Come creare una pipeline gratuita di riproposizione dei contenuti AI con n8n e Claude (cosa è realmente gratuito)

Puoi rendere gratuito il livello di automazione di una pipeline di riproposizione dei contenuti AI self-hostando n8n Community Edition, ma un workflow n8n basato su Claude non è garantito che sia a costo zero end-to-end. Questa distinzione è importante. n8n afferma che la sua Community Edition self-hosted può essere utilizzata gratuitamente a tempo indeterminato, mentre l'API Claude di Anthropic è un servizio per sviluppatori a consumo. Il piano chat gratuito di Claude sul sito web di Claude non è la stessa cosa dell'utilizzo dell'API all'interno di n8n.

Al 11 settembre 2026, n8n documenta la Community Edition come un'edizione self-hosted gratuita con quasi l'intero set di funzionalità principali. L'attuale listino prezzi API di Anthropic elenca Claude Sonnet 5 a 2 $ per milione di token di input e 10 $ per milione di token di output, e Claude Haiku 4.5 a 1 $ per milione di token di input e 5 $ per milione di token di output. I prezzi e i modelli possono cambiare, quindi verificali prima di distribuire. Consulta la documentazione della Community Edition di n8n e la pagina dei prezzi attuale di Anthropic.

Quindi, la versione pratica di "gratuito" è: software n8n gratuito su infrastruttura che controlli, più qualsiasi utilizzo dell'API Claude generato dal tuo workflow. Se disponi già di infrastruttura e crediti API, il tuo costo incrementale potrebbe essere temporaneamente zero. In caso contrario, aspettati almeno il costo di utilizzo del modello e possibilmente il costo di hosting.

Cosa farà questa pipeline

Il workflow seguente prende un elemento sorgente—come un post del blog, una bozza di newsletter, una trascrizione di podcast, una trascrizione di webinar o una nota di lunga durata—e lo trasforma in diversi asset di bozza strutturati. Un output iniziale utile è:

• Un post in stile LinkedIn
• Tre post brevi per i social
• Una riga dell'oggetto e un'introduzione per l'email
• Un hook e uno script per un video breve
• Cinque punti chiave
• Un flag di revisione quando la sorgente non contiene informazioni sufficienti

La pipeline produce intenzionalmente bozze in primo luogo. La pubblicazione automatica può essere aggiunta in seguito, ma di solito è più sicuro dimostrare la qualità dei contenuti, la formattazione, la fedeltà alla sorgente e le autorizzazioni di destinazione prima di consentire a un workflow AI di pubblicare senza revisione.

Questo approccio è adatto a te?

L'architettura consigliata

Per una prima versione, non iniziare con un agente autonomo. La Basic LLM Chain di n8n è progettata per passare un prompt a un modello linguistico connesso e può allegare un parser di output. Questo è sufficiente per un workflow deterministico "sorgente in ingresso, bozze formattate in uscita". Consulta la documentazione della Basic LLM Chain di n8n.

Una pipeline pulita appare così:

Trigger → Valida input → Normalizza sorgente → Basic LLM Chain → Anthropic Chat Model → Structured Output Parser → Gate di revisione → Salva bozze

Passaggio 1: Self-host n8n Community Edition

L'attuale documentazione di n8n supporta il self-hosting con Docker e descrive la Community Edition come gratuita. Docker è un buon punto di partenza perché rende l'istanza n8n facile da riprodurre e ti fornisce un volume persistente per i dati di workflow e credenziali.

La guida ufficiale Docker crea un volume n8n_data, espone la porta 5678, imposta le variabili d'ambiente relative al fuso orario e monta la directory dei dati persistente. Per n8n 2.x, la documentazione nota che N8N_RUNNERS_ENABLED è deprecato e non deve più essere impostato. Usa il comando attuale dalla guida all'installazione Docker di n8n piuttosto che copiare un vecchio comando da un tutorial.

Per una prova di concetto locale, aprire http://localhost:5678 è sufficiente. Per un'istanza di produzione esposta a Internet, non esporre semplicemente la porta locale pubblicamente. Segui le linee guida di hosting e sicurezza di n8n per HTTPS, autenticazione, backup e configurazione del reverse-proxy.

Usa questo passaggio se: ti senti a tuo agio nel mantenere il tuo host Docker. Se non vuoi patchare, mettere in sicurezza, fare backup e monitorare un server, n8n Cloud è più facile, ma non è l'opzione permanentemente gratuita descritta qui.

Passaggio 2: Scegli come inizia il workflow

Usa un Webhook quando un'altra app dovrebbe inviare contenuti a n8n su richiesta. Usa un Schedule Trigger quando n8n dovrebbe controllare i contenuti a un orario fisso o intervallo.

