【n8n教程】：RSS Feed Trigger节点，玩转RSS订阅自动化

undsky_ undsky_ 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.3k累计阅读 1.3k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄20年
关注
原创 2026-01-08 19:34:20 1.3k 阅读 AI 写同款· GEO 优化 ›
【工作流自动化实战】n8n与AI协作：打造个人内容创作引擎 本文详细介绍了如何利用n8n工作流自动化工具与AI协作，打造高效的个人内容创作引擎。通过可视化操作和API集成，实现从热点采集、AI内容生成到自动发布的完整流程，显著提升内容创作效率。特别适合需要批量产出高质量内容的创作者和营销人员。 阅读详情

【n8n教程】：RSS Feed Trigger节点，玩转RSS订阅自动化

什么是RSS Feed Trigger？

RSS Feed Trigger 是n8n中一个强大的触发节点，它允许你定期监控RSS源（如新闻网站、博客、播客等），当有新内容发布时，自动触发整个工作流。相比于手动检查网站更新，RSS自动化能帮助你节省大量时间。

工作原理

RSS Feed Trigger会定期轮询指定的RSS源。当发现新内容（发布时间晚于上次运行）时，工作流会自动启动，并为每条新文章运行一次。这意味着你可以建立近乎实时的内容自动化系统。

RSS Feed Trigger vs RSS Read——我该选哪一个？

n8n提供两个RSS相关节点，初学者经常混淆它们的用途：

特性RSS Feed TriggerRSS Read
节点类型触发节点（带闪电⚡符号）普通节点
工作模式主动监控，新内容时自动触发被动读取，需要被其他节点调用
最佳用途实时自动化（如新文章自动发送邮件）定时聚合（如每天定时获取多个源）
轮询间隔灵活配置每次手动运行

建议：如果你想要**“新内容自动推送"的体验，选 RSS Feed Trigger。如果你想要"每天定时汇总”**多个源的内容，选 RSS Read。

核心参数详解

RSS Feed Trigger的配置虽然简洁，但需要理解几个关键参数：

1. Feed URL（必填）

输入你想监控的RSS源地址。常见的RSS源格式包括：

  • 新闻网站：https://feeds.bbci.co.uk/news/world/rss.xml（BBC新闻）
  • 技术博客：https://www.theverge.com/rss/index.xml（The Verge）
  • YouTube频道：https://www.youtube.com/feeds/videos.xml?channel_id=CHANNEL_ID

