Cara Membina Saluran Penyesuaian Semula Kandungan AI Percuma dengan n8n dan Claude (Apa yang Sebenarnya Percuma)

Anda boleh menjadikan lapisan automasi bagi saluran penyesuaian semula kandungan AI menjadi percuma dengan menghoskan sendiri n8n Community Edition, tetapi aliran kerja n8n yang dikuasakan oleh Claude tidak dijamin mempunyai kos sifar dari hujung ke hujung. Perbezaan ini penting. n8n menyatakan bahawa Community Edition versi kendiri boleh digunakan secara percuma tanpa had masa, manakala API Claude oleh Anthropic adalah perkhidmatan pembangun yang dicaj berdasarkan penggunaan. Pelan sembang Claude percuma di laman web Claude tidak sama dengan penggunaan API di dalam n8n.

Sehingga 11 September 2026, n8n mendokumentasikan Community Edition sebagai edisi kendiri percuma dengan hampir keseluruhan set ciri teras. Harga API semasa Anthropic menyenaraikan Claude Sonnet 5 pada $2 per juta token input dan $10 per juta token output, serta Claude Haiku 4.5 pada $1 per juta token input dan $5 per juta token output. Harga dan model boleh berubah, jadi sila sahkan sebelum mengagihkan. Lihat dokumentasi Community Edition n8n dan halaman harga semasa Anthropic.

Jadi, versi praktikal bagi “percuma” ialah: perisian n8n percuma pada infrastruktur yang anda kawal, ditambah dengan sebarang penggunaan API Claude yang dijana oleh aliran kerja anda. Jika anda sudah mempunyai infrastruktur dan kredit API, kos tambahan anda mungkin sifar buat sementara waktu. Jika tidak, jangka sekurang-kurangnya kos penggunaan model dan mungkin kos hosting.

Apa yang saluran ini akan lakukan

Aliran kerja di bawah mengambil satu item sumber—seperti catatan blog, draf surat berita, transkrip podcast, transkrip webinar, atau nota panjang—dan mengubahnya menjadi beberapa aset draf berstruktur. Output permulaan yang berguna ialah:

• Satu catatan gaya LinkedIn
• Tiga catatan sosial pendek
• Satu baris subjek e-mel dan pengenalan
• Satu cangkuk video pendek dan skrip
• Lima pengajaran utama
• Bendera semakan apabila sumber tidak mengandungi maklumat yang mencukupi

Saluran ini secara sengaja menghasilkan draf terlebih dahulu. Penerbitan automatik boleh ditambah kemudian, tetapi biasanya lebih selamat untuk membuktikan kualiti kandungan, pemformatan, kesetiaan sumber, dan kebenaran destinasi sebelum membenarkan aliran kerja AI menerbitkan tanpa semakan.

Adakah pendekatan ini sesuai untuk anda?

Seni bina yang disyorkan

Untuk versi pertama, jangan mulakan dengan ejen autonomi. Rantai LLM Asas n8n direka untuk menghantar prompt kepada model bahasa yang disambungkan dan boleh melampirkan pengurai output. Itu sudah cukup untuk aliran kerja “sumber masuk, draf berformat keluar” yang deterministik. Lihat dokumentasi Rantai LLM Asas n8n.

Saluran yang bersih kelihatan seperti ini:

Pencetus → Sahkan input → Normalisasikan sumber → Rantai LLM Asas → Model Sembang Anthropic → Pengurai Output Berstruktur → Pintu semakan → Simpan draf

Langkah 1: Hoskan sendiri n8n Community Edition

Dokumentasi semasa n8n menyokong hosting kendiri dengan Docker dan menerangkan Community Edition sebagai percuma. Docker ialah titik permulaan yang baik kerana ia menjadikan instans n8n mudah untuk direproduksi dan memberikan anda volum berterusan untuk data aliran kerja dan kelayakan.

