پایش اخبار هوش مصنوعی و تولید خودکار پست شبکه‌های اجتماعی

پایش اخبار با هوش مصنوعی و تولید پست شبکه‌های اجتماعی

این گردش کار (Workflow) فرآیند پایش اخبار مربوط به هوش مصنوعی و اتوماسیون را از یک فید RSS خودکار می‌کند. این گردش کار از مدل‌های زبان پیشرفته OpenAI برای تحلیل کیفیت مقالات، تولید محتوای جذاب برای شبکه‌های اجتماعی و مدیریت انتشار در پلتفرم‌هایی مانند X (توییتر)، LinkedIn و Threads استفاده می‌کند.

ویژگی‌های کلیدی:

• گردآوری خودکار اخبار: به طور مداوم مقالات جدید را از یک فید RSS مشخص دریافت می‌کند.
• تحلیل با هوش مصنوعی: مقالات را بر اساس کیفیت و ارتباط با استفاده از ایجنت‌های OpenAI امتیازدهی می‌کند.
• تولید محتوای هوشمند: پست‌های شبکه‌های اجتماعی سفارشی (رشته‌های توییتر، پست‌های LinkedIn) را برای مقالات با امتیاز بالا ایجاد می‌کند.
• انتشار چند پلتفرمی: برای انتشار محتوا در X (توییتر)، LinkedIn و Threads با Upload-Post ادغام می‌شود.
• مدیریت محتوا: مقالات را برای انتشار خودکار، بازبینی دستی یا بایگانی هدایت می‌کند.
• بایگانی محتوا: محتوای گردآوری شده و بازبینی شده را در Google Sheets برای دسترسی آسان ذخیره می‌کند.

موارد استفاده:

• بهینه‌سازی کشف محتوا برای اخبار هوش مصنوعی و اتوماسیون.
• خودکارسازی ایجاد و توزیع به‌روزرسانی‌های شبکه‌های اجتماعی.
• حفظ یک فید منتخب از اخبار مرتبط صنعت.
• کاهش تلاش دستی در ایجاد و انتشار محتوا.

---

تشریح گردش کار (Workflow Breakdown)

این گردش کار به چندین بلوک منطقی تقسیم شده است که هر کدام مسئول مرحله خاصی از فرآیند پایش اخبار و تولید محتوا هستند.

۱. دریافت مقالات (Fetch Articles)

این بلوک اولیه مسئول دریافت مقالات جدید از یک فید RSS مشخص در فواصل زمانی منظم است.

• گره‌ها (Nodes):

* RSS Feed Read Trigger

* Sticky Note (برای حاشیه‌نویسی)

• جزئیات:

* گره RSS Feed Read Trigger برای بررسی ساعتی یک فید RSS مشخص (مانند https://morss.it/https://techcrunch.com/feed/) پیکربندی شده است.

* هر مقاله جدید را به عنوان یک آیتم JSON برای پردازش بیشتر خروجی می‌دهد.

* ملاحظات: اطمینان حاصل کنید که URL فید RSS معتبر و قابل دسترسی است. خرابی احتمالی فید یا ورودی‌های بدشکل را مدیریت کنید.

۲. تحلیل و امتیازدهی مقالات (Analyze & Score Articles)

این بلوک از مدل‌های زبان OpenAI از طریق ایجنت‌های LangChain برای ارزیابی کیفیت و ارتباط هر مقاله دریافت شده استفاده می‌کند.

• گره‌ها (Nodes):

* LangChain OpenAI Chat Model (برای امتیازدهی)

* LangChain AI Agent (Scoring AI)

* LangChain Memory Buffer Window (Simple Memory)

* Code (برای تجزیه خروجی هوش مصنوعی)

* Sticky Note (برای حاشیه‌نویسی)

• جزئیات:

* گره LangChain OpenAI Chat Model که با یک مدل قدرتمند مانند GPT-4o پیکربندی شده است، به عنوان موتور زبان پایه عمل می‌کند.

* گره LangChain AI Agent (Scoring AI) عنوان و محتوای مقاله را تحلیل می‌کند. این گره برای بازگرداندن یک شیء JSON حاوی موارد زیر، پرامپت می‌شود:

* quality_score (۱-۱۰)

* relevance_score (۱-۱۰)

* key_topics (آرایه یا رشته)

* summary

* content_angle

* action (مانند PUBLISH, REVIEW, ARCHIVE)

* LangChain Memory Buffer Window به حفظ زمینه مکالمه برای ایجنت هوش مصنوعی کمک می‌کند.

* سپس یک گره Code خروجی JSON هوش مصنوعی را تجزیه کرده، کاراکترهای گریز (escape characters) را پاک می‌کند و خطاهای احتمالی را مدیریت می‌کند و در صورت شکست تجزیه، به طور پیش‌فرض اقدام 'review' را انجام می‌دهد.

* ملاحظات: پیکربندی صحیح کلید API OpenAI ضروری است. استفاده از API و محدودیت‌های احتمالی نرخ (rate limiting) را نظارت کنید. از مدیریت خطای قوی برای تجزیه JSON اطمینان حاصل کنید.

۳. هدایت مقالات (Route Articles)

بر اساس امتیازات و اقداماتی که در بلوک قبلی تعیین شده‌اند، این بخش مقالات را به مسیرهای مختلف هدایت می‌کند.

• گره‌ها (Nodes):

* گره‌های If (v2) (برای فیلتر کردن)

* Google Sheets (عملیات Append)

* Sticky Note (برای حاشیه‌نویسی)

• جزئیات:

* اولین گره If بررسی می‌کند که آیا quality_score بالاتر از یک آستانه تعریف شده (مانند > 4) است یا خیر.