2. Poll Times（轮询模式）——6种配置方式

这是RSS Feed Trigger最灵活的功能。你可以选择以下轮询模式：

📅 Every Hour（每小时）

选择分钟数（0-59）
示例：在第0分钟检查，即每小时整点

📅 Every Day（每天）

选择小时（0-23，24小时制）和分钟（0-59）
示例：设置为 8:30 表示每天早上8点30分检查一次

📅 Every Week（每周）

选择星期几、小时、分钟
示例：周一 09:00 检查，用于周一固定审查RSS内容

📅 Every Month（每月）

选择月份的第几天、小时、分钟
示例：月初1号早上8点检查

📅 Every X（自定义间隔）

输入数值 + 选择单位（分钟或小时）
示例：15分钟表示每隔15分钟检查一次

📅 Custom（Cron表达式）——高级用法
对于需要精细控制的场景，使用标准Cron表达式：

* * * * * *
秒 分 时 日 月 周

常用Cron示例：

  • 每天8点08分30秒：30 8 8 * * *
  • 每分钟检查一次：* * * * * *
  • 工作日早9点：0 9 * * 1-5 （周一到周五）

💡 提示：n8n官方推荐使用 crontab guru 这个在线工具来生成和验证Cron表达式。

实战案例：构建"每日新闻推送"工作流

现在我们来实际操作一个完整的案例——自动监控BBC新闻，每天早8点检查更新，并提取关键信息。

工作流架构

[RSS Feed Trigger] → [数据格式化] → [邮件通知]
  BBC新闻源          提取标题/链接    发送到邮箱

完整工作流代码

以下是一个可直接导入到n8n的工作流JSON代码：

{
  "nodes": [
    {
      "parameters": {
        "feedUrl": "https://feeds.bbci.co.uk/news/world/rss.xml",
        "pollTimes": {
          "mode": "everyDay",
          "hour": 8,
          "minute": 0
        }
      },
      "id": "rss-trigger-node",
      "name": "BBC News RSS Trigger",
      "type": "n8n-nodes-base.rssfeedreadtrigger",
      "typeVersion": 1,
      "position": [300, 300]
    },
    {
      "parameters": {
        "fields": {
          "assignment": [
            {
              "name": "title",
              "value": "={{ $json.title }}"
            },
            {
              "name": "link",
              "value": "={{ $json.link }}"
            },
            {
              "name": "description",
              "value": "={{ $json.contentSnippet }}"
            },
            {
              "name": "pubDate",
              "value": "={{ $json.pubDate }}"
            }
          ]
        }
      },
      "id": "format-data-node",
      "name": "Format Article Data",
      "type": "n8n-nodes-base.set",
      "typeVersion": 3,
      "position": [550, 300]
    }
  ],
  "connections": {
    "BBC News RSS Trigger": {
      "main": [
        [
          {
            "node": "Format Article Data",
            "type": "main",
            "index": 0
          }
        ]
      ]
    }
  },
  "active": false,
  "settings": {}
}

导入步骤

  1. 登录你的n8n实例
  2. 点击 “Create Workflow” 创建新工作流
  3. 点击右上角的 三个点 → “Import from File”
  4. 粘贴上述JSON代码或上传包含这段代码的.json文件
  5. 系统会自动为你创建所有节点和连接

配置要点

第一步：替换RSS源URL

  • 打开 “BBC News RSS Trigger” 节点
  • 在 Feed URL 字段替换为你想监控的源
  • 常用源地址：
    • BBC世界新闻：https://feeds.bbci.co.uk/news/world/rss.xml
    • 技术新闻：https://techcrunch.com/feed/
    • 科技媒体：https://www.theverge.com/rss/index.xml

第二步：调整检查时间

  • 在 Poll Times 中设置检查频率
  • 若需要每天不同时间检查，可添加多个RSS Feed Trigger节点（需要自行复制和连接）

第三步：测试工作流

  • 点击 “Execute Workflow” 按钮进行测试
  • 查看"Format Article Data"节点的输出，确认提取的字段正确

常见应用场景

根据官方文档和社区案例，RSS Feed Trigger适用于以下场景：

1. 📧 将RSS转换成邮件通知

RSS Feed Trigger → Email Node
当检测到新文章时，自动发送邮件给指定收件人

2. 📱 RSS→Telegram消息

RSS Feed Trigger → Telegram Bot → 推送到指定群组
实现即时新闻提醒

3. 📊 RSS内容保存到数据库

RSS Feed Trigger → Google Sheets / Notion / Database
建立个人新闻库或知识库

4. 🤖 RSS + AI智能摘要

RSS Feed Trigger → OpenAI / Claude → Email/Notion
自动生成内容摘要，极大提升阅读效率

5. 📰 多源内容聚合

Multiple RSS Triggers → Merge Node → Slack/Email
从多个源聚合内容，发送到一个目标

性能与最佳实践

✅ 推荐做法

  1. 合理设置轮询间隔：不要过于频繁地检查RSS源，这会给服务器造成压力。建议至少间隔15分钟以上。
  2. 测试Feed的可靠性：某些RSS源可能存在不稳定的发布时间戳（pubDate），这可能导致重复或遗漏新闻。建议先测试几天。
  3. 使用Cron表达式处理复杂场景：对于需要精确时间控制的场景，使用Custom Cron模式比预设模式更灵活。
  4. 监控工作流执行状态：在生产环境中激活工作流前，要多次手动测试，确保逻辑正确。