Panduan Docker rasmi mencipta volum n8n_data, mendedahkan port 5678, menetapkan pemboleh ubah persekitaran berkaitan zon waktu, dan mengaitkan direktori data berterusan. Untuk n8n 2.x, dokumentasi menyatakan bahawa N8N_RUNNERS_ENABLED telah dihentikan dan tidak perlu ditetapkan lagi. Gunakan arahan semasa daripada panduan pemasangan Docker n8n dan bukan menyalin arahan lama daripada tutorial.

Untuk bukti konsep tempatan, membuka http://localhost:5678 sudah memadai. Untuk instans pengeluaran yang menghadap internet, jangan sekadar mendedahkan port tempatan secara awam. Ikuti panduan hosting dan keselamatan n8n untuk HTTPS, pengesahan, sandaran, dan konfigurasi proksi songsang.

Gunakan langkah ini jika: anda selesa mengekalkan hos Docker anda sendiri. Jika anda tidak ingin menampal, melindungi, menyandarkan, dan memantau pelayan, n8n Cloud lebih mudah, tetapi ia bukan pilihan percuma kekal yang diterangkan di sini.

Langkah 2: Pilih bagaimana aliran kerja bermula

Gunakan Webhook apabila aplikasi lain perlu menghantar kandungan kepada n8n atas permintaan. Gunakan Pencetus Jadual apabila n8n perlu menyemak kandungan pada masa atau selang masa yang tetap.

Nod Webhook n8n menyediakan URL ujian dan pengeluaran yang berasingan. URL ujian direka untuk pembangunan; URL pengeluaran didaftarkan apabila aliran kerja diterbitkan. Nod Webhook juga menyokong pilihan pengesahan, termasuk auth Asas, auth Header, dan auth JWT. Lihat dokumentasi Webhook n8n.

Untuk penyesuaian semula berjadual, Pencetus Jadual n8n berjalan pada masa atau selang masa yang tetap, dan n8n menyatakan bahawa aliran kerja mesti disimpan dan diterbitkan untuk pencetus berjadual. Lihat dokumentasi Pencetus Jadual n8n.

Contoh: jika CMS anda boleh memanggil webhook selepas editor meluluskan artikel, gunakan webhook. Jika anda menyimpan kandungan sumber yang diluluskan dalam folder dan mahu satu kelompok setiap pagi hari bekerja, jadual mungkin lebih mudah.

Langkah 3: Tentukan satu kontrak input yang bersih

Jangan biarkan setiap sumber tiba dalam bentuk yang berbeza. Normalisasikan input kepada satu struktur dalaman sebelum memanggil Claude. Payload JSON yang praktikal ialah:

{
  "source_id": "post-2026-0911-001",
  "title": "Tajuk artikel asal",
  "source_text": "Teks sumber penuh yang diluluskan...",
  "source_url": "https://example.com/original",
  "audience": "Pemilik perniagaan kecil AS",
  "brand_voice": "jelas, praktikal, tanpa hype",
  "outputs": [
    "linkedin_post",
    "short_posts",
    "email_intro",
    "video_script"
  ]
}

Hantar teks sumber sebenar apabila praktikal. URL sahaja tidak sama dengan kandungan sumber yang disahkan. Mengambil dan menghurai halaman menambah satu lagi titik kegagalan dan boleh memperkenalkan navigasi, kuki, pengiklanan, atau teks tidak berkaitan ke dalam prompt.

Juga, pisahkan arahan daripada bahan sumber. Jika anda menyerap halaman pihak ketiga, e-mel, atau dokumen yang dimuat naik, anggap kandungannya sebagai data yang tidak dipercayai dan bukan arahan aliran kerja. Panduan keselamatan Anthropic secara eksplisit menerangkan suntikan prompt tidak langsung sebagai arahan jahat yang tertanam dalam kandungan yang dibaca oleh model. Lihat panduan mitigasi suntikan prompt Anthropic.

