCRYPTION_KEY=${ENCRYPTION_KEY}
+    - N8N_EDITOR_BASE_URL=${N8N_EDITOR_BASE_URL}
+    - WEBHOOK_URL=${WEBHOOK_URL}
   links:
     - postgres
     - redis
5. 启动容器 

docker-compose up -d

6. 检查容器状态 

docker-compose ps

，可以得到如下输出

NAME                       COMMAND                  SERVICE             STATUS              PORTS
n8n-compose-n8n-1          "tini -- /docker-ent…"   n8n                 running             0.0.0.0:5678->5678/tcp, :::5678->5678/tcp
n8n-compose-n8n-worker-1   "tini -- /docker-ent…"   n8n-worker          running             5678/tcp
n8n-compose-postgres-1     "docker-entrypoint.s…"   postgres            running (healthy)   5432/tcp
n8n-compose-redis-1        "docker-entrypoint.s…"   redis               running (healthy)   6379/tcpn8n.example.com

7. 配置反向代理服务，如 Caddyserver 可以添加如下配置至 /etc/caddy/Caddyfile

n8n.example.com {
    reverse_proxy localhost:5678
}
经过如上配置，访问 


https://n8n.example.com

 就可以访问 n8n 的 UI 了。第一次访问需要配置管理员账号密码。

实现 GitHub Trending 每日追踪

接下来到了工作流搭建过程。先规划整体工作流运转流程：

    定时获取 GitHub Trending 项目列表并存储

    基于存储的项目列表，选择合适的项目进行 git 仓库信息获取，主要为项目 README 内容等

    使用 LLM 对获取的信息进行文本总结，输出 Markdown 格式内容

    将输出内容进行邮件发送或者存储至博客系统中

数据存储我使用 Supabase 的数据库，博客系统为我个人博客主站，使用 hugo 搭建并由 GitHub Actions 自动部署。整个过程中使用的核心 node 有

获取 GitHub Trending 项目列表与信息总结、内容发布有不同的时间周期，我将其分为两个不同的工作流。

工作流 1 - 获取 GitHub Trending 项目列表并存储

由于 GitHub Trending 项目列表是动态的，且 GitHub 官方不提供 API。为此我写了一个 Python 脚本获取 GitHub Trending 项目列表，并包装成本地服务提供 API 供工作流使用，当然绝大部分代码由 LLM 生成。该服务已经开源，地址为https://github.com/tomowang/github-trending 。

为了让 n8n 节点可以访问该服务，我们需要将其运行在 n8n docker compose 对应的 network 中， 使用如下命令启动服务（其中

n8n-compose_default

为 n8n 所在的 docker-compose 的网络名称）：
docker run -d \    -p 18000:8000 \    --name github-trending \    --restart always \    --network n8n-compose_default \    ghcr.io/tomowang/github-trending:latest
在 n8n 中使用 

HTTP Request 

节点访问本地服务，配置如下（注意其中的 

URL 

部分，使用 docker 网络中的 service 作为域名）：

后续 Code 节点填充额外的时间、当前列表排名等信息，最后数据使用 Supabase 节点进行存储。Supabase 表结构如下：

create table public.trending_repos (
 id bigint generated by default as identity not null,
 name character varying not null default ''::character varying,
 description text null default ''::text,
 language character varying null default ''::charactervarying,
 stars integer null,
 forks integer null,
 today_stars integer null,
 built_by text[] null,
 date timestamp without time zone null,
 rank smallint null,
 constraint trending_repos_pkey primarykey(id)
)TABLESPACEpg_default;

