مقدمه

مانیتورینگ هوشمند اخبار با n8n:

N8Nابزاری است که به کمک آن می توانید در مدت‌زمان کوتاهی، فرایندهای خود را با هوش مصنوعی خودکار کنید و از مزایای اتوماسیون هوشمند بهره‌ مند شوید.

N8N برای چه کسب و کارهایی مناسب است:

اگر سازمان شما کوچک می باشد و هم اکنون بسیاری از کار های خود را با نرم افزار هایی همچون اکسل انجام می دهید، N8N برای کسب و کار شما ایده آل است و در صورتی که کسب و کاری متوسط یا بزرگ دارید می توانید بخش های بسیاری از فرایند های غیر کلیدی خود را با این ابزار هوشمند کنید.

اگر به پیاده‌سازی اختصاصی، اتصال n8n به نرم‌افزارهای سازمانی یا سفارشی‌سازی Workflowها متناسب با کسب‌وکارتان نیاز دارید، Danix با بررسی نیازهای کسب‌وکار تان، می‌تواند این فرایند را از طراحی تا استقرار برای شما انجام دهیم.

برای کسب و کارهای کوچک به این لینک مراجعه کنید و برای کسب و کارهای بزرگ و متوسط میتوانید از این لینک استفاده نمایید.

همچنین اگر ترجیح می‌دهید شخصاً نصب و راه‌اندازی را انجام دهید، می‌توانید از اطلاعات موجود در مقالات، دسته N8N استفاده کنید .همچنین می توانید template موجود در این workflow را به صورت رایگان از این قسمت دانلود کنید.

رمز فایل: danixai.com

مانیتورینگ هوشمند اخبار با n8n:

ساخت سیستم خلاصه‌سازی خودکار مقالات با OpenAI، Google Sheets، Jina AI و Slack

امروزه حجم اطلاعات منتشرشده در اینترنت به‌قدری زیاد شده است که بررسی دستی تمام منابع خبری، وبلاگ‌ها و مقالات تخصصی تقریباً غیرممکن است. بسیاری از افراد و سازمان‌ها برای اینکه از جدیدترین تغییرات حوزه کاری خود مطلع بمانند، مجبور هستند هر روز زمان زیادی را صرف جستجو و بررسی منابع مختلف کنند.

با رشد ابزارهای اتوماسیون و هوش مصنوعی، می‌توان این فرآیند را به شکل کاملاً خودکار انجام داد. n8n یکی از ابزارهای قدرتمند در حوزه Workflow Automation است که به کاربران اجازه می‌دهد سرویس‌های مختلف را بدون نیاز به ساخت یک سیستم پیچیده به یکدیگر متصل کنند.

در این مقاله یک Workflow کاربردی برای مانیتورینگ هوشمند اخبار با n8n بررسی می‌کنیم که با ترکیب چند فناوری مختلف، فرآیند دریافت، تحلیل و خلاصه‌سازی مقالات را خودکار می‌کند. این سیستم می‌تواند منابع خبری مشخص‌شده را بررسی کند، مقالات جدید را شناسایی کند، میزان ارتباط آن‌ها با موضوع موردنظر را تشخیص دهد و در نهایت خلاصه‌ای آماده مطالعه در اختیار کاربران قرار دهد.

این Workflow نمونه‌ای از کاربرد واقعی هوش مصنوعی در اتوماسیون اطلاعات است. در واقع به جای اینکه کاربر روزانه چندین سایت را بررسی کند، سیستم به صورت خودکار محتواهای مهم را پیدا کرده و نتیجه را در یک کانال Slack ارسال می‌کند.

پایش خودکار اخبار با n8n یکی از کاربردهای مهم اتوماسیون هوشمند است که به تیم‌های تحقیقاتی، شرکت‌های فناوری، توسعه‌دهندگان و مدیران کمک می‌کند همیشه به اطلاعات مهم حوزه کاری خود دسترسی داشته باشند.

در ادامه تمام بخش‌های این Workflow، Nodeهای استفاده‌شده، نحوه اتصال سرویس‌ها، روش شخصی‌سازی و خطاهای احتمالی آن را بررسی خواهیم کرد.

قبل از شروع

اگر هنوز n8n را نصب نکرده‌اید، پیشنهاد می‌کنیم ابتدا مقاله «آموزش n8n» را مطالعه کنید. در آن مقاله، مراحل نصب با Node.js و Docker، راه‌اندازی اولیه و ساخت اولین Workflow به‌صورت کامل آموزش داده شده است. پس از نصب و راه‌اندازی، به این مقاله بازگردید و مراحل پیاده‌سازی این Workflow را دنبال کنید.

Workflow مانیتورینگ هوشمند اخبار با n8n چه کاری انجام می‌دهد؟

این جریان کاری پایش خودکار اخبار با n8n یک سیستم هوشمند برای بررسی و تحلیل مقالات اینترنتی ایجاد می‌کند. هدف اصلی آن این است که بدون نیاز به بررسی دستی منابع مختلف، جدیدترین محتواهای مرتبط با موضوع مشخص‌شده را پیدا کرده و در اختیار کاربر قرار دهد.

فرآیند کار به این شکل است که جریان کاری مانیتورینگ هوشمند اخبار با n8n ابتدا طبق یک زمان‌بندی مشخص اجرا می‌شود. سپس لیست RSS Feedهایی که کاربر در Google Sheets ذخیره کرده است دریافت می‌شود.