Langkah 4: Sahkan dan normalisasikan sebelum panggilan model

Sebelum membelanjakan token, tolak input yang buruk. Sekurang-kurangnya, semak bahawa source_id, title, dan source_text wujud dan bahawa source_text tidak kosong. Normalisasikan bunyi pemformatan yang jelas, tetapi kekalkan fakta, petikan, URL, tajuk, dan butiran sumber lain yang mungkin diperlukan oleh Claude.

Peringkat pemprosesan awal yang berguna boleh:

• Menghilangkan ruang putih di awal dan akhir
• Menukar baris kosong berulang kepada format yang konsisten
• Menetapkan nilai khalayak dan suara lalai
• Menolak teks sumber di bawah panjang minimum yang berguna
• Mencipta source_id yang stabil untuk penduplikasian
• Merekodkan jenis output yang diminta

Jangan bahagikan artikel biasa kepada banyak panggilan model melainkan anda benar-benar perlu. Banyak panggilan meningkatkan kompleksiti orkestrasi dan boleh menghasilkan nada yang tidak konsisten. Untuk bahan sumber yang besar, pertimbangkan untuk merumuskan atau memecahkan secara sengaja dan bukan memotong input secara tidak sengaja.

Langkah 5: Sambungkan Claude dengan betul—dan fahami kosnya

n8n menyediakan nod Model Sembang Anthropic dan kelayakan Anthropic yang menggunakan kunci API. Dokumentasi kelayakan n8n mengarahkan pengguna untuk mencipta kunci dalam Konsol Anthropic dan menyimpannya dalam kelayakan n8n dan bukan mengekod kerasnya dalam teks aliran kerja. Lihat dokumentasi kelayakan Anthropic n8n dan dokumentasi Model Sembang Anthropic n8n.

Untuk saluran ini, sambungkan Model Sembang Anthropic ke Rantai LLM Asas. Pilihan model yang praktikal bergantung pada sasaran kualiti dan kos anda:

Harga di atas berasal dari halaman harga semasa Anthropic dan boleh berubah. Juga, elakkan menyalin ID model lama daripada tutorial lama. Anthropic mengekalkan halaman penghentian model kerana model dihentikan dan ditamatkan secara berkala. Semak dokumentasi penghentian model Anthropic sebelum mengekod keras nama model.

Langkah 6: Gunakan satu prompt yang mengekalkan kesetiaan sumber

Prompt tersebut harus menjadikan sempadan transformasi jelas: Claude boleh menyusun semula dan memampatkan sumber, tetapi ia tidak seharusnya mencipta fakta yang tidak wujud. Panduan prompting semasa Anthropic mengesyorkan arahan yang jelas dan tag berstruktur untuk input yang kompleks. Lihat dokumentasi amalan terbaik prompting Anthropic.

Mesej sistem yang praktikal ialah:

Anda ialah editor penyesuaian semula kandungan.
Gunakan hanya dakwaan fakta yang disokong oleh sumber yang dibekalkan.
Jangan cipta statistik, petikan, hasil pelanggan, tarikh, atau keupayaan produk.
Kekalkan makna asal sambil menyesuaikan format dan nada.
Jika output memerlukan maklumat yang tidak wujud dalam sumber, tetapkan needs_review kepada true
dan jelaskan maklumat yang hilang dalam review_notes.
Kembalikan hanya medan berstruktur yang diminta.

Kemudian bina mesej pengguna daripada ungkapan n8n:

<sumber>
<tajuk>{ $json.title }</tajuk>
<teks>{ $json.source_text }</teks>
<url_sumber>{ $json.source_url }</url_sumber>
</sumber>

<keperluan>
Khalayak: { $json.audience }
Suara: { $json.brand_voice }
Buat hanya format yang diminta: { JSON.stringify($json.outputs) }
</keperluan>

Contoh: jika sumber menyatakan produk dilancarkan pada bulan Mei tetapi tidak pernah memberikan angka pelanggan, Claude boleh mengubah fakta pelancaran itu menjadi catatan yang lebih pendek, tetapi ia tidak seharusnya menambah “10,000 pelanggan” untuk menjadikan catatan itu kedengaran lebih kuat.