Il nodo Webhook di n8n fornisce URL di test e di produzione separati. L'URL di test è progettato per lo sviluppo; l'URL di produzione viene registrato quando il workflow viene pubblicato. Il nodo Webhook supporta anche opzioni di autenticazione, tra cui Basic auth, Header auth e JWT auth. Consulta la documentazione del Webhook di n8n.

Per la riproposizione pianificata, il Schedule Trigger di n8n viene eseguito a orari o intervalli fissi, e n8n afferma che il workflow deve essere salvato e pubblicato per l'attivazione pianificata. Consulta la documentazione del Schedule Trigger di n8n.

Esempio: se il tuo CMS può chiamare un webhook dopo che un editor approva un articolo, usa il webhook. Se mantieni i contenuti sorgente approvati in una cartella e vuoi un batch ogni mattina feriale, una pianificazione può essere più semplice.

Passaggio 3: Definisci un contratto di input pulito

Non lasciare che ogni sorgente arrivi in una forma diversa. Normalizza gli input in una struttura interna prima di chiamare Claude. Un payload JSON pratico è:

{
  "source_id": "post-2026-0911-001",
  "title": "Titolo dell'articolo originale",
  "source_text": "Testo sorgente completo approvato...",
  "source_url": "https://example.com/original",
  "audience": "Proprietari di piccole imprese negli USA",
  "brand_voice": "chiaro, pratico, senza hype",
  "outputs": [
    "linkedin_post",
    "short_posts",
    "email_intro",
    "video_script"
  ]
}

Passa il testo sorgente effettivo ogni volta che è pratico. Un URL da solo non è la stessa cosa di un contenuto sorgente verificato. Recuperare e analizzare una pagina aggiunge un altro punto di fallimento e può introdurre navigazione, cookie, pubblicità o testo non correlato nel prompt.

Inoltre, mantieni le istruzioni separate dal materiale sorgente. Se ingerisci pagine di terze parti, email o documenti caricati, tratta i loro contenuti come dati non fidati piuttosto che comandi di workflow. Le linee guida sulla sicurezza di Anthropic descrivono esplicitamente l'iniezione indiretta di prompt come istruzioni malevole incorporate nei contenuti che il modello legge. Consulta le linee guida di mitigazione dell'iniezione di prompt di Anthropic.

Passaggio 4: Valida e normalizza prima della chiamata al modello

Prima di spendere token, rifiuta input errati. Al minimo, controlla che source_id, title e source_text esistano e che source_text non sia vuoto. Normalizza il rumore di formattazione ovvio, ma preserva fatti, citazioni, URL, intestazioni e altri dettagli della sorgente di cui Claude potrebbe aver bisogno.

Una fase di pre-elaborazione utile può:

• Tagliare gli spazi bianchi iniziali e finali
• Convertire le righe vuote ripetute in un formato coerente
• Impostare valori predefiniti per pubblico e voce
• Rifiutare il testo sorgente al di sotto di una lunghezza minima utile
• Creare un source_id stabile per la deduplicazione
• Registrare i tipi di output richiesti

Non dividere un articolo normale in molte chiamate al modello a meno che tu non ne abbia effettivamente bisogno. Molteplici chiamate aumentano la complessità dell'orchestrazione e possono produrre un tono incoerente. Per materiale sorgente di grandi dimensioni, considera di riassumere o suddividere deliberatamente piuttosto che troncare accidentalmente l'input.

Passaggio 5: Connetti Claude correttamente—e comprendi il costo

n8n fornisce un nodo Anthropic Chat Model e credenziali Anthropic che utilizzano una chiave API. La documentazione delle credenziali di n8n indirizza gli utenti a creare una chiave nella Console Anthropic e a conservarla nelle credenziali n8n piuttosto che codificarla nel testo del workflow. Consulta la documentazione delle credenziali Anthropic di n8n e la documentazione del modello di chat Anthropic di n8n.

Per questa pipeline, collega il modello di chat Anthropic a una Basic LLM Chain. Una scelta pratica del modello dipende dal tuo obiettivo di qualità e costo:

I prezzi sopra provengono dalla pagina dei prezzi attuale di Anthropic e possono cambiare. Evita anche di copiare vecchi ID modello da tutorial più vecchi. Anthropic mantiene una pagina di deprecazione dei modelli perché i modelli vengono periodicamente deprecati e ritirati. Controlla la documentazione sulla deprecazione dei modelli di Anthropic prima di codificare un nome di modello.

