用n8n让AI自动归类Raindrop.io收藏夹

原文要点

原模板每15分钟读取Raindrop.io Inbox最近50条书签，从n8n Data Table的collections表载入collection_id、name、description，并读取配置：Inbox ID、fallback ID、LLM设置、可选规则和Telegram chat ID。每条书签把title、URL、excerpt发给Ollama的/api/chat或OpenAI兼容/chat/completions，要求返回单个目标collection_id和confidence；响应校验失败或低置信度进fallback集合并移动书签，同时发Telegram提醒。Raindrop请求用Authorization: Bearer token，LLM请求按需加Header Auth。

这次做成什么

搭一个可调的“书签自动分拣”练习：用n8n数据表维护分类，定时取Inbox书签，让模型只返回目标集合ID与置信度，按阈值决定移动或进待确认集合，并对不确定项发Telegram。

准备什么

• n8n实例及Data Table功能可用
• Raindrop.io账号与API token
• Inbox集合ID和fallback集合ID
• Ollama服务或OpenAI兼容接口地址
• Telegram Bot凭据与chat ID
• 至少三个自定义收藏集合及描述

具体怎么做

1. 建collections数据表

   在n8n Data Tables建表collections，每行一个Raindrop集合：collection_id填Raindrop真实数字ID，name短名，description写清放入标准，例如“AI工程：模型部署、推理优化、MLOps”，描述会直接影响分类稳定度。

2. 保存运行配置

   用模板setup form或等价Set节点保存inbox_collection_id、fallback_collection_id、confidence_threshold如0.72、extra_rules、telegram_chat_id、llm_base_url与model；阈值先取中间值，后续按误判率调。

3. 定时读取Inbox

   Schedule Trigger每15分钟；HTTP Request GET Raindrop raindrops接口，Header用Authorization: Bearer YOUR_TOKEN，参数collectionId=inbox_collection_id、sort=-created、perpage=50，仅处理最近创建项。

4. 逐条调用LLM并校验

   Split In Batches逐条发送title/link/excerpt和collections表；提示词强制只返回JSON；Code节点校验collection_id必须存在于数据表，confidence为0到1数字，否则标记invalid并路由fallback。

5. 移动、分支与提醒

   confidence>=threshold且valid则PUT更新Raindrop item的collectionId为目标集合；否则移动到fallback_collection_id，并用Telegram sendMessage发书名、链接、模型置信度和两个候选集合，方便人工一键后续处理。

可直接复制的材料

你是书签分拣器。只输出JSON：{"collection_id":123,"confidence":0.0,"reason":"短理由"}。从给定collections中选择唯一最匹配的collection_id；若都不匹配，仍给最接近者且confidence不高于0.4。判断依据优先级：用户extra_rules > description语义 > title关键词 > excerpt主题。禁止输出集合表不存在的id，禁止Markdown，禁止解释长文。输入：bookmark={"title":"","url":"","excerpt":""}; collections=[{"collection_id":0,"name":"","description":""}]; extra_rules=""

collection_id,name,description
3101001,AI工程,模型部署、推理优化、向量检索、MLOps与评测
3101002,增长营销,SEO、投放、转化漏斗、文案与案例
3101003,产品设计,交互、视觉系统、用户研究、可用性测试
3101999,待确认,低置信度或模型输出无效时暂存

{"raindrop":{"authHeader":"Authorization: Bearer REPLACE_RAINDROP_TOKEN","inbox_collection_id":0,"fallback_collection_id":3101999,"perpage":50,"sort":"-created"},"llm":{"mode":"openai_compatible","base_url":"https://llm.example.test/v1/chat/completions","model":"replace-with-your-model","timeout_ms":20000},"routing":{"confidence_threshold":0.72,"invalid_to_fallback":true,"extra_rules":"公司域名和内部文档优先放AI工程"},"telegram":{"chat_id":"REPLACE_CHAT_ID","send_on_low_confidence_only":true}}

输入与输出示例

本站虚构演示，非原作者结果；未声称真实调用成功。

输入

书签title=“vLLM continuous batching notes”，url=https://example.test/vllm-batch，excerpt=“throughput, paged attention, deployment”；候选含AI工程/增长营销/产品设计/待确认，阈值0.72。

对应输出

模型返回{"collection_id":3101001,"confidence":0.86,"reason":"部署与推理优化"}；n8n校验id存在且0.86>=0.72，PUT Raindrop把该书签collectionId改为3101001，不发Telegram。若confidence=0.51，则移动到3101999并推送待确认。

做完检查这些

• collections表至少3行且collection_id与Raindrop真实集合一致
• 每条书签请求都带Bearer token且perpage=50、sort=-created
• 模型输出非法JSON或id不存在时进入fallback并记invalid
• 低置信度Telegram消息包含链接、置信度和候选集合

容易卡住的地方

• 集合描述互相重叠会让模型随机选择，应先改描述再调阈值
• Ollama/api/chat与OpenAI/chat/completions载荷不同，不能混抄
• Raindrop移动失败常见是token无写权限或collectionId类型错误
• 15分钟50条在高峰期可能漏旧项，需按created游标补扫