Cum să construiești un pipeline gratuit de repurposing al conținutului AI cu n8n și Claude (Ce este chiar gratuit)

Poți face stratul de automatizare al unui pipeline de repurposing al conținutului AI gratuit prin auto-găzduirea n8n Community Edition, dar un workflow n8n alimentat de Claude nu este garantat să fie cu cost zero de la capăt la capăt. Această distincție este importantă. n8n declară că ediția sa Community Edition, self-hosted, poate fi utilizată gratuit pe termen nelimitat, în timp ce API-ul Claude de la Anthropic este un serviciu pentru dezvoltatori taxat pe utilizare. Planul gratuit de chat Claude de pe site-ul Claude nu este același lucru cu utilizarea API-ului în interiorul n8n.

La data de 11 septembrie 2026, n8n documentează Community Edition ca o ediție self-hosted gratuită, cu aproape întregul set de funcții de bază. Prețurile actuale ale API-ului Anthropic listează Claude Sonnet 5 la 2 USD per milion de tokeni de intrare și 10 USD per milion de tokeni de ieșire, iar Claude Haiku 4.5 la 1 USD per milion de tokeni de intrare și 5 USD per milion de tokeni de ieșire. Prețurile și modelele se pot schimba, așa că verifică-le înainte de a le implementa. Vezi documentația n8n pentru Community Edition și pagina actuală de prețuri a Anthropic.

Așadar, versiunea practică a „gratuitului” este: software n8n gratuit pe infrastructura pe care o controlezi, plus orice utilizare a API-ului Claude generată de workflow-ul tău. Dacă ai deja infrastructură și credite API, costul tău incremental poate fi temporar zero. Dacă nu, așteaptă-te cel puțin la costuri de utilizare a modelului și posibil la costuri de găzduire.

Ce va face acest pipeline

Workflow-ul de mai jos ia un element sursă—cum ar fi o postare de blog, un draft de newsletter, o transcriere de podcast, o transcriere de webinar sau o notă lungă—și îl transformă în mai multe active structurate de tip draft. Un set util de ieșiri inițiale este:

• O postare în stil LinkedIn
• Trei postări scurte pentru rețele sociale
• Un subiect de email și o introducere
• Un cârlig (hook) și un script pentru un video scurt
• Cinci idei principale (key takeaways)
• Un steag de revizuire atunci când sursa nu conține suficiente informații

Pipeline-ul produce intenționat draft-uri mai întâi. Publicarea automată poate fi adăugată mai târziu, dar este de obicei mai sigur să dovedești calitatea conținutului, formatarea, fidelitatea față de sursă și permisiunile de destinație înainte de a permite unui workflow AI să publice fără revizuire.

Este această abordare potrivită pentru tine?

Arhitectura recomandată

Pentru o primă versiune, nu începe cu un agent autonom. Basic LLM Chain al n8n este conceput pentru a trimite un prompt către un model de limbaj conectat și poate atașa un parser de ieșire. Acest lucru este suficient pentru un workflow determinist „sursă în, draft-uri formatate afară”. Vezi documentația n8n pentru Basic LLM Chain.

Un pipeline curat arată astfel:

Trigger → Validează intrarea → Normalizează sursa → Basic LLM Chain → Anthropic Chat Model → Structured Output Parser → Etapă de revizuire → Salvează draft-urile

Pasul 1: Auto-găzduiește n8n Community Edition

Documentația actuală a n8n acceptă auto-găzduirea cu Docker și descrie Community Edition ca fiind gratuită. Docker este un punct de plecare bun deoarece face instanța n8n ușor de reprodus și îți oferă un volum persistent pentru datele de workflow și credențiale.

Ghidul oficial Docker creează un volum n8n_data, expune portul 5678, setează variabile de mediu legate de fusul orar și montează directorul de date persistent. Pentru n8n 2.x, documentația menționează că N8N_RUNNERS_ENABLED este depreciat și nu mai trebuie setat. Folosește comanda curentă din ghidul de instalare n8n cu Docker în loc să copiezi o comandă veche dintr-un tutorial.

Pentru o dovadă de concept locală, deschiderea http://localhost:5678 este suficientă. Pentru o instanță de producție expusă pe internet, nu expune pur și simplu portul local public. Urmează ghidurile de găzduire și securitate ale n8n pentru HTTPS, autentificare, backup-uri și configurarea proxy-ului invers.

