把LinkedIn帖子截图建成写作模式向量库

原文要点

原n8n模板流程：Google Drive触发器每分钟检查指定文件夹新文件；先查Supabase表按Drive文件ID判重；下载后按MIME分流，仅处理PDF与JPEG；PDF直接抽文本，图片经Tesseract OCR再由Groq清洗重建文本；Gemini抽取钩子类型、结构、语气、格式要点、CTA类型、反模式等结构化JSON；再用Gemini embeddings生成向量，带元数据写入Pinecone索引；最后把文件ID、文件名、时间戳写回Supabase防重复。模板免费，但各模型与服务可能另行计费。

这次做成什么

在n8n里搭一条'截图/PDF进、可检索写作模式向量出'的个人参考库管道。以下是本站按原说明独立设计的搭建步骤与练习材料，具体节点参数需在原模板页核对后再落地。

准备什么

• 一个可用的n8n实例（云端或自托管），能添加Google Drive、Supabase、Groq、Gemini、Pinecone五组凭据
• 一个Google Drive文件夹（如reference-content）和其中至少一份测试用PDF或JPEG截图
• 已开通的Supabase项目、Groq API Key、Google Gemini Key（对话与嵌入）、Pinecone索引（维度需与Gemini嵌入一致）

具体怎么做

1. 建Supabase防重复表

   在Supabase SQL编辑器里建表reference_ingestions，字段至少含file_id（文本，唯一索引）、file_name、ingested_at时间戳；n8n的查询节点先按Drive文件ID查这张表，命中即停止流程。

2. 配置Drive触发器与MIME分支

   添加Google Drive Trigger节点，选要监视的文件夹，事件为文件创建；触发后用Drive下载节点取文件，再接Switch节点按MIME type分两路：application/pdf走文本提取，image/jpeg走OCR，其余类型直接丢弃。

3. 配置OCR清洗与模式抽取

   图片路接Tesseract OCR节点，输出接Groq聊天节点，用清洗提示词把OCR碎文本重建成连贯帖子正文；两路汇合后接Gemini聊天节点，用模式抽取提示词要求只输出JSON，含hook_type、structure、tone、formatting_notes、cta_type、anti_patterns六个字段。

4. 生成嵌入并写入Pinecone

   把抽取出的各字段拼成若干分块文档（如钩子一段、结构一段、反模式一段），接Gemini Embeddings节点生成向量，再用Pinecone节点upsert到目标索引，metadata带上file_id、file_name与字段名。

5. 写回记录并做端到端测试

   最后用Supabase插入节点把file_id、file_name、当前时间写入reference_ingestions；往Drive文件夹丢一份测试截图，确认执行记录里五组节点全部成功，且重复触发同一文件时在判重节点提前结束。

可直接复制的材料

create table if not exists reference_ingestions (
  id bigint generated always as identity primary key,
  file_id text not null,
  file_name text not null,
  ingested_at timestamptz not null default now()
);
create unique index if not exists idx_reference_ingestions_file_id
  on reference_ingestions (file_id);

你是写作分析助手。下面是一条LinkedIn帖子的正文。请只输出一个JSON对象，不要输出任何其他文字，字段如下：
hook_type：开头钩子的类型（提问、反常识结论、数字承诺、故事开场、争议立场，五选一）
structure：正文结构（如：钩子-三个要点-总结）
tone：语气（如：自信、谦逊、犀利、亲切）
formatting_notes：排版特征（换行节奏、是否用列表、是否用表情符号）
cta_type：结尾行动号召类型（评论互动、关注、点击链接、无）
anti_patterns：这条帖子刻意避开的写法（如：不用术语、不堆形容词）
帖子正文：
{{post_text}}

下面是对一张LinkedIn帖子截图做OCR得到的原始文本，存在断行错误、错别字和界面噪声（如点赞数、按钮文字）。请重建为连贯的帖子正文，只输出正文本身，不要解释，不要保留界面元素：
{{ocr_text}}

{"file_name":"test-post-001.jpg","post_text":"我删掉了简历上的'精通Office'。\n\n上周面试了12个人，没有一个人能说出VLOOKUP以外的函数。\n\n真正加分的写法只有三种：\n1. 写你用它做出的结果\n2. 写量化的数字\n3. 写别人不会的进阶功能\n\n你的简历上有这句话吗？评论区聊聊。"}

输入与输出示例

本站虚构演示，未实际运行工作流，输出为说明预期的示意。

输入

向监视文件夹上传test-post-001.jpg，OCR后得到带噪声文本：'我删掉了简历上的精通Office 上周面试了12个人 没有一个人 能说出VLOOKUP以外 的函数 点赞 评论 转发 真正加分的写法只有三种 1写你用它做出的结果'

对应输出

Gemini抽取结果示意：{"hook_type":"反常识结论","structure":"钩子-面试观察-三个要点-提问收尾","tone":"犀利","formatting_notes":"短句频繁换行，使用数字列表","cta_type":"评论互动","anti_patterns":"不堆术语，不写空洞口号"}；随后该行各字段分块生成向量写入Pinecone，Supabase插入一行file_id=test-post-001.jpg的记录。

做完检查这些

• 重复上传同一文件时，流程在Supabase判重查询处停止，不再调用OCR与大模型
• Pinecone索引中可检索到带有file_id与字段名metadata的向量记录
• MIME为PNG或其他类型时流程不进入PDF/JPEG两条处理支路
• Supabase表中新行包含正确的file_id、file_name与写入时间戳

容易卡住的地方

• 原文说明工作流只路由PDF与JPEG两种MIME，PNG截图上传后不会被处理
• Pinecone索引维度若与Gemini嵌入输出不一致，upsert会失败，需先确认两者匹配
• OCR对低分辨率或深色背景截图识别率差，会连带影响后续模式抽取质量
• 每分钟轮询触发意味着文件写入Drive到被处理之间可能有等待，作者称的每分钟触发是模板设定而非响应保证