1. 项目概述：为什么需要一个本地的AI写作流水线

作为一名长期与文字打交道的创作者，我每天都要处理大量的草稿撰写、内容润色和邮件沟通。过去，我依赖各种云端AI服务，它们确实强大，但问题也随之而来：一是成本，频繁调用API的账单积少成多；二是延迟，网络请求总有不稳定的时候；三是隐私，将未成形的想法和内部文档发送到第三方服务器，心里总有些不踏实。直到我发现了将 n8n 和 Ollama 组合起来的可能性，一个念头变得清晰：是时候搭建一个完全在本地运行、自主可控的AI写作流水线了。

这个项目的核心，就是利用 n8n 这款强大的开源工作流自动化工具作为“大脑”和“调度中心”，指挥本地运行的 Ollama 大语言模型进行具体的文本生成任务。最终实现的效果是，我可以通过一个简单的触发方式（比如收到特定邮件、在笔记软件中新增一个条目，或者直接点击一个Webhook链接），自动启动一套预设的写作流程。例如，将一个粗略的要点列表扩展成结构完整的文章草稿，或者将一段生硬的技术描述改写成通俗易懂的博客语言。整个过程数据不出本地，响应速度极快，且完全免费（不考虑硬件电费）。这不仅仅是工具的替换，更是一种工作范式的转变，将AI从需要“主动拜访”的服务，变成了一个随时待命、按我规则行事的“数字助理”。

2. 技术栈选型与架构设计思路

2.1 为什么是 n8n + Ollama？

在决定技术栈时，我评估了几个关键维度：可控性、灵活性、易用性和生态。最终锁定 n8n 和 Ollama，是它们各自优势互补的结果。

Ollama 作为本地AI引擎 ：它的核心价值在于简化了本地大语言模型的部署与管理。相比直接操作复杂的模型框架（如 llama.cpp 或 Text Generation WebUI），Ollama 通过简单的命令行工具和统一的API接口，让我可以像安装软件包一样轻松获取和运行各种开源模型（如 Llama 3、Mistral、Gemma 等）。它负责最重的计算负载——文本生成，并提供标准的 OpenAI API 兼容端点，这使得任何能调用 OpenAI 的工具都能无缝对接 Ollama，极大降低了集成复杂度。

n8n 作为自动化中枢 ：如果说 Ollama 是“肌肉”，n8n 就是“神经”和“骨架”。它是一个基于节点的可视化工作流编辑器，每个节点代表一个操作（如读取文件、判断条件、发送HTTP请求等）。我需要的是将写作任务自动化、流程化，而不仅仅是有一个能对话的模型。n8n 允许我以拖拽的方式设计复杂的逻辑：例如，先触发流程，然后从我的笔记软件（如 Obsidian）中获取素材，接着调用 Ollama 进行扩写，再将结果格式化后发布到我的博客草稿库，并最后发送一条通知到 Telegram。这一切都可以在图形界面中完成，无需编写复杂的胶水代码，调试和修改也异常直观。

架构设计 ：整体架构非常清晰。我的笔记本电脑（配备了一块消费级显卡）同时运行两个服务。Ollama 作为后台服务，在本地 11434 端口提供 API。n8n 则通过其内置的 “HTTP Request” 节点，向 http://localhost:11434/api/generate 或 /api/chat 发送请求，与 Ollama 交互。数据流完全在本地回路中，不存在任何外部网络传输。这种设计也便于扩展，未来我可以将 Ollama 部署在家庭服务器上，n8n 通过局域网IP调用，实现计算资源的分离。

注意 ：选择模型时需权衡能力与硬件。例如，参数量70亿的模型在16GB内存的电脑上尚可运行，但若想使用更大的模型（如 340亿参数），则需要更强的GPU显存支持。起步阶段建议从较小的模型开始，如 llama3.2:1b 或 mistral:7b ，它们对硬件友好且响应速度更快。

2.2 备选方案与取舍

在搭建过程中，我也考虑过其他路径。比如，直接使用 LangChain 这类框架来编排流程，它功能强大但需要更多的代码开发，对于快速构建和迭代一个以“写作”为核心、逻辑相对固定的流水线来说，显得有些“重”了。而像 Zapier 或 Make 这样的云端自动化平台，虽然易用，但无法解决我的核心诉求——数据本地化和零持续成本。因此，n8n（可自托管） + Ollama（纯本地）的组合，在控制力、隐私保护和长期成本上达到了最佳平衡。

