基于 n8n 搭建智能学术文献收集与个性化推荐工作流

在科研和学术研究中，高效获取、整理并利用前沿文献是提升研究效率的关键。本文将详细介绍如何基于 n8n 这款开源自动化工具，搭建一套从多期刊 RSS 订阅、文献筛选整理，到 AI 摘要生成、飞书多维联动的全流程学术文献管理工作流，实现文献收集的自动化与个性化学术建议生成。

一、工作流整体架构与核心目标

本工作流的核心目标是自动化完成多期刊文献抓取 - 筛选 - 整理 - 存储 - 智能推荐全链路，具体实现：

定时抓取 PubMed、Science、Cell 三大顶刊的最新 RSS 文献；
按时间维度筛选近 30 天文献，提取核心字段并标准化；
利用 AI 生成文献摘要，将结构化数据存入飞书多维表格；
结合飞书日程，通过 AI Agent 生成个性化学术建议并推送至飞书群。

工作流整体分为四大模块：定时触发与数据源采集、数据清洗与标准化、AI 处理与数据存储、智能推荐与消息推送，节点间通过 n8n 的连接机制实现数据流转，整体架构清晰且可扩展。

二、核心节点拆解与功能说明

1. 定时触发模块：Schedule Trigger

作为整个工作流的起点，Schedule Trigger节点实现定时执行逻辑，配置如下：

触发规则：每周一上午 9 点自动执行工作流，确保每周固定时间获取最新文献；
输出：触发信号同时传递至 PubMed、Science、Cell 三个 RSS 采集节点，实现多源并行采集。

2. 数据源采集模块：RSS Feed Read

配置 3 个rssFeedRead节点分别抓取三大期刊的 RSS 流：

节点名称	RSS 地址	核心配置
PubMed	https://pubmed.ncbi.nlm.nih.gov/rss	ignoreSSL: true
Science	https://feeds.science.org/rss/science.xml	alwaysOutputData: false
Cell	https://www.cell.com/cell/current.rss	ignoreSSL: true

功能：解析 RSS 流获取文献原始数据（标题、内容、发布时间、链接等）；
注意点：不同期刊的 RSS 字段命名存在差异（如 Cell 使用dc:date，PubMed 使用pubDate），为后续字段标准化埋下伏笔。

3. 数据限流与标准化：Limit + Set 节点

（1）Limit 节点：限流控制

配置 3 个limit节点（Limit_01/02/03），均设置maxItems: 20，作用是：

限制单期刊单次抓取的文献数量，避免数据量过大导致下游处理超时；
分别对应 PubMed、Science、Cell 三个数据源，保证各来源数据量均衡。

（2）Set 节点：字段标准化（Edit Fields 系列）

针对不同期刊的字段差异，通过 3 个set节点统一字段格式，核心配置示例（以 PubMed 为例）：

统一字段名：将各期刊的原始字段映射为「标题、内容、日期、链接、期刊」5 个标准字段；
统一期刊标识：手动指定期刊名称（如 PubMed/Science/Cell），便于后续分类；
适配字段差异：Cell 的日期字段使用$json['dc:date']，与其他期刊区分处理。

4. 数据筛选：Filter 节点

Filter节点实现时间维度的筛选，核心逻辑：

"leftValue": "={{ new Date($json[\"日期\"]).toISOString().slice(0,10) }}",
"rightValue": "={{ new Date(new Date().setDate(new Date().getDate() - 30)).toISOString().slice(0,10) }}",
"operator": {
  "type": "dateTime",
  "operation": "afterOrEquals"
}

筛选规则：仅保留近 30 天发布的文献，过滤过期内容；
实现方式：将文献发布日期与「当前日期 - 30 天」转换为 ISO 格式（YYYY-MM-DD）后对比，保证日期格式统一。

5. AI 处理模块：LLM Chain + DeepSeek Chat Model

（1）Basic LLM Chain 节点

核心作用是调用 AI 生成文献摘要，prompt 配置：

把你收到的文献资料都整理成干净的格式，内容需要总结为摘要，以下是文献：
标题 ：{{ $json['标题'] }} 
内容：{{ $json['内容'] }} 
日期：{{ $json['日期'] }} 
链接：{{ $json['链接'] }} 
期刊：{{ $json['期刊'] }}

功能：将标准化后的文献数据传入 AI，生成结构化的摘要内容；
配套节点：DeepSeek Chat Model指定模型为deepseek-chat，通过 API 密钥调用 DeepSeek 大模型；Structured Output Parser实现 AI 输出的结构化解析。

（2）AI Agent 节点：个性化建议生成

这是工作流的核心智能模块，实现「文献 + 日程」的联动分析，核心配置：

工具调用：关联paper_tool（飞书多维表格近 2 天文献查询）和daily_tool（飞书日历未来 7 天日程查询）两个工具节点；
Prompt 设计：明确 AI 角色为「学术助理文献通」，指定输出格式为 Markdown，包含「文献看板、日程概览、综合建议」三大模块；
逻辑规则：根据文献有无、日程忙闲生成差异化建议（如 “有文献且有空时推荐精读篇目标题 + 理由”）。

