想每天跟上
Wired这样的权威科技媒体动态，却总被 “刷网站、读长文、记重点” 的重复工作占用时间在信息爆炸的时代？最近我用n8n搭了一套自动化工作流，结合DeepSeek AI，实现了 “定时抓资讯→筛新鲜内容→AI 写速览→存本地文件” 的全流程自动化，从此不用手动盯新闻，每天打开电脑就能拿到现成的科技新闻速览。今天就把这套流程的搭建逻辑和实际价值，完整分享给大家。
✅一、为什么要做这套自动化工作流？
其实最初的需求很简单：我想每天了解 AI 领域的最新动态（比如 OpenAI 推出浏览器 Atlas 这类重磅消息），但不想花 1-2 小时刷多个网站、读长篇报道。这时候就想到了两个工具的组合：
- n8n：低代码自动化工具，能像搭积木一样串联 “抓取、筛选、保存” 等操作，而且基于
Node.js，对接 AI 接口和本地文件都很方便； - DeepSeek AI：擅长文本总结，能把零散的新闻内容提炼成结构化的速览，比人工总结更高效。
更关键的是，2025 年本就是 AI Agent 自动化元年，把 “重复信息处理” 交给工具，把时间留给出思考和判断，才是最高效的方式。
✅二、为什么选 n8n+AI 做科技新闻自动化？
在 AI 时代，“用 AI 重构重复工作” 是核心思路 —— 比如以前每天要打开多个科技网站刷新闻、复制关键信息，现在只需一套 n8n 工作流就能自动化完成。选择 n8n 的核心原因有两个：
- 低代码 + 全场景兼容：n8n 既能对接浏览器端的前端工具，也能跑后端命令行，还能轻松集成 OpenAI、DeepSeek 等 AI 的
SDK，不用写大量代码就能搭流程； - “插件化” 节点超省心：它自带
RSS抓取、时间筛选、AI 调用等节点，不用自己开发接口，像搭积木一样就能串联起 “信息获取→筛选→AI 生成→保存” 的全链路。
✅三、工作流核心链路：从 RSS 抓取到 AI 速览生成
RSS:是一种用于发布和订阅网站内容（如新闻、博客更新）的标准化XML格式，允许用户通过阅读器集中获取最新信息更新
这套工作流的逻辑很简单：定时触发→抓 Wired 资讯→筛当天内容→整理格式→AI 生成速览→保存本地，对应 n8n 里的 6 个关键节点，每个节点都有明确的 “分工”，完全贴合我之前搭建的流程设计。
🏃1. 触发节点：让工作流 “自动跑起来”(When clicking 'Execute workflow')
我把触发方式设为 “每日定时触发”（而非手动点击），这样不用每天记着执行 —— 设置好固定时间（比如每天早上 8 点），工作流会自动启动，即使多个人用这套流程，也能同步获取最新速览。
🏃2. RSS 抓取节点：从 Wired 获取一手资讯(WireRSS)
信息来源选了 Wired 的官方 RSS 订阅源—— 这是科技领域的权威媒体，覆盖 AI、硬件、互联网等核心赛道。n8n 自带 “RSS Feed Read” 节点，不用写 HTTP 请求代码，只需填好 RSS 地址，就能直接拉取最新的新闻列表，包括标题、发布时间、原文链接和内容摘要，省去了爬取网页的麻烦。
🏃3. 筛选节点：只留当天新鲜事(Filter)
Wired 的 RSS 会返回大量历史内容，所以必须加该节点做筛选 —— 只保留 “发布时间在 24 小时内” 的新闻。这里用到了 JS 的 Date 类型：用new Date()获取当前时间，再通过getTime()转成毫秒数，减去 “一天的毫秒数”（60*60*24*1000），就能算出 “24 小时前的时间点”；再让节点判断新闻的pubDate（发布时间）是否在这个时间点之后，轻松过滤掉旧闻。
{{new Date((new Date()).getTime() - 60 * 60 * 24 * 1000)}}
这里要改成某个时间之后的热点新闻，所以要用is after。
🏃4. 字段编辑节点：给 AI “喂” 清晰的内容（Edit Fields）
AI 生成内容的质量，取决于输入格式是否清晰。我用该节点做了一个关键操作：把一些不重要的内容去除，以及把新闻的 “标题” 和 “内容” 合并成一个字符串content_block，格式是{{ 'Title:'+ $json.title + '\nContent:' + $json.content}}—— 这样 AI 能一眼分清标题和正文，不用额外判断结构，生成的速览会更有条理。比如一条关于 “OpenAI 推出浏览器 Atlas” 的新闻，处理后会变成：
Title:Google Earth Gets an AI Chatbot to Help Chart the Climate Crisis\nContent:New AI features in Google Earth let users ask chatbot-style questions to find changes in the climate. The system could eventually predict disasters and identify the communities likely to be affected.