RSS Feed روشی استاندارد برای دریافت خودکار مطالب جدید سایت‌ها است. بسیاری از وب‌سایت‌های خبری و آموزشی از RSS استفاده می‌کنند تا کاربران بتوانند بدون مراجعه مستقیم، آخرین مطالب منتشرشده را دریافت کنند.

پس از دریافت مقالات، Workflow بررسی می‌کند که آیا این مقاله قبلاً پردازش شده است یا خیر. برای انجام این کار، اطلاعات مقاله‌های قبلی در Google Sheets ذخیره شده و URL مقاله‌های جدید با داده‌های موجود مقایسه می‌شود.

اگر مقاله جدید باشد، عنوان و خلاصه اولیه آن به کمک مدل هوش مصنوعی OpenAI بررسی می‌شود. در این مرحله AI تشخیص می‌دهد که مقاله با موضوع موردنظر ارتباط دارد یا خیر.

در صورت مرتبط بودن مقاله، Jina AI وارد فرآیند می‌شود و محتوای کامل صفحه وب را استخراج می‌کند. سپس مدل زبانی OpenAI مقاله را خلاصه کرده و آن را در قالب مناسب برای Slack آماده می‌کند.

در نهایت، خلاصه مقاله در کانال Slack ارسال شده و اطلاعات آن در Google Sheets ذخیره می‌شود تا در اجرای بعدی دوباره پردازش نشود.

این فرآیند باعث می‌شود یک سیستم کامل برای پایش خودکار اخبار با n8n داشته باشیم که به صورت شبانه‌روزی اطلاعات مهم را بررسی می‌کند.

کاربردهای این Workflow

۱. دنبال کردن اخبار هوش مصنوعی

توسعه‌دهندگان و متخصصان AI می‌توانند جدیدترین مقالات مربوط به مدل‌های زبانی، یادگیری ماشین، داده و الگوریتم‌ها را دریافت کنند.

۲. مانیتورینگ رقبا

کسب‌وکارها می‌توانند اخبار منتشرشده درباره رقبا، محصولات جدید یا تغییرات بازار را بررسی کنند.

۳. جمع‌آوری منابع تحقیقاتی

دانشجویان، پژوهشگران و تیم‌های تحقیقاتی می‌توانند مقالات مرتبط با حوزه کاری خود را به‌صورت خودکار جمع‌آوری کنند.

۴. ساخت خبرنامه داخلی سازمان

شرکت‌ها می‌توانند خلاصه مهم‌ترین اخبار حوزه فعالیت خود را برای کارکنان ارسال کنند.

۵. تولید ایده برای تولید محتوا

تیم‌های تولید محتوا می‌توانند از خلاصه مقالات برای پیدا کردن موضوعات جدید استفاده کنند.

۶. مدیریت دانش سازمانی

اطلاعات پردازش‌شده در Google Sheets ذخیره می‌شوند و یک آرشیو قابل جستجو ایجاد می‌کنند.

یش‌نیازها

برای اجرای این Workflow به موارد زیر نیاز دارید:

آموزش Import کردن Workflow

1. وارد داشبورد n8n شوید.

2. روی Import from File کلیک کنید.

3. فایل JSON را انتخاب کنید.

4. Workflow ایجاد خواهد شد.

5. Credentialهای موردنیاز را تنظیم کنید.

ساختار Workflow و آموزش کامل Node های آن:

1.Schedule Trigger

وظیفه: Schedule Trigger نقطه شروع Workflow است و زمان اجرای خودکار آن را مشخص می‌کند. در این Template، Workflow در بازه‌های زمانی مشخص اجرا می‌شود تا منابع خبری بررسی شوند.

ورودی: این Node ورودی خارجی ندارد.

خروجی: شروع اجرای Workflow.

تنظیمات مهم: مهم‌ترین تنظیم این بخش زمان‌بندی اجرا است.

کاربر می‌تواند آن را تغییر دهد:

• هر ۱۵ دقیقه

• هر ساعت

• روزانه

• هفتگی

دلیل استفاده از Node: بدون این Node سیستم نمی‌تواند فرآیند بررسی اخبار را به صورت خودکار انجام دهد.

2.Google Sheets – Get Article Monitored Database

وظیفه: این Node دیتابیس مقالات قبلی را از Google Sheets دریافت می‌کند. هدف اصلی جلوگیری از پردازش دوباره مقالات است.

ورودی: اطلاعات اتصال Google Sheets.

خروجی: لیست مقالات ذخیره‌شده.

تنظیمات مهم: Sheet باید شامل اطلاعات مقاله‌های قبلی باشد.

نکات قابل تغییر: در پروژه‌های بزرگ‌تر می‌توان Google Sheets را با دیتابیس‌هایی مانند PostgreSQL جایگزین کرد.

3.Set Field – Existing URL

وظیفه: این Node لینک مقالات قبلی را در یک فیلد مشخص قرار می‌دهد تا در مرحله بررسی استفاده شود.

ورودی: داده‌های دریافت‌شده از Google Sheets.

خروجی: فیلد existing_url.

دلیل استفاده: ساختار داده را برای Code Node ساده‌تر می‌کند.

4. Google Sheets – Get RSS Feed URL Followed

وظیفه: این Node لیست وب‌سایت‌ها و منابع خبری موردنظر برای مانیتورینگ را از Google Sheets دریافت می‌کند. کاربر می‌تواند با اضافه کردن RSS Feedهای جدید، منابعی که Workflow باید بررسی کند را مدیریت کند.

