anaksor-ocr
Sokheng · 工具包
这个模型从文档、收据和路牌照片里读取高棉语和英语文字,用一个检测器找文本行,再用识别器读每一行。适合需要在 Python 里做高棉语 OCR 的开发者。
一个在你自己电脑上写博客文章的 n8n 工作流。设好主题、语气和长度,Ollama 的 llama3:8b 就会研究主题、列大纲、写草稿并修改。不需要 API 密钥,也不需要账号。
本地 Ollama 模型起草并修改的博客文章 是一款 n8n 工作流,属于写作类,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。
手动运行
你点 Execute workflow 时开始运行,没有表单。Set Blog Parameters 里设了三个值:
final_post 字段里是一篇 Markdown 博客文章,由你自己机器上的模型写成并修改
开始之前要准备好这些。
本地语言模型
通过它的 generate 接口运行 llama3:8b 四次:研究、列大纲、写草稿和修改。
需要Ollama 运行在 n8n 能访问到的地方,并已拉取 llama3:8b。不需要密钥
由 Mindket 于 2026年11月13日检查
这个 n8n 工作流用你自己电脑上跑的 AI 模型写一篇博客文章。你在一个节点里设好主题、语气和长度。接着对 Ollama 的 llama3:8b 发起四次调用:先研究出五个要点,再列大纲,再写完整草稿,最后修改一遍。最后一个节点里放着 Markdown 格式的成稿、主题和时间戳。不需要密钥,也不需要账号。整个流程由七个节点完成。
想要初稿、又不想为 AI 服务付费,也不想把选题发给别人的博主、小型营销团队和开发者。如果你要大型托管模型的水准,或者你的 n8n 够不到运行 Ollama 的那台电脑,就别选它。每篇文章仍然需要人来改,也需要核对事实。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| 开发者博客 | 写工具文档的工程师 | 就自己熟悉的主题起草一篇教程,再改正它 | 一位开发者设一个关于自托管的主题,发布前把草稿改对。 |
| 小企业 | 没有写作预算的老板 | 给服务页或新闻稿拿一份初稿 | 一位面包店老板让它写一篇婚礼蛋糕尺寸的文章,再用自己的口吻重写。 |
| 内容代理机构 | 编辑 | 很快做出大纲给客户看 | 一位编辑读完第二步的大纲,先发给客户确认,再动笔。 |
| 内部文档 | 选题必须留在公司内部的团队 | 写那些不愿发给托管模型的主题 | 一个团队起草内部说明文,主题从头到尾不出办公室。 |
你需要会一点 n8n:导入文件,点 Execute workflow。大部分工作在 Ollama 那一边,要拉取一个 4.7 GB 的模型。文件里没有写设置要多久。
n8n 必须能访问 http://localhost:11434 上的 Ollama,所以两者通常跑在同一台机器上。
localhost 指的是容器自己localhost,所以要用你自己的 n8nfinal_post,或在 Final Output 后面加一个节点保存成文件点“下载”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。第一次运行之前先把模型拉下来。
| 需要 | 说明 |
|---|---|
| n8n | 你自己的,装在运行 Ollama 的机器上,或者能访问到它的机器上 |
| Ollama | 已安装并在运行,默认地址是 http://localhost:11434 |
| 模型 | llama3:8b,Ollama 的模型库页面标的是 4.7 GB |
workflow.json。ollama pull llama3:8b,等它完成。http://localhost:11434。Ollama 会回答 Ollama is running。Set Blog Parameters,设好 topic、tone 和 word_count。先试 300 字。http://localhost:11434 换成 n8n 能访问到的地址。Final Output。在 Set Blog Parameters 里改主题,点 Execute workflow。一次运行要几分钟,因为每一步都要等模型。前两个请求两分钟后超时,后两个五分钟后超时。结束后打开 Final Output,final_post 就是 Markdown 格式的文章。
| 要改的 | 在哪里改 |
|---|---|
| 主题、语气和长度 | Set Blog Parameters |
| 模型 | 四个请求体里的 model,文件里是 llama3:8b |
| 多有创意 | 每个请求体里的 temperature:研究和修改是 0.3,大纲是 0.4,草稿是 0.7 |
| 一次回答能写多长 | num_predict:研究和大纲是 1000,草稿和修改是 4000 |
| 提示词 | 每个请求体里的文字 |
主题就是文件里自带的那个示例,一篇讲怎么用 Ollama 在自己的服务器上运行 AI 模型的教程,1500 字,语气专业但口语化。
第一步返回五个要点。第二步把它们变成标题、H2 小节和结尾。第三步用带 ## 标题的 Markdown 写出文章,第四步修改它。Final Output 里是文章、主题和这次运行的时间。每个说法都要核对,因为小模型会用很流畅的语气说出错误的事实。
新手:n8n 把工作流画成用线连起来的方框,每个方框是一个节点,只做一件事。这个工作流是七个节点连成的一条直线。每个 Ollama 步骤接过前一步的答案,再把自己的传下去。先试 300 字,看看你的电脑要多久。