🏃5. 聚合节点：将content_block清晰化（Aggregate）
- 将所有
content_block字段聚合为一个数组:
🏃6. AI Agent+DeepSeek 节点：让 AI 写速览（AI Agent）
这是工作流的 “大脑” 部分，分两步配置：
- AI Agent 节点：定义 AI 的 “角色”—— 我把它设为 “专业科技新闻编辑”，并要求输出格式为 “中文 Markdown”，内容只保留 “每日科技速览”（避免 AI 输出无关内容）；同时把前面合并好的 “标题 + 内容” 字符串传给 AI，作为生成素材。
- DeepSeek 模型节点（
DeepSeek Chat Model）：用 DeepSeek 的 API 作为底层模型，还调整了temperature参数为 0.1—— 这个值越低，AI 输出越严谨、确定性越强，适合新闻总结（temperature参数的范围在0~2之间,如果想要更多创意，可调高数值）。
这里需要提前在 n8n 里配置 DeepSeek的 API Keys，配置后节点会自动关联，不用每次调用都输密钥(大佬一元启便捷新程😀)。
这里调用API Keys来连接DeepSeek 模型的操作可以参考我前面的文章： n8n：连接大模型与业务的 “自动化中枢”，不止于低代码工具(说白了就是懒得再操作一次了😅)。
🏃7. 保存节点：把速览存成本地 MD 文件（Convert to File）
Convert to File（文本转文件）：将 AI 生成的 Markdown 文本，转为 n8n 可写入本地的 “文件对象”，为后续本地保存做准备。
点击View就能查看前面热点新闻RSS按照一步步AI工作流生成的 Markdown 文本。
🏃8. 保存节点：把速览存成本地 MD 文件（Read/Write Files from Disk）
最后用 “Read/Write Files from Disk” 节点，把 AI 生成的 Markdown 速览保存到本地路径（比如D:\tech\tech.md）—— 方便后续打开查看，也能存档历史速览，做长期信息沉淀。
打开本地文件就能发现:
✅四、核心亮点：工作流与 AI 助手的协同价值
- 信息获取更精准：从
Wired这样的权威源抓取信息，搭配时间筛选，避免无效资讯干扰； - 内容生成更可控：通过 “字段格式化 + 固定
Prompt+ 低temperature”，让 AI 生成的速览既符合编辑规范，又不会偏离新闻核心； - 全流程零手动干预：从触发到保存全自动化，每天醒来即可打开本地 MD 文件，获取结构化的科技资讯，真正实现 “AI 助手 + 工作流” 的高效协同。
✅五、核心启示：AI 时代的自动化本质
这套工作流印证了一个趋势：2025 年的 AI Agent 自动化，早已不是 “将人做的事交给机器”，而是 “用工具搭建流程骨架，用 AI 填充思考血肉”。n8n 的价值在于它提供了这种 “骨架”—— 让 AI 的解读能力、判断能力有了落地的载体；而 AI 则让 n8n 升级为智能助手。
就像 OpenAI 用 AI 重新定义浏览器一样，我们也能用 “n8n+AI” 重新定义信息处理：将重复的抓取、筛选工作交给流程，将解读、分析、分发的智能工作交给 AI，最终实现 “资讯找人” 而非 “人找资讯” 的高效体验。