3. 环境准备与核心组件部署

3.1 Ollama 的安装与模型配置

Ollama 的安装过程简单到令人惊讶。根据你的操作系统，从官网下载安装包或使用一行脚本命令即可完成。安装后，你就可以在终端里与它交互了。

第一步：基础安装与验证 在 Linux/macOS 终端或 Windows PowerShell 中，安装后运行 ollama run llama3.2:1b 。这个命令会做两件事：如果本地没有 llama3.2:1b 这个模型，它会自动从镜像站下载；下载完成后，会进入一个交互式聊天界面。这证明 Ollama 服务已经成功运行在后台。

第二步：服务化与API访问 默认情况下， ollama run 是以交互模式运行一个模型。但对于自动化流水线，我们需要它作为常驻服务。更常用的方式是直接启动 Ollama 服务（安装程序通常已将其设置为系统服务），然后通过其 REST API 来调用。服务启动后，你可以在浏览器中访问 http://localhost:11434 ，会看到一个简单的 Ollama 版本信息页，这证明 API 服务正在运行。

第三步：关键模型管理 Ollama 的核心命令非常直观：

  • ollama list ：查看本地已下载的模型列表。
  • ollama pull <model-name> ：拉取新模型，如 ollama pull mistral:7b 。
  • ollama run <model-name> ：运行指定模型并进入交互模式。
  • ollama rm <model-name> ：删除本地模型。

对于写作流水线，我推荐从 llama3.2:3b 或 mistral:7b 开始。它们在语言理解、指令跟随和创造性写作上取得了很好的平衡，并且对硬件要求适中。你可以根据任务类型准备多个模型，比如一个小模型用于快速的头脑风暴和摘要，一个大模型用于重要的稿件润色。

3.2 n8n 的本地部署与基础配置

n8n 提供了多种部署方式，包括 Docker、npm 和直接可执行文件。为了最大化控制权和简化依赖，我选择了使用其提供的独立可执行文件（n8n binary）。

部署步骤：

  1. 从 n8n 官方 GitHub Release 页面下载对应你操作系统的最新版本可执行文件。
  2. 将其放在一个专门的目录下，例如 ~/n8n 。
  3. 在终端中导航到该目录，运行 ./n8n （Linux/macOS）或 n8n.exe （Windows）。首次运行会完成初始化。
  4. 根据终端输出的信息，通常是在浏览器中打开 http://localhost:5678 ，即可进入 n8n 的 Web 编辑器界面。

初始安全设置： 首次访问，n8n 会要求你创建一个管理员用户。请务必使用强密码。为了开发方便，你可以在启动命令中设置环境变量来跳过某些安全检查，但对于长期运行的服务，建议配置好加密密钥、数据库（默认使用 SQLite，生产环境可换 PostgreSQL）和反向代理（如 Nginx）以启用 HTTPS。

一个重要的目录结构习惯 ：我习惯在 n8n 目录下创建子文件夹，如 workflows/ 用于存放导出的工作流 JSON 文件， credentials/ （注意安全）用于记录一些配置心得。这样便于备份和迁移。

4. 构建核心写作自动化工作流

4.1 工作流设计蓝图与触发机制

我的核心写作流水线目标明确：将“灵感输入”自动转化为“结构化草稿”。为此，我设计了如下触发场景：

  1. 剪贴板触发 ：当我复制了一段文本（可能是一个想法、一个链接或一段引用），运行一个快捷键脚本，将内容发送到 n8n 的 Webhook。
  2. 笔记软件触发 ：我在 Obsidian 中创建一个以“草稿:”开头的笔记，n8n 通过定时扫描或 Obsidian 的插件（如 obsidian-advanced-uri ）触发流程。
  3. 邮件触发 ：我向一个特定邮箱发送一封邮件，邮件内容作为写作指令。

这里以最通用的 Webhook 触发 为例进行构建。在 n8n 中，Webhook 节点是一个完美的起点，它提供一个唯一的 URL，当向这个 URL 发送 HTTP 请求（携带数据）时，工作流就会被触发。

实操步骤：

  1. 在 n8n 编辑器中，从节点库中拖入一个 Webhook 节点。
  2. 点击节点配置，选择 “Webhook” 类型为 “POST”。保存节点后，n8n 会生成一个类似 https://your-n8n-domain.com/webhook/unique-id 的 URL。在本地测试时，这个地址就是 http://localhost:5678/webhook/unique-id 。
  3. 这个 URL 就是流水线的“入口”。任何能发送 HTTP POST 请求的工具（如 curl、浏览器插件、Python 脚本、Alfred 工作流）都可以触发它。