ورودی: اطلاعات اتصال به Google Sheets و فایل مربوط به لیست RSS Feedها.

خروجی: لیستی از آدرس‌های RSS Feed که باید توسط Workflow بررسی شوند.

تنظیمات مهم:
در این Workflow یک Sheet با نام rss_feed استفاده شده است. هنگام تنظیم این Node باید موارد زیر بررسی شوند:

• آدرس RSS Feed معتبر باشد.
• ستون‌های موردنیاز Sheet تغییر نکرده باشند.
• Credential مربوط به Google Sheets دسترسی لازم را داشته باشد.

نکات قابل تغییر:
می‌توان منابع جدیدی مانند وبلاگ‌های هوش مصنوعی، سایت‌های خبری فناوری، منابع آموزشی یا مجلات تخصصی را به این Sheet اضافه کرد.

البته افزایش تعداد RSS Feedها باعث افزایش تعداد پردازش‌های OpenAI و مصرف API می‌شود.

دلیل استفاده:
این Node باعث می‌شود مدیریت منابع خبری خارج از محیط n8n انجام شود و کاربر بدون تغییر Workflow بتواند سایت‌های جدیدی برای بررسی اضافه کند.

5. RSS Read

وظیفه: این Node وظیفه دریافت آخرین مقالات منتشرشده از منابع RSS را برعهده دارد. RSS یک استاندارد برای دریافت خودکار محتوای جدید سایت‌ها است.

ورودی: آدرس RSS Feed که از Google Sheets دریافت شده است.

خروجی: اطلاعات مقالات جدید شامل عنوان، لینک، تاریخ انتشار و خلاصه اولیه محتوا.

تنظیمات مهم:
مهم‌ترین بخش تنظیمات این Node، مقدار URL مربوط به RSS Feed است. اگر سایت موردنظر RSS معتبر نداشته باشد، Workflow نمی‌تواند اطلاعات مقاله‌ها را دریافت کند.

نکات قابل تغییر:
در صورت نیاز می‌توان این Node را با روش‌های دیگری مانند HTTP Request، APIهای خبری یا Webhook جایگزین کرد.

دلیل استفاده:
RSS یک روش ساده و کم‌هزینه برای دریافت خودکار محتوا است و نیاز به استخراج مستقیم اطلاعات از صفحات وب را کاهش می‌دهد.

6. Code Node

وظیفه: این Node با استفاده از JavaScript مقالات جدید را از مقالاتی که قبلاً پردازش شده‌اند جدا می‌کند. در این مرحله لینک مقالات RSS با لینک‌های ذخیره‌شده در Google Sheets مقایسه می‌شود.

ورودی:

• داده‌های دریافت‌شده از RSS Read
• لیست URL مقالات ذخیره‌شده در Google Sheets

خروجی:
اگر مقاله جدیدی وجود داشته باشد، اطلاعات آن برای مراحل بعدی ارسال می‌شود. در غیر این صورت پیام No new articles found ایجاد خواهد شد.

تنظیمات مهم:
منطق بررسی و مقایسه URLها در بخش JavaScript این Node قرار دارد.

نکات قابل تغییر:
می‌توان منطق بررسی را توسعه داد، برای مثال:

• بررسی عنوان مقاله

• بررسی تاریخ انتشار

• حذف مقالات قدیمی

• محدود کردن تعداد مقالات پردازشی

دلیل استفاده:
این Node از پردازش دوباره مقالات جلوگیری می‌کند و باعث کاهش هزینه مصرف API مدل‌های هوش مصنوعی می‌شود.

6. IF Node

وظیفه: این Node بر اساس خروجی Code Node تصمیم می‌گیرد که Workflow ادامه پیدا کند یا متوقف شود.

ورودی: نتیجه بررسی Code Node.

خروجی:
دارای دو مسیر است:

• مسیر True: مقاله جدید وجود دارد و Workflow ادامه پیدا می‌کند.
• مسیر False: مقاله جدیدی وجود ندارد و اجرای Workflow متوقف می‌شود.

تنظیمات مهم:
شرط این Node بررسی می‌کند که مقدار پیام برابر با:

No new articles found

نباشد.

نکات قابل تغییر:
می‌توان شرط‌های پیچیده‌تری اضافه کرد، مانند:

• تعداد مقالات جدید
• تاریخ انتشار
• نوع محتوا

دلیل استفاده:
با استفاده از این Node از اجرای غیرضروری مراحل AI و درخواست‌های اضافی API جلوگیری می‌شود.

7. OpenAI Chat Model1

وظیفه: این Node مدل هوش مصنوعی مورد استفاده برای دسته‌بندی مقالات را مشخص می‌کند. در این Workflow از مدل GPT-4o-mini استفاده شده است.

ورودی: اطلاعات متنی مقاله شامل عنوان و خلاصه اولیه.

خروجی: نتیجه تحلیل مدل زبانی برای استفاده در مرحله دسته‌بندی.

تنظیمات مهم:
Credential مربوط به OpenAI باید در n8n تنظیم شده باشد.

نکات قابل تغییر:
می‌توان مدل هوش مصنوعی را تغییر داد و از مدل‌های قدرتمندتر استفاده کرد. البته انتخاب مدل‌های پیشرفته‌تر باعث افزایش هزینه پردازش خواهد شد.