❌ 常见错误

  1. 轮询间隔过短：设置为1-2分钟会导致n8n服务过载
  2. 忘记激活工作流：配置好后必须点击右上角的 “Activate” 才能生效
  3. RSS源地址错误或已失效：定期检查Feed URL是否还能访问

调试技巧

如果工作流没有按预期运行：

问题1：工作流从未触发

  • 检查是否点击了 “Activate” 按钮
  • 验证RSS源地址是否有效（在浏览器中打开测试）
  • 检查n8n服务器是否在线

问题2：重复收到相同内容

  • 某些RSS源的pubDate不准确，可能导致内容重复
  • 建议在后续节点添加去重逻辑

问题3：错过了某些新闻

  • 检查轮询间隔是否太长
  • 确认RSS源在那个时间段是否真的有新内容发布

总结

RSS Feed Trigger是n8n中最常用的自动化入口之一。通过合理配置轮询模式和Feed源，你可以轻松构建从个人新闻助手到企业级内容管理系统的各种自动化方案。

关键要点回顾：

  • ✅ 使用Poll Times的6种模式灵活应对不同场景
  • ✅ 理解RSS Feed Trigger和RSS Read的差异
  • ✅ 充分测试后再在生产环境激活
  • ✅ 结合其他节点（邮件、Telegram、数据库等）构建完整自动化链条

现在就开始构建你的第一个RSS自动化工作流吧！

官方文档
n8n系列教程

收录于
n8n教程

当前文章被收录于：

n8n教程
71 篇文章 0 人学习

AI工作流自动化平台

订阅专栏 查看详情
标签
#ai #AI编程 #AIGC #人工智能
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。
开源工作流自动化平台n8n：从零构建智能自动化流程实战 工作流自动化是现代软件工程中提升效率的核心技术，它通过将重复性任务串联成自动化流程，减少人工干预，降低错误率。其原理在于利用可视化节点连接不同应用与服务，实现数据与操作的自动流转。这项技术的价值在于显著提升个人与团队的协作效率，释放人力资源专注于高价值创造性工作。在应用场景上，它广泛适用于数据同步、内容聚合、智能告警、AI集成等多个领域。本文聚焦于开源工作流自动化平台n8n，深入解析其核心概念与优势，并提供从Docker部署到构建智能内容聚合与错误监控告警工作流的完整实战指南，帮助读者掌握这一强大的效率工具 阅读详情

相关推荐

n8n定时采集公众号RSS：零代码自动化信息归档方案

RSS是一种标准化的内容分发协议，通过将微信公众号等动态网页内容转换为结构化XML数据流，实现跨平台、低耦合的信息聚合。其核心原理在于服务端主动轮询与缓存机制，规避前端反爬与登录态失效问题，显著提升数据获取的稳定性与可维护性。在效率工具链中，RSS已成为连接内容源与自动化平台的关键中间层，广泛应用于知识管理、竞品监控和私有信息库建设。结合n8n可视化工作流引擎，用户无需编写代码即可完成定时抓取、去重过滤、字段清洗及多端分发——本文即围绕wechat2rss + n8n这一轻量、可控、可私有化部署的技术组合，

weixin_30444105的博客 395

n8n实战：自动化生成AI日报并发布

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。

m0_57547088的博客 4065

RSS抓取播客数据：稳定高效的结构化元数据采集方案

RSS（简易信息聚合）是一种标准化的XML格式协议，用于发布和订阅网站更新内容；在播客（Podcast）领域，它天然承载标题、发布时间、音频链接、时长、摘要等结构化元数据。其原理基于发布者主动维护的静态XML文件，遵循Podcast RSS规范，无需渲染、不依赖JavaScript、规避反爬机制。技术价值在于高稳定性、低接入门槛与强可预测性，显著优于HTML爬虫或受限API。典型应用场景包括播客竞品监控、AI摘要系统数据源接入、内容运营选题分析及热度时间序列构建。本文聚焦RSS feeds与podcast

weixin_34342207的博客 308

官网的订阅发布节点

发布话题 1 #!/usr/bin/env python 2 # license removed for brevity 3 import rospy 4 from std_msgs.msg import String 5 6 def talker(): 7 pub = rospy.Publisher('chatter', String,...

