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 n8n 工作流,按关键词搜索 Reddit,留下有点赞的近期帖子,让 OpenAI 检查每个是不是讲这个话题,并写一句话摘要。
用 AI 筛选并总结 Reddit 上讲某个话题的帖子 是一款 n8n 工作流,属于研究类,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
在 n8n 里点 Execute Workflow,它就开始运行:
一份关于这个主题的近期 Reddit 帖子清单,每个带一句话摘要
开始之前要准备好这些。
搜索
返回提到关键词的新帖子。
需要一个 Reddit 应用凭据
判断和摘要
判断帖子是不是讲这个主题,并写摘要。
需要一个 OpenAI API 密钥
由 Mindket 于 2026年11月13日检查
这个 n8n 工作流帮你盯着 Reddit 上的一个话题。它在整个 Reddit 里搜索提到某个关键词的新帖子,文件里设的关键词是 n8n。它留下有正文、至少有五个点赞的近期帖子。OpenAI 检查每个帖子是不是讲这个话题,并给讲这个话题的写一句话摘要。运行它的是十个节点,旁边还有四张便签。
想简短了解大家怎么说一个产品或一个领域的社区经理和创始人。如果你拿不到 Reddit 的 API 权限,或者帖子文字不能发给 OpenAI,就别选它。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| 社区 | 社区经理 | 找到讲自家产品的帖子 | 一位经理看到哪些新帖子提到了产品,说了什么。 |
| 产品 | 产品团队 | 收集用户反馈 | 一个团队读每个提出问题的帖子的一行摘要。 |
| 营销 | 品牌团队 | 跟踪提及 | 一位品牌负责人留着一份提到品牌的帖子清单。 |
| 研究 | 分析师 | 长期跟踪一个话题 | 一位分析师汇总一周里讲某项技术的帖子。 |
你需要懂一点 n8n,有一个 Reddit 应用和一个 OpenAI 密钥:导入文件、添加两个凭据,再设好关键词。
任何能访问 Reddit 和 OpenAI 的 n8n 都能运行它。结果是 n8n 里的一串条目,你可以接着把它们发到表格或消息里。
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。设置需要两个凭据和一个关键词。
| 需要 | 说明 |
|---|---|
| n8n | n8n Cloud 或你自己的服务器 |
| 一个给 n8n 的 Reddit 节点用的应用凭据 | |
| OpenAI | 一个 API 密钥 |
workflow.json。Reddit 里选中它。OpenAI Classify 和 OpenAI Summary Backup 里选中它。Reddit 里的关键词,以及 OpenAI Classify 提示里写的话题。点 Test workflow。通过筛选的帖子从 SetFinal 出来,带着摘要、点赞数、子版块、日期和链接。先用一个搜出来很少的关键词试一试。
| 要改的 | 在哪里改 |
|---|---|
| 话题 | Reddit 里的关键词和 OpenAI Classify 里的提示 |
| 筛选条件 | IF |
| 摘要 | OpenAI Summary Backup 里的提示 |
| 什么时候运行 | 触发节点 |
一位社区经理搜一个自托管工具的名字。Reddit 返回一百个新帖子,其中很多只是顺带提了一下这个名字。
筛选条件丢掉了旧的、太短的和得分低的。OpenAI 说出剩下的里哪些是讲这个工具的,摘要读起来像一行行小标题,各带子版块和链接。
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。这里一个方框搜 Reddit,一个方框筛选,一个方框问 OpenAI 是或否,一个方框写摘要。先拿一个只有几条帖子的关键词试一试。
专家:两个 AI 步骤是指向 Chat Completions 的 HTTP Request。两个 Merge 节点按位置把每个答案和帖子的详情连起来,最后一个优先取它的第一个输入。
| 节点 | 做什么 | 要知道的 |
|---|---|---|
Reddit | 在整个 Reddit 里搜索,最新的在前 | 不动的话,这个节点最多返回 100 个帖子 |
OpenAI Classify | 要一个是或否 | 它用的是 gpt-6-luna,并把推理强度设成 none |
IF1 | 答案里含 No 就结束这次运行 | 它读的是 choices[0].message.content |
