Ein neuer Artikel ist online. Jetzt beginnt die eigentliche Arbeit: Text für Facebook kürzen, Bildunterschrift für Pinterest schreiben, Hashtags für Instagram raussuchen, alles nochmal für ein Video umformulieren. Für einen einzigen Artikel schnell eine Stunde, für sieben Plattformen ein ganzer Nachmittag.
Diese Arbeit übernimmt inzwischen ein n8n-Workflow für mich. Er nimmt eine Artikel-URL entgegen und liefert fertigen Content für sieben Kanäle zurück. Ich zeige dir die Architektur dahinter, drei Stolpersteine, die mich einiges an Nerven gekostet haben, und einen vereinfachten Baustein zum direkten Nachbauen.
Der Aufbau: ein Verteiler, sieben Spezialisten
Der Kern ist ein Hauptworkflow, der wie ein Redaktionsleiter funktioniert. Er schreibt selbst keinen einzigen Text, sondern sammelt nur die Artikel-Infos ein und verteilt sie an spezialisierte Subworkflows, je einen pro Plattform: Facebook Seite, Facebook Gruppe, Pinterest, Instagram Carousel, Video-Skript, X/Twitter-Thread, Bluesky.
So läuft ein Durchlauf ab:
1. Ein Formular-Trigger nimmt die Artikel-URL entgegen.
2. Ein HTTP-Request lädt die Artikelseite, ein Code-Node entfernt HTML-Tags, Navigation und Footer und extrahiert Titel plus Fließtext.
3. Ein Claude-Aufruf analysiert den Artikel und extrahiert Kernthese, zitierbare Aussagen, Beispiele und mögliche Blickwinkel.
4. Ein zweiter Claude-Aufruf verteilt diese Bausteine auf die sieben Plattformen: Welcher Winkel passt zu Pinterest, welcher zu einem Twitter-Thread?
5. Jeder der sieben Subworkflows läuft parallel und generiert seinen eigenen Text.
6. Für Facebook und Pinterest generiert zusätzlich ein Bild-Modell (gpt-image-1) ein passendes Bild.
7. Alles landet gesammelt in einer Google-Sheets-Tabelle. Die Plattformen mit direkter Posting-Anbindung haben dort einen eigenen Freigabe-Status: offen, freigegeben, gepostet. Ich schaue drüber, gebe frei, ein separater Posting-Workflow übernimmt den Rest. Bei den übrigen Plattformen steht der Text fertig im Sheet, gepostet wird dort noch von Hand, dazu gleich mehr.
Kein Text geht ungeprüft raus. Das Sheet ist bewusst die Kontrollinstanz.
Der Baustein zum Nachbauen
Das komplette System mit sieben parallelen Subworkflows ist zu viel für einen einzelnen Artikel. Deshalb zeige ich dir stattdessen den Kern in seiner einfachsten Form: Artikel-URL rein, ein fertiger Facebook-Post raus. Fünf Schritte, keine Verzweigung, kein Sheet.
1. Formular-Trigger nimmt die Artikel-URL entgegen.
2. HTTP-Request lädt die Seite.
3. Code-Node entfernt Skripte, Styles, Navigation und Footer per Regex und schneidet Titel sowie Text aus dem HTML heraus.
4. Code-Node baut daraus einen Prompt: Titel und Artikeltext gehen rein, die Anweisung ist, ausschließlich valides JSON mit `post_text` und `hashtags` zurückzugeben, ohne Markdown-Codeblock drumherum.
5. HTTP-Request an die Anthropic-API (Modell claude-haiku-4-5) generiert daraus den Text. Ein letzter Code-Node parst die Antwort und gibt sie strukturiert aus.
Die fertige Workflow-Datei zum Import findest du am Ende des Artikels. Du brauchst nur einen n8n-Zugang und einen Anthropic-API-Key.
Drei Stolpersteine, die mich Zeit gekostet haben
Das Platform-Feld ging verloren, wenn Claude kein sauberes JSON lieferte. Jeder Subworkflow läuft in einer kleinen Schleife: Text generieren, von einem zweiten Claude-Aufruf bewerten lassen, bei Bedarf verbessern. Wenn die erste Antwort aus irgendeinem Grund kein valides JSON war, zum Beispiel weil Claude einen erklärenden Satz vor das JSON gesetzt hat, ging dabei das Feld verloren, das festhält, für welche Plattform der Text überhaupt bestimmt war. Ergebnis: leere Einträge im Sheet, ohne erkennbaren Grund. Die Lösung war ein simpler Fallback am Ende jedes Subworkflows, der das Plattform-Feld notfalls aus dem ursprünglichen Input nachträgt, statt sich auf Claudes JSON-Antwort zu verlassen.