4.2 与 Ollama 的集成：HTTP Request 节点详解

这是整个工作流的核心技术环节。我们需要让 n8n 与本地运行的 Ollama API 进行对话。

配置 HTTP Request 节点：

  1. 在 Webhook 节点后，添加一个 HTTP Request 节点。
  2. 方法 ：选择 “POST”。
  3. URL ：填写 Ollama 的生成接口 http://localhost:11434/api/generate 。如果你需要多轮对话上下文，可以使用 /api/chat 接口。
  4. Headers ：添加一个 Content-Type 头，值为 application/json 。
  5. Body Parameters ：选择 “JSON”，这是最关键的部分。你需要构造一个符合 Ollama API 格式的 JSON 请求体。

一个最基础的请求体如下：

{
  "model": "llama3.2:3b",
  "prompt": "{{$json.body.prompt}}",
  "stream": false
}
  • model : 指定你要使用的本地模型名称，必须与 ollama list 中的一致。
  • prompt : 这是给模型的指令。 {{$json.body.prompt}} 是 n8n 的表达式，表示从上游 Webhook 节点传来的 JSON 数据中，提取 body 对象下的 prompt 字段。这意味着触发 Webhook 时，POST 的数据需要包含 {"prompt": "你的写作指令"} 。
  • stream : 设为 false 让 Ollama 一次性返回完整结果，更适合自动化处理。设为 true 则会流式传输，适用于需要实时显示的场景。

高级参数配置 ： 为了获得更稳定、更符合预期的输出，我通常会调整更多参数：

{
  "model": "mistral:7b",
  "prompt": "你是一位专业的科技博客作者。请将以下要点扩展成一篇博客的开头段落：\n{{$json.body.key_points}}",
  "stream": false,
  "options": {
    "temperature": 0.7,
    "top_p": 0.9,
    "num_predict": 512
  }
}
  • temperature (温度)：控制输出的随机性。值越低（如0.2），输出越确定、保守；值越高（如0.8），输出越有创造性、不可预测。对于技术性写作，我通常设在 0.5-0.7 之间。
  • top_p (核采样)：与温度配合，控制从概率分布中选词的范围。0.9 是一个常用值。
  • num_predict ：生成的最大令牌数，控制输出长度。512 对于一段落或简短草稿通常足够。

实操心得 ： prompt 工程是成败关键。给模型清晰的角色设定、具体的任务描述和格式要求，能极大提升输出质量。例如，明确写出“以列表形式输出”、“用口语化的风格”、“字数控制在300字以内”。把这些要求都放在 prompt 里。

4.3 数据处理与输出编排

Ollama 节点返回的结果需要被提取和处理。HTTP Request 节点成功后会输出一个 JSON，其中包含 response 字段，里面就是模型生成的文本。

  1. 添加 Function 节点或 Set 节点 ：在 HTTP Request 节点后，我通常会加一个 Function 节点（用 JavaScript 代码处理数据）或 Set 节点（更直观地映射字段）来清洗数据。
  2. 提取内容 ：在 Function 节点中，代码可能很简单： 
    const rawResponse = $input.first().json;
// Ollama API返回的结构是 { model: ‘...‘, response: ‘...‘ }
const draftContent = rawResponse.response;
// 你可以在这里进行进一步处理，比如去除多余空行，添加特定标记
const cleanedContent = draftContent.trim();
return { draft: cleanedContent };
  3. 多路输出与分支逻辑 ：利用 n8n 的 IF 节点，可以根据内容质量或主题进行分支。例如，判断生成的草稿是否包含某个关键词，如果包含，则走一条路径（如保存到技术博客草稿文件夹），否则走另一条路径（如保存到个人随笔文件夹）。
  4. 结果落地 ：最后，将处理好的文本发送到目的地。常用的节点包括：
    • Write to File 节点：直接写入本地磁盘的指定文件。
    • Email Send 节点：将草稿作为邮件正文发送给自己审核。
    • Telegram 节点：将摘要发送到 Telegram 机器人，实现手机端即时通知。
    • Webhook 节点（作为发送方）：将结果回调到另一个系统，比如我的笔记软件或内容管理系统。

