请把重复的工作交给 n8n

2025年6月3日

工作流自动化n8n

最近 n8n 真是火得一塌糊涂。虽然国内像扣子空间这样的产品也很牛，但因为政策限制，很多国内平台不能直接调用外部大模型。这就让人很纠结，你更希望你的工作流接入 Claude、Gemini、ChatGPT 这些顶尖模型，作为自己的“大脑”，还是用一些相对封闭的替代品？

在调用 AI 能力这块，n8n 是最强的。国外崇尚开源和协作，各种软件接口几乎都可以打通，n8n 正是连接这些系统和模型的核心枢纽

如果只停留在用 ChatGPT 写文案、用 Midjourney 做图这种浅层使用，很快就会触及瓶颈。真正的效率提升，是把多个顶尖模型编织成一个自动化团队，让它们在后台协作执行复杂任务

比如说，你可以让 Claude 先分析需求，再让 ChatGPT 写初稿，让 Gemini 优化，通过 n8n 自动发布到十个平台，最后再让它汇总数据做分析。全程零人工操作，1 分钟完成过去 2 小时的工作

因为 AI 的出现，相当于工作流有了大脑，以前的工作流只有手，涉及到判断的地方需要人工干预，但现在 AI 的判断能力，在很多地方已经超越了人

我玩 n8n 已经有一段时间了，手里有两个常用的工作流。今天就借着这两个案例，带大家看看我是如何玩转 n8n 的

打造音乐唱片流水线

我很喜欢听音乐，是网易云的 SVIP 用户。可即便如此，有些歌因为版权问题，依旧无法播放。比如我想听锤娜丽莎的《我太笨》，在网易云里完全搜不到

还好网易云有个云盘功能，我可以自己上传音频，再在云盘里听。那么问题来了，本地音乐从哪儿来？

n8n 工作流已经帮我搞定了这首歌，点播放，一起来听吧：

我太笨

锤娜丽莎

0:000:00

话说回来。平时我都是在 YouTube 上找到喜欢的歌曲，从 MV 提取音乐文件。之前都是手动操作，先用 yout.com 手动下载 MP3，然后再自己加上歌曲名、歌手信息。下载还好说，麻烦的是第二步，要敲一堆 FFmpeg 命令来处理元数据和封面，繁琐又容易出错

于是我决定干脆做一个自动化工作流，让这事儿彻底智能化。流程大致是这样：

用 yt-dlp 从 YouTube 下载视频并提取音乐文件
用 Supadata 获取视频的基本信息，比如标题、歌手等
让大模型从这些信息中提取出歌手和歌曲名，并输出结构化 JSON
用 FFmpeg 给 mp3 加上封面、标题和歌手信息

整个工作流跑起来是这样的

通过 Chat Message 触发器，发起工作流任务，这里我们只要把 YouTube 链接输入到聊天框里，工作流就会自动触发了

让大模型提取出歌手和歌曲名，并输出结构化 JSON

在上传音乐封面这一步，我没用 Supadata 提供的 YouTube 原始封面。这次我想演示一种更灵活的场景，用自己制作的图片作为封面

有时候，我们想用人物头像做封面，但程序在裁剪时往往不会以人脸为中心，结果人要么被裁掉，要么偏到一边。这时我们就可以借助 OpenCV 或者模型的能力（或者具备多模态大模型），通过人脸对齐的方式，获取图片中的人脸，然后以人脸为中心，裁剪正方形的封面

这里，我用 MTCNN 模型来检测人脸位置。MTCNN 模型是一个专门用来做人脸检测和关键点定位的深度学习模型

我在 Colab 上写了一个简单的示例代码，可以直接参考：

from PIL import Image
import torch
from facenet_pytorch import MTCNN

def crop_face_mtcnn(image_path, output_path, size=500, expand_ratio=1.5):
    """
    根据人脸裁剪正方形区域，并缩放到目标大小
    - image_path: 输入图片
    - output_path: 输出图片路径
    - size: 输出图片边长
    - expand_ratio: 人脸框放大的倍数，>1 扩大
    """

    device = 'cuda' if torch.cuda.is_available() else 'cpu'
    mtcnn = MTCNN(keep_all=True, device=device)

    img = Image.open(image_path)
    boxes, _ = mtcnn.detect(img)
    if boxes is None:
        print("MTCNN 没检测到人脸，用整张图")
        img.resize((size, size)).save(output_path)
        return

