【n8n教程】:Schedule Trigger节点,让工作流自动运行!

n8n自动化工作流学习笔记-搭建AI新闻资讯写入飞书多维表格工作流-搭建工作流 文章摘要:本文详细介绍了一个自动化获取AI新闻并存入飞书多维表格的工作流搭建过程。工作流包含7个主要节点:1)定时触发器每天8点启动流程;2)HTTP请求节点从NewsAPI或备用GNewsAPI获取新闻;3)代码节点进行数据清洗格式化;4)合并节点整合数据;5)过滤节点去除空值;6)AI代理节点实现中英翻译;7)飞书节点将最终数据写入表格。文章特别说明了节点间的连接方式、参数设置技巧,以及使用双API保障稳定性的设计思路,为构建自动化信息收集系统提供了完整参考方案。 阅读详情

【n8n教程】:Schedule Trigger节点,让工作流自动运行!

📌 什么是 Schedule Trigger(定时触发器)?

在日常工作中,是否有些任务需要定期重复?比如每天早上8点发送邮件汇总、每周一检查数据更新、或者每小时同步一次数据?

Schedule Trigger(定时触发器) 就是解决这类问题的完美工具。它让你的 n8n 工作流按照指定的时间表自动运行,就像 Unix 系统中的 Cron 一样。你不需要手动点击"执行"按钮,一切都会自动进行。


点击获取最新AI资讯、n8n工作流、开发经验分享
or 直接搜索V X:undsky

🎯 核心概念速览

概念说明
触发间隔定义工作流运行的时间单位(秒、分、小时、天、周、月或自定义 Cron 表达式)
时区n8n 使用工作流时区或实例时区来计算执行时间
激活状态工作流必须处于激活状态,Schedule Trigger 才能工作
Cron 表达式用于高级时间控制的标准 Unix 命令格式

⚙️ 五种基础调度方式

1️⃣ 按秒数触发

使用场景: 快速测试、高频数据同步

配置方式:

  • Seconds Between Triggers:输入秒数(例:30 = 每30秒运行一次)

示例: 每10秒检查一次 API 状态

秒数:10

2️⃣ 按分钟触发

使用场景: 定期检查系统状态、同步数据

配置方式:

  • Minutes Between Triggers:输入分钟数(例:5 = 每5分钟运行一次)

示例: 每5分钟从 Google Sheets 中读取数据

分钟数:5

3️⃣ 按小时触发

使用场景: 定期生成报告、每小时同步一次数据

配置方式:

  • Hours Between Triggers:输入小时数
  • Trigger at Minute:指定分钟数(0-59)

示例: 每6小时在第30分钟时运行

小时数:6
分钟数:30
(意味着:00:30, 06:30, 12:30, 18:30)

4️⃣ 按天数触发

使用场景: 每天定时发送邮件、每日数据备份

配置方式:

  • Days Between Triggers:输入天数
  • Trigger at Hour:选择运行的小时(0-23)
  • Trigger at Minute:输入分钟数(0-59)

示例: 每两天在上午9点15分运行

天数:2
小时:9
分钟:15
(意味着:周一 09:15, 周三 09:15, 周五 09:15...)

5️⃣ 按周数触发

使用场景: 每周定时任务、周期性报告

配置方式:

  • Weeks Between Triggers:输入周数
  • Trigger on Weekdays:选择运行的工作日(可多选)
  • Trigger at Hour:选择运行小时
  • Trigger at Minute:输入分钟数

示例: 每两周在周一下午3点30分运行

周数:2
工作日:周一
小时:15(3 PM)
分钟:30
(意味着:第1个周一 15:30, 第3个周一 15:30...)

