Nanosaur2-670M
well9472 · 工具包
用一个 670M 参数的小型扩散模型,根据文字提示生成插画,在 ComfyUI 中运行。这是一个低预算的研究模型,适合想试用或训练自己 LoRA 的人。
一个 n8n 工作流:通过 Apify Actor 找线索,读取每个线索的网站,再由 GPT-4.1 为每个人写一封个性化开发信草稿,存进 Google 表格。表单设定职位、地点、关键词和你的产品。
根据线索搜索生成个性化开发信草稿 是一款 n8n 工作流,属于营销类,由 Mindket 上架。可免费获取。当前为第 1 版,最近更新于 。在本页下载,或复制它的 JSON,再导入 n8n 画布。在 n8n 里启用之前,它不会运行。
Outreach 表单
有人提交 Outreach 表单时开始运行,表单里有:
一张线索表,每条线索带一份个性化开发信草稿,不会发出任何邮件
开始之前要准备好这些。
线索搜索
根据表单里的职位、地点和关键词运行一个线索 Actor,返回带验证邮箱的人和他们公司的网站。
需要Apify API 令牌,以及线索所需的余额
语言模型
每条线索运行两次 GPT-4.1:一次总结每个网站页面,一次写邮件。
需要OpenAI API 密钥
线索表
每条线索追加一行,写入线索的资料,邮件草稿放在 Outreach Content 列。
需要一个用来登录的 Google 账号,以及一张有八个表头的表格
由 Mindket 于 2026年11月13日检查
这个 n8n 工作流把一份产品描述变成一张线索表,每条线索都附有为它写好的开发信。表单收集产品、职位、地点和几个关键词。一个 Apify Actor 返回匹配的人,且邮箱都经过验证。对每个人,工作流读取他们公司网站的最多三个页面,让 GPT-4.1 做摘要,再让它写一封提到所见内容的邮件。草稿和线索资料写进 Google 表格,不会发出任何邮件。
按职位和地点开拓客户的创始人、外呼销售团队、自由职业者和代理公司,他们想要的是一份提到对方自己业务的草稿,而不是把名字换一下的模板。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| B2B 软件 | 创始人和销售代表 | 把产品描述一次写好,再按一个地区搜索某个职位 | 创始人在西班牙搜索运营负责人,拿到一张草稿表,读完后手动发出。 |
| 网页和设计代理公司 | 代理公司老板 | 联系网站显出需求的小公司 | 代理公司搜索小型工作室的创始人,拿到的草稿会提到每家工作室的服务。 |
| 人才招聘 | 招聘人员 | 按职位和地点开拓招聘经理 | 招聘人员搜索某个城市的工程经理,发出前逐封审阅草稿。 |
| 自由职业者 | 顾问和文案撰稿人 | 一次填一个细分行业的表单 | 文案撰稿人搜索软件公司的营销负责人,留下最好的几份草稿。 |
你需要熟悉 n8n:三个账号、一张表头正确的表格,还有一个十九个节点的循环。如果你想要替你把邮件发出去的工具,就别选它,它只写草稿。作者估计设置要 18 分钟左右,前提是这些账号都已经开好。
你运行的任何 n8n 都行,只要能访问 Apify、OpenAI、Google 和你线索的网站。
Add Row 换成它的节点,或者在后面再加一个点“获取”会把一个压缩包存到你的下载文件夹,里面有 workflow.json 和 Mindket 写的设置说明。导入之前先准备好下面这些。
| 需要 | 说明 |
|---|---|
| n8n | n8n Cloud 或你自己的服务器 |
| Apify | 一个账号、它的 API 令牌,以及线索搜索所需的余额 |
| OpenAI | 一个能用 gpt-4.1 的密钥 |
| 一个账号,和一张带有下面八个表头的表格 |
workflow.json。Leads Scraper 里,把 Authorization 请求头中的 YOUR_TOKEN 换成你的 Apify 令牌。前面的 Bearer 要保留。Summarize Website Page 和 Generate Multiline Icebreaker 里选中它。first_name、last_name、designation、email、website_url、location、phone_number 和 Outreach Content。Add Row 里选中它。把 YOUR_SHEET_ID 和 YOUR_SHEET_TAB_ID 换成表格的 ID 和工作表的 gid。Generate Multiline Icebreaker 里的邮件模板,把它对产品的说法改成你自己的。Leads Scraper 请求体里的 max_result 降到 3 或 5,然后保存,用表单的测试地址运行。表格的 ID 在它地址里的 /d/ 和 /edit 之间,工作表的 gid 跟在 gid= 后面。你也可以把这两个字段都切换成 From list,直接选择。第一次运行结果看着没问题,再点 Publish 发布。