Folosește acest pas dacă: te simți confortabil întreținând propriul tău host Docker. Dacă nu vrei să aplici patch-uri, să securizezi, să faci backup și să monitorizezi un server, n8n Cloud este mai ușor, dar nu este opțiunea permanent gratuită descrisă aici.

Pasul 2: Alege cum pornește workflow-ul

Folosește un Webhook atunci când o altă aplicație ar trebui să trimită conținut către n8n la cerere. Folosește un Schedule Trigger atunci când n8n ar trebui să verifice conținutul la un moment fix sau la un interval fix.

Nodul Webhook al n8n oferă URL-uri separate pentru test și producție. URL-ul de test este conceput pentru dezvoltare; URL-ul de producție este înregistrat atunci când workflow-ul este publicat. Nodul Webhook acceptă, de asemenea, opțiuni de autentificare, inclusiv Basic auth, Header auth și JWT auth. Vezi documentația n8n pentru Webhook.

Pentru repurposing programat, Schedule Trigger al n8n rulează la momente sau intervale fixe, iar n8n declară că workflow-ul trebuie salvat și publicat pentru declanșarea programată. Vezi documentația n8n pentru Schedule Trigger.

Exemplu: dacă CMS-ul tău poate apela un webhook după ce un editor aprobă un articol, folosește webhook-ul. Dacă păstrezi conținutul sursă aprobat într-un folder și vrei un lot în fiecare dimineață de zi lucrătoare, un programator poate fi mai simplu.

Pasul 3: Definește un contract de intrare curat

Nu lăsa fiecare sursă să sosească într-o formă diferită. Normalizează intrările într-o singură structură internă înainte de a apela Claude. Un payload JSON practic este:

{
  "source_id": "post-2026-0911-001",
  "title": "Titlul articolului original",
  "source_text": "Textul complet al sursei aprobate...",
  "source_url": "https://example.com/original",
  "audience": "Proprietari de mici afaceri din SUA",
  "brand_voice": "clar, practic, fără hype",
  "outputs": [
    "linkedin_post",
    "short_posts",
    "email_intro",
    "video_script"
  ]
}

Trimite textul sursă real ori de câte ori este practic. Un URL singur nu este același lucru cu conținutul sursă verificat. Preluarea și analizarea unei pagini adaugă un alt punct de eșec și poate introduce navigație, cookie-uri, publicitate sau text nelegat în prompt.

De asemenea, ține instrucțiunile separate de materialul sursă. Dacă ingerezi pagini terțe, email-uri sau documente încărcate, tratează conținutul lor ca date nesigure, nu ca comenzi de workflow. Ghidul de securitate al Anthropic descrie explicit injecția indirectă de prompt ca instrucțiuni malițioase încorporate în conținutul citit de model. Vezi ghidul de mitigare a injecției de prompt al Anthropic.

Pasul 4: Validează și normalizează înainte de apelul modelului

Înainte de a cheltui tokeni, respinge intrarea proastă. Cel puțin, verifică dacă source_id, title și source_text există și dacă source_text nu este gol. Normalizează zgomotul evident de formatare, dar păstrează faptele, citatele, URL-urile, antetele și alte detalii ale sursei de care Claude ar putea avea nevoie.

O etapă utilă de preprocesare poate:

• Trimite spațiile albe de la început și de la sfârșit
• Converti liniile goale repetate într-un format consistent
• Seta valori implicite pentru audiență și voce
• Respinge textul sursă sub o lungime minimă utilă
• Crea un source_id stabil pentru deduplicare
• Înregistra tipurile de ieșire solicitate

Nu împărți un articol normal în multe apeluri de model decât dacă chiar ai nevoie. Apelurile multiple cresc complexitatea orchestrării și pot produce ton inconsistente. Pentru material sursă mare, ia în considerare rezumarea sau împărțirea în blocuri (chunking) deliberat, în loc să trunchiezi accidental intrarea.

Pasul 5: Conectează corect Claude—și înțelege costul

n8n oferă un nod Anthropic Chat Model și credențiale Anthropic care folosesc o cheie API. Documentația de credențiale a n8n îndrumă utilizatorii să creeze o cheie în Anthropic Console și să o stocheze în credențialele n8n, în loc să o hardcodeze în textul workflow-ului. Vezi documentația n8n pentru credențialele Anthropic și documentația n8n pentru Anthropic Chat Model.

