Manchmal sind RSS-Daten inkonsistent oder überladen. Daher werden die Artikel auf das Wesentliche gekürzt, damit das LLM jedes Mal einen klaren Tweet erzeugen kann. Das Ziel ist einfach: Jeder Artikel soll das LLM in einer sauberen, kompakten Form erreichen, die in einen einzelnen Tweet umgewandelt werden kann.

• Aggregieren eines kleinen Feeds und testen, ob das LLM damit umgehen kann;
• Falls das Mapping unübersichtlich wirkt, Normalisierung mit einem Code-Node;
• Über die Einträge iterieren mit einer Batch-Größe von 1, sodass jeder Artikel zu einem einzelnen Tweet verarbeitet wird.

Beginnen Sie mit dem Aggregieren des Feeds in kleinen Batches. Verwenden Sie Aggregate, um alle Einträge zu einer einzigen Liste zusammenzufassen, sodass ein Element entsteht, das ein Array von etwa 25 Artikeln im JSON-Format enthält. Dies ermöglicht eine schnelle, unkomplizierte Einrichtung. Testen Sie dieses aggregierte Ergebnis mit Ihrem LLM, indem Sie das Array in das Context-Feld einfügen. Falls die Ausgabe unklar oder inkonsistent erscheint, fahren Sie mit der Normalisierung fort.

Zur Normalisierung kopieren Sie ein Beispiel des RSS-JSON und lassen Ihr LLM einen Code-Node erzeugen, der HTML entfernt, die erste Bild-URL extrahiert, Felder wie title, text, url, guid und publishedAt standardisiert, nahezu doppelte Titel entfernt und pro Artikel ein bereinigtes Element als Array zurückgibt. Platzieren Sie diesen Code-Node direkt nach dem RSS- oder RSS-Read-Node.

Anschließend ersetzen Sie den Aggregationspfad durch eine Schleife. Verwenden Sie Loop oder Split in Batches mit einer Batch-Größe von eins, um jeweils einen Artikel auszugeben – ideal, um pro Durchlauf einen einzelnen Tweet zu generieren. Fügen Sie schließlich Ihr Chat-Modell innerhalb der Schleife hinzu, mappen Sie den normalisierten Artikeltext (und eventuelle Hooks) in den Context und geben Sie eine kurze, klare Systemanweisung für Ton und Stil des Tweets vor.