Bonsai-27B-GGUF
lmstudio-community · 工具包
面向 LM Studio 的 27B Bonsai 模型 GGUF 转换版,含 3.80 GB 的 Q1_0 语言文件和 0.93 GB 的 BF16 视觉投影器。已测试文本、视觉和并行工具调用。

一个 n8n 工作流,通过你自己的 REST API 把一串主题变成草稿文章。一道代码检查给每篇草稿标出通过或没通过,只有通过的草稿才会交给你的发布接口。
经代码质检关卡把主题清单变成检查过的草稿 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。
Web 请求
有 POST 请求到达 content-run 这个 webhook 时开始运行,请求里有:
一份运行汇总:已存的草稿、每个失败的原因,以及估算的成本
开始之前要准备好这些。
搜索、写作、提醒和发布
接收所有对外的调用:研究、提纲、草稿、提醒和发布。
需要一个在同一地址上的 API,带 /search、/llm/complete、/alerts 和 /publish/doc 这几个接口
由 Mindket 于 2026年11月13日检查
这个 n8n 工作流是一个内容流水线的骨架。你用一个 Web 请求给它一串主题。对每个主题,它调用你自己的 API 去研究、列提纲、写草稿,然后由一个 Code 节点按固定规则检查草稿。通过的草稿会经你的发布接口存成草稿。没通过的草稿会连同原因一起报告出来。十七个节点干活,旁边有一张便签。
自己运行内容或搜索 API、想要一个用代码检查模型草稿而不是只信模型的做法的团队。如果你要的是一个现成的服务,就别选它。每个对外的步骤都是对你提供的 API 的一次调用。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| 营销 | 内容团队 | 按主题清单起草文章,并按内部规则检验 | 一个团队发来十个主题,只读通过的草稿。 |
| 出版 | 编辑 | 在编辑看到之前,拦下缺少资料来源或小标题的草稿 | 一位编辑只打开有两个或更多资料链接的草稿。 |
| 软件 | 平台工程师 | 把模型、搜索服务和内容管理系统接在同一组接口后面 | 一位工程师把这四个接口对应到已经在用的服务上。 |
| 合规 | 品牌审核员 | 在代码里拦下被禁止的说法 | 一位审核员把一个禁用说法加进质检清单。 |
你需要会用 n8n,有一个带四个接口的 REST API,并且对写代码不陌生。
任何能访问你的 API 的 n8n 都能运行它。调用方会在回复里收到一份汇总。
Config 前面加一个 Schedule Trigger,就能每周运行点“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。设置是你的 API 地址、四个接口和一次激活。
| 需要 | 说明 |
|---|---|
| n8n | n8n Cloud 或你自己的服务器 |
| 你的 REST API | POST /search、POST /llm/complete、POST /alerts 和 POST /publish/doc |
| 接口 | 收到 | 回复 |
|---|---|---|
/search | query 和 recency_days | results,一个列表 |
/llm/complete(提纲) | task 设为 outline,以及带 topic 和 sources 的 input | 带 title 和 sections 的 output,以及 usage |
/llm/complete(草稿) | task 设为 draft,以及带 topic、title、sections 和 sources 的 input | 带 title 和 body 的 output,以及 usage |
/alerts | channel 和 text,审批消息上还有 approval | 任何回复 |
/publish/doc | title、body,以及设为 draft 的 status | url |
workflow.json。Config 和 Config (errors) 里,把 https://api.your-company.example 换成你的 API 地址。Config 里设置 min_words(出厂是 120)和 auto_approve_in_test。content-run。{"topics": ["first topic", "second topic"]}。发一个主题列表,或一个用逗号隔开的主题字符串,再读回来的汇总。加上 run_id 可以给这次运行起名。每个主题依次经过研究、提纲、草稿和质检关卡。通过的草稿存成草稿,没通过的会连同原因发到失败频道。
| 要改的 | 在哪里改 |
|---|---|
| 检查项 | Agent 4 · QA gate (deterministic checks) 里的代码 |
| 最短长度 | Config 里的 min_words |
| 研究的时间窗口 | Agent 1 · Research (search API) 里的 recency_days |
| 频道 | 三个 HTTP 节点里的频道名 |
| 成本费率 | 质检代码里的两个数字 |
一位编辑向 webhook 发了两个主题,然后等着汇总。
回复会数出主题数和已存的草稿数。它列出每个失败的标题和问题,比如太短或没有资料来源段落,还会加上估算的成本。通过的草稿,它的日志行里有 /publish/doc 返回的地址。
新手:质检关卡是一道站在草稿和发布之间的检查。这里的检查就是普通代码。它数字数,找必需的小标题,扫描禁用的说法。模型可以写得很好,却仍然违反一条规则,而代码不会忘记这条规则。
专家:四个智能体节点都是普通的 HTTP Request 节点,所以模型和搜索都在你的 API 后面。Loop topics 一次处理一个主题,并把每个结果经 Run log row 送回去。成本那一行用的是固定费率。
| 节点 | 它做什么 | 要知道什么 |
|---|---|---|
One item per topic | 把主题拆成一条一条的记录 | 列表为空时它会带着错误停下 |
Agent 4 · QA gate (deterministic checks) | 检查长度、资料来源、禁用说法和两个小标题 | 它检查的是形式,不是真假 |
Human approval (Slack) | 向你的 API 发出审批消息 | 它不会等任何人 |
Run log row | 为每个主题写一行 | 它漏掉了 run_id |
Error trigger | 启动提醒分支 | 只有自动运行才会到这里 |
这个工作流只是一个骨架,真正使用之前,有几处细节需要你留意。