5. 实战案例：从想法到博客草稿的全自动流水线

让我用一个完整的工作流实例，展示如何将零散的想法自动转化为一篇博客草稿。

场景 ：我在阅读时，用笔记软件记录了几个关于“如何提高命令行效率”的要点。我希望通过一个快捷键，自动将这些要点扩展成一篇博客的引言部分，并保存到指定位置。

工作流步骤分解：

  1. 触发 ：我在笔记软件中选中要点文本，按下预设快捷键（通过 Alfred/Keyboard Maestro/AutoHotkey 实现）。脚本执行，将选中的文本作为 {“key_points”: “选中的文本”} ，POST 到 n8n 的 Webhook URL。
  2. n8n 工作流内部 ：
    • Webhook 节点 ：接收数据。
    • Set 节点 ：我在这里构造一个更精细的 prompt 。表达式如下： 
      角色：你是一位经验丰富的软件开发者和技术博主。
任务：将用户提供的核心要点，扩展成一个吸引人、有洞察力的博客文章开头段落。段落应自然引出主题，激发读者兴趣。
要点：
{{$json.body.key_points}}

要求：
1. 风格：专业但亲切，避免过于学术化。
2. 字数：大约200-300字。
3. 输出：只输出扩展后的段落，不要有任何额外的解释或标记。
    • HTTP Request 节点 ：调用 Ollama ( mistral:7b )，使用上述构造的 prompt ， temperature=0.65 。
    • Function 节点 ：提取 response ，并添加元数据，如生成日期、使用的模型。 
      const ollamaResult = $input.first().json;
const finalDraft = `# 草稿生成于 ${new Date().toLocaleString()}
使用模型：${ollamaResult.model}

${ollamaResult.response.trim()}
`;
return { finalDraft };
    • Write to File 节点 ：将 finalDraft 写入我的博客项目目录下的 drafts/ 文件夹，文件名按日期时间自动生成，如 cmd-efficiency-draft-20240515.md 。
    • Telegram 节点 ：同时，将生成完成的提示和博客标题（可以从要点中提取）发送到我的 Telegram，让我第一时间知晓。

整个过程从触发到收到通知，在本地环境下通常只需 5-15 秒，视模型大小和生成长度而定。我无需打开任何AI聊天界面，也无需复制粘贴，想法直接变成了结构化的草稿文件。

6. 性能调优、错误处理与安全考量

6.1 提升流水线的稳定性和效率

并发与队列 ：默认情况下，n8n 的工作流执行是同步的。如果上一个 Ollama 请求还在处理（生成文本可能需要数十秒），下一个触发请求会被阻塞。对于写作辅助，这通常可以接受。但如果想并行处理多个简单任务，可以在 n8n 的配置文件中调整 execution.process 相关的并发设置。更常见的做法是，对于非紧急任务，可以利用 n8n 的“队列”功能，让工作流按顺序处理，避免本地 GPU 内存过载。

Ollama 模型加载策略 ：Ollama 默认在收到第一个请求时加载模型，这会导致首次请求延迟很高（几十秒）。对于经常使用的写作流水线，我建议在服务器启动后，预先运行 ollama run <model-name> 一次，让模型常驻内存。虽然这会占用资源，但换来了后续每次请求的极速响应（通常在1-3秒内）。

Prompt 缓存 ：对于某些固定格式的写作任务（如周报生成、邮件模板填充），其 prompt 主体部分是固定的，只有变量部分变化。我通常在 n8n 中使用 Set 节点来组合固定模板和动态变量，而不是每次从头构造整个 prompt 字符串。

6.2 错误处理与日志记录

自动化流程必须健壮，能够妥善处理失败。

  1. HTTP Request 节点的重试与超时 ：在 HTTP Request 节点配置中，务必设置合理的“超时时间”（例如 120000 毫秒，即2分钟），因为大模型生成长文本可能较慢。同时，可以启用“重试”功能，设置重试次数和重试间隔，以应对 Ollama 服务偶尔的波动。
  2. 错误处理分支 ：使用 IF 节点判断 HTTP Request 节点的执行状态。在 n8n 中，节点连接线有“成功”（绿色）和“错误”（红色）之分。将红色的错误线连接到一个新的分支，这个分支可以：
    • 发送错误告警（通过 Email 或 Telegram 节点）。
    • 将失败的请求参数和错误信息记录到一个文件或数据库中，便于事后分析。
    • 尝试降级方案，例如换用另一个更小、更快的模型重新请求。
  3. 结构化日志 ：在关键节点后添加 Set 节点，将时间戳、节点名、关键数据（如 prompt 的前50个字符）写入一个上下文变量。在工作流末尾，用一个 Write to File 节点将这些日志信息以 JSON 格式追加到日志文件中。这比查看 n8n 的界面执行历史更便于脚本分析和长期追踪。