دلیل استفاده:
این Node امکان استفاده از مدل‌های زبانی برای تحلیل خودکار محتوا را فراهم می‌کند و پایه اصلی سیستم مانیتورینگ هوشمند است.

7. Relevance Classification for Topic Monitoring

وظیفه: این Node با استفاده از هوش مصنوعی میزان ارتباط مقاله با موضوع موردنظر را بررسی می‌کند. هدف آن تشخیص مقالات مرتبط و حذف محتواهای غیرضروری است.

ورودی:

• عنوان مقاله
• خلاصه اولیه مقاله

خروجی:
مقاله در یکی از دو دسته قرار می‌گیرد:

• Relevant برای مقالات مرتبط
• Not Relevant برای مقالات غیرمرتبط

تنظیمات مهم:
مهم‌ترین بخش این Node قسمت Categories است. توضیحات دسته‌ها تعیین می‌کنند که AI چه نوع محتواهایی را مرتبط تشخیص دهد.

نکات قابل تغییر:
می‌توان موضوع مانیتورینگ را تغییر داد. برای مثال:

در حوزه امنیت سایبری:

• Relevant: مقالات امنیت شبکه و آسیب‌پذیری‌ها

• Not Relevant: مطالب خارج از حوزه امنیت

دلیل استفاده:
این Node باعث می‌شود فقط مقالات ارزشمند وارد مراحل بعدی شوند و هزینه پردازش کاهش پیدا کند.

7. Jina AI – Read URL

وظیفه: این Node محتوای کامل مقاله را از صفحه وب استخراج می‌کند. از آنجایی که RSS معمولاً فقط خلاصه کوتاهی ارائه می‌دهد، برای تولید خلاصه دقیق‌تر نیاز به متن کامل مقاله وجود دارد.

ورودی: لینک مقاله دریافت‌شده از RSS.

خروجی: متن کامل مقاله در قالب مناسب برای پردازش توسط مدل زبانی.

تنظیمات مهم:
URL مقاله باید قابل دسترسی باشد و محدودیت‌های مربوط به استخراج محتوا رعایت شود.

نکات قابل تغییر:
می‌توان از ابزارهای مشابه مانند Web Scraper API، Browser Automation یا HTTP Request استفاده کرد.

دلیل استفاده:
Jina AI باعث می‌شود مدل هوش مصنوعی به محتوای کامل مقاله دسترسی داشته باشد و خلاصه دقیق‌تری تولید کند.

8. Basic LLM Chain

وظیفه: این Node مرحله نهایی پردازش هوش مصنوعی را انجام می‌دهد. وظیفه آن خلاصه‌سازی مقاله، ساختاربندی محتوا و آماده‌سازی پیام قابل انتشار در Slack است.

ورودی: متن کامل مقاله که توسط Jina AI استخراج شده است.

خروجی: متن خلاصه‌شده و قالب‌بندی‌شده برای ارسال در Slack.

تنظیمات مهم:
مهم‌ترین بخش این Node، Prompt تعریف‌شده برای مدل زبانی است. Prompt مشخص می‌کند خروجی چگونه تولید شود، چه بخش‌هایی داشته باشد و با چه فرمتی نمایش داده شود.

نکات قابل تغییر:
می‌توان Prompt را تغییر داد تا:

• خلاصه به زبان فارسی تولید شود.
• طول خلاصه تغییر کند.
• ساختار خروجی متفاوت باشد.
• لحن متن رسمی یا ساده‌تر شود.

دلیل استفاده:
این Node وظیفه تبدیل محتوای خام مقاله به یک گزارش کوتاه، قابل فهم و مناسب برای اشتراک‌گذاری تیمی را برعهده دارد.

9. OpenAI Chat Model

وظیفه: این Node مدل هوش مصنوعی مورد استفاده برای تولید خلاصه نهایی مقالات را مشخص می‌کند. در این Workflow مدل GPT-4o-mini برای پردازش متن و تولید خروجی استفاده شده است.

ورودی: متن مقاله که از طریق Basic LLM Chain برای مدل ارسال می‌شود.

خروجی: پاسخ تولیدشده توسط مدل زبانی که شامل خلاصه ساختاریافته مقاله است.

تنظیمات مهم:
برای اجرای صحیح این Node باید Credential مربوط به OpenAI در n8n تنظیم شده باشد. مدل انتخاب‌شده باید توانایی پردازش متن و تولید خلاصه با کیفیت مناسب را داشته باشد.

نکات قابل تغییر:
می‌توان مدل هوش مصنوعی را تغییر داد. برای مثال:

• استفاده از مدل‌های قدرتمندتر برای خلاصه‌های دقیق‌تر

• استفاده از مدل‌های اقتصادی‌تر برای کاهش هزینه

• انتخاب مدل‌های مناسب برای زبان‌های مختلف

دلیل استفاده:
این Node موتور پردازشی بخش خلاصه‌سازی Workflow است و وظیفه تبدیل محتوای خام مقاله به یک گزارش قابل استفاده را برعهده دارد.

10. Slack1

وظیفه: این Node خلاصه تولیدشده توسط هوش مصنوعی را در یک کانال مشخص در Slack ارسال می‌کند.

Slack یک ابزار ارتباطی تیمی است که برای همکاری، اشتراک‌گذاری اطلاعات و مدیریت گفتگوهای سازمانی استفاده می‌شود. در این Workflow، Slack به عنوان مقصد نهایی دریافت گزارش‌های خبری عمل می‌کند.

