在上一篇文章中，我們成功建立了一個 n8n 流程，能夠精準地從 Threads 貼文網址中抓取主貼文與作者的專屬回覆，並將其整理成乾淨的結構化 JSON 資料

我們已經有了最核心的「原料」，但若要讓這些備份資料更具價值、更易於管理與搜尋，我們還需要為它增添一些「佐料」

這篇文章，我們將說明如何串接 Google 強大的 Gemini AI 模型，讓 AI 自動為我們完成兩項關鍵任務：

1. 生成精準標題：省去手動想標題的煩惱

2. 萃取關鍵標籤 (Tags)：讓資料分類與搜尋變得輕而易舉

workflow

步驟一：加入「Basic LLM Chain」節點

• 延續上一篇的下個節點，選擇「Basic LLM Chain」

  

步驟二：撰寫 AI 提示詞 (Prompt)

• 接著選擇「Define below」來撰寫提示

  

• 提示詞如下

  請分析以下這篇來自社群平台 Threads 的貼文全文。
  
  你的任務是：
  
  1.  為這篇文章產生一個簡潔、正常人的標題（台灣中文用語）。
  2.  根據文章內容，產生 6 個最相關的標籤 (Tags)，作為 Markdown Front Matter，標籤文字請使用 3 個英文與 3 個台灣中文用語。
  
  請**務必**將你的回答格式化為 1 個 JSON 物件，其中包含 "title" 和 "tags" (一個字串陣列) 兩個鍵值。不要在 JSON 物件前後增加任何多餘的文字或程式碼註解。
  
  範例輸出格式：
  {
  "title": "這裡是你產出的標題",
  "tags": ["標籤 1", "標籤 2", "標籤 3", "標籤 4", "標籤 5", "標籤 6"]
  }
  
  ---
  
  貼文全文如下：
  {{ $json.thread.text }}
  

步驟三：設定 AI 模型與輸出格式

• 接著把「Require Specific Output Format」打開

  

• 接著幫這個 LLM 設定模型，我是用 Gemini

  

• 接著在「Output Parsers」的地方選擇「Structured Output Parser」

  

• JSON Example 填寫如下

  {
  "title": "這裡是你產出的標題",
  "tags": ["標籤 1", "標籤 2", "標籤 3", "標籤 4", "標籤 5", "標籤 6"]
  }
  

• 接著點選畫布下方的「Execute step」來試跑看看

  

步驟四：合併原始資料與 AI 生成結果

• 下個節點選擇「Merge」

  

• 內容選擇「Combine」、「Position」

  

• 而 Merge 的另一個 input 選擇「Puppeteer」，這樣就可以把原始資料跟 AI 產生的內容合併起來

  

恭喜！現在我們的自動化流程已經升級，不僅能抓取貼文，更能透過 AI 自動產生標題與標籤

在下一篇文章中，我們將會說明如何將這些處理好的資料，轉換為 Markdown 檔案，並自動儲存到你的雲端硬碟