Die Bewertungsschleife merkte sich den letzten Versuch statt des besten. Jeder Text wird bis zu zweimal generiert und dazwischen von einem Kritiker-Prompt bewertet. Ursprünglich hat der State der Schleife nur den jeweils letzten Bewertungsversuch mitgeführt. Fiel Versuch zwei schlechter aus als Versuch eins, landete trotzdem der schlechtere Text im Sheet, weil er einfach der aktuellste war. Der Fix: ein eigenes Feld, das explizit den bislang besten Text plus dessen Bewertung festhält, unabhängig davon, in welchem Versuch er entstanden ist. Am Ende der Schleife wird nur noch dieses Feld ausgegeben, nicht der letzte Durchlauf. Generieren, bewerten lassen, bei Bedarf verbessern statt einmal zu prompten und zu hoffen. Dieses Muster wird gerade unter dem Stichwort Loop Engineering diskutiert. Der Bug zeigt gut, wie leicht man die eigentliche Pointe so einer Schleife verfehlt: Sie bringt nichts, wenn man am Ende trotzdem nur den letzten statt den besten Durchlauf mitnimmt.
Die Plattform-APIs waren die eigentliche Hürde, nicht die KI-Generierung. Text und Bild zuverlässig zu erzeugen war nach ein paar Testläufen erledigt. Das automatische Posten an die Plattformen selbst hat deutlich länger gedauert. Bei der Facebook-Seite lief das Posten zeitweise ins Leere, weil der Zugriffstoken aus dem Graph API Explorer nach einer Stunde ablief, ein langlebiger Token hat das erst gelöst. Pinterest brauchte eine eigene App-Freigabe, bevor überhaupt ein Pin über die API rausging.
Bei der Facebook-Gruppe war es noch grundsätzlicher: Meta hat die dafür nötigen Berechtigungen `publish_to_groups` und `groups_access_member_info` im April 2024 ersatzlos aus der Graph API gestrichen. Kein Antrag und kein App Review helfen da noch weiter. Der Subworkflow generiert für die Gruppe weiterhin Text und schreibt ihn ins Sheet, das automatische Veröffentlichen bleibt aber dauerhaft Handarbeit, nicht nur bis zur nächsten Freigabe.
Wer sich den App-Review- und Token-Ärger sparen will, kann für Facebook-Seite, Instagram, Pinterest und X auch auf spezialisierte Tools wie Buffer, Hootsuite, Publer, Blotato oder RobinReach zurückgreifen. Die haben die Freigaben der Plattformen längst selbst durchlaufen und lassen sich über eine einzige Schnittstelle ansteuern, Blotato bringt dafür einen eigenen n8n-Node mit, RobinReach ab der zweiten Preisstufe eine MCP-Anbindung. Preislich reicht die Spanne von wenigen Euro pro Kanal im Monat bei Buffer oder Publer über Abos ab knapp 30 Euro mit KI-Credits bei Blotato bis zu einmaligen Lifetime-Deals ab rund 70 Euro bei RobinReach. Hootsuite spielt mit dreistelligen Monatspreisen in einer ganz anderen Liga. An der toten Facebook-Gruppen-API ändert keines der Tools etwas, das betrifft sie alle gleichermaßen.
Wer so etwas nachbaut, sollte für die Anbindung an die Plattformen mehr Zeit einplanen als für den KI-Teil. Der ist inzwischen der leichtere Teil der Arbeit.
Alle drei Stolpersteine waren unauffällig, weil der Workflow in den meisten Fällen trotzdem ein brauchbares Ergebnis lieferte. Sichtbar wurden sie erst bei genauerem Hinsehen im Sheet oder bei einem fehlgeschlagenen Post, nicht durch einen Fehler in n8n selbst.
Zum Download
Download-Link: vereinfachter Workflow als JSON-Datei
Import in n8n: Workflows → Import from File. Danach brauchst du noch einen Anthropic-API-Key als Credential im Node "Claude: Text generieren".
Der Download ist bewusst nur der vereinfachte Baustein, nicht das komplette Sieben-Plattformen-System. Das volle Setup hängt an eigenen Zugängen für Facebook, Pinterest und Google Sheets, mitsamt der App-Review-Hürden aus dem Abschnitt oben. Das willst du dir nicht an einem Wochenende antun, nur weil du einen einzelnen Blogartikel automatisieren möchtest. Der Baustein hier reicht, um das Prinzip zu verstehen und selbst weiterzubauen.
---
0 Kommentare