帮我设计并指导我搭建一个n8n工作流 gemini2.5

帮我设计并指导我搭建一个n8n工作流，我是零基础初学者，请尽量通俗易懂，步骤详细。我的任务如下：
1.我提供一篇米塞斯研究院网站上的文章链接，比如：https://mises.org/mises-wire/how-herbert-hoover-became-known-economic-non-interventionist
2.提取出文章的主体部分，忽略网页元素、链接、广告。
3.按照自然段把文章分段，然后逐段提交给本地运行的lmstudio服务器，由lmstudio运行的大模型进行翻译。
3.整合翻译结果，将完整的翻译文章展示给我。

好的，没问题！作为零基础的初学者，我们将通过一个非常详细的、手把手的教程，一步步搭建你所需要的 n8n 工作流。这个工作流将自动抓取米塞斯研究院的文章，通过你本地的 LM Studio 大模型进行翻译，最后汇总成一篇完整的译文。

准备工作

在开始之前，请确保你已经准备好以下几样东西：

1. n8n 的运行环境：你可以在你的电脑上通过 Docker 或者 n8n Desktop 桌面应用来运行。对于初学者来说，桌面应用可能是最简单的。
2. LM Studio：确保你已经在本地电脑上安装并运行了 LM Studio，并且已经下载好了你想要用来翻译的语言模型。同时，你需要启动本地的推理服务器。

工作流搭建步骤

我们将分步进行，每一步都会有详细的截图和说明。

第一步：启动 LM Studio 服务器

1. 打开 LM Studio。
2. 在左侧导航栏选择 "Local Server" (本地服务器)。
3. 点击 "Start Server" (启动服务器)。

启动后，你会看到一个本地服务器的地址，通常是 http://localhost:1234/v1/chat/completions。这个地址就是我们稍后在 n8n 中需要用到的 API 地址。

第二步：创建新的 n8n 工作流

1. 打开你的 n8n 应用。
2. 点击右上角的 "New workflow" (新建工作流) 来创建一个空白的工作流。

第三步：手动触发工作流（Manual Trigger）

n8n 工作流需要一个触发器来启动。对于我们的需求，最简单的就是手动触发。

1. 在工作流画布中，你应该能看到一个默认的 "Start" (开始) 节点。
2. 我们将使用这个节点作为手动触发器。点击它，你可以在右侧看到它的设置，我们暂时不需要更改任何东西。

第四步：接收文章链接（Set a variable）

我们需要一个地方来输入我们想要翻译的文章链接。我们可以使用 "Set" 节点来创建一个变量。

1. 点击画布上的 + 号，在弹出的节点搜索框中输入 "Set"，然后选择 "Set" 节点。
2. 将 "Set" 节点连接在 "Start" 节点的后面。
3. 点击 "Set" 节点，在右侧的配置中：
   • 在 "Name" (名称) 字段中，输入 article_url。
   • 在 "Value" (值) 字段中，粘贴你提供的示例链接：https://mises.org/mises-wire/how-herbert-hoover-became-known-economic-non-interventionist

这样，当工作流运行时，它就会知道要去处理哪篇文章了。

第五步：抓取网页内容（HTTP Request）

现在我们需要根据上面设置的链接，去把整个网页的 HTML 内容抓取下来。

1. 在 "Set" 节点后面点击 + 号，搜索并添加 "HTTP Request" 节点。
2. 配置 "HTTP Request" 节点：
   • Authentication (认证): 保持 "None" (无) 即可。
   • URL: 这里我们要使用上一步设置的 article_url 变量。点击 URL 输入框右侧的表达式按钮 </>，然后在弹出的窗口中选择 Nodes -> Set -> Output Data -> JSON -> article_url。这样设置后，URL 就会动态地使用我们之前设定的链接。
   • Options (选项) -> Response Format (响应格式): 选择 "Text" (文本)。

现在，如果你点击 "Test step" (测试步骤)，你应该能看到这个节点成功抓取到了整个网页的 HTML 代码。

第六步：提取文章正文（HTML Extract）

抓取到的内容包含了大量的广告、导航栏等我们不需要的东西。我们需要把文章的正文提取出来。

1. 在 "HTTP Request" 节点后添加 "HTML Extract" 节点。
2. 配置 "HTML Extract" 节点：
   • Source Data (源数据): 默认它会使用上一个节点的输出，这是正确的。
   • Extraction Values (提取值):
     • Key (键): 输入 article_body。
     • CSS Selector (CSS 选择器): 这是最关键的一步。我们需要找到一个只包含文章正文的 CSS 选择器。对于米塞斯研究院的这篇文章，文章主体部分在一个 <div> 元素里，这个元素有一个特定的类名。我们可以使用 .prose 作为选择器。
     • Return Value (返回值): 选择 "HTML"。

