Mindket

本地 Ollama 模型起草并修改的博客文章

新上架第 1 版 · 更新于

概览

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。

速览

用在
  • 你自己的 n8n,装在运行 Ollama 的那台机器上:同一个文件,同样的步骤
  • Docker 里的 n8n:把四个请求指向宿主机,因为容器里的 localhost 指的是容器自己
  • n8n Cloud:它访问不到你电脑上的 localhost,所以要用你自己的 n8n
  • 你的编辑器或 CMS:从这次运行里复制 final_post,或在 Final Output 后面加一个节点保存成文件

平台

连接 1 个应用

运行方式

触发

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:

  • 主题,文件里是一个关于自托管 AI 模型的示例
  • 语气,“professional but conversational”
  • 字数,1500

动作

  1. Ollama 的 llama3:8b 研究这个主题,给出五个要点
  2. 把研究整理成大纲,有标题、H2 小节和结尾
  3. 按大纲,用你设的语气和长度写出 Markdown 格式的完整文章
  4. 从清晰度、语法、行文和搜索角度修改草稿
  5. 成稿、主题和时间放在同一条数据里

结果

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

集成

开始之前要准备好这些。

Ollama

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

工作流检查

由 Mindket 于 2026年11月13日检查

步骤
7 个步骤,手动启动
AI
没有步骤调用 AI 模型
登录
不需要登录任何账号
API 密钥
文件里没有留下 API 密钥
步骤类型
Mindket 的检查器能读懂它全部 3 种步骤类型

以上内容读自工作流文件,并非实际运行的结果。

关于

它是什么

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。

适合谁

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。

谁在用,怎么用
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。

用在哪里

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。

  • 你自己的 n8n,装在运行 Ollama 的那台机器上:同一个文件,同样的步骤
  • Docker 里的 n8n:把四个请求指向宿主机,因为容器里的 localhost 指的是容器自己
  • n8n Cloud:它访问不到你电脑上的 localhost,所以要用你自己的 n8n
  • 你的编辑器或 CMS:从这次运行里复制 final_post,或在 Final Output 后面加一个节点保存成文件

设置

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。

先准备好这些
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
  1. 在 n8n 里新建一个工作流,打开它的菜单,选 Import from File,选中 workflow.json。
  2. 在终端里运行 ollama pull llama3:8b,等它完成。
  3. 在浏览器里打开 http://localhost:11434。Ollama 会回答 Ollama is running。
  4. 打开 Set Blog Parameters,设好 topic、tone 和 word_count。先试 300 字。
  5. 如果 n8n 跑在别处或 Docker 里,把四个 Ollama 请求里的 http://localhost:11434 换成 n8n 能访问到的地址。
  6. 保存,点 Execute workflow。运行结束后打开 Final Output。

如何使用

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。

想要不同的效果,改这里
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

示例

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。

新手与专家

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。

值得细看的地方
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_atgenerated_at 是这次运行的时间,ISO 格式

注意事项

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。

  • 上下文:Ollama 的上下文长度页面(2026 年 11 月 12 日查看)写明,显存不足 24 GiB 的机器默认是 4k 上下文。修改那一步会把整篇草稿再送进去,所以草稿太长时,模型可能看不全。如果改完的文章偏短,就在 Ollama 的设置里调大上下文长度
  • 时间:电脑慢的话可能超过超时时间,运行会停在那一步
  • 准确性:小型本地模型会说错事实。发布前每个说法都要核对
  • 你的数据:主题和文字只发到请求里的那个 Ollama 地址。Ollama 在你自己的机器上时,不会有任何东西发到外部服务
  • 密钥:不需要,JSON 里也没有
  • 一处修复:原始副本把 Ollama 请求当 GET 发出,而 /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

README 和文件

README

本地 Ollama 模型起草并修改的博客文章

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。

里面有什么

  • 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。

我们对原始副本做了哪些改动

Mindket 起步用的那份副本跑不完一次运行。Mindket 修了两处:

  • 四个 Ollama 请求没有写方法,所以 n8n 把它们当 GET 发出。Ollama 的 /api/generate 只收 POST。现在每个请求都写明 POST。
  • 第 2、3、4 步和 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。

开始之前

  • 一个 n8n 实例,和 Ollama 在同一台机器上,或者能访问到它。n8n Cloud 访问不到你电脑上的 localhost。
  • Ollama,已安装并在运行。默认它在 http://localhost:11434 回应。
  • 模型 llama3:8b。Ollama 的模型库页面标的是 4.7 GB。

设置步骤

  1. 在 n8n 里新建一个工作流,打开它的菜单,选 Import from File,选中 workflow.json。
  2. 在终端里运行 ollama pull llama3:8b,等它完成。
  3. 在浏览器里打开 http://localhost:11434。Ollama 会回答 Ollama is running。
  4. 打开 Set Blog Parameters,设好 topic、tone 和 word_count。先试 300 字。
  5. 如果 n8n 跑在另一台机器上或 Docker 里,把四个 Ollama 请求里的 http://localhost:11434 换成 n8n 能访问到的地址。
  6. 保存,点 Execute workflow。运行结束后打开 Final Output。

一次运行是怎么走的

  1. Manual Trigger 在你点 Execute workflow 时启动这次运行。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. Final Output 留下三个字段:final_post、topic 和 generated_at,后者是这次运行的时间。

想改样子,改这里

  • 主题、语气和长度:Set Blog Parameters。
  • 模型:四个请求体里各自的 model。
  • 多有创意:每个请求体里的 temperature。
  • 一次回答能写多长:每个请求体里的 num_predict。
  • 提示词:每个请求体里的文字。每一条都以它给模型的角色开头。
  • 允许的时间:每个请求选项里的 timeout,单位是毫秒。

要知道的

  • Ollama 的上下文长度页面(2026 年 11 月 12 日查看)写明,显存不足 24 GiB 的机器默认是 4k 上下文。修改那一步会把整篇草稿再送进去,所以草稿太长时,模型可能看不全。如果改完的文章偏短,就在 Ollama 的设置里调大上下文长度。
  • 前两步最多等两分钟,后两步最多等五分钟。电脑慢的话可能超时,运行会停在那一步。
  • 小型本地模型会用很流畅的语气说出错误的事实。发布前每个说法都要核对。
  • 主题和文字只发到请求里的那个 Ollama 地址。Ollama 在你自己的机器上时,不会有任何东西发到外部服务,也不需要密钥。
  • 文章留在这次运行的数据里。从 Final Output 复制 final_post,或在它后面加一个节点保存成文件。
  • 这个 JSON 里没有任何凭据,也没有密钥。
文件
NOTICE.md  595 B
README.md  4 KB
workflow.json  7 KB

3 个文件,共 12 KB,以 zip 压缩包下载。

更新内容

  • 第 1 版 · 2026-11-12

评价

还没有评分

写评价

还没有评价。

Mindket 的更多商品

查看 Mindket 的全部商品

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。

新上架

Qwen2.5-7B-Instruct-GGUF

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。

新上架

ACE-Step 1.5 XL SFT

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。

新上架

写作类的相似商品

查看写作类的全部商品

t5-base-grammar-correction

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。

新上架

Hy-MT2-1.8B-1.25Bit-GGUF

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。

新上架

Qwen3.8-27B-Longbook27-v2

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。

新上架