🚀 高级用法:自定义 Cron 表达式

对于复杂的调度需求,你可以使用 Cron 表达式。

📖 Cron 表达式结构

n8n 的 Cron 表达式有 6 个字段(包括秒):

秒  分  小时  日期  月份  周几
*   *   *     *    *    *

🔧 常用 Cron 表达式示例

需求Cron 表达式说明
每10秒*/10 * * * * *从每分钟的第10秒开始,每隔10秒运行
每5分钟*/5 * * * *每5分钟运行一次
每小时0 * * * *每小时的整点运行
每天6点0 6 * * *每天早上6点运行
每周一12点0 12 * * 1每周一中午12点运行
每月1号0 0 1 * *每月1号午夜运行
每3天0 0 */3 * *每隔3天午夜运行
工作日9点0 9 * * 1-5周一到周五上午9点运行
工作时间每小时0 9-17 * * *每天9点到17点(工作时间),每小时整点运行
按季度运行0 0 1 1,4,7,10 *1月、4月、7月、10月的1号午夜运行

💡 快速生成 Cron 表达式

不确定如何写 Cron 表达式?访问 Crontab Guru 网站,它提供了可视化编辑器,帮你快速生成和验证表达式。


🛠️ 快速开始:三步设置

步骤 1:添加 Schedule Trigger 节点

  1. 打开或创建一个 n8n 工作流
  2. 点击添加第一步或加号按钮
  3. 搜索 “Schedule Trigger” 或 “定时”
  4. 从结果中选择 Schedule Trigger 节点

步骤 2:配置触发间隔

在节点的左侧面板中:

  1. 选择 Trigger Interval(触发间隔)
  2. 根据需求选择时间单位(天、周、月等)
  3. 填入相应的时间参数

示例配置(每天早上8点运行):

Trigger Interval: Days
Days Between Triggers: 1
Trigger at Hour: 8
Trigger at Minute: 0

步骤 3:连接后续节点和激活

  1. 将你的业务逻辑节点(如发送邮件、更新数据库等)连接到 Schedule Trigger
  2. 保存工作流
  3. 点击工作流右上角的切换开关,将状态改为激活
  4. 完成!工作流现在会按照你设定的时间表自动运行

⚠️ 常见问题与解决方案

❌ 问题 1:工作流在错误的时间运行

原因: 时区配置不正确

解决方案:

  • 检查全局时区(云版本用户):进入 Admin 面板 → 设置 → 时区
  • 检查工作流时区:打开工作流 → 右上角三点菜单 → 设置 → 修改时区
  • 保存后重新激活工作流

❌ 问题 2:Cron 表达式错误

错误提示: “Invalid cron expression”

解决方案:

  1. 检查表达式语法是否正确
  2. 在 Crontab Guru 验证表达式
  3. 确保表达式符合 n8n 的六字段格式(包括秒)

❌ 问题 3:修改触发间隔后没有生效

原因: 修改调度参数需要重新激活工作流才能生效

解决方案:

  1. 将工作流切换为停用状态
  2. 修改 Schedule Trigger 的参数
  3. 再次将工作流切换为激活状态

重要提示: 工作流的执行时间从激活时刻开始计算。例如,如果你在 11:30 激活一个"每2小时"的工作流,它会在 13:30 首次运行。


❌ 问题 4:变量在 Cron 表达式中不生效

原因: 变量的值只在工作流激活时评估一次

解决方案: 如果需要修改变量值,必须:

  1. 停用工作流
  2. 修改变量值
  3. 重新激活工作流

💼 实战案例:每日邮件提醒工作流

现在让我们一起构建一个实用的工作流:每天早上8点从 Google Sheets 读取待办事项,并发送邮件提醒

工作流结构

Schedule Trigger (每天8点)
  ↓
Google Sheets: 读取待办事项
  ↓
Code: 格式化数据为 HTML
  ↓
Gmail: 发送邮件