运动的肉肉子的博客 5万+

基于树莓派与电子墨水屏的RSS信息聚合终端DIY指南

信息聚合与自动化处理是提升个人效率与专注度的关键技术。其核心原理在于通过脚本定时抓取、解析并重组来自多个源头的数据流，最终形成结构化的摘要信息。这项技术的价值在于将用户从被动、碎片化的信息推送中解放出来，实现信息源的完全自定义与高效整合。典型的应用场景包括构建个人知识库、打造低干扰工作环境以及物联网设备的信息展示。本文聚焦于如何利用RSS订阅、Python自动化脚本与树莓派硬件，将这些通用技术串联起来，最终实现一个能自动抓取网络资讯并推送到电子墨水屏显示的完整系统，为打造专属的“静默”信息终端提供了从软件到

weixin_33991418的博客 385

常见机械臂模型不用找！Mujoco这儿都有！

高质量的模型集合，franka panda，so-arm100，ur之类的机械臂都有。常见机械臂模型不用找！Mujoco这儿都有！大概346M，网速不行的可以下载zip。

darcsdn 992

N8N自动化实战⑥：通勤路上听新闻，10分钟打造你的专属播客

本文介绍如何用n8n自动化工具搭建新闻转播客系统，实现科技资讯自动转音频。系统每天定时抓取指定网站最新文章，通过Minimax语音合成API转换为MP3文件，解放用户双眼。文章详细拆解了6个关键节点：定时触发、网页获取、正文清洗、AI语音合成、状态轮询和文件下载，并提供了从注册API到部署测试的完整操作指南。该方案能有效解决信息过载问题，提升个人效率。

weixin_46499310的博客 1061

一文介绍Linux EAS

EAS只在系统负载不重时，即系统中每个CPU的利用率都低于其算力的80%时才被启用，而且选出的最节能CPU只有比线程当前运行的CPU节约能量大于6%时，线程才会迁移到该CPU运行。因此EAS为线程选择最节约能量的CPU来运行的前提条件是很苛刻的，针对重载场景（比如游戏），EAS的功能应该很少被使用起来，针对重载场景的功耗优化，这里可能是一个值得尝试的点。算力（capacity）是CPU调度中的一个基础概念，它反映的是一个CPU的计算能力，是个规格化的值，可以通过读取Android手机的文件节点。

youzhangjing_的博客 1234

节点发布和订阅

订阅节点需要做四件事情： 　　1）初始化； 　　2）从主题订阅消息； 　　3）然后等待消息到达； 　　4）当消息到达时，chatterCallback()被回调。 ros::Publisher chatter_pub = n.advertise("message",1000); 声明主题message上发布一个消息类型为str_msgs::String的消息，并设置消息

-Cancer 1万+

零售-公司间关联交易退货STO的实现方式

零售-公司间关联交易采购 STO-退货 集团公司下经常会出现一家公司和另外一家公司的公司间的关联交易，如跨公司销售、总分公司之间采购，分公司之间的采购等业务；通常公司间采购会采取STO的模式来实现（根据业务模式可以将库存转储统一做成STO的模式，公司间STO、同公司工厂间、同工厂库存地点间 的STO SAP都是支持的）； 公司间STO 正向A向B采购都很熟悉，公司间退货STO的其实也是比较普遍的业务现象，很多实施着也将其做成反向的STO（B向A采购），而不是退货STO（A向B，item 选择return的标

