用一个Prompt+n8n搭建YouTube选题自动化工作流

一个Prompt驱动整条内容生产线

一位YouTube创作者在短视频中展示了他用来运营整个频道的自动化方案：核心不是复杂的代码，而是一段写得足够精准的提示词（Prompt）。借助 n8n 这个开源自动化平台，他把原本需要一小时的选题调研工作压缩到了 22 秒。

整套流程的逻辑非常直接——用一个 LLM 节点充当「大脑」，再用其他节点负责数据传递和结果推送。作者反复强调："The prompt is the whole trick"（提示词才是整个诀窍所在）。这句话点出了当下 AI 自动化的一个关键趋势：工具链本身越来越标准化，真正的差异化来自你如何向模型下达指令。

提示词是整个工作流的核心

工作流拆解：从LLM大脑到手机推送

从作者展示的节点结构看，整条工作流围绕几个关键环节展开：

Node 3：LLM 节点（大脑）

这是整个流程的核心。作者给模型设定的角色和任务非常明确：

扮演一名「YouTube 策略师」（Act like a YouTube strategist）
找出当前 5 个最大的趋势（Find the 5 biggest trends）
按点击潜力对前 3 个视频创意进行排序（Rank the top 3 video ideas by click potential）

这段提示词的价值在于它把一个模糊的需求（"帮我想选题"）转化成了结构化、可执行、带优先级排序的具体任务。角色设定、数量限制、排序标准三要素齐全，这正是让 LLM 输出稳定、可用结果的关键。

明确的任务指令：找趋势、排序创意

这种提示词结构在提示词工程领域通常被归纳为「角色—任务—约束」三段式框架。「角色设定」（Role Prompting）能激活模型在预训练语料中与该角色相关的知识分布，使输出更贴近专业语境；「数量限制」（如「找出5个」「排序前3」）则通过压缩输出空间来减少模型发散和幻觉；「排序标准」（如按点击潜力排序）则相当于为模型提供了一个可量化的评估维度，避免输出结果缺乏优先级、需要人工二次筛选。三个要素缺一不可：只有角色没有约束，输出会过于宽泛；只有任务没有角色，输出缺乏专业视角；只有约束没有排序标准，输出等价但无法直接决策。这也是为什么作者强调「提示词才是整个诀窍」——在节点结构已经标准化的前提下，提示词的精细程度直接决定工作流的实用价值。

Node 4：Telegram 推送

调研结果直接通过 Telegram 节点发送到手机上，格式整洁、排版清晰。这意味着创作者不需要登录任何平台或手动整理，打开聊天窗口就能看到当天的选题建议。

结果直接推送到手机，格式整洁

效率提升：一小时的工作22秒完成

作者给出的最直观数据是：原本需要一小时的调研工作，现在 22 秒就能跑完。这个对比虽然带有短视频惯有的夸张色彩，但背后反映的逻辑是真实的——重复性的信息搜集与初步筛选，恰恰是 LLM 最擅长替代的环节。

对内容创作者来说，选题调研是每天都要重复的高频低价值劳动。把它交给一个固定运行的自动化工作流后，人力可以集中到更需要判断力的环节：内容打磨、拍摄与叙事。这也是 AI Agent 和自动化工具在创作者经济中快速普及的根本原因。

一小时工作22秒完成

为什么选择 n8n？

n8n 作为一款开源的工作流自动化工具，近年在 AI 自动化社区中热度很高。相比 Zapier、Make 等闭源 SaaS 方案，它的优势在于：

可自托管：数据和流程都在自己掌控之中，适合对隐私和成本敏感的用户
节点化编排：像搭积木一样把 LLM、消息推送、数据抓取等能力串联起来
原生支持 AI 节点：可以直接接入主流大模型，无需额外编写胶水代码

这种「低代码 + LLM」的组合，让非程序员也能快速搭出实用的 AI Agent，这正是作者敢说「3 分钟就能搭好、去抄走吧」的底气。

n8n 采用「公平代码」（Fair-code）许可证发布，源代码完全公开，用户可以免费自托管在自己的服务器或本地机器上。与之对比，Zapier 和 Make（原 Integromat）均为闭源 SaaS，按任务执行次数或操作步骤收费，数据经由第三方服务器中转。对于每天高频运行自动化工作流的创作者而言，n8n 自托管方案在成本上的优势会随使用量增加而愈发明显。n8n 的节点生态目前已覆盖 400 多个服务集成，并在 2023 年后陆续推出了原生 AI Agent 节点，支持直接调用 OpenAI、Anthropic、Google Gemini 等主流模型，同时内置「工具调用（Tool Use）」能力，让 LLM 节点可以在一次运行中自主决定调用哪些下游节点，这是其从传统流程自动化向 AI Agent 编排演进的关键一步。

可借鉴的方法论

抛开这个具体案例，它给内容创作者和自动化爱好者的启发有三点：

第一，提示词工程是核心竞争力。 同样的 n8n 节点、同样的模型，一段好 Prompt 和一段烂 Prompt 产出的差距可能是天壤之别。角色、任务、约束、输出格式都要写清楚。

第二，自动化要闭环到「触达」。 很多人搭了半天工作流，结果还要手动去某个后台查看。作者把结果直接推到 Telegram，让整个流程真正做到无感化，这才是自动化的意义。

第三，从高频重复场景切入。 自动化的 ROI 来自频次。选题调研这种每天都做、流程固定的任务，是最值得优先自动化的对象。

需要提醒的是，短视频演示往往会省略试错成本和稳定性问题。真正把这类工作流用于生产，还需要考虑 LLM 输出的可靠性、趋势数据来源的准确性，以及提示词的持续迭代。但作为一个入门范式，它清晰地展示了 AI Agent 在创作者日常中的落地价值。