10分钟搭建AI情报员，n8n + chrome-mcp自动监控微博竞品与负面舆情

和之前一样，我们用节点来定时启动任务。紧接着，用一个Set节点来定义你要监控的关键词，比如“小米YU7”。今天，我们用n8n和AI Agent，将一个原本需要人工执行的重复性任务，变成了一个7x24小时全天候、不知疲倦的自动化流程。你不仅拥有了一个微博哨兵，更解锁了一个全新的工作模式——用AI驱动业务。这个工作流的价值远不止于监控竞品动态。你可以将它改造，用于：•监控品牌口碑：及时发现负面评价，第

weixin_41246802

1228人浏览 · 2025-11-07 19:38:38

weixin_41246802 · 2025-11-07 19:38:38 发布

还在为竞品突然发布新品而措手不及吗？还在手动刷新微博，在海量信息中大海捞针般地搜集用户反馈吗？当你还在用“复制粘贴”做日报时，你的对手可能已经用AI洞察到了市场的下一个风口。

是时候告别这种“石器时代”的作业方式了！

今天，我将手把手教你，如何用10分钟搭建一个7x24小时永不疲倦的“微博监控哨兵”。它会自动帮你监控任何你想关注的品牌或关键词，实时发现负面舆情、捕捉热门动态、洞察用户需求，让你运筹帷幄，决胜千里之外！

为什么你需要一个微博监控“哨兵”？

在信息爆炸的时代，谁能最快、最准地获取信息，谁就掌握了主动权。传统的“人工监控”模式，早已跟不上时代的步伐。

效率低下：每天花费大量时间进行重复的搜索、截图、复制、粘贴。
信息遗漏：手动操作难免有疏漏，错过一条关键负面，可能就是一场公关灾难。
数据孤岛：收集来的信息零散地躺在Excel里，难以进行有效的趋势分析和洞察挖掘。

而一个自动化的“哨兵”则完全不同：

实时全面：全天候无休，不错过任何一条相关信息。
数据驱动：自动结构化数据，为你提供量化的分析基础。
• 解放双手：让你从繁琐的重复劳动中解放出来，聚焦于更有价值的策略思考。

10分钟“手把手”教学：n8n + AI Agent 打造你的超级哨兵

忘掉复杂的API吧！现在，我们用更“黑科技”的方式来实现。主角依然是n8n，但这次，我们请来了一位更聪明的帮手——AI Agent。

这个AI Agent就像一个真正的人，它能自己“打开”浏览器，输入关键词搜索，然后“阅读”和“理解”搜索结果。整个流程会变得更加智能和自动化。

让我们看看n8n工作流：

第一步：定义监控任务 (Schedule & Set)

和之前一样，我们用 Schedule Trigger 节点来定时启动任务。紧接着，用一个 Set 节点来定义你要监控的关键词，比如“小米YU7”。

第二步：命令AI Agent开始工作 (AI Agent)

这是最激动人心的部分！添加一个 AI Agent 节点。你需要为它配置三样东西：

1. 大模型 (Model)：比如 ModelScope Chat 或其他你拥有的大语言模型（MiniMax-M2已经上线）。这是Agent的“大脑”。

2. 工具 (Tools)：这里我们给它一个 Chrome-MCP 工具，这相当于给了它一双可以操作浏览器的“手”。

考以下文章学习Chrome-MCP 工具：

Dify本地部署Chrome MCP实战：3分钟搭建网页自动化AI助手

3. 指令 (Prompt)：告诉它具体要做什么。比如：“打开微博网站，搜索{关键词}，然后把最新的5条结果的链接、内容、作者和互动数整理出来。”

角色：网络舆情实时监控机器人
职责：在 24 h 内自动发现与品牌/事件相关的微博原帖，按既定 schema 输出结构化数据。
目标：给定关键词 {{$json.keyword}}，返回最近 24 h 内热度前 5的微博帖子，每个帖子必须包含以下字段：
字段	类型	说明	缺省值
content	string	正文纯文本（去除“展开全文”折叠部分）	“”
mediaUrls	array<string>	图片/视频直链，按出现顺序排列	[]
url	string	帖子唯一 URL（https://weibo.com/…）	必填
platform	string	固定值 “weibo”	“weibo”
author	string	用户昵称	“”
followers	number	作者粉丝数	0
verified	boolean	是否加 V	false
likes	number	点赞数	0
comments	number	评论数	0
reposts	number	转发数	0
createdAt	stringISO-8601 时间，东八区	必填
输出为 JSON 数组，按 createdAt 倒序，示例：
JSON
复制
[
  {
    "content": "品牌新品发布体验分享，外观很不错。",
    "mediaUrls": ["https://example.com/img1.jpg", "https://example.com/video.mp4"],
    "url": "https://weibo.com/123456789/ABCDEF",
    "platform": "weibo",
    "author": "某KOL",
    "followers": 125000,
    "verified": true,
    "likes": 932,
    "comments": 210,
    "reposts": 88,
    "createdAt": "2025-11-03T09:41:22+08:00"
  }
]
3. 操作指令（Workflow）
  - 打开搜索页：
    * 微博：https://s.weibo.com/weibo?q={{$json.keyword}}&Refer=index
  - 等待页面加载并下拉获取更多内容
  - 用 DOM 选择器抽取字段，时间解析为 ISO 字符串
  - 返回标准化 JSON

执行这个节点，奇迹发生了！AI Agent会自动驱动浏览器完成你交代的任务，并把结果结构化地输出。

第三步：情感分析与分流 (Sentiment Analysis & Split Out)

信息收集回来后，我们需要判断它的“温度”。

1.情感分析：添加一个 Sentiment Analysis 节点，并为它指定一个用于分析的模型（如 DeepSeek Chat Model）。它会读取每一条微博内容，并给出一个情感判断：Positive (正面), Negative (负面), 或 Neutral (中性)。

2. 决策分流：根据情感分析的结果，我们用 If 节点或者 Split Out 节点来决定下一步做什么。如果是负面信息，就立即触发告警并存入Data Tables。

第四步：告警与存储 (Send Email & Data Tables)

负面告警：对于负面信息，连接一个 Send email 节点，立即发送邮件给相关负责人，实现秒级响应。

数据入库：对于所有信息，在存入数据库前，最好做一个去重。可以使用 Crypto 节点对内容进行加密生成一个唯一的ID，再用 If row does not exist 之类的逻辑判断数据库中是否已存在，避免重复存储。最后，连接
1. Data Tables节点执行存储。

//Data Table字段设置
{
      "content": "{{ $json.content }}",
      "url": "{{ $json.url }}",
      "platform": "{{ $json.platform }}",
      "author": "{{ $json.author }}",
      "followers": {{ $json.followers }},
      "verified": {{ $json.verified }},
      "likes": {{ $json.likes }},
      "comments": {{ $json.comments }},
      "reposts": {{ $json.reposts }},
      "created_At": "{{ $json.createdAt }}",
      "sentiment": "{{ $json.sentimentAnalysis.category }}",
      "hash": "{{ $json.hash }}"
    }

通过这个流程，你不仅搭建了一个监控系统，更拥有了一个具备初步认知和决策能力的AI助理！