从 On form submission 打开表单,填上你的产品、要找的职位、地点,想填的话再填关键词,还有你的名字和产品链接。接着工作流一次处理一条线索,每条线索得到一行,里面有它的资料,草稿放在 Outreach Content 里。搜索范围大的话要跑一阵子,可以看着表格一行行出现。用之前把每一份草稿都读一遍。
| 要改的 | 在哪里改 |
|---|---|
| 线索数量 | Leads Scraper 请求体里的 max_result,文件里是 100 |
| 什么样的人算线索 | 同一个请求体里的其余字段,比如 email_status 和 contact_email_exclude_catch_all_domains |
| 每条线索读几个页面 | Limit 里的数字,文件里是 3 |
| 邮件 | Generate Multiline Icebreaker 里的第二条消息。保留它的 email 键,因为 Add Row 读的就是它 |
| 保存的列 | Add Row 里的字段映射 |
在表单里填这些:
About your Product: A tool that drafts a first project brief from a client questionnaire Designation: Founder Location: Portugal Keywords: web design Your Name: Alex Product URL: https://example.com/
Actor 返回葡萄牙的创始人,每人有一个验证过的邮箱和一个网站。对每个人,工作流读几个网站页面,写出主题行和正文:正文先点出它在网站上找到的某个具体内容,再讲你的产品、三个特点,最后请对方抽空聊一聊。每一行里有线索的姓名、职位、邮箱、网站、地点和电话号码,草稿就放在旁边。
新手:这是一个很长的工作流,分三段来读。第一段找线索,第二段读每条线索的网站,第三段写邮件并保存。先把 max_result 设成 3 或 5 跑一次,再到 Executions 里看每个节点收到了什么。
专家:一个循环带着一条线索走过网站读取和写作,Add Row 再回到 Loop Over Items 处理下一条。
| 阶段 | 节点 | 要知道的 |
|---|---|---|
| 线索搜索 | Leads Scraper 向 Apify 的 run-sync-get-dataset-items 发请求,并等待数据集 | 地址里的 Actor ID 必须保留。Code in JavaScript 会先给表单的值编码,所以空格到达时是 %20 |
| 读取网站 | Scrape Home、HTML、Filter、Limit | Filter 只保留以 / 开头的链接,所以只跟进相对链接,主页本身不做摘要 |
| 摘要 | Summarize Website Page | GPT-4.1 为每个页面写一份两段的 JSON 摘要 |
| 邮件 | Generate Multiline Icebreaker | GPT-4.1,temperature 0.5,输出 JSON。回复里要有 email 键,因为 Add Row 读的是 message.content.email |
每次运行都要花钱,而且草稿写的是有名有姓的人。
Add Row 是追加,所以同一个搜索运行两次,同样的人就会加两遍max_result 降下来一个 n8n 工作流。表单收集你的产品描述、一个职位、一个地点和一些关键词。一个 Apify Actor 找出匹配、且邮箱已验证的线索,工作流读取每个线索的网站,再由 GPT-4.1 为每个人写一封开发信草稿。草稿落在一张 Google 表格里,不会发出任何邮件。
workflow.json:n8n 导出的工作流,二十个节点:十九个节点负责运行,另有一张写着标题的便签。里面没有任何凭据。README.md:这份设置说明,压缩包里的是英文版。Generate Multiline Icebreaker 里的示例现在换成了虚构的。icebreaker 键,而指令和 Add Row 用的是 email。新示例用的是 email。nn 和 n-。我们把那里写成了 \n。join("/n") 会在页面摘要之间放进文字 /n,现在改成了 join("\n")。gpt-4.1 的 OpenAI API 密钥。workflow.json。Leads Scraper 里,把 Authorization 请求头中的 YOUR_TOKEN 换成你的 Apify API 令牌。前面的 Bearer 要保留。Summarize Website Page 和 Generate Multiline Icebreaker 里选中它。