我用 Cloudflare 免费搭了一套 AI 内容流水线，真的能跑起来 ✍ 雨哥向前冲🕐 2026-05-03📦 14.1 KB 🟢 已读 𝕏 文章列表 文章介绍了如何利用 Cloudflare 的 Workers、Cron、Workers AI、R2、D1 和 Pages 五大免费服务，搭建一个全自动化的 AI 内容流水线。该流水线能定时抓取资讯（如 Hacker News），利用开源大模型（如 Llama 3）自动进行中文摘要、翻译和分类，并将数据存储在 D1 数据库和 R2 对象存储中，最终通过 Pages 生成公开的网页。文章提供了详细的代码配置示例，并分析了免费额度的可行性，适合个人创作者构建自动化工作台。 CloudflareAI自动化ServerlessWorkersLLM教程RSS流水线Llama # 我用 Cloudflare 免费搭了一套 AI 内容流水线，真的能跑起来 **作者**: 雨哥向前冲 **日期**: 2026-05-01T13:04:09.000Z **来源**: [https://x.com/xiangxiang103/status/2050199597113360755](https://x.com/xiangxiang103/status/2050199597113360755) ---  每天刷那么多信息，有用的记不住、存不下、找不到。 看到一篇好文章，丢进收藏夹吃灰；想做个行业周刊，每周手动复制粘贴、用翻译器转录、再搞排版，没干两周就放弃了。信息过载的时代，个人创作者最大的痛点其实不是“缺内容”，而是“缺自动化的工作流”。 那能不能一个人，不买云服务器，不掏月租，靠白嫖大厂的免费套餐，给自己搭一个“自动化内容工作台”？ 完全可以。今天这篇，我们就用 Cloudflare 现成的五件套，搭一个 “AI 科技周刊自动生成器”。它能每天自动去抓你想看的信息源，让 AI 先做一轮中文摘要和分类，分好类存进数据库，最后自动发布成一个公开的网页。 这套体系不光能做周刊，你还可以把它改造成个人的第二大脑信息流、或者垂直领域的聚合站。 ## 架构一览：五件套都在干嘛 只要你有一个 Cloudflare 账号，就相当于拥有了一个全栈的云端机房。我们这条“流水线”会用到它家的 5 个核心服务：  用人话解释一下它们的分工： 1. Workers + Cron：打工人+定时闹钟。每天定时去 Hacker News、RSS 源抓文章。 2. Workers AI：外包脑力。直接用 Llama 等开源大模型，先根据标题、链接或正文片段做中文摘要、推荐理由和标签；如果你接入正文抽取，也可以进一步做深度总结。 3. R2：大仓库。用来存抓下来的文章封面图、或者原始的超大 JSON 数据（免流量费）。 4. D1：账本。一个好用的数据库，存整理好的文章标题、链接、摘要内容。 5. Pages：门面。把 D1 里的数据渲染出来，做成别人能访问的静态网站。 不用担心开销，个人项目跑这套流程，Cloudflare 给的免费额度通常够用（文末有成本测算）。 下面我们一步步把这套流水线跑起来。 ## Step 1：用 Workers + Cron 定时抓取信息 第一步，我们需要一个“打工人”，每天定点去给我们收集素材。 在本地建好项目后，一切的配置都在 wrangler.toml 里搞定。我们要用 [triggers] 让 Worker 每天早上 8 点自动干活。 ``` # 我用 Cloudflare 免费搭了一套 AI 内容流水线，真的能跑起来 name = "ai-content-pipeline" main = "src/index.js" compatibility_date = "2026-04-30" # 我用 Cloudflare 免费搭了一套 AI 内容流水线，真的能跑起来 [triggers] crons = ["0 0 * * *"] ``` 对应的代码逻辑非常简单，写在 src/index.js 里： ``` export default { // 这是 Cron 定时触发的入口 async scheduled(event, env, ctx) { // 1. 去源头抓数据 (这里拿 Hacker News 举例) const hnResponse = await fetch("https://hacker-news.firebaseio.com/v0/topstories.json"); const storyIds = await hnResponse.json(); // 取前 5 篇 const top5Ids = storyIds.slice(0, 5); let articles = []; for (let id of top5Ids) { const itemRes = await fetch(`https://hacker-news.firebaseio.com/v0/item/${id}.json`); const item = await itemRes.json(); articles.push(item); } // 把文章传给下一步处理 (见下文) await processArticles(articles, env); } }; ``` 这就完事了。