完整工作流 JSON 代码

{
  "nodes": [
    {
      "parameters": {
        "triggerInterval": "days",
        "daysInterval": 1,
        "triggerAtHour": 8,
        "triggerAtMinute": 0
      },
      "id": "1",
      "name": "Schedule Trigger",
      "type": "n8n-nodes-base.scheduleTrigger",
      "typeVersion": 1,
      "position": [
        250,
        300
      ]
    },
    {
      "parameters": {
        "resource": "spreadsheet",
        "operation": "read",
        "spreadsheetId": "YOUR_SHEET_ID",
        "sheetName": "Tasks",
        "options": {}
      },
      "id": "2",
      "name": "Google Sheets",
      "type": "n8n-nodes-base.googleSheets",
      "typeVersion": 3,
      "position": [
        450,
        300
      ]
    },
    {
      "parameters": {
        "code": "// 格式化待办事项为 HTML\nconst tasks = $input.all();\nlet htmlContent = '<h2>📋 今日待办事项</h2><ul>';\n\ntasks.forEach(task => {\n  if (task.json.status === 'Pending') {\n    htmlContent += `<li><strong>${task.json.title}</strong> - ${task.json.description}</li>`;\n  }\n});\n\nhtmlContent += '</ul>';\n\nreturn [{ json: { htmlBody: htmlContent } }];"
      },
      "id": "3",
      "name": "Code",
      "type": "n8n-nodes-base.code",
      "typeVersion": 2,
      "position": [
        650,
        300
      ]
    },
    {
      "parameters": {
        "operation": "sendEmail",
        "toEmail": "your-email@example.com",
        "subject": "📨 今日待办事项提醒",
        "emailType": "html",
        "htmlBody": "={{ $node[\"Code\"].json.htmlBody }}"
      },
      "id": "4",
      "name": "Gmail",
      "type": "n8n-nodes-base.gmail",
      "typeVersion": 2,
      "position": [
        850,
        300
      ]
    }
  ],
  "connections": {
    "Schedule Trigger": {
      "main": [
        [
          {
            "node": "Google Sheets",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "Google Sheets": {
      "main": [
        [
          {
            "node": "Code",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "Code": {
      "main": [
        [
          {
            "node": "Gmail",
            "type": "main",
            "index": 0
          }
        ]
      ]
    }
  }
}

🔑 设置步骤

  1. 添加 Schedule Trigger 节点

    • 触发间隔:每天(Days)
    • 时间:早上8点
    • 保持其他默认设置
  2. 配置 Google Sheets 节点

    • 选择你的 Google Sheets 账户
    • 输入你的电子表格 ID
    • 选择包含待办事项的工作表名称(如 “Tasks”)
    • 列名称应包括:title、description、status
  3. 配置 Code 节点

    • 复制上面提供的代码
    • 该代码会自动筛选状态为 “Pending” 的任务,并格式化为 HTML 列表
  4. 配置 Gmail 节点

    • 选择你的 Gmail 账户
    • 填入接收邮件的电子邮件地址
    • 主题:📨 今日待办事项提醒
    • 邮件类型:HTML
    • 邮件正文:链接到 Code 节点的 htmlBody 输出
  5. 保存并激活

    • 点击保存
    • 点击右上角的激活开关
    • 工作流现在会在每天早上8点自动运行

✅ 测试工作流

在完全依赖自动调度之前,先手动测试一下:

  1. 点击任何节点的执行按钮
  2. 检查输出数据是否符合预期
  3. 查看邮件是否正确发送
  4. 一切正常后,再激活工作流

📚 时区完全指南

为什么时区很重要?

如果你在纽约,但 n8n 实例在伦敦,时区差异可能导致工作流在错误的时间运行。

三层时区设置(优先级从高到低)

  1. 工作流级别时区(最优先)

    • 打开工作流 → 右上角三点菜单 → 设置
    • 在 Timezone 下拉菜单选择你的时区
    • 保存更改
  2. n8n 实例时区(次优先)

    • 云版本:进入 Admin 面板 → 设置 → 修改时区
    • 自托管版本:设置环境变量 GENERIC_TIMEZONE

    示例(Linux/Mac):

    export GENERIC_TIMEZONE="Asia/Shanghai"
    
  3. 系统时区(如果以上都未设置)

    • 自托管默认为 “America/New_York”
    • 云版本默认为 “GMT”