Pentru acest pipeline, conectează Anthropic Chat Model la un Basic LLM Chain. O alegere practică a modelului depinde de ținta ta de calitate și cost:

Prețurile de mai sus provin de pe pagina actuală de prețuri a Anthropic și se pot schimba. De asemenea, evită să copiezi ID-uri de modele vechi din tutoriale vechi. Anthropic menține o pagină de depreciere a modelelor deoarece modelele sunt depreciate și retrase periodic. Verifică documentația de depreciere a modelelor Anthropic înainte de a hardcodă un nume de model.

Pasul 6: Folosește un singur prompt care păstrează fidelitatea față de sursă

Promptul ar trebui să facă limita transformării explicită: Claude poate reformula și comprima sursa, dar nu ar trebui să inventeze fapte care nu sunt prezente. Ghidul actual de prompting al Anthropic recomandă instrucțiuni clare și tag-uri structurate pentru intrări complexe. Vezi documentația de bune practici de prompting a Anthropic.

Un mesaj de sistem practic este:

Ești un editor de repurposing al conținutului.
Folosește doar afirmații factuale susținute de sursa furnizată.
Nu inventa statistici, citate, rezultate ale clienților, date sau capabilități de produs.
Păstrează sensul original în timp ce adaptezi formatul și tonul.
Dacă o ieșire necesită informații care nu sunt prezente în sursă, setează needs_review la true
și explică informațiile lipsă în review_notes.
Returnează doar câmpurile structurate solicitate.

Apoi construiește mesajul utilizatorului din expresiile n8n:

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

<requirements>
Audiență: { $json.audience }
Voce: { $json.brand_voice }
Creează doar formatele solicitate: { JSON.stringify($json.outputs) }
</requirements>

Exemplu: dacă sursa spune că un produs a fost lansat în mai, dar nu oferă niciodată numere de clienți, Claude poate transforma faptul lansării într-o postare mai scurtă, dar nu ar trebui să adauge „10.000 de clienți” pentru a face postarea să sune mai puternic.

Pasul 7: Forțează ieșirea structurată în loc să analizezi proza

Textul liber este dificil de rutat. Dacă Claude returnează antete care se schimbă de la o execuție la alta, nodurile din aval devin fragile. Structured Output Parser al n8n poate returna câmpuri bazate pe un JSON Schema, iar Basic LLM Chain poate cere un format specific de ieșire. Vezi documentația n8n pentru Structured Output Parser.

Folosește o schemă precum:

{
  "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
}

Dacă alegi să apelezi direct API-ul Claude Messages cu nodul HTTP Request al n8n în loc să folosești integrarea Anthropic Chat Model, Anthropic acceptă, de asemenea, ieșiri structurate native prin output_config.format pe modelele suportate. Vezi documentația Structured Outputs a Anthropic și referința API Claude Messages.

Pasul 8: Salvează draft-urile, revizuiește-le, apoi automatizează publicarea

Pentru prima versiune de producție, stochează câmpurile generate într-o locație de revizuire în loc să le trimiți direct către canale publice. Destinațiile comune includ o bază de date, Google Drive, Google Sheets, Notion, un draft CMS sau un mesaj intern de revizuire.

Folosește needs_review ca o poartă rigidă. Ia în considerare, de asemenea, o etapă de revizuire umană pentru orice trimite un mesaj extern sau modifică un sistem de producție. n8n acceptă în prezent aprobarea human-in-the-loop pentru apelurile de instrumente AI, unde un revizor poate aproba sau respinge acțiunile selectate. Vezi documentația n8n pentru human-in-the-loop.

Desfășurare recomandată:

1. Săptămâna 1: generează doar draft-uri.
2. Săptămâna 2: compară ieșirile cu sursa și repară eșecurile de prompt/schemă.
3. Săptămâna 3: permite draft-urilor aprobate să se mute automat în folderele de draft ale destinației.
4. Doar după ce workflow-ul este stabil: ia în considerare publicarea automată pentru formate cu risc scăzut.

Un workflow n8n concret de la capăt la capăt

Pentru o versiune simplă condusă de webhook, creează aceste noduri în ordine:

Dacă preferi un pipeline programat, înlocuiește Webhook-ul cu un Schedule Trigger și adaugă un nod sursă care preia elemente aprobate, neprocesate.

Cum să eviți repurposing-ul aceleiași surse de două ori

Adaugă un source_id imuabil la fiecare element și stochează ID-urile procesate. Înainte ca Claude să ruleze, verifică dacă acel ID a fost deja finalizat cu succes. Aceasta este idempotența de bază: repetarea aceluiași trigger nu ar trebui să creeze draft-uri duplicate decât dacă ceri explicit o versiune nouă.