一分钱不用花，你拥有了一个绝对不会睡过头的爬虫。 下面几张截图来自同一套流程的一次真实运行：Worker 从 Hacker News 抓取条目，AI 做中文整理，D1 保存结构化结果，R2 保留原始 JSON，最后由 Pages 展示出来。 Cloudflare 后台 - Worker 定时触发  手动触发流水线结果  ## Step 2：用 Workers AI 做摘要、翻译、分类 文章信息抓回来了，但直接看英文标题和链接仍然很费时间。这时候就要让 AI 上场，先帮我们做一轮可读的中文整理。 在 wrangler.toml 里加上 AI 的绑定： ``` [ai] binding = "AI" ``` Cloudflare 贴心地在边缘节点上部署了各种开源大模型（比如 Llama 3 系列），可以直接调，不需要你再去 OpenAI 注册账号充 API。 我们在刚才的代码里加上 processArticles 函数： ``` async function processArticles(articles, env) { for (let article of articles) { if (!article.url) continue; const prompt = ` 请将以下新闻标题和链接整理成严格 JSON，不要输出 Markdown。 字段包括： - title_zh：中文标题 - summary_zh：2-3 句话中文摘要，只根据标题和链接做保守判断 - why_it_matters：1-2 句话说明它为什么值得创作者或开发者关注 - tags：2-3 个分类标签数组 原文标题：${article.title} 原文链接：${article.url} `; // 调免费的 Llama 3 8B 模型干活 const aiResponse = await env.AI.run('@cf/meta/llama-3.1-8b-instruct-fast', { messages: [{ role: "user", content: prompt }] }); const aiResult = aiResponse.response; // 假设 AI 返回了我们需要的结构化数据 console.log("AI 处理结果:", aiResult); // 接下来我们要把它存起来 await saveToDatabase(article, aiResult, env); } } ``` 这里先用最基本的 prompt 演示标题和链接级别的整理。如果你要做深度处理，还可以让 Worker 去 fetch 原文页面的 HTML，提取正文后再喂给 AI 做深度总结。 ## Step 3：用 R2 存图片和原始资料 结构化的数据存数据库，那些大块头的杂物（比如抓下来的文章配图、很长的原始 JSON）存哪里？放 D1 太浪费，放 R2 刚好。 R2 是 Cloudflare 的对象存储，适合放原始 JSON、图片和网页快照这类大文件。它的一个重要优势是没有传统云存储常见的出站流量费用。 加配置，在本地创建一个叫 content-store 的 R2 bucket 并绑定： ``` npx wrangler r2 bucket create content-store ``` ``` # 我用 Cloudflare 免费搭了一套 AI 内容流水线，真的能跑起来 [[r2_buckets]] binding = "BUCKET" bucket_name = "content-store" ``` 在代码里把原始抓取的数据存个档，留着以后分析： ``` // 续写上文的代码 async function saveToStorage(article, env) { const fileKey = `raw/${article.id}.json`; // 直接丢进 R2 await env.BUCKET.put(fileKey, JSON.stringify(article)); return fileKey; } ``` 以后如果前端要配图，直接把图抓下来 env.BUCKET.put() 进去。需要注意的是，R2 里的文件默认不是公开的，想让网页直接访问图片，还要给 bucket 开启公开访问、绑定自定义域名，或者由 Worker 生成临时访问链接。 R2 原始 JSON 数据  ## Step 4：用 D1 存文章、链接、标签 终于来到核心部分了。AI 整理好的精炼内容，我们要存在 D1 数据库里。D1 其实就是一个 Serverless 的 SQLite，极其轻量且不用管运维。 