🌍 常用时区代码

地区时区代码
中国Asia/Shanghai
纽约America/New_York
伦敦Europe/London
东京Asia/Tokyo
悉尼Australia/Sydney
印度Asia/Kolkata
新加坡Asia/Singapore

🎓 最佳实践

✅ 应该这样做

  1. 总是测试你的工作流——在完全自动化之前,使用手动执行测试
  2. 选择低峰时段运行——避免在高流量时段执行资源密集型任务(比如半夜运行备份)
  3. 使用明确的名称——给工作流起清晰的名字(如"Daily Email at 8 AM")
  4. 监控执行日志——定期检查 Executions 标签,确保工作流按预期运行
  5. 记录你的 Cron 表达式——在工作流中添加注释说明为什么选择这个时间表

❌ 应该避免

  1. 不要在秒级频率下运行重型工作——会消耗大量资源
  2. 不要忘记激活工作流——很多人设置后忘记激活
  3. 不要在生产环境中测试——先在测试工作流中调试
  4. 不要忽视时区问题——错误的时区会导致工作流在意想不到的时间运行
  5. 不要使用太复杂的 Cron 表达式——使用基础配置往往更清晰可维护

🎯 总结

Schedule Trigger 是 n8n 中最强大的功能之一,它将一次性任务转变为持久的自动化流程。通过掌握以下几点,你可以构建无数有用的自动化:

  • ✅ 理解基础的触发间隔配置(秒、分、小时、天、周、月)
  • ✅ 学会使用 Cron 表达式处理复杂的调度需求
  • ✅ 正确配置时区,确保工作流在预期时间运行
  • ✅ 激活工作流并监控执行状态
  • ✅ 遵循最佳实践,构建可靠的自动化系统

【n8n教程】:创建你的第一个工作流 本文介绍n8n工作流的创建方法,包括新建工作流、添加触发节点、手动测试与激活上线的完整流程,并提供一个可直接导入的"打招呼"示例帮助快速上手 阅读详情

相关推荐

n8n自动化工作流学习笔记-核心节点分类与功能

本文介绍了n8n工作流的触发节点和操作节点功能。触发节点包括手动测试、定时任务、Webhook、邮件和聊天对话框等多种触发方式,并通过一个AI对话机器人案例演示了Onchatmessage、AIAgent和DeepSeekChatModel节点的配合使用。操作节点部分涵盖了数据处理(Set、Function/Code、Merge)、逻辑控制(IF、Switch、LoopOverItems)和热门集成节点(HTTPRequest、GoogleSheets、Slack等),重点说明了Merge节点的Append

weixin_43969497的博客 1104

任务调度框架Quartz(二) 使用job、trigger、schedule调用定时任务

读完第一节,我们已经对Quartz有了一个大体的认识,它可以定时帮我们执行一些处理程序,尽管可能你之前对Quartz不了解以至于第一节很多术语(job、trigger等)不理解,没关系,从现在开始,笔者和你一起在实例中深入理解它们。没有code,就没有话语权——程序界真理(本文章分享在优快云平台,更多精彩请阅读 东陆之滇的csdn博客:http://blog.youkuaiyun.com/zixiao217)

青山师 1万+

n8n自动化工作流:Schedule Trigger节点配置与实战

工作流自动化是现代企业提升效率的关键技术,通过预设规则自动执行重复性任务。其核心原理是基于事件触发机制,结合条件判断实现业务流程的无人值守运行。在技术实现层面,开源工具n8n提供了可视化编排能力,其中Schedule Trigger节点支持cron表达式等灵活调度方式,可精准控制工作流执行时序。该技术特别适用于电商库存同步、财务日报生成等定时场景,能有效减少人工干预带来的误差。通过合理配置时区参数和错误重试机制,可以构建稳定可靠的自动化体系,典型应用包括结合HTTP Request节点实现数据拉取,配合Em

