Marketing Content Organizer ist ein n8n-Lernprojekt zur systematischen Verarbeitung von Marketingideen. Eine Idee kommt über Telegram, wird durch KI validiert, auf semantische Duplikate geprüft, priorisiert und als strukturierter Datensatz in einer n8n Data Table gespeichert. Für Ideen mit hoher Priorität erzeugt ein Subworkflow ein Outline.
Ziel
Unstrukturierte Ideen verschwinden schnell in Chats und Notizen. Häufig fehlen Titel, Zielgruppe, Kanal, Priorität und nächster Schritt. Der Workflow verwandelt eine kurze Nachricht in einen Datensatz für die Content-Planung. Er veröffentlicht keine KI-Texte automatisch; die redaktionelle Entscheidung bleibt beim Menschen.
Ablauf
Telegram → Eingabeprüfung → KI-Analyse → Structured Output Parser → Feldnormalisierung → valid/invalid → Duplicate Detection → Priorität → Outline Generator → Data Table → Telegram-Antwort
Der Hauptworkflow empfängt Text und Metadaten, prüft leere Eingaben, validiert die Idee, normalisiert das Ergebnis, speichert ungültige Ideen mit Begründung, prüft gültige Ideen auf Duplikate und ruft bei hoher Priorität den Outline Generator auf.
Datenmodell
marketing_content_ideas speichert Autor, Telegram IDs, Originaltext, Zeitstempel, Validierung, Titel, Thema, Beschreibung, Zielgruppe, Kanal, Priorität, Status, AI Confidence und Content Outline.
Die Typen müssen in Edit Fields und Data Table übereinstimmen: Telegram IDs als String, submitted_at als Date/Time, is_valid_idea als Boolean und ai_confidence als Number.
Duplicate Detection
Der Subworkflow vergleicht eine neue Idee mit vorhandenen Datensätzen. Auch bei leerer Tabelle muss er ein Ergebnis liefern. Der letzte Knoten gibt immer genau ein Objekt mit Boolean is_duplicate, numerischem Confidence-Wert und Begründung zurück. Eine semantische Prüfung erkennt auch unterschiedlich formulierte Ideen mit gleichem Inhalt.
Outline Generator
Für High-Priority-Ideen erzeugt der Subworkflow content_outline. Ein Structured Output Parser erzwingt die Struktur; der letzte Knoten verbindet das Outline mit der ursprünglichen Idee.
Bestätigte Tests
- Invalid Input erreicht die Invalid-Route;
- gültige Ideen durchlaufen Analyse und Normalisierung;
- die korrigierte Data Table akzeptiert Datensätze;
- Duplicate Detection liefert Output statt eines falschen
Succeededohne Ergebnis; - eine englische Idee wurde erfolgreich verarbeitet und gespeichert;
- Outline Generator durchläuft intern alle vorgesehenen Knoten.
Ein grüner n8n-Status bedeutet nicht automatisch fachlichen Erfolg. Liefert ein Zwischenknoten null Items, kann ein Workflow als Succeeded enden, obwohl der Nutzer kein Ergebnis erhält.
Grenze der aktuellen Version
Outline Generator erstellt und liefert ein Outline, aber das Zurückschreiben von content_outline in die Data Table ist noch nicht abgeschlossen. Die Version ist daher ein Organizer und Analysator mit Outline-Generierung, keine vollautomatische Publishing-Lösung.
Vollständige Artikelgenerierung, Human Approval und Website-Publishing gehören in eine spätere Ausbaustufe.
Sicherheit und redaktionelle Kontrolle
Telegram-Inhalte gelten als nicht vertrauenswürdige Daten. Structured Output Parser begrenzt die KI-Ausgabe. Schreibtypen werden abgestimmt, Duplicate Detection besitzt einen stabilen Output-Vertrag, und eine Veröffentlichung erfordert eine separate menschliche Freigabe.
Erkenntnisse
Eine klare Datenschnittstelle ist wichtiger als ein besonders kreativer Prompt. Jeder Subworkflow braucht einen stabilen Rückgabevertrag. Technischer Erfolg und fachlicher Erfolg müssen separat geprüft werden.
Das JSON wird bewusst nicht veröffentlicht. Die Artikelserie erklärt Architektur, Entscheidungen und Testergebnisse ohne produktive Konfiguration oder Credentials offenzulegen.
Kommentar hinterlassen
Teilen Sie Ihre Gedanken zum Artikel. Kein Konto erforderlich.
Kommentare
Kommentare werden geladen…