Pentru revizuiri, folosește o cheie compusă precum source_id + source_revision. Acest lucru permite versiunii 2 a unui articol să genereze draft-uri noi fără a pretinde că este aceeași sursă ca versiunea 1.

Cum să reduci costul API Claude

Alegerea modelului este doar o pârghie. Cel mai mare cost evitabil este adesea trimiterea de text inutil sau generarea de ieșiri inutil de lungi.

• Elimină navigația, boilerplate-ul și HTML-ul nelegat înainte de apelul modelului.
• Cere doar formatele de care ai nevoie cu adevărat.
• Setează constrângeri sensibile de lungime a ieșirii în prompt.
• Folosește Haiku 4.5 pentru transformări simple cu volum mare atunci când calitatea este suficientă.
• Folosește Sonnet 5 când sursa necesită mai multă nuanță sau adaptare cross-format mai puternică.
• Nu trimite același ghid de brand lung la fiecare apel dacă îl poți reprezenta prin instrucțiuni stabile concise.
• Măsoară utilizarea tokenilor și costul în loc să presupui că un workflow scurt este ieftin.

Anthropic oferă, de asemenea, prompt caching și procesare batch pentru sarcinile aplicabile, dar aceste funcții au propriile cerințe și prețuri. Nu le adăuga la primul workflow decât dacă contextul repetat sau procesarea cu volum mare, non-urgentă, face complexitatea suplimentară meritată.

Trei moduri de eșec de testat înainte de publicare

1. Fapte halucinate

Alimentează workflow-ul cu o sursă care omite intenționat o statistică. Comportamentul așteptat este ca ieșirea să nu inventeze una. Dacă o face, întărește instrucțiunile de fidelitate față de sursă și poarta de revizuire.

2. Ieșire structurată defectă

Testează fiecare câmp obligatoriu, array-uri goale, text sursă neobișnuit de lung și caractere speciale. Un pipeline nu este fiabil doar pentru că o ieșire de demo atractivă a arătat corect.

3. Execuții duplicate

Trimite același source_id de două ori. A doua rulare ar trebui să se oprească, să actualizeze înregistrarea existentă sau să creeze intenționat o revizuire conform designului tău—nu să dubleze tăcut fiecare draft.

Ai nevoie de un Agent AI pentru asta?

De obicei, nu. Un Agent AI este util atunci când modelul trebuie să decidă ce instrumente să apeleze sau să ia acțiuni diferite bazate pe un obiectiv deschis. Repurposing-ul conținutului este în mod normal o transformare previzibilă, deci un chain este mai ușor de inspectat, testat și controlat.

Treci la un agent doar când ai o nevoie concretă, cum ar fi alegerea dinamică a instrumentelor de cercetare, decizia asupra destinației care primește un draft sau cererea unei informații lipsă de la un om. Chiar și atunci, ține acțiunile de publicare ireversibile în spatele unei revizuiri explicite până când workflow-ul este bine testat.

Lista de verificare finală pentru build

• Auto-găzduiește n8n Community Edition dacă vrei ca stratul de software n8n să rămână gratuit.
• Nu descrie utilizarea API-ului Claude ca fiind permanent gratuită.
• Folosește un Webhook pentru procesare la cerere sau Schedule Trigger pentru loturi programate.
• Normalizează fiecare sursă într-un singur contract de intrare.
• Trimite textul sursă, nu doar un URL.
• Stochează cheia API Anthropic în credențialele n8n.
• Folosește un model Claude activ și verifică pagina de depreciere periodic.
• Folosește un Basic LLM Chain pentru repurposing previzibil.
• Cere o schemă de ieșire structurată.
• Adaugă needs_review și note de revizuire la schemă.
• Deduplică cu un ID de sursă stabil.
• Salvează draft-urile înainte de a activa publicarea automată.
• Testează halucinațiile, intrările malformate, trigger-urile duplicate și căile de eșec.
• Monitorizează utilizarea tokenilor și costurile serviciilor externe.

Cea mai bună primă versiune este deliberat plictisitoare: o singură intrare curată, un singur apel Claude controlat, un singur răspuns JSON validat și o singură destinație de draft. Această arhitectură este ușor de depanat și ieftină de operat. Odată ce funcționează fiabil pe material sursă real, poți adăuga mai multe canale, programare, aprobări umane, analize sau integrări de publicare fără a reconstrui pipeline-ul de bază.