first_name、last_name、designation、email、website_url、location、phone_number、Outreach Content。Add Row 里选中它。把 YOUR_SHEET_ID 和 YOUR_SHEET_TAB_ID 换成你表格的 ID 和工作表的 gid,也可以把这两个字段都切换成 From list,直接选择。表格的 ID 在它地址里的 /d/ 和 /edit 之间,gid 跟在 gid= 后面。Generate Multiline Icebreaker 里的邮件模板,把它对产品的说法改成你自己的(见下文)。Leads Scraper 请求体里的 max_result 从 100 降到 3 或 5。保存,打开表单的测试地址,填好表单,看着表格里的变化。About your Product、Designation、Location、Keywords(可选)、Your Name 和 Product URL。Code in JavaScript 对每个文本字段做百分号编码,所以 Product Managers 到达搜索时是 Product%20Managers。它的注释说还会转成小写,但代码只做了编码。如果带空格的搜索什么都没返回,就让搜索字段绕过这个节点。Leads Scraper 把搜索发给一个 Apify Actor,并等待它的数据集。按 Apify 对地址里这个 Actor ID 的页面(我们在 2026 年 11 月 2 日读过),它是 microworlds 的 Leads Finder。请求体要求邮箱已验证,排除接收所有邮件的域名,最多返回 max_result 条线索。Only Websites & Emails 去掉没有网站或没有邮箱的线索。Scrape Home 抓取每个主页,HTML 收集其中的链接,Edit Fields 把线索的资料和这些链接放在一起。Loop Over Items 一次取一条线索。Split Out、Filter、Code 和 Remove Duplicate URLs 把链接整理成一份互不相同的站内路径列表,Limit 保留前三个。Request web page for URL、Markdown 和 Summarize Website Page 抓取页面,让 GPT-4.1 写一份两段的摘要。Aggregate 把它们汇总起来。Generate Multiline Icebreaker 根据这些摘要、线索的姓名和头衔,以及你的产品描述写出邮件。Add Row 把线索的资料和草稿追加到表格里,循环再转到下一条线索。Filter 只保留以 / 开头的链接,所以指向同一网站的绝对链接到不了 Code。主页本身不做摘要,只摘要主页上链接出去的最多三个页面。
Leads Scraper 里的 max_result。email_status 和 contact_email_exclude_catch_all_domains。Limit 里的数字。Generate Multiline Icebreaker 里的第二条消息,它写着结构和规则。JSON 格式里的 email 键要保留,因为 Add Row 读的是 message.content.email。Add Row 里的字段映射。headline 和 links 不会被保存。Add Row 是追加,所以同一个搜索运行两次,同样的人就会加两遍。max_result 降下来。README.md 6 KB workflow.json 26 KB
well9472 · 工具包
用一个 670M 参数的小型扩散模型,根据文字提示生成插画,在 ComfyUI 中运行。这是一个低预算的研究模型,适合想试用或训练自己 LoRA 的人。
Waqf-AI · 工具包
读取图片中的阿拉伯语手写文字并以文本形式返回。这是微调过的 PaddleOCR-VL 模型,适合要把阿拉伯语手写内容数字化的人。
Wan-AI · 工具包
根据文本提示或图像加文字生成视频片段,最高 720P、每秒 24 帧,Diffusers 格式,适合单块消费级 GPU。
nhathoangfoto · 工具包
FLUX.2 Klein 9B 的一个 LoRA,让角色摆出模特参考图中的姿势,同时保留角色的脸和风格。适合艺术家和设计师。只能使用你有权使用的脸。
leejet · 工具包
在配置不高的显卡上根据文字生成图片,使用为 stable-diffusion.cpp 做的 Z-Image-Turbo 量化文件。适合在自己电脑上运行图像模型的人。
HiDream-ai · 工具包
用一个 170 亿参数的开源模型从文字提示词生成图像,在模型卡的提示词遵循表格中名列前茅。适合有高性能 GPU 的设计师、营销人员和开发者。