weixin_45518759的博客 2835

Dify使用教程（创建应用）

Dify的安装部署我已经写过了，简单的模型配置我也在前面进行了讲解，今天我们主要来讲讲如何使用Dify。

wal1314520的博客 1万+

区块链节点提供商，部分有免费的资源

区块链资源节点提供商

qq_40225435的博客 2518

ONVIF协议简介与协议测试工具使用详解

Onvif协议及协议测试工具使用详解

dvlinker的技术专栏 3万+

利用 n8n 实现 RSS 数据自动化抓取与存储全攻略

本文详细介绍了如何利用开源自动化工具n8n，构建一个高效、可靠的RSS数据自动化抓取与存储系统。通过可视化工作流设计，无需编写代码即可实现定时抓取、数据解析、去重过滤，并支持将结果存储至Google Sheets、数据库或Notion等多种目的地，帮助用户从繁琐的信息收集中解放出来，实现个人或业务数据的自动化管理。

xk7n92h3p5m的博客 627

【全局路径规划地图算法】Voronoi路径规划探索（附C++代码）

认知有限，望大家多多包涵，有什么问题也希望能够与大家多交流，共同成长！本文先对Voronoi路径规划探索做个简单的介绍，具体内容后续再更，其他模块可以参考去我其他文章提示：以下是本篇文章正文内容。

qq_35635374的博客 2241

SAP Gateway 中事务码 /IWFND/MAINT_SERVICE 的用法介绍

本文系统梳理了SAP Gateway中/IWFND/MAINT_SERVICE事务码的核心功能与运维实践。作为OData服务管理中樞，它支持服务注册激活、ICF节点配置、系统别名绑定、批量处理等关键操作。文章详解了服务目录、ICF节点、系统别名的配置要点，提供了批量激活、缓存清理、性能监控等实用技巧，并针对常见陷阱(如传输配置、删除残留)给出解决方案。通过制造业批量激活、零售业OAuth集成等案例，展示了事务码在企业级应用中的实际价值，为SAP Gateway运维提供了一套完整的治理清单。

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 307

使用n8n构建科技新闻自动化处理流水线

工作流自动化是现代开发效率提升的核心技术，通过可视化编排工具实现异构系统的无缝衔接。n8n作为开源工作流平台，采用节点化设计原理，支持200+应用连接器，无需编码即可构建复杂业务流程。其技术价值在于将传统需要开发API对接的集成工作转化为拖拽配置，特别适合处理RSS订阅、AI摘要生成、多平台消息推送等场景。以科技新闻处理为例，结合OpenAI的NLP能力实现自动摘要生成，通过n8n的调度引擎每日抓取Hacker News等高质量源，经过去重过滤后生成简明报告，最终推送至Slack或存储到Notion数据库。

weixin_33747129的博客 381

【WRF-Urban】使用 LCZ 替换 WRF 运行中的 LUCC 数据

使用 LCZ 替换 WRF 运行中的 LUCC 数据

WW、forever的博客 989

基于n8n与AI大模型的自动化早报系统：从信息采集到图文发布的完整实践

自动化工作流是现代软件工程中提升效率的核心技术，其原理是通过预设规则与节点连接，将重复性任务转化为无需人工干预的自动化流程。在内容创作与信息聚合领域，结合AI大模型能力，可以实现从数据采集、智能处理到多渠道分发的全链路自动化，显著降低人力成本并保证内容产出的稳定性与时效性。本文聚焦于一个具体应用场景——自动化早报生成，通过开源工具n8n构建工作流，深度融合提示词工程与AI生图技术，实现了信息源的自动抓取、AI智能摘要与排版、以及面向社群或个人的自动化发布。其中，提示词工程是确保AI输出质量的关键，而n8n的