weixin_28839629的博客 254

n8n 天气提醒工作流设置指南

北京:101010100 | 上海:101020100 | 苏州:101190401 | 深圳:101280601。搜索"email" → 选择"Send Email" → 选择"Send an Email"创建一个n8n工作流,在每周一到周五早上8:10自动检查当天天气,如果可能下雨就发送提醒。搜索"Function" → 选择"Code"选项。: 使用SMTP授权码,确认端口587,SSL开启。: 检查城市代码,确认网络连接。: 确保value2输入。(无引号),开启类型转换。

qq_43977440的博客 1106

开源自动化工具n8n:从零构建可视化工作流,连接AI与数百应用

工作流自动化是现代软件工程中提升效率的核心技术,其原理在于通过预定义的规则与逻辑,将不同系统、服务或数据源串联起来,实现任务的自动执行与流转。这项技术的核心价值在于打破数据孤岛,减少人工重复操作,显著提升个人与团队的协作效率与响应速度。在应用场景上,它广泛覆盖了数据同步、定时任务、跨平台通知、CI/CD扩展以及当前热门的AI工作流编排等领域。n8n作为一个开源、可自托管的可视化工作流自动化平台,正是这一理念的杰出实践。它通过拖拽节点的直观方式,让用户无需深入编码即可连接数百种应用与服务,构建复杂的自动化流程

weixin_30654583的博客 378

n8n智能体开发:工作流调度

下面将学习如何使用 Schedule Trigger 节点来调度工作流,使其在设定的时间/间隔自动运行。

王国平的博客 1259

n8n定时任务与调度系统:自动化执行与任务管理

定时任务和调度系统是自动化工作流的重要组成部分,它们允许我们在预设的时间点或按照特定的时间间隔自动执行工作流。n8n提供了强大的定时任务功能,支持Cron表达式、简单调度器等多种调度方式。本文将深入探讨n8n中的定时任务机制,包括Scheduler节点的使用、Cron表达式的配置、任务状态管理以及如何构建复杂的调度系统。n8n的定时任务系统基于触发器节点实现,允许用户按照预定的时间计划自动启动工作流。定时任务基础:理解n8n中定时任务的工作原理和核心节点Schedule Trigger使用。

加入“Super Entity”,与全能开发团队共探AI智能体与数字人项目,开启前沿技术之旅。 1317

n8n智能体开发:创建你的第一个工作流

当你打开 n8n 时,会看到以下两种情况之一:带有欢迎信息的窗口和两个大按钮:选择 Start from Scratch(从零开始)来创建新工作流;Overview(概览)页面上的 Workflows(工作流)列表。选择 Create Workflow(创建工作流)来创建新工作流。

王国平的博客 1382

Quartz1.7 动态添加、修改和删除定时任务(非spring集成版)

一、Quartz简介 Quartz是一个由James House创立的开源项目,是一个功能强大的作业调度工具,可以计划的执行任务,定时、循环或在某一个时间来执行我们需要做的事,这可以给我们工作上带来很大的帮助。例如,你的程序中需要每个月的一号导出报表、定时发送邮件或程序需要每隔一段执行某一任务……等等,都可以用Quartz来解决。 Quartz大致可分为三个主要的核心:

赶路人儿 1918

n8n智能体开发:定时触发器节点

使用 定时触发器节点可以在固定间隔和时间运行工作流。其工作原理类似于 Unix 类系统中的 Cron 软件工具。

王国平的博客 1438

STP生成树/BPDU保护小实验

HCIA部分—STP生成树小实验 实验环境如图所示,要求: 1.在SW1上配置为根桥,使SW3的G0/0/1口作为根端口 2.在SW1的G0/0/3配置为边缘端口 3.若在SW1的G0/0/3口收到BPDU,能自动关闭该端口 4.通过配置bpdu保护,使端口能自动恢复up状态 首先,我们可以通过命令dis stp brief或者dis stp命令来得知SW1在生成树中的角色 确认SW1为非根交换机,此时可以通过修改stp优先级来让SW1成为根桥: 优先级数值缺省为32768,数值越小,优先级越高,数值

1mih的博客 5150

Quartz任务调度简介--浅谈Trigger

Triiger的定义: 通用的属性: Jobkey:表示Job实例,触发器被触发时,该指定的Job实例会被执行。 StartTime:表示触发器的时间表示首次被触发的时间,值的类型是Java.util.Date类。 EndTime:指定触发器不在被触发的时间,值的类型是Java.util.Date类。 ...