使用 Supabase 需要我们添加 Supabase 的认证信息

    获取 Supabase Project URL 信息：Project Settings -> Data API -> Project URL

获取 Supabase Project API Key 信息：Project Settings -> API Keys -> service_role

详细参考官方文档：

https://docs.n8n.io/integrations/builtin/credentials/supabase/ 。

运行工作流，我们可以在 Supabase 控制台看到数据

至此该工作流就创建完成了，我们可以将工作流状态设置为 

active

，通过定时触发器，每小时获取获取一次数据并进行存储，作为后续工作流的数据源。

工作流 2 - GitHub Trending 项目 AI 总结与自动化发布

有了每小时的 GitHub Trending 项目列表数据，我们就可以开始进行项目信息总结了。我们需要规划下整个工作流运转流程，有几个需求需要提前梳理：

    由于我们每小时抓取一次 GitHub Trending 项目列表，因此我们需要一些策略来挑选我们最终用 AI 进行总结项目

    对于已经总结以及推送过的项目，需要避免重复推送

    项目的信息需要从 GitHub 获取，特别是项目的 README 信息

关于第二点，存储已经推送过的项目，我们同样可以使用Supabase的数据库进行存储，表结构如下：

create table public.pushed_repos (
  id integer generated by default as identity not null,
  pushed_at timestamp with time zone not null default now(),
  name character varying not null,
  constraint pushed_repos_pkey primary key(id)
) TABLESPACEpg_default;

所以整体流程大概如下：

    从之前存储的 Supabase 中获取项目列表

    剔除其中已经推送的项目

    通过一定策略挑选需要推送的项目

    获取项目信息，主要为 README

    使用大语言模型针，结合项目信息以及 README 信息，进行总结

    使用 Email 节点推送总结

    将总结通过 GitHub 节点发布到博客系统

    将推送的项目信息存储到 Supabase 中

完成后的 n8n 工作流如下：

接下来我们对其中的一些关键节点及流程进行说明。

Code Node & Built-in methods and variables

首先是我们的第一个代码节点

Filter out pushed repos

n8n 支持两种语言的代码节点，JavaScript & Python，其中 Python 使用Pyodide 提供支持。在示例中，我们使用 Python 节点。在 n8n 中，节点默认对工作流中传递的数据进行 循环调用（https://docs.n8n.io/flow-logic/looping/）。但是我们期望针对获取到的 GitHub 项目信息进行统一处理，所以在示例中的代码节点我们配置其运行模式为

Run Once for All Items

。

官方文档提示：The Code node takes longer to process Python than JavaScript. This is due to the extra compilation steps. 所以如果追求极致的性能，可以尽量使用 JavaScript 代码节点

在代码中，我们需要使用内置的方法及变量来获取上游节点传递的数据。JavaScript 以及 Python 使用不同的命名方式进行变量获取。

JavaScript

Python

描述

$input.item

_input.item

当前节点关联的输入数据

$input.all()

_input.all()

当前节点关联的所有输入

$json

_json

$input.item.json

或者

_input.item.json

 的快速访问

$("<node-name>").all()

_("<node-name>").all()

获取特定节点的全部输入

当我们对数据进行处理后，需要返回数据给下游节点进行后续处理。在 n8n 中，节点中的数据传输使用 对象数组（https://docs.n8n.io/data/data-structure/） ，其结构如下

[
    {
        // For most data:
        // Wrap each item in another object, with the key         'json'
        "json":{
            // Example data
            "apple":"beets",
            "carrot":{
            "dill":1
            }
        },
        // For binary data:
        // Wrap each item in another object, with the key 'binary'
        "binary":{
            // Example data
            "apple-picture":{
                "data":"....",// Base64 encoded binary data (required)
                "mimeType":"image/png",// Best practice to set if possible (optional)
                "fileExtension":"png",// Best practice to set if possible (optional)
                "fileName":"example.png"// Best practice to set if possible (optional)
            }
        }
    }
]
所有在示例的代码节点中，最后返回过滤后的

item.json

数组，完整的代码如下：
# Loop over input items and add a new field called 'myNewField' to the JSON of each one
trending_repos=_('Last 24h trending repo').all()
pushed_repos=[item.json['name']foritemin_('Last 30d push history').all()]
print("pushed_repos: ",pushed_repos)

return[
    item.jsonforitemintrending_reposifitem.json['name']notinpushed_repos
]
另外，如果需要对代码进行调试，可以使用

console.log

 及 

print()

，相关的调试结果会输出在浏览器的调试控制台中。

1. HTTP Request Node

由于原生的 GitHub 节点不支持获取项目的 README 信息，我们使用 HTTP Request 节点来进行自定义 API 调用，这同样也适用于其他提供 HTTP 接口但是没有节点支持的系统。

GitHub 仓库的 README 信息可以通过

GET /repos/{owner}/{repo}/readme

 API 获取，具体 API 文档可以参考：https://docs.github.com/en/rest/repos/contents?apiVersion=2022-11-28#get-a-repository-readme。