    # 找到最大的人脸
    x1, y1, x2, y2 = max(boxes, key=lambda b: (b[2]-b[0])*(b[3]-b[1]))
    w, h = x2 - x1, y2 - y1
    cx, cy = (x1 + x2) / 2, (y1 + y2) / 2

    # 计算裁剪正方形边长，扩大一些，让脸更居中
    side = int(max(w, h) * expand_ratio)

    # 裁剪坐标
    left = max(int(cx - side/2), 0)
    top = max(int(cy - side/2), 0)
    right = min(int(cx + side/2), img.width)
    bottom = min(int(cy + side/2), img.height)

    # 进行裁剪和缩放
    crop = img.crop((left, top, right, bottom)).resize((size, size))
    crop.save(output_path)
    print(f"人脸裁剪成功：{output_path}")

MTCNN 会先检测图片中的所有人脸位置，如果没有检测到人脸，就直接将整张图片等比缩放到目标尺寸。检测到人脸时，选取面积最大的一张，然后以人脸中心为参考点，计算一个适当放大的正方形区域，确保脸部更居中。最后，再对该区域进行裁剪并缩放到指定大小，生成理想的封面图

嗯，这个效果是符合我们预期的。本地环境的话，我们可以通过执行 Python 脚本来达到相同的目的，只需要在工作流中再添加一个处理封面图的命令行节点即可

接下来重新执行我们的工作流

这里需要特别注意的是 MP3 重新编码这个节点。因为部分下载的音频文件没有标准的 VBR（可变比特率）头信息，或者音频流的时间戳不规范。如果直接上传到网易云，就会出现播放进度与显示时长不一致的问题，听到一半进度条却跑到底

bash

ffmpeg -i "{{ $('输出路径处理').item.json.middle_path }}" \
  -codec:a libmp3lame \
  -b:a 192k \
  "{{ $('输出路径处理').item.json.result_path }}"

所以在重新编码时，必须显式指定 libmp3lame 编码器，并写入正确的 VBR Header 或使用固定比特率（CBR）。这样生成的 MP3 文件结构更标准，上传到网易云等音乐平台时，播放时长和进度条才能保持一致

最后一步，就是把工作流生成的音乐文件手动导入到网易云音乐云盘。其实，这个过程是可以通过接口自动化实现的，但由于并非官方开放接口，存在被风控的风险，不推荐大家使用，因为被抓到了，有被网易云关进小黑屋的风险

打造公众号爆款文章衍生流水线

我经常看公众号，也刷过不少“爆款”文章，看多了甚至会有种似曾相识的感觉，所以我相信，爆款就是工作流

爆过的内容会重复爆，只是形式略有差别，而这些差别，正是工作流完成的结果。不管是文章、图片，还是视频，背后都是一个可复用、可自动化的流程

实际上，矩阵化、自动化做内容的核心，就是为每一个爆款设计一个定制化的工作流。那些能在几个赛道持续产出的账号，成功的关键，不是运气，而是识别爆款并把它变成自动化工作流的能力

从产品开发、内容创作到流量获取，只要你敢想，AI 就能帮你实现。你要做的，就是把工作流程梳理清楚，然后把这些能力交给它去执行

现在，我们就用 n8n 来打造一个这样的工作流，将收集好的公众号爆款文章，通过大模型洗成新的文章，实现自动化内容生产

首先，如果你想在 n8n 中使用 Google Sheets，必须先搞定 Google OAuth2 登录。操作步骤：

在 Google Cloude 创建一个新项目
在已启用的 API 和服务中开启 Google Sheets API 和 Google Drive API
打开 OAuth 权限请求页面，点击目标对象，添加测试用户
创建一个 OAuth2.0 客户端，拿到 Client ID 和 Client Secret
设置 OAuth Redirect URL，比如我在本地启动的 n8n，填成 http://localhost:5678/rest/oauth2-credential/callback