菜鸟在进步 312

别再凭感觉了!手把手教你用Excel搞定激光器MPE与NOHD安全计算(附模板下载)

本文详细介绍了如何利用Excel自动化计算激光器的MPE(最大允许照射量)和NOHD(标称眼危害距离),提升激光安全评估的效率和准确性。通过实战案例和模板下载,帮助工程师快速掌握GB/T 7247标准中的关键计算,避免常见错误,适用于激光测距仪等设备的安评工作。

weixin_30954265的博客 468

n8n 核心节点全解析:从入门到精通必掌握的节点分类指南

摘要:n8n的核心模块化设计基于节点构建自动化工作流。节点分为四大类:触发器节点(如ManualTrigger、Schedule、Webhook)是工作流起点;核心功能节点(如Code/Function、IF/Switch)处理流程逻辑;数据操作节点(如Set)调整数据格式;应用节点(如HTTPRequest)与外部服务交互。学习建议是先掌握分类和核心节点,再按需学习特定应用节点,通过测试功能实践理解。四大类节点协作形成完整工作流:触发器启动→逻辑处理→数据加工→执行动作。

欢迎技术交流,可项目合作 1374

VASP计算层错能(SFE)全攻略2

本文介绍了使用VASP计算纯镍(Ni)层错能(SFE)的具体步骤。首先构建Ni的FCC单胞并扩展为超胞,通过修改原子位置引入堆垛层错;随后分别计算完美晶体和含层错结构的能量;最后通过能量差与层错面积之比求得SFE值。计算需注意k点网格、截断能和超胞尺寸的收敛性测试,并推荐使用PAW赝势和ASE等工具辅助结构构建。

weixin_50519490的博客 1988

LMI线性矩阵不等式之非线性变量处理

​ 如果一个LMI线性矩阵不等式中的某项存在两个矩阵变量相乘,那么称该类情形为非线性矩阵不等式,而要直接求解时很困难的,而且LMI工具箱也无法求解非线性矩阵,所以需要通过变量替换法进行处理。 ​...

Mr.邹的博客 4550

【n8n教程笔记——工作流Workflow】文本课程(第一阶段)——5.7 调度工作流 (Scheduling the workflow)

【代码】【n8n教程笔记——工作流Workflow】文本课程(第一阶段)——5.7 调度工作流 (Scheduling the workflow)

Dontla的博客 1572

Python量化投资入门教程:从零构建你的第一个交易策略

量化投资教程以数学模型和计算机程序实现超额收益,选用Python工具链完成数据获取、策略构建及回测。通过移动平均线交叉策略示例,展示数据预处理、信号生成、收益计算及可视化全流程,结合收益率、最大回撤和夏普比率评估策略,并建议参数优化与策略融合提升稳健性。

ylmx5201314的博客 2457

【n8n入门教程08】n8n 触发节点完全指南:定时器、Webhook 和手动触发

详细讲解 n8n 的三类主流触发节点,包括 Manual Trigger、Schedule Trigger 和 Webhook Trigger,帮你灵活应对各种业务场景

欢迎来到benny的老巢。 1537

vnpy_ctp源码下载后转变为python可用的处理过程

vnpy_ctp源码下载后在window中编译使用

m0_37967652的博客 3328

.net core 下的PostgreSQL 异常排查—— Exception while reading from stream (0x80004005)

