昨天完成了一條「數據淘金」流水線，從指定的RSS白名單中篩選、抓取並清洗出純淨的文字內容，手上已經有了自己篩選過的資料來源。

今天將在n8n裡加入AI大腦，大型語言模型 (LLM)，指示它將那些長篇大論的文章，提煉成我們App所需的內容，含摘要和標籤。

步驟一：選擇你的AI大腦 —— OpenAI(GPT) vs. Google(Gemini)

目前市面上最主流、開發者整合最方便的，是OpenAI的GPT系列和Google的Gemini系列。

OpenAI(GPT-3.5,GPT-4):

優勢: API成熟穩定，社群龐大，文件資源豐富，尤其是 gpt-3.5-turbo模型，在速度、成本和遵循指令（產生JSON）取得絕佳的平衡，非常適合我們的專案。
考量: 需要註冊並綁定付費方式才能獲取 API 金鑰。

Google AI(Gemini):

優勢: 透過 Google AI Studio 提供相當慷慨的免費額度，模型能力強大，特別是在多模態能力上。
考量: 對於開發者來說，API的普及度和社群範例可能略少於OpenAI，且使用上會有延遲，偶爾可能需要排隊等候使用。

我將使用Gemini 2.5 Flash模型，之後依使用需求可以再移到任何其他主流LLM上。

在n8n中設定憑證，先到Google AI Studio取API Key，再依序Credentials > Add credential > API Key 貼上，現在n8n就擁有了呼叫LLM大腦的權限了。

步驟二：溝通藝術 —— 設計驅動AI行為的Prompt

與LLM溝通的關鍵，在於設計一份好的提示詞(Prompt)，像是工作說明書，用來指導AI完成我們的任務，但由於我是免費使用，使用上就有延遲了，先以以下重點為主，之後邊做邊改良細節。

• 角色扮演 (Role Setting)：賦予AI一個身份，能讓它更快進入狀況。
• 任務定義 (Task Definition)：清楚說明要做什麼。
• 格式要求 (Formatting Rules)：這是最重要的部分！我們需要AI回傳嚴格的JSON格式，這樣n8n才能輕鬆解析，並在未來提供給App。
• 內容輸入 (Input Placeholder)：告訴AI哪裡是需要它處理的文章內容。

步驟三：連接神經元 —— 在n8n中實現AI摘要工作流

n8n實作步驟：

在Day 3最後的Clean & Finalize節點後，新增Message a model節點，將上面自己設計好的完整Prompt範本貼到Message欄位中。

執行後，會發現 summary 和 tags 已經被成功提取出來，成為獨立的數據欄位了！（我會慢慢把細節補回前面的文章，不好意思）

明日預告：在工作流結尾建立一個Webhook API

今天完成了LLM的串接，使n8n不再只是數據的搬運工，可以藉由文章摘要，給予創作者靈感，明天將繼續優化此工作流，並在結尾建立Webhook API，好傳遞給我們即將誕生的 Flutter App。Day 5 見！

【哈囉你好：）感謝你的閱讀！其他我會常出沒的地方：Threads】