Summary  
This chapter demonstrates how to split a collection into single-item batches and loop over them, feeding each item into an AI model for processing and then programmatically creating records with the output.

General domain of usage  
Social media content automation

Behandl hvert RSS-element til en enkelt tweet ved at følge et simpelt, gentageligt flow: **normaliseret RSS → Loop Over Items (batch = 1) → AI tweet → Airtable-række.** Denne tilgang holder workflowet minimalt, pålideligt og let at skalere. I stedet for at sende store arrays til LLM'en, sender du **én ren artikel ad gangen** for præcise, ensartede resultater.

- **RSS-element:** allerede renset eller normaliseret;
- **Loop Over Items (Split in Batches):** batchstørrelse = 1;
- **AI-agent:** genererer én tweet;
- **Airtable → Opret post:** gemmer tweeten;

Denne metode sikrer forudsigelige outputs, nemmere fejlfinding og giver mulighed for at stoppe eller genstarte midt i processen uden at forstyrre hele workflowet.

Hvis du ser dubletter (lignende overskrifter), fjern dubletter opstrøms via GUID/titel eller filtrer før loopet. Hvis Airtable afviser skrivninger, tjek tabel-/feltnavne og -typer igen.

Bemærk

Du kan nu omdanne ethvert normaliseret RSS-feed til tweets, der postes pålideligt, gemme dem i Airtable med kildeopsporing og sikkert genoptage uden dubletter. Ved at justere én systembesked styrer du tone og længde, hvilket holder workflowet skalerbart og venligt over for rate limits.

Hvad er den største fordel ved at gemme hver tweet med dens kilde-GUID i Airtable?

n8n er en fleksibel automatiseringsplatform til at forbinde apps, transformere data og opbygge AI-drevne arbejdsgange. Du opnår solide grundlæggende færdigheder gennem virkelige, praktiske eksempler, der dækker triggere, JSON-håndtering, dataflow-teori, AI-integration, webhooks og komplette automatiseringsopbygninger. Fokus er på at forstå, hvordan information bevæger sig gennem en arbejdsgang, og hvordan denne information struktureres, så noder og API'er opfører sig forudsigeligt. Resultatet er evnen til at designe, fejlfinde og implementere pålidelige automatiseringer, der fungerer fra ende til anden.

En praktisk oversigt over n8n's miljø, kerneværktøjer og den nødvendige tankegang for at opbygge automatiseringer. Begreber omfatter effektiv anvendelse af AI, forståelse af hvordan data flyder gennem noder, import af skabeloner og omdannelse af rå input til struktureret output.

En fokuseret gennemgang af de væsentlige arbejdsgangskomponenter. Triggere, datamanipulationsnoder, HTTP-forespørgsler, webhooks og flowkontrollogik. Materialet opbygger en klar mental model for, hvordan eksekveringer starter, hvordan data formes, og hvordan rutevalg træffes.

En grundig gennemgang af, hvordan n8n repræsenterer og behandler data. Emner omfatter JSON-struktur, læsning af komplette payloads, reparation af defekt JSON, håndtering af arrays og objekter samt arbejde med binære filer. Målet er forudsigelig og sikker datahåndtering på tværs af alle workflows.

En trinvis omdannelse af en ODT-plan til en struktureret automatiseringsplan. Materialet dækker pålidelige RSS-feeds, forberedelse af data til LLM'er, generering af tweets med Airtable-løkker, design af resultatbaserede flows og kortlægning af hele workflowet i Miro.

En komplet opbygning fra det indledende koncept til det endelige output. Emner omfatter strukturering af flowet, normalisering af API-data, løkker, fejlsikring og tilbageskrivning til Airtable med en gennemarbejdet automatisering, der demonstrerer pålidelighed og klarhed fra ende til anden.

LLM Tweet-Genereringssløjfe