专家:每个请求都以关闭流式输出的方式调用 Ollama 的 /api/generate,所以答案是一个 JSON 对象,文字在它的 response 字段里。
| 节点 | 做什么 | 要知道的 |
|---|---|---|
1. Research Topic (Ollama) | 把主题和研究提示词 POST 给 llama3:8b | 请求体用表达式里的 JSON.stringify 生成,所以主题里的引号能安全传过去 |
| 第 2 到 4 步 | 每个提示词都带着前一步的答案 | 语气和字数从 Set Blog Parameters 里读回来 |
Final Output | 一个 Set 节点,有 final_post、topic 和 generated_at | generated_at 是这次运行的时间,ISO 格式 |
一切都在你自己的机器上运行,所以速度和质量都取决于它。
/api/generate 不接受 GET,它还从一个始终为空的字段里读每次回复。Mindket 的副本改用 POST,并读 response一个用你自己电脑上的模型写博客文章的 n8n 工作流。你在一个节点里设好主题、语气和长度。随后四次调用 Ollama 的 llama3:8b,依次研究主题、列大纲、写草稿、再修改。不需要 API 密钥,也不需要账号。
workflow.json:n8n 导出的工作流,7 个节点,没有便签。里面没有任何凭据。README.md:这份说明。Mindket 起步用的那份副本跑不完一次运行。Mindket 修了两处:
/api/generate 只收 POST。现在每个请求都写明 POST。Final Output 用 JSON.parse($json.data).response 读前一步的答案。只有回复不是 JSON 时,n8n 才把它放进 data。Ollama 的回复是 JSON,n8n 会替你解析好,所以 data 是空的,解析就失败了。现在它们读 $json.response。localhost。http://localhost:11434 回应。llama3:8b。Ollama 的模型库页面标的是 4.7 GB。workflow.json。ollama pull llama3:8b,等它完成。http://localhost:11434。Ollama 会回答 Ollama is running。Set Blog Parameters,设好 topic、tone 和 word_count。先试 300 字。http://localhost:11434 换成 n8n 能访问到的地址。Final Output。Manual Trigger 在你点 Execute workflow 时启动这次运行。Set Blog Parameters 存着三个文本值:主题、语气和字数。文件里自带一个关于自托管 AI 模型的示例主题,语气是“professional but conversational”,字数 1500。1. Research Topic (Ollama) 要五个带佐证的要点,写成编号清单。温度 0.3,最多 1000 个 token,两分钟超时。2. Create Outline (Ollama) 把研究变成标题、带要点的 H2 小节和结尾,目标是那个字数。温度 0.4,最多 1000 个 token,两分钟超时。3. Write Draft (Ollama) 按大纲,用你选的语气,写出整篇 Markdown 文章,有引言、结尾、技巧和例子。温度 0.7,最多 4000 个 token,五分钟超时。4. Edit & Polish (Ollama) 从清晰度、语法、行文和搜索角度修改草稿。温度 0.3,最多 4000 个 token,五分钟超时。Final Output 留下三个字段:final_post、topic 和 generated_at,后者是这次运行的时间。Set Blog Parameters。model。temperature。num_predict。timeout,单位是毫秒。Final Output 复制 final_post,或在它后面加一个节点保存成文件。NOTICE.md 595 B README.md 4 KB workflow.json 7 KB
Sokheng · 工具包
这个模型从文档、收据和路牌照片里读取高棉语和英语文字,用一个检测器找文本行,再用识别器读每一行。适合需要在 Python 里做高棉语 OCR 的开发者。
Qwen · 工具包
Qwen2.5-7B-Instruct 的 GGUF 文件,提供八种量化大小,可通过 llama.cpp 在本地聊天。适合想在自己电脑上用 7.6B 强力模型、又不想搭 Python 环境的人。
ACE-Step · 工具包
用 4B 扩散解码器根据文字生成音乐,50 步并带引导控制,音频质量高于基础版。适合拥有 12 GB 或更多显存 GPU 的创作者。
vennify · 工具包
用在 JFLEG 数据集上训练的 T5 模型改写英文文本,减少语法错误。由 vennify 制作,适合想在 Python 里加入语法修正步骤的写作者、学生和开发者。
tencent · 工具包
在你自己的设备上用压缩到 1.25 比特的 1.8B 模型进行 33 种语言之间的翻译,GGUF 文件约 440 MB,适用于 llama.cpp。适合给应用加入离线翻译的开发者。
summerAIO · 工具包
用经过微调、采用 Gated DeltaNet 层的 27B 模型,对整本书长度的文字做摘要、问答和续写,支持英语和日语。适合处理长文档的人。