ورودی: متن نهایی تولیدشده توسط Basic LLM Chain.

خروجی: یک پیام جدید در کانال مشخص‌شده Slack.

تنظیمات مهم:
برای استفاده از این Node باید موارد زیر تنظیم شوند:

• Credential مربوط به Slack OAuth2

• کانال مقصد ارسال پیام

• سطح دسترسی لازم برای ارسال پیام

در این Workflow پیام‌ها در یک کانال اختصاصی برای مانیتورینگ موضوعات ارسال می‌شوند.

نکات قابل تغییر:
می‌توان مقصد ارسال خروجی را تغییر داد و به جای Slack از سرویس‌های دیگر استفاده کرد، مانند:

• Telegram
• Discord
• Microsoft Teams
• Email

همچنین می‌توان متن خروجی یا قالب نمایش پیام را تغییر داد.

دلیل استفاده:
Slack باعث می‌شود اعضای تیم بدون نیاز به ورود به n8n یا بررسی دستی سایت‌ها، جدیدترین مقالات مرتبط را به‌صورت خودکار دریافت کنند.

11. Set Fields – Relevant Articles

وظیفه: این Node اطلاعات مقالات مرتبط را قبل از ذخیره‌سازی در Google Sheets آماده و استاندارد می‌کند.

بعد از اینکه مقاله توسط هوش مصنوعی مرتبط تشخیص داده شد و خلاصه آن تولید شد، این Node داده‌های موردنیاز برای ثبت در دیتابیس مقالات را ایجاد می‌کند.

ورودی: خروجی تولیدشده توسط Basic LLM Chain و اطلاعات مقاله اصلی.

خروجی: یک ساختار استاندارد شامل اطلاعات زیر:

• لینک مقاله
• وضعیت خلاصه‌سازی
• خلاصه تولیدشده توسط AI
• نام وب‌سایت
• زمان پردازش
• تاریخ انتشار مقاله

تنظیمات مهم:
مقداردهی فیلدها در قسمت Assignments انجام می‌شود.

مهم‌ترین فیلدها:

• article_url برای ذخیره لینک مقاله

• summarized با مقدار YES

• summary برای ذخیره خلاصه تولیدشده

• website برای ثبت منبع مقاله

نکات قابل تغییر:
می‌توان فیلدهای جدیدی اضافه کرد، مانند:

• دسته‌بندی مقاله

• امتیاز اهمیت

• نام نویسنده

• تگ‌های موضوعی

دلیل استفاده:
این Node باعث می‌شود داده‌ها قبل از ذخیره در Google Sheets ساختار یکسانی داشته باشند و مدیریت اطلاعات ساده‌تر شود.

12. Google Sheets – Add Relevant Article

وظیفه: این Node مقالات مرتبط پردازش‌شده را در Google Sheets ذخیره می‌کند.

این Sheet نقش یک دیتابیس ساده برای نگهداری تاریخچه مقالات بررسی‌شده را دارد.

ورودی: اطلاعات آماده‌شده توسط Node مربوط به Set Fields – Relevant Articles.

خروجی: ثبت یک رکورد جدید در Sheet مربوط به دیتابیس مقالات.

تنظیمات مهم:
در این Node باید Sheet مربوط به article_database انتخاب شود.

ستون‌های ذخیره‌شده شامل موارد زیر هستند:

• URL مقاله
• وضعیت پردازش
• خلاصه مقاله
• نام سایت
• زمان دریافت
• تاریخ انتشار

نکات قابل تغییر:
می‌توان Google Sheets را با دیتابیس‌های حرفه‌ای‌تر جایگزین کرد، مانند:

• PostgreSQL
• MySQL
• MongoDB
• Airtable

دلیل استفاده:
ذخیره مقالات پردازش‌شده باعث جلوگیری از بررسی دوباره یک مقاله در اجرای بعدی Workflow می‌شود.

13. Set Fields – Not Relevant Articles

وظیفه: این Node اطلاعات مقالاتی که توسط AI غیرمرتبط تشخیص داده شده‌اند را برای ذخیره‌سازی آماده می‌کند.

اگر مقاله‌ای با موضوع موردنظر Workflow هماهنگ نباشد، همچنان اطلاعات آن ذخیره می‌شود تا سیستم در آینده بتواند سابقه کاملی از مقالات بررسی‌شده داشته باشد.

ورودی: اطلاعات مقاله‌هایی که توسط Node دسته‌بندی در گروه Not Relevant قرار گرفته‌اند.

خروجی: داده استاندارد شامل اطلاعات مقاله غیرمرتبط.

تنظیمات مهم:
در این Node مقدار فیلد summarized برابر با:

NO (not relevant)

قرار داده می‌شود.

اطلاعات ذخیره‌شده شامل:

• لینک مقاله

• وضعیت ارتباط

• نام سایت

• زمان پردازش

• تاریخ انتشار

است.

نکات قابل تغییر:
می‌توان اطلاعات بیشتری ذخیره کرد، مانند:

• دلیل غیرمرتبط بودن مقاله

• دسته‌بندی تشخیص داده‌شده توسط AI

• میزان اطمینان مدل

دلیل استفاده:
ثبت مقالات غیرمرتبط باعث می‌شود Workflow در اجرای بعدی بتواند تاریخچه کامل‌تری داشته باشد و از پردازش‌های تکراری جلوگیری کند.

