金融情绪分析 Agent：秒级市场监测

n8n 和 Bright 挑战：不可阻挡的工作流

这是一份对 n8n 和 Bright Data 驱动的 AI Agents 挑战的投稿。

我构建了一个 AI Agent，可以聚合和分析来自以下来源的情感：

美国主要股市新闻网站

它在几秒内提供一份综合的华尔街情感报告。该 Agent 扫描热门交易者讨论、金融头条和在线讨论，然后生成简洁、可执行的摘要——直接通过电子邮件发送——这样投资者可以瞬间了解市场情感，无需花费数小时进行研究。

GitHub - https://github.com/wimalasuriyaib/WallStreetSentimentAnalyzer

Wall Street Sentiment Analyzer - 这是我的主要 Agent 工作流。

在线股市情感工作流

X.com 股市情感工作流

最终输出 - 美国股市情感报告

观看演示视频了解 Agent 的完整讲解

技术实现

该工作流的设计目的是自动获取实时美国股市情感、处理数据并生成简洁的文字摘要，适合博客文章发布。它利用 BrightData 进行数据提取、Google AI 进行查询，以及 Google Gemini（PaLM API）进行文本摘要。该工作流完全自动化，并使用 n8n（一个开源工作流自动化工具）进行编排。

触发： 通过 Manual Trigger 节点手动执行或可以使用 Cron 节点进行计划。

数据收集： BrightData Web Scraper 节点：向 BrightData 数据集 API 发送查询，使用预定义的提示从指定的 URL 中提取市场情感

快照监控： 工作流等待 BrightData 快照准备就绪，并使用 Check Snapshot Status 节点监控其进度。

数据处理： 快照准备就绪后，Download Snapshot Content 节点检索数据。

Edit Fields 节点： 规范化输出 JSON 并提取相关的 answer_text 以供进一步处理。

数据摘要： Google Gemini 节点：将提取的文本传递给 Gemini 模型（models/gemini-2.0-flash）以生成适合博客文章发布的简洁文字摘要。

提示从快照内容中动态注入，用于上下文感知的摘要。

Google Gemini（PaLM API） – 之所以选择它，是因为它能够生成类似人类的高质量文本摘要，并能够有效处理复杂的财务语言和情感分析。

记忆 / 数据处理

工作流使用 pinData 在 n8n 内安全存储中间数据（answer_text）。

每个节点都是无状态的，依靠 BrightData 快照来维持一致性和可重现性。

工作流设计通过条件检查（IF 节点）确保错误处理，以重试等待或快照下载，直到数据准备就绪。

n8n： 编排工作流，管理触发器，并在节点之间传递数据。

BrightData： 使用快照处理动态网站的数据提取。提供监控 API 以确保完整性和准确性。

Google Gemini（PaLM API）： 处理原始情感文本。生成适合博客发布的连贯、简洁的摘要。

异步快照处理： 确保如果数据未立即准备就绪，工作流也不会失败。

动态提示注入： 允许自定义查询而无需修改工作流逻辑。

无缝集成： BrightData 和 Google Gemini 节点完全凭证化，可重复用于多个数据集或情感来源。

可扩展设计： 通过调整查询参数，可以扩展到多个股票代码、社交媒体情感或区域市场。

将自动博客发布集成到 WordPress 或 Medium API。

添加历史情感跟踪和趋势分析。

如果情感变化剧烈，则纳入警报或通知。

Bright Data 验证节点

Bright Data 验证节点是我们股市情感工作流中的关键组件，提供可靠且可扩展的网络数据提取，而无需面临典型的网络抓取挑战。通过利用 Bright Data，我们可以触发数据集快照、实时监控其进度并自动下载结构化结果。这消除了构建自定义抓取管道、处理 IP 轮换或管理代理网络的需要——这些任务以容易出错和耗时而著称。

使用 Bright Data 可以确保高数据准确性和合规性，这在访问 Google AI 搜索结果等动态且频繁更新的来源时特别重要。没有它，我们将面临处理反机器人机制、频繁的来源变化和持续维护抓取脚本开销的复杂性。这种手动方法往往导致数据不一致、失败率更高和处理延迟显著，所有这些都可能影响下游 AI 分析的质量。

通过集成验证节点，我们的解决方案获得了可靠性、速度和可维护性。该节点抽象了网络数据提取的操作负担，使我们能够专注于提取见解、使用 AI 摘要市场情感并生成可执行的内容。因此，Bright Data 将一个可能容易出错且劳动密集的过程转变为无缝、可扩展的工作流。

参与这个黑客松的经历

参与这个黑客松的经历令人兴奋异常，因为这是我第一次使用 n8n 和 Bright Data。我首先花了数小时观看 n8n 视频。由于 n8n 是一个低代码解决方案，我最初的方法是直接跳入构建——但我很快意识到我缺乏基础知识，在几小时后惨遭失败。虽然它旨在加速开发，但掌握基础知识是必不可少的。

然后我以高速通过了 YouTube 上的 n8n 初学者课程，并通过使用自由可得的模板构建小项目来进行实践补充。我对 Bright Data 采取了类似的方法，通过小项目实验来熟悉其功能。

一旦我对这两个工具都有信心，我定义了我的问题陈述：在几秒内捕获华尔街情感分析。开发这个股市情感工作流既具有挑战性又令人满足。初始目标是可靠地捕获实时投资者情感，并将其转化为由 AI 驱动的可执行见解。一个主要的障碍是处理动态网络内容，特别是来自 Google AI Search 等经常更改和阻止自动化请求的来源。没有强大的解决方案，抓取将是缓慢的、容易出错且难以维护的。

集成 Bright Data 的验证节点改变了局面。它提供了一种安全、合规且可扩展的方式来触发数据集快照、监控进度并轻松检索结构化结果。这消除了手动管理代理、IP 轮换和反机器人措施的需要。

处理大量非结构化文本数据是另一个挑战。利用 Google Gemini（PaLM）进行摘要，使我们能够将原始响应转换为简洁、高质量的 200 字博客文章。将 Bright Data 的可靠性与 AI 驱动的摘要相结合，简化了工作流并大大降低了操作复杂性。

由于 Bright Data 无法直接添加为 Agent 工具，我创建了两个单独的工作流：一个从在线内容收集情感，另一个从 x.com 上的用户收集情感。我花了一些时间来解决这个问题，但一旦实现，完成项目变得快得多。

黑客松中的黑客松：迷你黑客松

这个黑客松的一个主要亮点是涉及来自佩拉德尼亚大学的学生。在代码到云培训计划中，我决定在主黑客松内部运行迷你黑客松，向学生介绍 n8n 和 Bright Data。我们在星期五启动了它（还有两天的时间），进行了示例项目的演讲，然后让学生开发他们自己的工作流。到目前为止，一名学生已提交了他们的项目，我预期随着截止日期的临近会有更多提交。为了使其更加令人兴奋，我们为交付强项目的学生提供了两张 AWS Community Day Sri Lanka 的免费门票。

查看我在 YouTube 上关于 n8n 和 BrightData 的快速概览视频：

总结

这段经历强化了自动化、可扩展性和强大集成的价值，使我能够专注于见解而不是基础设施。使用 n8n 令人赋能，能够快速开发 Agent 解决方案，而 Bright Data 极大地简化了网络数据收集。总的来说，我获得了深入的技术知识，构建了一个功能性的股票情感工作流，并成功运行了一个黑客松内的黑客松，激励了下一代技术爱好者。我不能要求更充实的体验。

如需进一步行动，您可能考虑屏蔽此人和/或举报滥用行为