在示例中，我们使用 

GET 

方法，并设置 

Accept 

为

application/vnd.github.raw+json

，以获取原始的 README 内容。
对于请求的 URL，我们使用

{{ $json.name }}

来获取上游节点传递的项目名称信息（在这种情况下只支持 JavaScript 代码，并使用

{{ }}

运行 表达式（https://docs.n8n.io/code/expressions/ ）。
对于请求的认证 Authentication 部分，n8n 建议在可用时使用预定义凭证类型选项。这里我们通过预定义凭证类型 

GitHub API 

来进行认证。

2. LLM Chain Node

n8n 提供丰富的 LLM 相关的节点，隶属于集群节点 Cluster Nodes（https://docs.n8n.io/integrations/builtin/cluster-nodes/）， 集群节点是一起工作的节点组，包含一个根节点以及多个子节点。

在示例中，我们使用

Basic LLM Chain

节点对项目信息进行总结，其包含一个根节点以及一个大模型子节点。

对于提示词，我们使用预设模式。在提示词中，通过表达式获取之前节点获取的 GitHub 项目信息以及 README 信息，提示词中相关片段如下：

以下为Github仓库名称 `{{ $('Calc top repos').item.json.name }}`。
仓库信息：
```json
{{ JSON.stringify($('Calc top repos').item.json, null, 2) }}
```

仓库原始README信息：
```markdown
{{ $json.data }}
```

Basic LLM Chain 

需要绑定一个大语言模型，n8n 提供了多个大语言模型节点，如 

OpenAI

、

Hugging Face 

等。

示例中我们使用 Google Gemini Chat Model，选择该类型节点后，添加对应的鉴权信息（API Key 可以通过 https://aistudio.google.com/app/apikey 创建），并选择模型版本， 如 

gemini-2.5-flash-preview-05-20

，这样 

Basic LLM Chain 

节点就具有了大模型能力，能够根据提示词信息进行文本生成工作。

展望

基于上述的工作流，我们能够实现 GitHub 项目信息自动抓取、过滤、总结，并自动发送邮件以及发布至博客中。通过 Execution 面板，我们可以观测工作流的运转过程，并看到每个节点实际的输入输出数据，甚至预估的 Token 数。

最终自动发布的博客地址为 https://tomo.dev/aigc/ ，自动发送的邮件如下：

该工作流展示了 n8n 强大的集成能力，以及灵活的节点配置方式。通过类似的方法，我们可以拓展更多数据源获取、处理以及大语言模型解读等场景，实现更多自动化工作。

最后附上工作流文件，方便大家参考。

https://tomo.dev/posts/n8n-workflow-for-daily-github-trending-auto-posting/

图片

一起“点赞”三连↓

阅读原文

跳转微信打开

Fish AI Reader

Fish AI Reader

AI辅助创作，多种专业模板，深度分析，高质量内容生成。从观点提取到深度思考，FishAI为您提供全方位的创作支持。新版本引入自定义参数，让您的创作更加个性化和精准。

FishAI

FishAI

鱼阅，AI 时代的下一个智能信息助手，助你摆脱信息焦虑

联系邮箱 441953276@qq.com

相关标签

n8n GitHub Trending 自动化 工作流 AI
相关文章
【iThome 2024 CIO大調查系列 1｜CIO年度目標】CIO更重視開創型IT戰略，AI創新優先度今年驟增
How popular is ChatGPT? Part 1: more popular than Taylor Swift
Weka Makes Life Simpler for Developers, Engineers, and Architects
Build E2E CI/CD Pipeline using GitHub Actions, Docker & Cloud
✨ 人人都能用好AI，这款GPTs 助你定制高效工作流：Prompt for me 作为一个AI布道者，Hans 在即刻写下数百篇新产品介绍、模型研究和心得，却仍感受到不同领域和...
A new report explores the economic impact of generative AI
Redundancy in AI: A Hybrid Convolutional Neural Networks CNN Approach to Minimize Computational Overhead in Reliable Execution
OpenAI计划下周宣布ChatGPT和GPT-4更新，但不会推出GPT-5和搜索引擎
Intersect360 Research Takes a Deep Dive into the HPC-AI Market in New Report
Amazon’s New AI Assistant Is an Editor to Prevent Hallucinations