6.3 本地环境下的安全实践

尽管数据不出本地，但安全习惯仍需保持。

  1. n8n 访问控制 ：切勿将运行 n8n 的服务器（即使是本机）直接暴露在公网而不设密码。务必使用强密码，并考虑配置 Nginx 反向代理，启用 HTTPS（使用自签名证书或 Let‘s Encrypt 的证书）。如果只在本地使用，绑定到 127.0.0.1 而不是 0.0.0.0 。
  2. Webhook 安全性 ：Webhook URL 如果泄露，任何人都可以触发你的工作流。n8n 的 Webhook 节点支持设置“认证”方式，如添加 Header 认证（设置一个密钥）或 Query 认证（在 URL 中加入令牌）。在触发脚本中携带这个密钥，可以防止未授权调用。
  3. 模型安全 ：仅从 Ollama 官方库或信任的来源拉取模型。模型文件本质上是程序，恶意模型可能带来风险。定期更新 Ollama 和模型版本，以获取安全修复和改进。
  4. 工作流备份 ：定期通过 n8n 的界面导出你的工作流 JSON 文件，并存储在安全的地方（如加密的云盘或版本控制系统如 Git）。这些工作流包含了你的核心自动化逻辑，是宝贵的数字资产。

7. 进阶应用与扩展思路

基础写作流水线搭建完成后，你可以探索更多可能性，让它真正成为你的创作副脑。

多模型协作流水线 ：不是所有任务都需要同一个模型。你可以设计这样的工作流：先用一个快速的小模型（如 tinyllama ）对输入进行理解和任务分类；如果是创意写作，则路由到 mixtral 这样的混合专家模型；如果是代码生成，则路由到 codellama ；最后，再用一个专门的模型进行语法和风格检查。在 n8n 中，这可以通过多个并行的 HTTP Request 节点或条件路由来实现。

与知识库结合（RAG） ：单纯的生成模型缺乏你的个人知识和历史文档信息。你可以引入一个本地向量数据库（如 Chroma、LanceDB 或 Qdrant）。工作流可以这样设计：首先，将你的个人笔记、过往博客、收藏的文章进行嵌入（embedding）并存入向量库。当触发写作任务时，先根据 prompt 从向量库中检索最相关的几条知识片段，然后将这些片段作为上下文和 prompt 一起发送给 Ollama。这样生成的草稿就更具个人特色，也更准确。

复杂内容的结构化生成 ：对于技术教程、产品评测等有固定结构的内容，可以设计多步生成流水线。第一步，根据主题生成大纲（使用一个专门优化用于生成大纲的 prompt ）。第二步，将大纲的每个部分拆解，并发或顺序地让模型生成详细内容。第三步，用一个“编辑”节点将所有部分组合，并统一润色风格。n8n 的循环和分支功能非常适合编排这种多阶段任务。

反馈闭环与迭代优化 ：将生成的内容保存后，可以添加一个“人工审核”环节。例如，将草稿发送到 Telegram 时，附带两个内联按钮：“👍 采用”和“👎 重写”。点击按钮会触发另一个 Webhook，携带草稿 ID 和评价结果回到 n8n。n8n 可以记录这些反馈，用于未来调整对应主题的 prompt 或模型参数，实现流水线的自我优化。

# Ollama
Logo
https://edu.csdn.net/learn/39067/627173?utm_source=2019755004

汇聚全球AI编程工具，助力开发者即刻编程。

更多推荐

cover

国内使用 Codex：直接配置 kkflow.org 的 base_url 和 Key

avatar AI编程社区

手机指挥 AI 干活 - 把 Claude Code 装进钉钉

cc-ding把 Claude Code / Codex 等 AI 编码助手接入钉钉群——团队成员不用任何额外配置，在熟悉的钉钉群里发消息就能用 AI 写代码、审代码、跑命令。支持 Claude、Codex 等多模型，自由切换。

avatar AI编程社区

面试官问：你用 AI 编程半年了，那怎么保证 Claude Code 写出来的代码是对的？

AI降低的是“写代码的体力成本”，提升的是“编码效率”，但丝毫没有降低“工程师的思考成本和责任成本”。你到底是工具的使用者，还是工具的奴隶。只会复制粘贴AI代码的人，迟早会被淘汰；懂得驾驭AI、校验AI、修正AI，让工具为自己所用的人，会在AI时代越走越远。AI负责输出代码，工程师负责保证正确。

avatar AI编程社区