Langkah 7: Paksa output berstruktur dan bukan menghurai prosa

Teks bebas adalah janggal untuk dirutekan. Jika Claude mengembalikan tajuk yang berubah daripada satu pelaksanaan ke pelaksanaan seterusnya, nod hiliran menjadi rapuh. Pengurai Output Berstruktur n8n boleh mengembalikan medan berdasarkan Skema JSON, dan Rantai LLM Asas boleh memerlukan format output tertentu. Lihat dokumentasi Pengurai Output Berstruktur n8n.

Gunakan skema seperti:

{
  "type": "objek",
  "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
}

Jika anda memilih untuk memanggil API Mesej Claude secara langsung dengan nod Permintaan HTTP n8n dan bukan menggunakan integrasi Model Sembang Anthropic, Anthropic juga menyokong output berstruktur asli melalui output_config.format pada model yang disokong. Lihat dokumentasi Output Berstruktur Anthropic dan rujukan API Mesej Claude.

Langkah 8: Simpan draf, semaknya, kemudian automasikan penerbitan

Untuk versi pengeluaran pertama, simpan medan yang dijana dalam lokasi semakan dan bukan menghantarnya terus ke saluran awam. Destinasi biasa termasuk pangkalan data, Google Drive, Google Sheets, Notion, draf CMS, atau mesej semakan dalaman.

Gunakan needs_review sebagai pintu keras. Juga, pertimbangkan langkah semakan manusia untuk apa sahaja yang menghantar mesej luaran atau mengubah sistem pengeluaran. n8n pada masa ini menyokong kelulusan manusia-dalam-gelung untuk panggilan alat AI, di mana penyemak boleh meluluskan atau menolak tindakan terpilih. Lihat dokumentasi manusia-dalam-gelung n8n.

Pelancaran yang disyorkan:

1. Minggu 1: jana draf sahaja.
2. Minggu 2: bandingkan output dengan sumber dan betulkan kegagalan prompt/skema.
3. Minggu 3: benarkan draf yang diluluskan untuk berpindah secara automatik ke folder draf destinasi.
4. Hanya selepas aliran kerja stabil: pertimbangkan penerbitan automatik untuk format berisiko rendah.

Aliran kerja n8n hujung ke hujung yang konkrit

Untuk versi yang didorong oleh webhook yang mudah, cipta nod-nod ini mengikut urutan:

Jika anda lebih suka saluran berjadual, gantikan Webhook dengan Pencetus Jadual dan tambah nod sumber yang mengambil item yang diluluskan dan belum diproses.

Cara mengelakkan penyesuaian semula sumber yang sama dua kali

Tambah source_id yang tidak boleh diubah kepada setiap item dan simpan ID yang telah diproses. Sebelum Claude berjalan, semak sama ada ID itu telah berjaya diselesaikan. Ini adalah idempotensi asas: mengulangi pencetus yang sama tidak seharusnya mencipta draf pendua melainkan anda secara eksplisit meminta versi baharu.

Untuk semakan, gunakan kunci gabungan seperti source_id + source_revision. Itu membolehkan versi 2 artikel menjana draf baharu tanpa berpura-pura ia adalah sumber yang sama dengan versi 1.

Cara mengurangkan kos API Claude

Pilihan model hanyalah satu tuas. Kos terbesar yang boleh dielakkan sering kali ialah menghantar teks yang tidak perlu atau menjana output yang terlalu panjang.

• Buang navigasi, boilerplate, dan HTML yang tidak berkaitan sebelum panggilan model.
• Minta hanya format yang anda benar-benar perlukan.
• Tetapkan kekangan panjang output yang munasabah dalam prompt.
• Gunakan Haiku 4.5 untuk transformasi bervolume tinggi yang mudah apabila kualiti mencukupi.
• Gunakan Sonnet 5 apabila sumber memerlukan lebih banyak nuansa atau penyesuaian rentas format yang lebih kuat.
• Jangan hantar panduan jenama panjang yang sama pada setiap panggilan jika anda boleh mewakilinya dengan arahan stabil yang ringkas.
• Ukur penggunaan token dan kos dan bukan mengandaikan aliran kerja pendek adalah murah.