weixin_33835103的博客 333

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

从零构建高精度关键词新闻监控系统：n8n保姆级全流程配置详解

这篇指南将不只告诉你“怎么做”，还会深入解释“为什么这么做”，带你从底层逻辑到每一个像素级的配置，完整构建一个企业级的新闻监控工作流。

u014177256的博客 257

SAP B1中文培訓教材_SDK

公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说

构建个人数字工具箱：从Obsidian知识管理到n8n自动化实战

在数字化工作场景中，个人知识管理与工作流自动化是提升效率的核心技术。知识管理通过构建可关联、易检索的信息系统，帮助用户将碎片信息转化为结构化知识，其关键在于建立笔记间的双向链接网络。工作流自动化则通过可视化工具连接不同应用与服务，将重复性任务转化为自动执行的流程，从而释放人力、减少错误。这两项技术的结合，能够为数据分析、内容创作、日常办公等场景提供强大支持，实现从信息输入到价值输出的高效转化。本文以Obsidian和n8n为例，详细阐述了如何搭建一个集信息收集、处理、输出与自动化于一体的个人生产力系统，并提

weixin_34293059的博客 401

基于n8n构建自动化推送工具：从零搭建可扩展的推送流水线

自动化推送工具是现代工作流自动化的核心应用，它通过连接不同系统和服务，实现信息的自动流转与通知。其原理在于将推送流程抽象为触发、数据获取、处理决策、格式化和执行等标准化模块，通过可视化编排降低技术门槛。在技术实现上，开源工作流自动化平台n8n凭借其节点化设计，提供了强大的逻辑处理能力和灵活的API连接性，能够高效构建从数据源到多终端的推送流水线。结合国内常用的钉钉、企业微信等平台，可以快速落地于监控告警、内容同步、数据汇总等实际业务场景，实现运维、运营及日常办公的自动化增效。

weixin_42523389的博客 234

基于N8N的QClaw自动化部署与实战：构建个人效率工作流

工作流自动化是提升个人与团队效率的核心技术，其原理在于通过预设的触发器、处理逻辑和执行动作，将跨平台、重复性的手动操作转化为自动执行的流程。这项技术的价值在于解放人力，减少工具切换与数据同步带来的认知负荷，让用户更专注于高价值的创造性工作。在应用场景上，它广泛适用于信息聚合、任务同步、内容归档等日常办公与知识管理环节。本文以开源工作流引擎N8N为基础，深度定制封装为QClaw工具，通过Docker Compose实现一键部署，并详细解析了其触发器、节点、工作流等核心概念。文中结合微信消息同步、个性化晨报生成

weixin_30381317的博客 400

利用n8n与免费AI绘画API构建自动化创意图片生成工作流

自动化工作流是现代软件工程中提升效率的核心技术，其原理在于通过编排不同任务节点，实现复杂业务流程的自动执行。在内容创作领域，结合AI绘画技术，可以构建低成本、高效率的创意生成系统。AI绘画基于扩散模型等深度学习技术，能够根据文本提示词生成高质量图像。其技术价值在于将创意构思快速可视化，极大降低了专业图像创作的门槛。应用场景广泛，涵盖社交媒体内容制作、营销素材生成、个性化艺术创作等。本文聚焦于如何利用开源自动化工具n8n，集成Replicate等平台的免费AI绘画API，实现稳定、可定制的自动化图片生成流水线

weixin_34380948的博客 369

基于OpenClaw框架构建全链路AI订阅助手：从环境部署到工作流编排实战

在当今信息爆炸的时代，自动化信息处理与智能订阅成为提升效率的关键技术。其核心原理在于通过智能体（Agent）框架，将大语言模型（LLM）与自动化工作流相结合，实现对多源信息的自动采集、处理与分发。这项技术的价值在于能够将人们从重复、繁琐的信息收集与初步整理工作中解放出来，实现信息的个性化、自动化聚合。典型的应用场景包括技术动态追踪、行业资讯监控、学术论文跟进等。本文以开源AI智能体框架OpenClaw为例，详细阐述了如何从零开始，打通从**Docker环境部署**、大模型接入、自定义技能开发，到**工作流编

weixin_33906657的博客 419
上一篇： 【n8n教程】：Respond to Chat 节点，构建多轮对话 AI 助手
下一篇： 【n8n教程】：Schedule Trigger节点，让工作流自动运行！
点赞 29
评论 0
书签 书签 23
undsky_
undsky_
博客等级 码龄20年 6粉丝 130原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

undsky_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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