14. Google Sheets – Add Not Relevant Articles

وظیفه: این Node مقالاتی که مرتبط با موضوع مانیتورینگ تشخیص داده نشده‌اند را در Google Sheets ذخیره می‌کند.

ورودی: داده‌های آماده‌شده توسط Node مربوط به Set Fields – Not Relevant Articles.

خروجی: ایجاد یک رکورد جدید در Sheet مربوط به دیتابیس مقالات.

تنظیمات مهم:
این Node نیز مانند مسیر مقالات مرتبط از Sheet با نام article_database استفاده می‌کند.

اطلاعات ذخیره‌شده شامل:

• URL مقاله

• وضعیت پردازش

• وب‌سایت منبع

• زمان بررسی

• تاریخ انتشار

است.

نکات قابل تغییر:
می‌توان این بخش را تغییر داد و به جای ذخیره مقالات غیرمرتبط، آن‌ها را حذف کرد یا در یک Sheet جداگانه قرار داد.

دلیل استفاده:
این Node کمک می‌کند تمام مقالات بررسی‌شده ثبت شوند و سیستم بتواند مدیریت بهتری روی داده‌های گذشته داشته باشد.

نحوه شخصی‌سازی مانیتورینگ هوشمند اخبار با n8n:

یکی از مهم‌ترین ویژگی‌های مانیتورینگ هوشمند اخبار با n8n، امکان تغییر بخش‌های مختلف آن بدون نیاز به طراحی مجدد از ابتدا است. ساختار این Template به شکلی طراحی شده که کاربران بتوانند منابع اطلاعاتی، مدل هوش مصنوعی، نحوه دسته‌بندی محتوا و مقصد ارسال خروجی را مطابق نیاز خود تغییر دهند.

در ادامه مهم‌ترین بخش‌هایی که قابلیت شخصی‌سازی دارند بررسی می‌شوند.

• تغییر منابع خبری و RSS Feedها

برای اضافه کردن منابع جدید، کافی است لیست RSS Feedها را در Google Sheets تغییر دهید.

در Sheet مربوط به rss_feed می‌توانید:

1. سایت‌های خبری جدید اضافه کنید.

2. منابع قدیمی را حذف کنید.

3. موضوعات مختلف را از هم جدا کنید.

برای مثال، اگر هدف شما مانیتورینگ اخبار هوش مصنوعی باشد، می‌توانید RSS Feed وبلاگ‌های تخصصی AI را اضافه کنید.

همچنین می‌توان Workflow را برای حوزه‌های دیگر مانند:

1. امنیت سایبری

2. برنامه‌نویسی

3. بازاریابی دیجیتال

4. ارزهای دیجیتال

5. تحقیقات علمی

شخصی‌سازی کرد.

• تغییر موضوعات مورد بررسی توسط هوش مصنوعی

یکی از مهم‌ترین بخش‌های قابل تغییر، Node مربوط به:

Relevance Classification for Topic Monitoring

است.

در این قسمت، مدل هوش مصنوعی بر اساس توضیحات دسته‌ها تصمیم می‌گیرد که یک مقاله مرتبط است یا خیر.

به‌صورت پیش‌فرض، Workflow مقالات مربوط به موارد زیر را بررسی می‌کند:

• هوش مصنوعی

• یادگیری ماشین

• علم داده

• الگوریتم‌ها

• فناوری‌های جدید

اما می‌توان این بخش را تغییر داد. برای مثال، اگر بخواهید اخبار امنیت سایبری را دنبال کنید، می‌توانید دسته‌ها را به شکل زیر تغییر دهید:

Relevant: مقالات مرتبط با امنیت شبکه، آسیب‌پذیری‌ها، تست نفوذ، بدافزارها و ابزارهای امنیتی.

Not Relevant: محتواهایی که ارتباط مستقیمی با امنیت سایبری ندارند. با این تغییر، Workflow تبدیل به یک سیستم مانیتورینگ هوشمند برای موضوع دلخواه شما خواهد شد.

• تغییر Promptهای هوش مصنوعی

Prompt موجود در Node مربوط به:

Basic LLM Chain

مشخص می‌کند که مدل چگونه مقاله را خلاصه کند و خروجی نهایی را بسازد. کاربر می‌تواند این Prompt را تغییر دهد تا خروجی مطابق نیاز پروژه باشد. برای مثال می‌توان درخواست کرد که مدل:

1. خلاصه را به زبان فارسی تولید کند.

2. فقط نکات مهم مقاله را استخراج کند.

3. مقاله را از دید یک متخصص بررسی کند.

4. میزان اهمیت مقاله را مشخص کند.

5. خلاصه را برای مدیران سازمان آماده کند.

به عنوان نمونه، برای یک تیم تحقیقاتی می‌توان Prompt را طوری تغییر داد که خروجی شامل موارد زیر باشد:

1. مشکل مطرح‌شده در مقاله

2. روش پیشنهادی

3. نتایج تحقیق

4. کاربردهای عملی

• تغییر مدل هوش مصنوعی

در این Workflow از GPT-4o-mini استفاده شده است. این مدل به دلیل هزینه مناسب و سرعت بالا برای پردازش تعداد زیادی مقاله انتخاب شده است. اما بسته به نیاز پروژه می‌توان مدل را تغییر داد.

برای مثال:

• مدل‌های قوی‌تر برای تحلیل‌های پیچیده‌تر

• مدل‌های اقتصادی‌تر برای کاهش هزینه

• مدل‌های تخصصی برای زبان‌های مختلف

انتخاب مدل مناسب باید بر اساس حجم مقالات، بودجه API و کیفیت مورد انتظار انجام شود.