Human approval (Slack) 只是发一条消息,紧接着草稿就被存成草稿。要做真正的审批,就加一个 Wait 节点,再从你自己的工具里让它继续run_id 是空的,因为 Run log row 没有带上它。把 run_id: q.run_id 加进它返回的对象里一个 n8n 工作流,拿一串主题,把每个主题变成一篇草稿文章。它研究这个主题,写提纲,写草稿,然后在存入任何东西之前,用普通代码检查草稿。通过的草稿会作为草稿发给你的发布接口。没通过的草稿会连同原因退回。
这是一个骨架,不是现成的服务。每个对外的步骤都是对你提供的 REST API 的一次 HTTP 调用,文件里写明了它期待的四个接口。请先读“开始之前”。
workflow.json:n8n 导出的工作流,18 个节点,其中一个是便签。里面没有任何凭据,也没有 HTTP 节点发送密钥。README.md:这份设置说明,压缩包里的是英文版。POST /search 接收 {"query": "<topic>", "recency_days": 90},回复 {"results": [...]}。POST /llm/complete 接收 {"task": "outline", "input": {"topic", "sources"}},回复 {"output": {"title", "sections"}, "usage": {"input_tokens", "output_tokens"}}。同一个接口还接收 {"task": "draft", "input": {"topic", "title", "sections", "sources"}},回复 {"output": {"title", "body"}, "usage": {...}}。POST /alerts 接收 {"channel", "text"},审批消息上还有一个 approval 字段。任何回复都行。POST /publish/doc 接收 {"title", "body", "status": "draft"},回复 {"url"}。workflow.json。Config 里,把 base 的值 https://api.your-company.example 换成你的 API 地址。在 Config (errors) 里也一样。Config 里设置 min_words(出厂是 120)和 auto_approve_in_test。Webhook / weekly schedule: topics 的生产地址,它的路径是 content-run。{"topics": ["first topic", "second topic"]}。用逗号隔开的主题字符串也行。想给运行起自己的名字,就加上 run_id。Webhook / weekly schedule: topics 收到请求。Config 加上设置,One item per topic 是一个 Code 节点,为每个主题生成一条记录。列表为空时,它会带着“No topics supplied”停下。Loop topics 一次取一个主题。没有剩下的主题时,它把所有东西送去 Run summary (respond)。Agent 1 · Research (search API) 把主题发到 /search,时间窗口是 90 天。Agent 2 · Outline (LLM) 把主题和搜索结果发到 /llm/complete,拿回标题和各个小节。Agent 3 · Draft (LLM) 把提纲和资料发到同一个接口,拿回标题和正文。Agent 4 · QA gate (deterministic checks) 是一个 Code 节点。下面任何一条成立,它就把草稿标为没通过:min_words 短Sources: 这一行guaranteed、risk-free、100% 或 best in the world 这几个说法之一## Why it matters now 或 ## What to do this quarter 这两个小标题它还会把提纲和草稿用掉的 token 加起来,估算一个成本。
QA passed? 把通过的草稿送去 Human approval (Slack),它向 /alerts 的 #content-approvals 频道发一条消息。下一个节点 Publish as draft (Google Docs / CMS) 立刻把草稿发到 /publish/doc。Send back with reasons (no publish),它把原因发到 /alerts 的 #content-qa-failed 频道。Run log row 为这个主题写一行:标题、字数、通过与否、问题、已发布的地址(如果有)、估算成本和 token 数。然后循环取下一个主题。Run summary (respond) 数出主题数、已存的草稿数和失败数,把成本加起来,webhook 再把这个结果返回给调用方。错误分支是独立的:Error trigger 运行 Config (errors) 和 Alert ops,后者把带着错误信息的“Content pipeline failed”发到 /alerts 的 #ops-alerts 频道。
Agent 4 · QA gate (deterministic checks) 的代码里有字数、禁用说法、两个必需的小标题和链接数。改成你自己的规则。Agent 1 · Research (search API) 里的 recency_days。#content-approvals、#content-qa-failed 和 #ops-alerts 是三个节点里的纯文字。Human approval (Slack) 只是发一条消息,然后草稿马上被存成草稿。那条消息的 approval 字段,在 auto_approve_in_test 打开时是 auto-approved,关闭时是 awaiting human,两种情况下流程的行为一样。要做真正的审批,就在消息后面加一个 Wait 节点,再从你自己的工具里让它继续。run_id 是空的,因为 Run log row 没有带上它。把 run_id: q.run_id 加进它返回的对象里。NOTICE.md 716 B README.md 7 KB workflow.json 14 KB
lmstudio-community · 工具包
面向 LM Studio 的 27B Bonsai 模型 GGUF 转换版,含 3.80 GB 的 Q1_0 语言文件和 0.93 GB 的 BF16 视觉投影器。已测试文本、视觉和并行工具调用。
LibertAIDAI · 工具包
以每权重 2.9 位的 EXL3 量化运行 DeepSeek-V4.1-Flash-1017,这是一份 196 GiB 的副本,适合在自己硬件上部署大模型的人。困惑度与原模型相差不大。
facebook · 工具包
根据文字描述或音频提示生成短音乐片段,是 facebook MusicGen 的 small 检查点。适合想在自己电脑上试用文字生成音乐的开发者和音乐爱好者。
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。