Anthropic juga menawarkan pengcachean prompt dan pemprosesan kelompok untuk beban kerja yang berkenaan, tetapi ciri-ciri tersebut mempunyai keperluan dan harganya sendiri. Jangan menambahnya pada aliran kerja pertama melainkan konteks berulang atau pemprosesan bervolume tinggi yang tidak mendesak menjadikan kompleksiti tambahan itu berbaloi.

Tiga mod kegagalan untuk diuji sebelum menerbitkan

1. Fakta halusinasi

Beri aliran kerja sumber yang secara sengaja menghilangkan statistik. Tingkah laku yang dijangkakan ialah output tidak mencipta satu. Jika ia melakukannya, kuatkan arahan kesetiaan sumber dan pintu semakan.

2. Output berstruktur rosak

Uji setiap medan yang diperlukan, array kosong, teks sumber yang sangat panjang, dan aksara khas. Saluran tidak boleh dipercayai hanya kerana satu output demo yang menarik kelihatan betul.

3. Pelaksanaan pendua

Hantar source_id yang sama dua kali. Pelaksanaan kedua harus berhenti, mengemas kini rekod sedia ada, atau secara sengaja mencipta semakan mengikut reka bentuk anda—dan bukan menduplikasi setiap draf secara senyap.

Adakah anda memerlukan Ejen AI untuk ini?

Biasanya, tidak. Ejen AI berguna apabila model mesti memutuskan alat mana untuk dipanggil atau mengambil tindakan berbeza berdasarkan objektif yang terbuka. Penyesuaian semula kandungan biasanya merupakan transformasi yang boleh diramalkan, jadi rantai lebih mudah untuk diperiksa, diuji, dan dikawal.

Beralih kepada ejen hanya apabila anda mempunyai keperluan konkrit seperti memilih alat penyelidikan secara dinamik, memutuskan destinasi mana yang menerima draf, atau meminta manusia untuk maklumat yang hilang. Walaupun begitu, kekalkan tindakan penerbitan yang tidak boleh dibatalkan di belakang semakan eksplisit sehingga aliran kerja diuji dengan baik.

Senarai semak binaan akhir

• Hoskan sendiri n8n Community Edition jika anda mahu lapisan perisian n8n kekal percuma.
• Jangan huraikan penggunaan API Claude sebagai percuma secara kekal.
• Gunakan Webhook untuk pemprosesan atas permintaan atau Pencetus Jadual untuk kelompok berjadual.
• Normalisasikan setiap sumber kepada satu kontrak input.
• Hantar teks sumber, bukan hanya URL.
• Simpan kunci API Anthropic dalam kelayakan n8n.
• Gunakan model Claude aktif dan semak halaman penghentian secara berkala.
• Gunakan Rantai LLM Asas untuk penyesuaian semula yang boleh diramalkan.
• Perlukan skema output berstruktur.
• Tambah needs_review dan nota semakan kepada skema.
• Deduplikasi dengan ID sumber yang stabil.
• Simpan draf sebelum membolehkan penerbitan automatik.
• Uji halusinasi, input cacat, pencetus pendua, dan laluan kegagalan.
• Pantau penggunaan token dan kos perkhidmatan luaran.

Versi pertama terbaik adalah sengaja membosankan: satu input bersih, satu panggilan Claude terkawal, satu respons JSON yang disahkan, dan satu destinasi draf. Seni bina ini mudah untuk debug dan murah untuk dikendalikan. Sebaik sahaja ia berfungsi dengan boleh dipercayai pada bahan sumber sebenar, anda boleh menambah lebih banyak saluran, penjadualan, kelulusan manusia, analitik, atau integrasi penerbitan tanpa membina semula saluran teras.