Коллекция готовых n8n workflow: от AI-ассистентов до автоматизации контента

Как за год работы у меня накопилась библиотека из 20+ рабочих сценариев для n8n — и почему я решил отдать их в открытый доступ

Эта статья появилась не из-за желания «поделиться полезным контентом».

Последний год n8n был для меня основным инструментом автоматизации. Через него я собирал ботов, ассистентов, парсеры, генерацию контента, базы знаний, интеграции с десятками сервисов. Практически всё, что можно было быстро связать и запустить в работу, я сначала делал именно в n8n.

Он отлично подходит для этого этапа: быстро, наглядно, без лишнего кода, с возможностью за вечер собрать то, на что раньше уходили дни.

Но в какой-то момент я понял, что задачи стали другими.

Автоматизация перестала быть набором отдельных сценариев и начала превращаться в системы — с состояниями, логикой, памятью, кастомными правилами и нестандартными связями. И в этом месте визуальный слой между мной и кодом начал мешать, а не помогать.

Мой следующий шаг — работа напрямую с Python. Без визуального конструктора между логикой и реализацией. Без ограничений редактора. С полным контролем над тем, как именно устроена система внутри.

И именно поэтому я решил выложить все свои workflow в открытый доступ.

Это не отказ от n8n и не попытка его обесценить. Это просто честное закрытие этапа: инструмент сделал свою работу, и дальше мне логичнее идти другим путём.

Все сценарии, которые я выкладываю, рабочие и проверенные. И сейчас они принесут больше пользы тем, кто остаётся в n8n или только начинает с ним работать, чем если бы продолжали лежать у меня без дела.

Все файлы я выложил у себя в Telegram: 👉 https://t.me/robotseo

Инструменты и AI SEO: 👉 https://rtseo.ru/

Один из самых часто используемых сценариев.

Это чатбот с памятью и базой знаний, который отвечает не «из головы», а на основе реальных данных.

Как это работает на практике:

Используется PostgreSQL с PGVector, эмбеддинги и AI-агент, который собирает финальный ответ.

Подходит для поддержки, внутренних баз знаний, ассистентов и любых RAG-сценариев.

Более тяжёлый сценарий, который я использовал для онбординга и сбора информации.

Этот workflow:

Внутри Chatra, веб-скрапинг, AI-анализ, PostgreSQL и PGVector. Хорошо подходит, когда нужно быстро собрать картину по проекту или нише.

Появился из простой боли — голосовые сообщения.

Бот:

История хранится в Supabase, контекст не теряется. Удобен для поддержки и FAQ-ботов.

Несколько отдельных workflow, которые я использовал как основу для персональных ассистентов:

Типичные запросы:

Очень быстро становится привычкой.

Связка из двух workflow.

Первый парсит RSS, отбирает свежие материалы, скрапит полный текст и сохраняет обработанные ссылки.

Второй:

По сути — автоматический новостной дайджест без участия человека.

Использовал его для работы с Telegram-каналами.

Он умеет:

Есть варианты под HTML и Markdown.

Один из самых нагруженных сценариев.

Полный цикл:

Использовал его как инструмент для исследований и быстрых черновиков.

Создание изображений через Fal.ai Flux.1 Pro:

AI сам формирует промпт, дальше всё происходит автоматически.

Редактирование изображений обычным текстом:

Под капотом vision-анализ и Fal.ai API.

Workflow автоматически:

Хорошая основа для внутренних баз знаний.

По расписанию:

Получает ссылку и возвращает полный текст видео. Простой, но очень полезный сценарий.

Центральный «мозг» Telegram-бота.

Он:

Фактически это единая точка входа для всех агентов.

Внутри используются привычные инструменты: OpenAI, Gemini, Claude, PostgreSQL с PGVector, Supabase, Airtable, Telegram API, Fal.ai, ScrapingBee, SerpAPI, LangChain и RAG.

Без экзотики — всё то, что обычно используется в живых проектах.

Импортировать workflow в n8n, настроить credentials, немного подогнать под себя и использовать в работе. Часть сценариев запускается почти сразу, часть требует минимальной настройки баз и API-ключей.

Я не считаю эту подборку чем-то «уникальным» или «идеальным». Это просто результат одного этапа работы, который для меня уже завершён.

Если вы сейчас активно используете n8n — возможно, здесь вы найдёте решения, которые сэкономят вам время и нервы. А если только начинаете — это хороший набор примеров того, как можно собирать не демо, а рабочие системы.