Merge1 | 把摘要和详情连起来 | 它优先取输入 1,所以摘要的 choices 胜出 |
每个帖子只读前 500 个字符,所以更靠后才提到话题的帖子会被漏掉。
gpt-3.5-turbo-instruct,OpenAI 的弃用页面(2026 年 11 月 12 日查阅)列出已在 2026 年 9 月 28 日关闭。现在它们是指向 Chat Completions 的 HTTP Request,用 gpt-6-lunaOpenAI Summary 节点用的端点已在 2024 年 1 月关闭,所以删掉了一个 n8n 工作流,在整个 Reddit 里搜索提到某个关键词的新帖子,文件里设的关键词是 n8n。它留下有正文、至少有五个点赞的近期帖子,让 OpenAI 判断每个帖子是不是讲这个话题,并给讲这个话题的写一句话摘要。
workflow.json:n8n 导出的工作流,十四个节点:十个会运行的和四张便签。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。gpt-3.5-turbo-instruct 调用 completions 接口。OpenAI 的弃用页面(2026 年 11 月 12 日查阅)列出这个模型已在 2026 年 9 月 28 日关闭,替代模型是 gpt-5.6-terra,而 gpt-5.6-terra 的模型页面显示旧的 completions 端点不受支持。所以这两步现在是指向 Chat Completions 的 HTTP Request 节点,用 gpt-6-luna,并使用你的 OpenAI 凭据。none,并限制回复的长度(是或否那一步 max_completion_tokens 为 32,摘要那一步为 128),所以回答又短又快。OpenAI Summary 节点用的是 edit 端点。OpenAI 的弃用页面列出 edit 模型和 /v1/edits 已在 2024 年 1 月 4 日关闭,所以这个节点删掉了。text 或 choices[0].text 的形式到来。现在是 choices[0].message.content,IF1 和 SetFinal 都从那里读。choices 这个字段。默认情况下最后一个合并会留下前面那个,所以 Merge1 现在在顶层优先取它的第一个输入,也就是摘要。What we learned 的那张便签写的是旧节点的 token 默认值和两个链接。它换成了一张讲这些改动的简短便签。workflow.json。Reddit 里选中它。OpenAI Classify 和 OpenAI Summary Backup 里选中它。Reddit 里的关键词,以及 OpenAI Classify 提示里写的话题。When clicking "Execute Workflow" 手动开始这次运行。Reddit 在整个 Reddit 里搜索这个关键词,最新的在前。你不动它的上限,这个节点最多返回 100 个帖子。IF 留下点赞至少五个、有正文、日期在最近七天内的帖子。Set 保留点赞数、子版块的大小、正文的前 500 个字符、子版块、日期和链接。OpenAI Classify 问这个帖子是不是讲这个话题,回答 Yes 或 No。Merge 按位置把这个回答和详情连起来。No 时,IF1 结束这个帖子的运行。其余的由 OpenAI Summary Backup 写一句话摘要,Merge1 把它和详情连起来。SetFinal 保留点赞数、子版块的大小、子版块、作为 bulletSummary 的摘要、日期和链接。Reddit 里的关键词和 OpenAI Classify 里的提示。IF 里的点赞数、时间范围和空正文的判断。OpenAI Summary Backup 里的提示。SetFinal 里的字段,或者在它后面加一个节点,写进表格或发消息。No。回复里加了别的词,就按这个判断。NOTICE.md 569 B README.md 5 KB workflow.json 11 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。
AbdomenAtlas · 工具包
在 CT 扫描上检测并勾画 9 个器官的肿瘤,使用从放射学报告中学习的 R-Super 方法训练。这是面向医学影像团队的研究模型,采用非商业许可。
dBenf · 工具包
回答关于卫星图像块的类型化问题,使用 Sentinel-2 的全部 12 个波段,为每个选项返回概率,不生成文字。这是 Qwen3.5-0.8B 的微调版本,适合地球观测研究者。
zimmerk4 · 工具包
用一个在 JAX 物理模拟器里学会的小型策略网络,从头到尾通关游戏 Getting Over It。适合强化学习研究者和好奇的动手爱好者。