先建表，写一个 schema.sql： ``` DROP TABLE IF EXISTS articles; CREATE TABLE articles ( id INTEGER PRIMARY KEY, title TEXT, url TEXT, summary_zh TEXT, why_it_matters TEXT, tags TEXT, created_at DATETIME DEFAULT CURRENT_TIMESTAMP ); ``` 执行命令创建数据库和表结构： ``` npx wrangler d1 create content-db # 我用 Cloudflare 免费搭了一套 AI 内容流水线，真的能跑起来 npx wrangler d1 execute content-db --local --file=schema.sql # 我用 Cloudflare 免费搭了一套 AI 内容流水线，真的能跑起来 npx wrangler d1 execute content-db --remote --file=schema.sql ``` 更新 wrangler.toml： ``` [[d1_databases]] binding = "DB" database_name = "content-db" database_id = "终端里吐出来的那个ID" ``` 回到我们的 Worker 代码，把 AI 处理完的数据塞进去： ``` async function saveToDatabase(article, aiResult, env) { // 假设我们解析了 AI 的结果 const zhTitle = "AI 生成的中文标题"; const summary = "2-3 句话中文摘要"; const whyItMatters = "这条内容为什么值得看"; const tags = "AI, 自动化, 资讯"; // 用标准的 SQL 写入 D1 await env.DB.prepare( `INSERT INTO articles (id, title, url, summary_zh, why_it_matters, tags) VALUES (?, ?, ?, ?, ?, ?) ON CONFLICT(id) DO NOTHING` ).bind(article.id, zhTitle, article.url, summary, whyItMatters, tags).run(); } ``` 至此，一个最小版的后台自动抓取流水线已经能跑通了。上面的代码为了讲清楚流程做了简化：AI 返回结果还需要按中文标题、多段摘要、推荐理由、标签拆开，R2 存档函数也要接进主流程。把这些补齐后，只等每天早上 8 点，内容就会源源不断地自动流进你的数据库里。 Cloudflare 后台 - D1 数据表  D1 数据接口返回  ## Step 5：用 Pages 展示成公开网站 光有数据库不行，得让人能看到。最后一步，我们用 Cloudflare Pages 搭一个极简的前端展示页。 Pages 自带了 Functions 功能（基于 Workers），所以我们连后端 API 都不用单独部署，直接在 Pages 项目里建一个 functions/api/articles.js。不过这类接口请求会按 Workers 的规则计入用量，不能简单理解成“Pages 页面访问无限，所以接口也无限”。 ``` // 当访问 /api/articles 时触发 export async function onRequest(context) { // 从绑定的 D1 里查数据 const { results } = await context.env.DB.prepare( "SELECT * FROM articles ORDER BY created_at DESC LIMIT 20" ).all(); return Response.json(results); } ``` 然后在同目录下写一个普通的 index.html，用点基础的 JS 去调这个接口： ``` <!DOCTYPE html> <html> <head> <title>我的 AI 科技周刊</title> </head> <body> <h1>每日 AI 科技精选</h1> <div id="content"></div> <script> fetch('/api/articles') .then(res => res.json()) .then(data => { const html = data.map(article => ` <div style="margin-bottom: 20px; padding: 15px; border: 1px solid #eee;"> <h3><a href="${article.url}">${article.title}</a></h3> <p><strong>摘要：</strong>${article.summary_zh}</p> <p><strong>为什么值得看：</strong>${article.why_it_matters}</p> <p><small>标签：${article.tags}</small></p> </div> `).join(''); document.getElementById('content').innerHTML = html; }); </script> </body> </html> ``` 在 Dashboard 里新建一个 Pages 项目，把这俩文件扔上去，或者用命令行一键部署。