Super RAG Faktenbasierter Artikelgenerator aus der Wissensdatenbank - n8n-Workflow

• Content-Teams, die schnell hochwertige, verifizierte Artikel erstellen müssen.


• Unternehmen, die sich für die externe Kommunikation auf spezifisches, proprietäres internes Wissen (RAG) stützen.


• Fortgeschrittene n8n-Nutzer, die nach komplexen KI-Automatisierungsvorlagen suchen.


• Marketingexperten, die die Inhaltsproduktion skalieren müssen, während sie die sachliche Genauigkeit wahren.

Diese Automatisierungsvorlage stellt eine leistungsstarke Lösung zur Skalierung der Inhaltserstellung dar, während gleichzeitig die sachliche Richtigkeit strikt durchgesetzt wird. Standard-KI-Texte haben oft Schwierigkeiten mit Halluzinationen; dieser n8n Workflow eliminiert dieses Risiko, indem er den gesamten Artikelerstellungsprozess auf einer verifizierten Wissensquelle (über Super Assistant) fundiert.

Der Prozess beginnt mit einem einfach zu bedienenden n8n Trigger-Formular, in das der Benutzer Thema und Richtlinien eingibt. Die Kerninnovation dieses n8n Workflows ist die Sequenz 'Planen, Recherchieren, Schreiben': Ein LLM zerlegt das Thema zunächst in präzise Unterfragen, die dann durch die Abfrage Ihrer RAG-Wissensbasis einzeln beantwortet werden. Abschließend verfasst ein zweites, leistungsstärkeres LLM den fertigen Artikel, basierend ausschließlich auf den verifizierten Forschungsdaten, wobei sichergestellt wird, dass Quellenlinks nahtlos integriert werden. Dieser komplexe Ablauf demonstriert die fortschrittlichen Möglichkeiten, die durch vorgefertigte n8n-Vorlagen verfügbar sind.

Dieser hochstrukturierte n8n Workflow arbeitet in fünf unterschiedlichen Phasen:

1. Trigger und Planung (Der n8n Trigger): Die Automatisierung startet mit dem n8n Trigger New article form, der den gewünschten Artikeltitel und die Richtlinien erfasst. Der n8n Node New content - generate research questions, unterstützt durch GPT-5, analysiert das Thema und zerlegt es in 5–8 sich nicht überschneidende Forschungsfragen in striktem JSON-Format.


2. Vorbereitung und Aufteilung: Der Structured Output Parser stellt sicher, dass die Fragen korrekt formatiert sind, und der n8n Node Split Out Questions wandelt das Array in einzelne Elemente zur parallelen Verarbeitung um.


3. RAG-Recherche-Schleife: Der n8n Node Loop Over Questions initiiert eine Batch-Schleife. Innerhalb der Schleife sendet der n8n Node Query Super Assistant jede einzelne Frage an den Super RAG Service (Super.work), um sachliche Antworten und relevante Quellen aus Ihrer verbundenen Wissensbasis abzurufen. Der n8n Node Format question and answer bereinigt und standardisiert anschließend die Ausgabe, insbesondere durch das Ersetzen von Quellplatzhaltern durch klare Markdown-Links.


4. Aggregation: Sobald die Recherche-Schleife abgeschlossen ist, sammelt der n8n Node Aggregate research content alle verifizierten F&A-Daten und bildet so das finale Recherche-Briefing.


5. Finale Synthese: Der n8n Node New content - Generate the AI output (unter Verwendung von GPT 5 Chat) erhält den ursprünglichen Prompt und die aggregierte Recherche. Er wird angewiesen, als Autor zu agieren und einen vollständigen Artikel zu erstellen, der sich strikt auf die bereitgestellten Fakten stützt. Das Ergebnis wird im finalen n8n Node Article result erfasst, womit der automatisierte n8n Workflow abgeschlossen ist.

Um diesen umfassenden n8n Workflow bereitzustellen, gehen Sie wie folgt vor:

1. Import der n8n Vorlage: Kopieren Sie den bereitgestellten JSON-Code und fügen Sie ihn in Ihre n8n-Instanz ein, indem Sie die Funktion 'Neu' -> 'Aus JSON importieren' verwenden.


2. Konfiguration der LLM-Anmeldeinformationen: Verbinden Sie Ihren bevorzugten KI-Anbieter (z. B. OpenAI) mit den beiden Langchain LLM Nodes (New content - generate research questions und New content - Generate the AI output). Stellen Sie sicher, dass die Anmeldeinformationen für den Zugriff auf fortgeschrittene GPT-Modelle (wie GPT-5 Mini und Chat-Modelle) eingerichtet sind.


3. Einrichtung der Super RAG Verbindung: Navigieren Sie zum n8n Node Query Super Assistant. Dies ist ein entscheidender Schritt für die RAG-Komponente des n8n Workflows.

1. Aktivieren: Speichern Sie den n8n Workflow und klicken Sie auf 'Aktivieren' (oder 'Ausführen' zum Testen), um den Formular-n8n-Trigger zu aktivieren.

New article form (n8n trigger): Der Startpunkt für diesen n8n Workflow. Er erfasst den Article title und die Article guidelines von einem Benutzer über ein durch Webhook ausgelöstes Formular.
New content - generate research questions (Langchain LLM n8n node): Nutzt ein GPT-5 Modell, um das komplexe Artikelt thema in eine Liste spezifischer, beantwortbarer Forschungsfragen zu zerlegen und erzwingt die Struktur über ein JSON-Ausgabeschema.
Query Super Assistant (HTTP Request n8n node): Der RAG-Integrationspunkt. Dieser n8n Node sendet einzelne Forschungsfragen an den externen Super API Endpunkt und nutzt Ihre proprietären Dokumente zur Faktenrecherche.
Loop Over Questions (Split In Batches n8n node) & Aggregate research content (Aggregate n8n node): Diese n8n Nodes steuern den iterativen Rechercheprozess. Der Split In Batches n8n Node verwaltet die Schleifenstruktur, während der Aggregate n8n Node alle einzelnen Forschungsergebnisse zu einem umfassenden Datensatz für das schreibende LLM sammelt.

• New content - Generate the AI output (Langchain LLM n8n node): Der finale Syntheseschritt. Dieser leistungsstarke n8n Node nimmt die zusammengeführte Recherche und die ursprünglichen Richtlinien entgegen, um den vollständigen, quellenverlinkten Artikel gemäß dem gewünschten Format und Stil zu entwerfen.