Passaggio 6: Usa un prompt che preserva la fedeltà alla sorgente

Il prompt dovrebbe rendere esplicito il confine della trasformazione: Claude può riformulare e comprimere la sorgente, ma non dovrebbe inventare fatti che non sono presenti. L'attuale guida al prompting di Anthropic raccomanda istruzioni chiare e tag strutturati per input complessi. Consulta la documentazione sulle migliori pratiche di prompting di Anthropic.

Un messaggio di sistema pratico è:

Sei un editor di riproposizione dei contenuti.
Usa solo affermazioni fattuali supportate dalla sorgente fornita.
Non inventare statistiche, citazioni, risultati dei clienti, date o capacità dei prodotti.
Preserva il significato originale adattando formato e tono.
Se un output richiede informazioni non presenti nella sorgente, imposta needs_review su true
e spiega le informazioni mancanti in review_notes.
Restituisci solo i campi strutturati richiesti.

Quindi costruisci il messaggio utente dalle espressioni n8n:

<source>
<title>{ $json.title }</title>
<text>{ $json.source_text }</text>
<source_url>{ $json.source_url }</source_url>
</source>

<requirements>
Pubblico: { $json.audience }
Voce: { $json.brand_voice }
Crea solo i formati richiesti: { JSON.stringify($json.outputs) }
</requirements>

Esempio: se la sorgente dice che un prodotto è stato lanciato a maggio ma non dà mai numeri di clienti, Claude può trasformare il fatto del lancio in un post più breve, ma non dovrebbe aggiungere "10.000 clienti" per far sembrare il post più forte.

Passaggio 7: Forza l'output strutturato invece di analizzare la prosa

Il testo libero è difficile da instradare. Se Claude restituisce intestazioni che cambiano da un'esecuzione all'altra, i nodi a valle diventano fragili. Lo Structured Output Parser di n8n può restituire campi basati su uno JSON Schema, e la Basic LLM Chain può richiedere un formato di output specifico. Consulta la documentazione dello Structured Output Parser di n8n.

Usa uno schema come:

{
  "type": "object",
  "properties": {
    "linkedin_post": { "type": "string" },
    "short_posts": {
      "type": "array",
      "items": { "type": "string" },
      "minItems": 3,
      "maxItems": 3
    },
    "email_subject": { "type": "string" },
    "email_intro": { "type": "string" },
    "video_hook": { "type": "string" },
    "video_script": { "type": "string" },
    "key_takeaways": {
      "type": "array",
      "items": { "type": "string" }
    },
    "needs_review": { "type": "boolean" },
    "review_notes": {
      "type": "array",
      "items": { "type": "string" }
    }
  },
  "required": [
    "linkedin_post",
    "short_posts",
    "email_subject",
    "email_intro",
    "video_hook",
    "video_script",
    "key_takeaways",
    "needs_review",
    "review_notes"
  ],
  "additionalProperties": false
}

Se scegli di chiamare direttamente l'API Claude Messages con il nodo HTTP Request di n8n invece di usare l'integrazione Anthropic Chat Model, Anthropic supporta anche output strutturati nativi tramite output_config.format sui modelli supportati. Consulta la documentazione sugli Output Strutturati di Anthropic e il riferimento all'API Claude Messages.

Passaggio 8: Salva le bozze, revisionale, poi automatizza la pubblicazione

Per la prima versione di produzione, archivia i campi generati in una posizione di revisione piuttosto che inviarli direttamente ai canali pubblici. Le destinazioni comuni includono un database, Google Drive, Google Sheets, Notion, una bozza CMS o un messaggio di revisione interno.

Usa needs_review come gate rigido. Considera anche un passaggio di revisione umana per qualsiasi cosa che invii un messaggio esterno o modifichi un sistema di produzione. n8n supporta attualmente l'approvazione umana nel loop per le chiamate agli strumenti AI, dove un revisore può approvare o negare le azioni selezionate. Consulta la documentazione sul human-in-the-loop di n8n.

Rollout consigliato:

1. Settimana 1: genera solo bozze.
2. Settimana 2: confronta gli output con la sorgente e correggi i fallimenti del prompt/schema.
3. Settimana 3: consenti alle bozze approvate di spostarsi automaticamente nelle cartelle di bozza di destinazione.
4. Solo dopo che il workflow è stabile: considera la pubblicazione automatica per formati a basso rischio.

Un workflow n8n end-to-end concreto

Per una versione semplice guidata da webhook, crea questi nodi in ordine:

Se preferisci una pipeline pianificata, sostituisci il Webhook con un Schedule Trigger e aggiungi un nodo sorgente che recupera gli elementi approvati non elaborati.