连上 D1 binding，你的个人内容订阅站就正式上线了。 最终展示页  ## 免费额度到底够不够用？ 很多朋友一听到“全家桶”，第一反应就是“这跑起来不得破产？” 我们来算笔账。假设你搞的这个周刊，每天自动抓取 50 篇 文章进行 AI 翻译和总结，你的前端页面每天有 1000 次 访问。  结论很明确：只要你不拿它做商业级别的大型爬虫，对于个人或者小团队的内容流自动化，Cloudflare 的免费套餐通常已经足够起步。真正上线前，还是建议按自己的抓取频率、AI 输出长度和访问量重新算一遍。 ## 几个防踩坑与进阶玩法 1. Cron 触发的超时问题：免费版 Workers 有 CPU 运行时间限制。如果你一次性抓 100 篇文章喂给 AI，很可能会超时。建议用多个短频快的定时任务（比如每 2 小时抓 5 篇），或者利用 Queue 把抓取和 AI 分析拆成异步。 2. AI 的神经元（Neurons）计算：Workers AI 现在的免费额度是按 Neurons 算的。尽量选 @cf/meta/llama-3.1-8b-instruct-fast 这样的小且快模型，便宜好用。 3. 加点“料”：Vectorize 语义搜索：如果你想在页面上加一个“按意思搜文章”的功能，可以把 AI 生成的文本再过一遍 Embedding 模型，存进 Cloudflare Vectorize 库里，瞬间变成高阶版的 RAG。 4. 邮件推送：如果还想做邮件版周刊，可以再接邮件发送服务或 Cloudflare 的邮件相关能力。这里要注意，收信转发、处理来信和主动发信不是一回事，具体实现前要先确认当前账号可用的发送方式。 ## 结语 从抓取、清洗、AI 提炼、存储、到最终的发布。我们只用了不到两百行代码，零服务器成本，就在云端拼起了一个完整的“编辑部”。 这就是 Serverless + AI 带来的恐怖生产力。你不需要再陷在日常的 Ctrl+C 和 Ctrl+V 里，那些重复的信息筛选工作，完全可以交给机器在你看不到的边缘节点上默默完成。 如果你也有兴趣搞这么一套，可以先去官网注册个账号。准备好你的 API 源，建个 D1 跑跑看。 你手头现在最想自动化的是什么内容流？小红书笔记？竞品公众号？还是投资研报？在评论区聊聊，没准你的痛点大家都有同感。更多 AI 干货同步更新公众号：雨哥聊AI，关注我带你玩转 AI 时代！ ## 相关链接 - [雨哥向前冲](https://x.com/xiangxiang103) - [@xiangxiang103](https://x.com/xiangxiang103) - [117K](https://x.com/xiangxiang103/status/2050199597113360755/analytics) - [@cf/meta](https://x.com/@cf/meta) - [9:04 PM · May 1, 2026](https://x.com/xiangxiang103/status/2050199597113360755) - [117.1K Views](https://x.com/xiangxiang103/status/2050199597113360755/analytics) - [View quotes](https://x.com/xiangxiang103/status/2050199597113360755/quotes) --- *导出时间: 2026/5/3 13:57:56*
我 我用 Cloudflare 免费搭了一套 AI 内容流水线 文章介绍了如何利用 Cloudflare 的五项免费服务构建一个自动化的 AI 内容工作流。通过 Workers 定时抓取信息，Workers AI 进行摘要翻译，R2 存储原始数据，D1 数据库保存结构化内容，最后由 Pages 展示成公开网页。该方案适合个人创作者打造科技周刊或第二大脑，且完全在免费额度内运行。 技术 › DevOps ✍ 雨哥向前冲🕐 2026-05-01 CloudflareServerlessAI自动化RSS低代码全栈开发
如 如何构建你的第一个智能体工厂 文章探讨了如何从构建单个智能体转向构建智能体工厂，以解决人工审核瓶颈问题。介绍了Sage决策模型在自动化质量控制和输出门控中的应用，提供了具体的实现思路和GitHub资源。 技术 › Agent ✍ Avid🕐 2026-07-30 智能体工厂AI自动化质量控制Sage模型LLM
如 如何构建能在你睡觉时运行的公司大脑 本文介绍如何超越个人知识库，构建一个“公司大脑”。通过将文件系统与 AI 智能体结合，设定文件夹作用域、定时任务和自动汇报，让智能体自动处理营销、文件归档等工作，实现无需人工干预的全自动企业级知识管理。 技术 › Agent ✍ Hila Shmuel🕐 2026-07-29 AI知识库自动化工作流LLMCabinet