• تغییر مقصد ارسال خروجی

در حالت پیش‌فرض، خلاصه مقالات در Slack ارسال می‌شود. اما ساختار Workflow به شکلی است که می‌توان مقصد خروجی را تغییر داد. گزینه‌های جایگزین می‌توانند شامل موارد زیر باشند:

1. Telegram برای دریافت شخصی گزارش‌ها

2. Email برای ارسال خبرنامه

3. Discord برای انجمن‌های تخصصی

4. Microsoft Teams برای سازمان‌ها

5. Google Chat برای محیط‌های کاری

• تغییر زمان اجرای Workflow

Node مربوط به: Schedule Trigger زمان اجرای Workflow را کنترل می‌کند. کاربر می‌تواند بر اساس نیاز خود زمان‌بندی را تغییر دهد.

برای مثال:

• بررسی اخبار هر ۱۵ دقیقه برای موضوعات حساس

• اجرای روزانه برای گزارش‌های معمولی

• اجرای هفتگی برای گزارش‌های تحلیلی

انتخاب زمان مناسب باعث تعادل بین سرعت دریافت اطلاعات و هزینه مصرف API می‌شود.

مزایای استفاده از مانیتورینگ هوشمند اخبار با n8n:

استفاده از مانیتورینگ هوشمند اخبار با n8n چندین مزیت مهم برای کاربران و تیم‌ها ایجاد می‌کند.

1. مانیتورینگ خودکار اطلاعات

مهم‌ترین مزیت این Workflow حذف بررسی دستی سایت‌ها است. کاربر دیگر نیاز ندارد روزانه چندین وب‌سایت را بررسی کند تا مقالات جدید را پیدا کند. Workflow به‌صورت خودکار منابع مشخص‌شده را بررسی کرده و اطلاعات مهم را استخراج می‌کند.

2. صرفه‌جویی در زمان

جمع‌آوری و خلاصه‌سازی دستی مقالات زمان زیادی از افراد و تیم‌ها می‌گیرد. این Workflow با استفاده از هوش مصنوعی، فرآیند:

• پیدا کردن مقاله
• بررسی ارتباط محتوا
• استخراج متن
• خلاصه‌سازی را خودکار می‌کند.

3. کاهش هزینه پردازش هوش مصنوعی

یکی از طراحی‌های هوشمندانه Workflow، بررسی اولیه مقالات قبل از ارسال به مدل AI است. ابتدا مقالات تکراری حذف می‌شوند و سپس فقط محتواهای مرتبط پردازش می‌شوند. این کار باعث کاهش تعداد درخواست‌های API و مدیریت بهتر هزینه‌ها می‌شود.

4. دریافت اطلاعات مرتبط و بدون نویز

با استفاده از سیستم دسته‌بندی هوشمند، مقالات غیرمرتبط حذف می‌شوند. در نتیجه کاربر فقط اطلاعاتی دریافت می‌کند که با حوزه موردنظر او ارتباط دارند.

5. ذخیره تاریخچه مقالات

ذخیره اطلاعات در Google Sheets باعث ایجاد یک آرشیو از مقالات بررسی‌شده می‌شود.

این تاریخچه می‌تواند برای:

• جستجوهای آینده

• تحلیل روندها

• بررسی موضوعات محبوب استفاده شود.

6. همکاری بهتر تیمی

ارسال خودکار خلاصه‌ها در Slack باعث می‌شود اعضای تیم همیشه از آخرین تغییرات حوزه کاری خود مطلع باشند.

این موضوع مخصوصاً برای تیم‌های تحقیقاتی، توسعه نرم‌افزار و کسب‌وکارهای فناوری کاربردی است.

نکات مهم هنگام استفاده از مانیتورینگ هوشمند اخبار با n8n:

1. قبل از استفاده از RSS Feedها، مطمئن شوید منابع انتخاب‌شده RSS معتبر دارند.

2. تعداد زیاد منابع خبری می‌تواند باعث افزایش مصرف API OpenAI شود.

3. Credentialهای Google Sheets، OpenAI و Slack باید به‌درستی تنظیم شوند.

4. در صورت استفاده از Jina AI یا ابزارهای استخراج محتوا، قوانین مربوط به Scraping را رعایت کنید.

5. Promptهای هوش مصنوعی را متناسب با هدف پروژه تغییر دهید.

6. برای پروژه‌های بزرگ بهتر است Google Sheets با یک دیتابیس حرفه‌ای جایگزین شود.

7. زمان اجرای Schedule Trigger را بر اساس اهمیت موضوع تنظیم کنید.

8. بهتر است قبل از اجرای دائمی Workflow، چند بار اجرای آزمایشی انجام شود.

9. محدودیت‌های API سرویس‌های خارجی مانند OpenAI و Jina AI را بررسی کنید.

10. اطلاعات حساس مانند API Keyها را در Credentialهای n8n ذخیره کنید و داخل Nodeها قرار ندهید.

خطاهای رایج (Troubleshooting)

1. دریافت نشدن مقالات از RSS Feed

علت:

• آدرس RSS اشتباه است.

• سایت RSS فعال ندارد.

• ساختار RSS تغییر کرده است.

راه‌حل:

• URL مربوط به RSS را بررسی کنید.

• از معتبر بودن Feed مطمئن شوید.

• یک RSS Reader دیگر برای تست استفاده کنید.