Come evitare di riproporre la stessa sorgente due volte

Aggiungi un source_id immutabile a ogni elemento e archivia gli ID elaborati. Prima che Claude venga eseguito, controlla se quell'ID è già stato completato con successo. Questa è una base di idempotenza: ripetere lo stesso trigger non dovrebbe creare bozze duplicate a meno che tu non chieda esplicitamente una nuova versione.

Per le revisioni, usa una chiave composta come source_id + source_revision. Questo consente alla versione 2 di un articolo di generare nuove bozze senza fingere che sia la stessa sorgente della versione 1.

Come ridurre il costo dell'API Claude

La scelta del modello è solo una leva. Il costo evitabile più grande è spesso inviare testo non necessario o generare output inutilmente lunghi.

• Rimuovi navigazione, boilerplate e HTML non correlato prima della chiamata al modello.
• Chiedi solo i formati di cui hai effettivamente bisogno.
• Imposta vincoli ragionevoli sulla lunghezza dell'output nel prompt.
• Usa Haiku 4.5 per trasformazioni semplici ad alto volume quando la qualità è sufficiente.
• Usa Sonnet 5 quando la sorgente richiede più sfumature o un adattamento cross-formato più forte.
• Non inviare la stessa lunga guida del brand a ogni chiamata se puoi rappresentarla con istruzioni stabili concise.
• Misura l'utilizzo dei token e il costo piuttosto che presumere che un workflow breve sia economico.

Anthropic offre anche il caching dei prompt e l'elaborazione batch per i carichi di lavoro applicabili, ma queste funzionalità hanno i propri requisiti e prezzi. Non aggiungerle al primo workflow a meno che il contesto ripetuto o l'elaborazione ad alto volume non urgente non renda la complessità aggiuntiva vantaggiosa.

Tre modalità di fallimento da testare prima della pubblicazione

1. Fatti allucinati

Alimenta il workflow con una sorgente che omette intenzionalmente una statistica. Il comportamento atteso è che l'output non ne inventi una. Se lo fa, rafforza le istruzioni di fedeltà alla sorgente e il gate di revisione.

2. Output strutturato rotto

Testa ogni campo richiesto, array vuoti, testo sorgente insolitamente lungo e caratteri speciali. Una pipeline non è affidabile solo perché un output demo attraente sembrava corretto.

3. Esecuzioni duplicate

Invia lo stesso source_id due volte. La seconda esecuzione dovrebbe fermarsi, aggiornare il record esistente o creare intenzionalmente una revisione secondo il tuo design—non duplicare silenziosamente ogni bozza.

Hai bisogno di un Agente AI per questo?

Di solito, no. Un Agente AI è utile quando il modello deve decidere quali strumenti chiamare o intraprendere azioni diverse in base a un obiettivo aperto. La riproposizione dei contenuti è normalmente una trasformazione prevedibile, quindi una catena è più facile da ispezionare, testare e controllare.

Passa a un agente solo quando hai un bisogno concreto come scegliere dinamicamente gli strumenti di ricerca, decidere quale destinazione riceve una bozza o chiedere a un umano le informazioni mancanti. Anche in quel caso, mantieni le azioni di pubblicazione irreversibili dietro una revisione esplicita fino a quando il workflow non è ben testato.

Checklist finale di build

• Self-host n8n Community Edition se vuoi che il livello software n8n rimanga gratuito.
• Non descrivere l'utilizzo dell'API Claude come permanentemente gratuito.
• Usa un Webhook per l'elaborazione su richiesta o un Schedule Trigger per batch temporizzati.
• Normalizza ogni sorgente in un contratto di input.
• Passa il testo sorgente, non solo un URL.
• Archivia la chiave API Anthropic nelle credenziali n8n.
• Usa un modello Claude attivo e controlla periodicamente la pagina di deprecazione.
• Usa una Basic LLM Chain per la riproposizione prevedibile.
• Richiedi uno schema di output strutturato.
• Aggiungi needs_review e note di revisione allo schema.
• Deduplica con un ID sorgente stabile.
• Salva le bozze prima di abilitare la pubblicazione automatica.
• Testa allucinazioni, input malformati, trigger duplicati e percorsi di fallimento.
• Monitora l'utilizzo dei token e i costi dei servizi esterni.

La migliore prima versione è deliberatamente noiosa: un input pulito, una chiamata Claude controllata, una risposta JSON validata e una destinazione di bozza. Questa architettura è facile da debuggare ed economica da operare. Una volta che funziona in modo affidabile su materiale sorgente reale, puoi aggiungere più canali, pianificazione, approvazioni umane, analisi o integrazioni di pubblicazione senza ricostruire la pipeline centrale.