提示: 如何找到正确的 CSS 选择器？
在 Chrome 或 Firefox 浏览器中打开文章链接，在文章正文上右键点击，选择“检查”(Inspect)。你会看到开发者工具窗口，通过观察 HTML 结构，找到包裹着正文的那个 <div> 或 <article> 标签，并查看它的 class 或 id。对于这个网站，class="prose" 是一个很合适的选择。

测试这一步，你应该能看到输出结果只包含了文章正文部分的 HTML 代码。

第七步：清理 HTML 标签（Remove HTML Tags）

上一步我们得到了文章的 HTML，但我们只需要纯文本。

1. 在 "HTML Extract" 节点后添加 "Remove HTML Tags" 节点。
2. 这个节点通常不需要特别的配置，它会自动处理上一步的输入。测试一下，你会看到输出的文本变得干净了很多，没有了 HTML 标签。

第八步：按段落拆分文本（Split in Batches）

为了逐段翻译，我们需要将整篇文章拆分成一个个段落。

1. 在 "Remove HTML Tags" 节点后添加 "Split in Batches" (分批处理) 节点。
2. 配置 "Split in Batches" 节点：
   • Field to Split (要拆分的字段): 这里应该自动选择了上一步输出的文本字段，通常叫做 text。
   • Options (选项) -> Split On (拆分依据): 选择 "Newline" (换行符)。
   • Options (选项) -> Split After (拆分位置): 选择 "Every" (每一个)。

测试这一步，你会看到输出从一项变成了一个包含多个项的列表，每一项就是一个段落。

第九步：调用 LM Studio 进行翻译（HTTP Request）

这是整个工作流的核心。我们会循环处理上一步拆分出的每一个段落，把它们发送给 LM Studio 进行翻译。n8n 会自动为我们处理循环。

1. 在 "Split in Batches" 节点后添加一个新的 "HTTP Request" 节点。
2. 配置这个 "HTTP Request" 节点：
   • URL: 输入你之前在 LM Studio 中看到的服务器地址，通常是 http://localhost:1234/v1/chat/completions。
   • Authentication: 保持 "None"。
   • Method (方法): 选择 "POST"。
   • Body Content Type (请求体内容类型): 选择 "JSON"。
   • Body (请求体): 这是我们要发送给大模型的指令。点击 "Add Expression" (添加表达式) 并输入以下 JSON 结构。

{
  "messages": [
    {
      "role": "system",
      "content": "You are a professional translator. Translate the following English paragraph into Chinese."
    },
    {
      "role": "user",
      "content": "{{ $json.text }}"
    }
  ],
  "temperature": 0.7,
  "max_tokens": -1,
  "stream": false
}

重要提示:

• {{ $json.text }} 是一个表达式，它会动态地获取上一步 "Split in Batches" 节点输出的每一个段落的文本。
• content 中的指令 "Translate the following English paragraph into Chinese" 告诉大模型要做什么。你可以根据需要修改这个指令。

测试这一步，你应该能看到 LM Studio 返回了翻译结果。翻译的结果通常在 choices[0].message.content 这个路径下。

第十步：整合翻译结果（Code Node）

现在我们有了一堆分段的翻译结果，最后一步就是把它们合并成一篇完整的文章。

1. 在最后一个 "HTTP Request" 节点后添加 "Code" (代码) 节点。
2. 在 "Code" 节点的代码区域，输入以下 JavaScript 代码：

// 获取所有输入项（也就是所有翻译好的段落）
const items = $items("HTTP Request1"); // 注意：这里的 "HTTP Request1" 可能需要根据你节点的实际名字修改

let fullTranslation = "";

// 循环遍历每一个段落的翻译结果
for (const item of items) {
  // 从返回的 JSON 中提取翻译内容
  // 根据 LM Studio 的返回格式，路径通常是 choices[0].message.content
  const translatedParagraph = item.json.choices[0].message.content;

  // 将段落拼接起来，并在段落之间加上换行符
  fullTranslation += translatedParagraph + "\n\n";
}

// 返回最终的、完整的翻译结果
return {
  full_translation: fullTranslation.trim()
};

检查节点名称:
请确保代码中的 $items("HTTP Request1") 里的 "HTTP Request1" 和你上一步调用 LM Studio 的那个 "HTTP Request" 节点的名称完全一致。如果不一致，请修改代码。

完成！

现在，整个工作流已经搭建完毕！你可以点击工作流左下角的 "Execute Workflow" (执行工作流) 按钮来完整地运行一次。当所有步骤都成功执行后，点击最后一个 "Code" 节点，你将在输出中看到一个名为 full_translation 的字段，里面就是完整的、翻译好的文章了！

完整工作流概览

你的整个工作流看起来应该是这样的：

Start -> Set (设置链接) -> HTTP Request (抓取网页) -> HTML Extract (提取正文) -> Remove HTML Tags (清理标签) -> Split in Batches (按段落拆分) -> HTTP Request (调用 LM Studio 翻译) -> Code (整合结果)

希望这个超详细的指南能帮助你成功搭建你的第一个 n8n 工作流！如果在任何步骤遇到问题，随时可以提出。