* اگر true باشد، مقاله به بلوک تولید محتوا ادامه می‌یابد.

* اگر false باشد، به مرحله فیلتر بعدی می‌رود.

* یک گره If دوم، آستانه دیگری (مانند quality_score >= 5) را بررسی می‌کند تا بین مقالاتی که نیاز به بازبینی دستی دارند و مقالاتی که باید بایگانی شوند، تمایز قائل شود.

* مقالاتی که برای بازبینی علامت‌گذاری شده‌اند، با استفاده از گره Google Sheets به یک برگه مشخص "For Review" در Google Sheets اضافه می‌شوند.

* مقالاتی که کیفیت پایین یا نامرتبط تلقی می‌شوند، در یک برگه Google Sheets جداگانه بایگانی می‌شوند.

* ملاحظات: از صحت اعتبارنامه‌ها و پیکربندی برگه‌های Google Sheets (شناسه برگه، GID) اطمینان حاصل کنید. خطاهای احتمالی API Google Sheets را مدیریت کنید.

۴. تولید محتوا (Content Generation)

برای مقالاتی که از فیلترهای کیفیت عبور می‌کنند، این بلوک بر تولید محتوای شبکه‌های اجتماعی تمرکز دارد.

• گره‌ها (Nodes):

* LangChain AI Agent (Content AI)

* LangChain OpenAI Chat Model (برای تولید محتوا)

* Code (برای تجزیه خروجی محتوای هوش مصنوعی)

* Sticky Note (برای حاشیه‌نویسی)

• جزئیات:

* یک LangChain AI Agent اختصاصی (Content AI) فراداده مقاله (عنوان، خلاصه، زاویه دید، لینک، امتیازات) را به عنوان ورودی دریافت می‌کند.

* این گره برای تولید محتوای مناسب برای پلتفرم‌های مختلف پرامپت می‌شود و یک شیء JSON با کلیدهایی مانند موارد زیر خروجی می‌دهد:

* twitter_thread (آرایه‌ای از ۳-۴ توییت)

* linkedin_post (یک رشته)

* content_ready (بولین)

* یک گره LangChain OpenAI Chat Model دیگر (احتمالاً با استفاده از مدلی متفاوت مانند GPT-4.1) این ایجنت را تغذیه می‌کند.

* یک گره Code این محتوای JSON تولید شده را تجزیه کرده، آن را با داده‌های اصلی مقاله ادغام می‌کند و فراداده‌های لازم مانند مُهر زمانی و پرچم آمادگی را اضافه می‌کند.

* ملاحظات: پیام‌های سیستمی واضحی را برای ایجنت هوش مصنوعی تعریف کنید تا لحن، طول و فرمت را کنترل کند. مدیریت خطای قوی برای تجزیه JSON پیاده‌سازی کنید تا از پست‌های شبکه‌های اجتماعی ناقص یا شکسته جلوگیری شود.

۵. ذخیره و انتشار (Store & Publish)

این بلوک نهایی مسئول بایگانی محتوای تولید شده و توزیع آن در پلتفرم‌های شبکه‌های اجتماعی است.

• گره‌ها (Nodes):

* Google Sheets (عملیات Append)

* Upload-Post (گره ادغام)

* Sticky Note (برای حاشیه‌نویسی)

• جزئیات:

* گره Google Sheets فراداده مقاله و قطعات محتوای شبکه‌های اجتماعی تولید شده را به یک برگه مشخص برای بایگانی اضافه می‌کند.

* گره Upload-Post برای انتشار محتوای تولید شده در X (توییتر)، LinkedIn و Threads پیکربندی شده است.

* رشته توییتر معمولاً به عنوان فیلد title ارسال می‌شود.

* پست LinkedIn به عنوان فیلد linkedInTitle ارسال می‌شود.

* ممکن است نیاز به پیکربندی شناسه‌های خاص پلتفرم (مانند شناسه صفحه LinkedIn) باشد.

* ملاحظات: از پیکربندی صحیح توکن API Upload-Post اطمینان حاصل کنید. تأیید کنید که اعتبارنامه‌ها و تنظیمات خاص پلتفرم به درستی در Upload-Post تنظیم شده‌اند. به محدودیت‌های طول محتوا و محدودیت‌های نرخ API پلتفرم‌ها توجه داشته باشید.

۶. بازبینی و بایگانی (دستی) (Review & Archive (Manual))

این بخش به مدیریت مقالاتی می‌پردازد که معیارهای انتشار خودکار را برآورده نکرده‌اند.

• گره‌ها (Nodes):

* Google Sheets (عملیات Append)

• جزئیات:

* همانطور که در بلوک "هدایت مقالات" توضیح داده شد، مقالاتی که نیاز به بازبینی دستی دارند به یک برگه Google Sheets "For Review" ارسال می‌شوند.

* مقالاتی که نامرتبط یا با کیفیت پایین تلقی می‌شوند، به یک برگه Google Sheets "Archive" ارسال می‌شوند.

* این امر تضمین می‌کند که تمام مقالات پردازش شده، چه برای اقدامات بعدی ویرایشی و چه برای ارجاع تاریخی، در نظر گرفته شده‌اند.

---

خلاصه گره‌ها (Node Summary)

---

این گردش کار را کاوش کرده و آن را در Axeto.ai با نیازهای خاص خود برای پایش اخبار و ایجاد محتوا تطبیق دهید: https://axeto.ai/n8n