最近以PostgreSQL为存储介质,实现了分布式缓存的一个组件开发,在经过开发环境的测试后,顺利推送到产品组的手里,经过开发环境的验证后,终于发布到测试环境了,但问题来了,产品组反应频繁出现访问异常,返回的信息大致是:Exception while reading from stream … (0x80004005) ????欢迎点赞 :???? 收藏 ⭐留言 ???? 如有错误敬请指正,赐人玫瑰,手留余香! ????本文作者:由webmote 原创,首发于 【优快云】 ????作者格言: 生活在

网尘的技术专栏 5844

【n8n 实战指南】从零到一:15分钟搞定云端部署与首个自动化工作流搭建

本文提供了一份详尽的n8n云端部署与自动化工作流搭建实战指南。通过对比本地与云端部署的优劣,引导用户快速在云服务器上完成n8n部署,并手把手教学构建首个实用的“天气助手”自动化工作流,涵盖从服务器选购、Docker Compose一键部署到工作流创建、调试的全过程,帮助用户实现从入门到实践的快速跨越。

weixin_29291185的博客 593

YOLOv11-seg改进系列 | 引入CVPR2022 MetaFormer,零参数池化Token混合+StarReLU MLP,精度涨不掉速

本文提出了一种改进YOLOv11分割任务的C3k2_PoolingFormer模块,通过引入MetaFormer架构和Pooling Token Mixer,在保持模型轻量化的同时增强全局感受野建模能力。核心创新包括:1)使用零参数的AvgPool3×3差值作为Token Mixer,实现高效邻域信息聚合和局部对比增强;2)采用StarReLU MLP替代传统激活函数,提升非线性表达能力。改进后模型仅增加6.1%参数量,却能显著提升分割精度,特别适用于需要长程依赖建模的实例分割任务。该设计为轻量级视觉模型提

qq_44224801的博客 434

n8n Schedule Trigger节点详解:原理、配置与定时任务排查指南

定时任务是工作流自动化中最基础也最高频的需求之一,从销售日报推送到数据库备份,都依赖精准的调度机制。n8n作为开源低代码自动化工具,通过Schedule Trigger节点将时间变为触发器,让流程到点自动运行。该节点支持Interval和Cron两种模式,其中Cron采用六段格式,秒字段与时区设置常成为踩坑点。掌握其参数逻辑、激活状态与执行机制,能够稳定构建周期型工作流,也能有效排查到期不触发、重复执行等常见故障。从每日报表到接口健康检查,Schedule Trigger都是让自动化真正省心的关键节点。

weixin_42531923的博客 314

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

玩转n8n测试自动化:核心节点详解与测试实战指南

n8n自动化测试核心节点指南:触发器(定时/Webhook/手动)启动测试流程;数据操作节点(HTTP请求/函数/Set)实现API测试和数据处理;逻辑控制节点(IF/Wait)处理条件分支和异步操作;工具节点(表格/数据库)管理测试数据。通过实际API测试案例演示节点组合应用,强调错误处理、日志记录和安全性等最佳实践。掌握这些节点可构建复杂自动化测试工作流,显著提升测试效率。

霍格沃兹测试学院的博客 1149

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

用去年 github 最火的 n8n 快速实现自动化推送工具

奇舞团是 360 集团最大的大前端团队,非常重视人才培养,有工程师、讲师、翻译官、业务接口人、团队 Leader 等多种发展方向供员工选择,并辅以提供相应的技术力、专业力、通用力、领导力等培训课程。:在 Code 节点里接入 AI 模型,对文章进行评分(信息价值、技术深度、是否值得阅读),再按评分排序推送。如果你希望自动评分文章或生成摘要,可准备一个大模型 API,例如 OpenAI、千问大模型等,并准备好。的兴趣,并继续探索它模块中的强大功能,帮助你实现脑中的奇思妙想~

奇舞周刊 735

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")

上一篇: 【n8n教程】:RSS Feed Trigger节点,玩转RSS订阅自动化
下一篇: 豆豆 - AI 自媒体运营工具(二):图文与视频篇
undsky_
博客等级 码龄20年 6粉丝 130原创
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
 
 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