你是我的专属学术助理“文献通”。你的任务：
1. 调用工具获取最新文献和我的日程。
2. 根据信息生成一段 Markdown 格式的建议，用于飞书卡片展示。

你有两个工具（请确保在 n8n 中它们拥有不同的节点名称，例如一个叫“paper_tool”，另一个叫“daily_tool”）：
- 工具A（paper_tool）：返回近2天的文献列表，每条文献包含：标题、发表时间、期刊、摘要、原文链接。
- 工具B（daily_tool）：返回我未来7天的日程，每条日程包含：日期、时间、事件标题。

执行步骤：
第一步：同时调用 paper_tool 和 daily_tool 工具，获取真实数据。
第二步：严格按照下面的 Markdown 结构输出。不要输出任何额外解释、不要用代码块包裹、不要加前后缀。

输出结构（请原样使用，但替换 [] 中的内容为实际数据）：

### 📚 学术前沿今日速递与【**专属建议**】

**🌟 今日文献看板：**

如果 paper_tool 返回了至少一条文献，则按以下格式逐条列出（每条之间用 "---" 分隔）：
将标题和摘要翻译成中文
*   ---
*   **标题：** [实际标题]
*   **发表时间：** [实际发表时间]
*   **发表期刊：** [实际期刊名]
*   **核心摘要：** [实际摘要]
*   **原文链接：** [点击查看详情](实际URL)

如果 paper 未返回任何文献，则只写：
*   今天学术圈风平浪静，暂未捕获到新的重要文献。是时候走出实验室活动活动了！

**📅 我的近期日程概览：**
根据 daily_tool 返回的日程，用列表形式列出未来7天的关键安排，并标明空闲时段。示例：
*   4月14日 (周一)：上午 组会汇报；下午 暂无安排
*   4月15日 (周二)：全天 实验数据分析

**💡 综合建议与排期参考：**
根据文献情况和日程空闲度，给出具体建议。逻辑如下：
- 有文献且有空：推荐优先精读哪一篇（标题+理由），建议安排在哪个空闲时段。
- 有文献但日程满：提醒专注已有工作，建议存入阅读清单，并提示未来可能的空档。
- 无文献且有空：推荐一个具体的放松活动（如散步、看电影、咖啡馆发呆）。
- 无文献且日程满：鼓励专注当前工作，不强行推荐活动。

语气积极、专业、有创造力。输出必须从 "### 📚" 开始，到建议结束。

6. 数据存储与推送模块

（1）Feishu Node：飞书多维表格存储

将标准化的文献数据写入飞书多维表格（bitable），核心配置：

日期格式化：转换为上海时区的中文格式（YYYY-MM-DD HH:mm:ss）；
链接处理：去除换行符，生成可点击的 “文献原文” 链接；
认证方式：通过飞书 API 密钥（credentials）实现权限验证。

（2）HTTP Request：飞书群消息推送

将 AI Agent 生成的 Markdown 建议推送至飞书群机器人，核心配置：

{
  "msg_type": "interactive",
  "card": {
    "schema": "2.0",
    "config": {
      "update_multi": true,
      "style": {
        "text_size": {
          "normal_v2": {
            "default": "normal",
            "pc": "normal",
            "mobile": "heading"
          }
        }
      }
    },
    "body": {
      "direction": "vertical",
      "padding": "12px 12px 12px 12px",
      "elements": [
        {
          "tag": "markdown",
          "content": "{{ $json.output ? JSON.stringify($json.output).slice(1, -1) : '' }}",
          "text_align": "left",
          "text_size": "normal_v2",
          "margin": "0px 0px 0px 0px"
        }
      ]
    },
    "header": {
      "title": {
        "tag": "plain_text",
        "content": "AI News"
      },
      "subtitle": {
        "tag": "plain_text",
        "content": ""
      },
      "template": "blue",
      "padding": "12px 12px 12px 12px"
    }
  }
}

消息类型：交互式卡片（interactive），支持 Markdown 渲染；
内容处理：提取 AI Agent 的输出内容，去除 JSON 字符串的首尾引号，保证格式正确。

三、工作流执行流程

触发阶段：每周一 9 点，Schedule Trigger 触发，同时启动 PubMed/Science/Cell 的 RSS 采集；
采集与限流：各期刊 RSS 数据经 Limit 节点限流（≤20 条）后，进入 Set 节点标准化字段；
筛选与 AI 处理：Filter 节点筛选近 30 天文献，Basic LLM Chain 调用 DeepSeek 生成摘要；
数据存储：标准化 + AI 摘要后的文献数据写入飞书多维表格；
智能推荐：Feishu Node 触发 “仅触发，不传参” 节点，启动 AI Agent 调用文献 / 日程工具，生成个性化建议；
消息推送：AI 建议通过 HTTP Request 推送至飞书群，完成全流程。

四、总结

本工作流基于 n8n 实现了学术文献收集的全自动化，从多源 RSS 采集到 AI 智能推荐，再到飞书生态的深度整合，完整覆盖了 “数据获取 - 处理 - 存储 - 应用” 的全链路。该方案不仅提升了文献收集的效率，还通过 AI Agent 实现了个性化的学术建议生成，为科研工作者节省了大量手动整理和筛选的时间，是低代码工具在学术场景的典型落地案例。

通过调整 RSS 源、定时规则、AI prompt 等配置，该工作流可快速适配不同学科、不同期刊的需求，具备较强的通用性和扩展性。