如 如何利用AI构建和扩展单人企业 文章介绍了利用AI构建和扩展单人企业的完整蓝图。通过使用AI员工（如Viktor）在内容、项目、拓展、财务和广告五个领域实现自动化，只需保留决策环节。文章探讨了两种构建方式：快速路径和自定义构建，强调业务知识库和操作规则的重要性。 技术 › Agent ✍ Machina🕐 2026-07-26 AI单人企业自动化Agent生产力Viktor商业模式知识库LLM效率
管 管理 AI 员工团队：Ryan Carson 的高效工作系统 Ryan Carson 分享了如何作为唯一员工，通过管理云端 AI Agent 团队日处理 40 个 Pull Request 的经验。文章详细介绍了将工作迁移至云端、建立工作节奏、将重复检查自动化以及控制 Token 成本四个关键步骤，强调在 AI 时代，优秀的工程管理能力比以往任何时候都重要。 技术 › Agent ✍ The Startup Ideas Podcast (SIP)🕐 2026-07-25 AIAgentDevin工程管理自动化云端开发成本控制DevOpsLLM
S Stop using AI. Start having AI systems running. 文章作者分享了从单纯使用 AI 到让 AI 系统持续运行的转变。他通过编码代理管理目标、习惯和日志，利用 Plaud NotePin 记录日常想法，并使用 OBS 录像提高专注度。这种系统化方式不仅保留了工作状态，还显著提升了生活与工作的效率。 技术 › Agent ✍ Will Chen🕐 2026-07-23 AI代理工作流生产力自动化记录工具LLM自我优化
H Hermes Agent 大师课程：完整指南 本文是一份关于 Hermes Agent 的 12 部分系列课程汇总，涵盖了从工作流程、学习系统、技能管理到多平台集成、浏览器控制等核心功能，详细介绍了该系统的架构设计与最佳实践。 技术 › Hermes ✍ Tony Simons🕐 2026-07-20 AgentHermesLLM教程系统架构工具集成多代理自动化
W WorkBuddy 无痛发 X 长文流水线搭建 文章介绍了如何基于 WorkBuddy 搭建一条自动发布 X（Twitter）长文的流水线。该流程解耦了特定客户端依赖，使用 Node.js 脚本直连 Buffer 和 Typefully API，实现了从素材抓取、摘要生成、配图制作到自动排期发布的全自动化，并重点解决了非交互 shell 环境变量配置及超时等问题。 技术 › Agent ✍ 码良🕐 2026-07-15 WorkBuddy自动化流水线TypefullyBufferCodexSKILL.mdDevOpsAI
如 如何在6个月内成为代理AI工程师 本文提供了一个为期6个月的12阶段AI工程师学习路线图。文章首先阐述了代理工程师的核心是构建能自主决策的系统，而非编写固定逻辑。前两个阶段重点介绍了Python异步编程的基础（解决API调用阻塞问题）和LLM的基本原理（如上下文限制、成本控制和模型路由）。随后详细讲解了工具调用与结构化输出的实现方法，强调使用Pydantic验证数据及构建可恢复的Agent循环。 技术 › Agent ✍ Rahul🕐 2026-07-12 AIAgentLLMPython异步编程教程职业发展工具调用Pydantic学习路线
如 如何从头构建一个 RL 环境：以 Othello 游戏为例 本文介绍了如何使用 Prime Intellect 的 Verifiers 框架从零开始构建一个用于强化学习（RL）的 Othello（黑白棋）游戏环境。文章解释了 RL 循环的基本组成部分（状态、动作、奖励、环境），并利用 GRPO 算法替代传统的人工偏好模型。文中详细展示了技术栈、游戏循环逻辑以及内置的 Minimax 对手引擎代码，旨在帮助开发者理解并掌握构建模型无关的 RL 环境的核心方法。 技术 › Agent ✍ Akshay🕐 2026-07-07 强化学习RL环境构建OthelloGRPODeepSeekLLMAIVerifiers教程
C Codex 如何应用于办公和知识场景 这篇文章介绍了如何利用 Codex 的 AI 工作台能力处理办公与知识管理任务。文章阐述了 Codex 的核心概念、从单次任务到自动化系统的五级进阶用法，以及五步工作法。作者提供了搭建环境的具体建议和16个实用工作流模板，旨在帮助用户将重复劳动自动化，提升工作效率。 技术 › Codex ✍ Gorden Sun🕐 2026-06-29 AI工作流自动化办公效率知识管理Codex教程工具提示词Agent
H Horizon：开源 AI 新闻雷达，打造你的专属双语日报 介绍了一款名为 Horizon 的开源 AI 新闻雷达工具。该工具支持抓取 HN、Reddit、GitHub 等多平台一手信息，利用大模型自动打分、去重、总结，并生成中英双语日报。支持 Docker 一键部署及多种订阅方式，旨在解决信息过载和二手信息泛滥的问题。 技术 › 工具与效率 ✍ 开发者Hailey🕐 2026-06-28 AI开源新闻聚合效率工具HorizonDockerLLM资讯自动化Python