用零代码 + LLM 把“图书馆预约、投简历”全自动

一、初识 n8n：把“自动化”做成乐高

1. 定位
   n8n = 开源版 Zapier/Make，但节点完全可拖拽、可写少量 JS 做“函数节点”，数据流像管道一样从左到右。

2. 核心概念

   • Workflow：一条自动化流程，由 Trigger + 节点组成。
   • Node：最小单元，可以是“发 HTTP 请求”“调用 OpenAI”“读写 GoogleSheet”“发邮件”等 400+ 官方节点。
   • Item：数据行，每行 JSON 在节点之间流传。
   • Expression：用 {{ $json.field }} 在任何输入框里动态取值，支持 JS 语法。

3. 安装（3 选 1）

   • Docker 最快：docker run -d --name n8n -p 5678:5678 -v n8n_data:/home/node/.n8n n8nio/n8n
   • npm：npm i -g n8n
   • 云端：Railway/Render 一键模板，5 分钟出公网域名，手机也能改流程。

二、场景 1：图书馆预约（抢座）全流程复盘

目标：每天 6:58 自动登录图书馆系统→查余座→预约 3 楼靠窗→成功/失败都飞书提醒。

1. 抓包拿到接口

浏览器 F12 发现：

• 登录 POST /api/login 返回 JWT
• 查座 GET /api/seat?floor=3&window=true 返回剩余 seatId
• 预约 POST /api/book {seatId, date}

2. 节点拆解

① Cron（6:58）
② HTTP 登录 → ③ Function 节点把 JWT 写入 headers.Authorization
④ HTTP 查座 → ⑤ IF 判断 remaining > 0
⑥ HTTP 预约 → ⑦ Google Sheet 记录 seatId、时间、状态
⑧ Feishu 推送

3. 防反爬技巧

• 加 2 秒 Sleep 节点，Rate-Limit 插件限 1 rps
• User-Agent 模拟微信内置浏览器
• 登录验证码：提前手动把 token 填进 credentials，n8n 支持 30 天刷新。

4. Prompt 模板（无 LLM 也能跑，但加 LLM 可智能选座）

LangChain 节点：
“下面是 10 个可选座位 JSON，包含楼层、是否靠窗、附近空调温度。我喜欢靠窗且空调不直吹，请返回最优 seatId。”
输出 {{ $json.bestSeatId }} 直接给预约节点用。

三、场景 2：Top100 公司 AI 投简历

目标：每天抓取牛客/拉勾/官网→LLM 去重+匹配→星标★→自动写 JD 摘要→飞书群+邮件双提醒。

1. 数据源

• 牛客网校招频道：HTML 列表，反爬弱。
• 拉勾 API：需 Cookie，用 Browserless 节点先登录。
• 大厂招聘公众号：RSSHub 转成 RSS，n8n 原生 RSS 触发器。

2. 去重策略

• 初级：Google Sheet 全量对比 company+position 字符串。
• 进阶：把 JD 文本向量化（Supabase 节点调 pgvector），余弦相似度 >0.85 视为重复。
• 终极：LLM 摘要后对比，防止“同岗位不同 Title”漏网。

3. 匹配规则（Prompt 示范）

你是一位求职助手，按以下 JSON 规则过滤：

• 方向：前端、后端、AI、算法、数据平台
• 城市：北京/上海/深圳/杭州
• 学历：硕士以上可投
• 排除关键字：外包、销售、测试
  输入今日抓取列表，输出符合的岗位并打星：★非常匹配 ☆一般。
  输出合法 JSON，字段：company, position, star, reason, url。

4. 自动投递（可选）

• 支持 Boss 直聘：Browserless 节点模拟点击“立即沟通”，自动发送话术：
  “您好，我对贵司{{position}}很感兴趣，简历已附件，期待交流！”
• 支持邮件投递：HR 邮箱从官网爬取，简历 PDF 存在 Google Drive，n8n 自动附件发送。
• 风险控制：加 30 秒随机延迟，每天上限 20 封，防止被封号。

四、Workflow 设计最佳实践

1. 模板化
   把“登录→查数据→LLM 判断→写表→推送”做成子工作流（Execute Workflow 节点），以后新场景直接复用。
2. 错误处理
   每个 HTTP 节点开“On Error → Continue”，下游接 Function 节点记录 error.message 到 Sheet，方便复盘。
3. 变量管理
   用 Static Data 节点存“昨日已投列表”，比每次读 Sheet 快 10 倍。
4. 版本控制
   n8n 自带 Git 同步，Push 到私有仓库，回滚只需 1 秒。
5. 监控告警
   装 n8n-nodes-healthcheck，流程失败自动发 Telegram；关键节点加 Prometheus 指标，Grafana 大盘可视化。

五、LLM 节点进阶

1. 模型选择

   • GPT-3.5-turbo：便宜、速度快，适合结构化 JSON。
   • GPT-4：复杂推理、长 JD 摘要，预算充足再上。
   • 国内 Moonshot/通义/GLM：baseURL 一键切换，token 单价低，合规。

2. 温度设置
   0→最稳定；0.3→偶尔扩写；>0.7 容易输出多余废话。

3. Function Calling
   让 LLM 直接返回可执行函数，n8n 用 Function 节点 parse 后调其他接口，实现“AI 自己预约”。

4. 长文本分片
   JD 太长时先 Split Text 节点按 2000 字切段，Map 节点并发调 LLM，最后 Merge。

六、社区插件私房清单

• n8n-nodes-browserless：免装 Chrome，云端渲染，自带 stealth。
• n8n-nodes-minio：私有云存简历模板、截图。
• n8n-nodes-qrcode：生成微信分享二维码， mobile friendly。
• n8n-nodes-schedule：更灵活的“工作日 9-11 点”触发。
• n8n-nodes-vectara/pinecone：向量检索，去重神器。

七、性能与成本

• 每天 200 次 GPT-3.5 调用 ≈ 0.3 美元，n8n 自建电费忽略不计。
• Browserless 按分钟计费，一次抓取 30 秒 ≈ 0.005 美元。
• Google Sheet 免费额度 500 次/天，超限后换 Supabase 自托管，成本 0。

八、安全合规

• 账号密码全部进 Credentials 加密库，导出流程时自动脱敏。
• 简历 PDF 存在私有 MinIO，公网链接带 1 小时过期签名。
• 遵守目标站点 robots.txt，抓取频率 <1 rps，先邮件取得授权。
• 用 LLM 生成的话术需人工抽检，避免夸大技能。

九、常见报错速查

• 401：JWT 过期，加 Refresh Token 节点。
• 422：字段类型错误，用 Function 节点 parseInt() 强转。
• ECONNREFUSED：Docker 网络问题，加 --network host 或外链地址。
• LLM 返回非 JSON：Prompt 里加“必须输出合法 JSON，不要解释”，Temperature 设 0。

十、学习路径 30 天

第 1-3 天：跑通官网“Hello World”邮件提醒。
第 4-7 天：复刻本文“图书馆预约”，能抢到座位。
第 8-14 天：替换“Top100 投简历”，Prompt 迭代 3 版，星标准确率 >90%。
第 15-21 天：接入向量数据库，去重召回率提升 50%。
第 22-30 天：把两个子流程合并成“一站式求职助手”，加前端 Dashboard（n8n 内置 UI 节点），公网分享给同学。

结语

n8n 让“写代码”降级为“拼乐高”，LLM 让“写规则”降级为“说话”。
当你把图书馆预约、投简历、抢课、薅羊毛全都跑通后，会发现最爽的不是省下的时间，而是“任何重复动作 30 分钟就能变成自动流水线”的掌控感。