2. خطای اتصال Google Sheets

علت:

• Credential گوگل تنظیم نشده است.

• دسترسی Service Account داده نشده است.

• نام Sheet تغییر کرده است.

راه‌حل:

• اتصال Google Sheets را دوباره تنظیم کنید.

• دسترسی لازم را به حساب سرویس بدهید.

• نام Sheet را بررسی کنید.

3. خطای OpenAI API

علت:

• API Key معتبر نیست.

• اعتبار حساب OpenAI تمام شده است.

• محدودیت درخواست‌ها رد شده است.

راه‌حل:

• API Key را بررسی کنید.

• وضعیت Billing را بررسی کنید.

• تعداد درخواست‌ها را کاهش دهید.

4. استخراج نشدن محتوای مقاله توسط Jina AI

علت:

• صفحه وب محدودیت دسترسی دارد.

• سایت از روش‌های جلوگیری از Scraping استفاده می‌کند.

• لینک مقاله اشتباه است.

راه‌حل:

• لینک مقاله را بررسی کنید.

• از منابع جایگزین استفاده کنید.

• تنظیمات استخراج محتوا را بررسی کنید.

5. ارسال نشدن پیام در Slack

علت:

• Credential مربوط به Slack مشکل دارد.

• Bot دسترسی ارسال پیام ندارد.

• کانال اشتباه انتخاب شده است.

راه‌حل:

• اتصال Slack را دوباره بررسی کنید.

• مجوزهای OAuth را اصلاح کنید.

• Channel ID صحیح را وارد کنید.

سوالات متداول

1. آیا برای استفاده از این Workflow نیاز به دانش برنامه‌نویسی دارم؟

خیر. برای استفاده معمول از این Workflow نیاز به برنامه‌نویسی ندارید. کافی است n8n را نصب کرده، Credentialهای موردنیاز را تنظیم کنید و منابع خبری خود را وارد Google Sheets کنید.

2. آیا می‌توان موضوع مانیتورینگ را تغییر داد؟

بله. با تغییر دسته‌بندی‌ها در Node مربوط به Relevance Classification می‌توان Workflow را برای هر موضوعی مانند امنیت، بازاریابی، برنامه‌نویسی یا تحقیقات علمی تنظیم کرد.

3. آیا امکان استفاده از مدل‌های هوش مصنوعی دیگر وجود دارد؟

بله. می‌توان مدل OpenAI را تغییر داد یا از مدل‌های سازگار دیگر استفاده کرد. انتخاب مدل باید بر اساس هزینه، سرعت و کیفیت موردنیاز انجام شود.

4. آیا می‌توان به جای Slack از سرویس دیگری استفاده کرد؟

بله. Slack فقط مقصد پیش‌فرض خروجی است. می‌توان Workflow را برای ارسال پیام به Telegram، Email، Discord یا سرویس‌های دیگر تغییر داد.

5. آیا این مانیتورینگ هوشمند اخبار با n8n فقط برای مقالات انگلیسی قابل استفاده است؟

خیر. با تغییر Prompt مدل هوش مصنوعی می‌توان خروجی را برای زبان‌های مختلف تنظیم کرد. همچنین می‌توان منابع فارسی را نیز به Workflow اضافه کرد.

6. آیا مقالات تکراری دوباره پردازش می‌شوند؟

خیر. مانیتورینگ هوشمند اخبار با n8n لینک مقالات پردازش‌شده را در Google Sheets ذخیره می‌کند و در اجرای بعدی قبل از پردازش، آن‌ها را بررسی و حذف می‌کند.

7. آیا استفاده از این Workflow هزینه دارد؟

بسته به سرویس‌هایی که استفاده می‌کنید هزینه متفاوت است. معمولاً بیشترین هزینه مربوط به API مدل هوش مصنوعی OpenAI است که با مدیریت تعداد منابع و انتخاب مدل مناسب قابل کنترل خواهد بود.

جمع‌بندی

Workflow مانیتورینگ هوشمند اخبار با n8n یک راهکار کاربردی برای دریافت، تحلیل و خلاصه‌سازی خودکار مقالات از منابع مختلف است.

این Workflow با ترکیب n8n، Google Sheets، OpenAI، Jina AI و Slack یک سیستم کامل برای دنبال کردن موضوعات تخصصی ایجاد می‌کند.

در این فرآیند ابتدا منابع خبری از Google Sheets دریافت می‌شوند، سپس مقالات جدید از طریق RSS Feed استخراج شده و مقالات تکراری حذف می‌شوند. در مرحله بعد، هوش مصنوعی ارتباط محتوا با موضوع موردنظر را بررسی می‌کند و فقط مقالات ارزشمند وارد مرحله پردازش می‌شوند.

پس از استخراج متن کامل مقاله، مدل زبانی OpenAI خلاصه‌ای ساختاریافته تولید کرده و نتیجه در Slack ارسال می‌شود.

استفاده از Workflow مانیتورینگ هوشمند اخبار با n8n به کاربران کمک می‌کند بدون بررسی دستی ده‌ها منبع، همیشه از جدیدترین اطلاعات حوزه کاری خود مطلع باشند.

همچنین امکان شخصی‌سازی بخش‌های مختلف مانند Prompt، مدل AI، منابع RSS، زمان‌بندی و مقصد خروجی باعث می‌شود این Workflow برای پروژه‌ها و صنایع مختلف قابل استفاده باشد.

GIT