Din contentpipeline går troligen sönder på samma ställe varje gång: research. Länkar tappas bort i Slack, källor försvinner, och du slutar med att skriva om avsnitt eftersom ingen kan bevisa var ett påstående kom ifrån. Det är så “snabba utkast” blir långa redigeringsdagar.
Den här Perplexity Ghost-automationen drabbar content marketers först, men även grundare som levererar thought leadership och byråansvariga som bygger kundinlägg känner av det. Du får ett strukturerat utkast med källhänvisningar, redan organiserat, så att granskningen handlar om att finslipa i stället för detektivarbete.
Nedan ser du exakt vad workflowet gör, de faktiska tidsbesparingarna i verkligheten och vad du behöver koppla ihop så att ditt nästa ämne blir ett publiceringsklart Ghost-utkast med källorna intakta.
Så fungerar den här automatiseringen
Hela n8n-workflowet, från trigger till slutresultat:
n8n Workflow Template: Perplexity till Ghost: källbelagda utkast redo
flowchart LR
subgraph sg0["n8n Form Flow"]
direction LR
n0["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/merge.svg' width='40' height='40' /></div><br/>Merge chapters title and text"]
n1["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Final article text"]
n2["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/form.svg' width='40' height='40' /></div><br/>n8n Form Trigger"]
n3["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/ghost.svg' width='40' height='40' /></div><br/>Ghost"]
n4@{ icon: "mdi:robot", form: "rounded", label: "Create title", pos: "b", h: 48 }
n7@{ icon: "mdi:wrench", form: "rounded", label: "Perplexity_tool", pos: "b", h: 48 }
n8@{ icon: "mdi:wrench", form: "rounded", label: "Perplexity_tool1", pos: "b", h: 48 }
n10@{ icon: "mdi:robot", form: "rounded", label: "Research Leader 🔬", pos: "b", h: 48 }
n11@{ icon: "mdi:robot", form: "rounded", label: "Structured Output Parser", pos: "b", h: 48 }
n12@{ icon: "mdi:swap-vertical", form: "rounded", label: "Delegate to Research Assista..", pos: "b", h: 48 }
n13@{ icon: "mdi:robot", form: "rounded", label: "Research Assistant", pos: "b", h: 48 }
n14@{ icon: "mdi:robot", form: "rounded", label: "Project Planner", pos: "b", h: 48 }
n15@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model", pos: "b", h: 48 }
n16@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model1", pos: "b", h: 48 }
n17@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model2", pos: "b", h: 48 }
n18@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model3", pos: "b", h: 48 }
n19@{ icon: "mdi:robot", form: "rounded", label: "Editor", pos: "b", h: 48 }
n20@{ icon: "mdi:wrench", form: "rounded", label: "Perplexity_tool2", pos: "b", h: 48 }
n19 --> n4
n4 --> n3
n7 -.-> n10
n14 --> n12
n8 -.-> n13
n20 -.-> n14
n2 --> n10
n15 -.-> n14
n1 --> n19
n16 -.-> n19
n16 -.-> n4
n17 -.-> n10
n18 -.-> n13
n13 --> n0
n10 --> n14
n11 -.-> n14
n0 --> n1
n12 --> n0
n12 --> n13
end
subgraph sg1["Execute Workflow Flow"]
direction LR
n5@{ icon: "mdi:play-circle", form: "rounded", label: "Execute Workflow Trigger", pos: "b", h: 48 }
n6@{ icon: "mdi:swap-vertical", form: "rounded", label: "Response", pos: "b", h: 48 }
n9["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/httprequest.dark.svg' width='40' height='40' /></div><br/>Perplexity API"]
n9 --> n6
n5 --> n9
end
%% Styling
classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef disabled stroke-dasharray: 5 5,opacity: 0.5
class n2,n5 trigger
class n4,n10,n11,n13,n14,n19 ai
class n15,n16,n17,n18 aiModel
class n7,n8,n20 ai
class n9 api
class n1 code
classDef customIcon fill:none,stroke:none
class n0,n1,n2,n3,n9 customIcon
Problemet: research tar längre tid än att skriva
Skrivandet är sällan flaskhalsen. Det är förarbetet som drar ut på tiden: söka, verifiera källor, plocka citat och bygga en disposition som inte faller isär halvvägs. Sedan kommer det stökiga. Någon klistrar in en siffra utan länk. En annan person lägger till ett påstående från “en studie” utan studien. När ditt utkast når granskning redigerar redaktören inte. De jagar källhänvisningar, fixar struktur och försöker gissa vad skribenten menade.
Det summeras snabbt. Här är var det faller isär när du gör det manuellt.
- Du tappar tid på att hitta källor igen eftersom originallänkarna inte fångades upp på ett korrekt sätt.
- Dispositioner ändras mitt i utkastet, vilket gör att hela avsnitt skrivs om i stället för att revideras.
- Källhänvisningar blir inkonsekventa mellan skribenter, så granskare kan inte lita på utkastet vid första genomläsningen.
- Publicering blir en separat “adminuppgift” eftersom sluttexten fortfarande måste flyttas in i Ghost.
Lösningen: Perplexity-research + multiagent-utkast, skickat till Ghost
Det här workflowet gör om ett ämne till ett komplett, researchbaserat artikelutkast och skapar sedan ett utkastinlägg i Ghost för granskning. Det börjar med en enkel inmatning (via en n8n-formtrigger), sedan planerar en agent som “huvudanalytiker” upplägget och bygger en innehållsförteckning. En projektplaneringsagent bryter ner dispositionen i avsnitt. Därefter använder researchassistenter Perplexity (via ett HTTP-API-anrop) för att samla in trovärdiga källor och källhänvisningar för varje avsnitt. Till sist sammanställer en redaktionell agent allt till en sammanhängande text, tar fram en rubrik och publicerar resultatet som ett Ghost-utkast så att det är redo för din vanliga godkännande- och publiceringsprocess.
Workflowet startar när du skickar in ett ämne. Det koordinerar sedan research och utkastskrivning över flera agenter, slår ihop avsnittsresultat till en artikel och pushar det färdiga utkastet med källor direkt till Ghost. Ingen copy-paste-stafett.
Det här får du: automatisering vs. resultat
| Vad detta workflow automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut i praktiken
Säg att du publicerar två researchade inlägg i veckan. Manuellt ser en typisk process ut så här: 30 minuter för att bygga en disposition, cirka 2 timmar för att samla källor och citat, och ytterligare en timme för att rensa upp källhänvisningar och formatering innan redaktören ens kan börja. Det är ungefär 3–4 timmars förarbete per artikel. Med det här workflowet skickar du in ämnet på ett par minuter, låter agenterna göra research och skriva utkast i bakgrunden (ofta runt 20–40 minuter), och det källbelagda utkastet landar i Ghost redo för granskning. Du redigerar fortfarande, men du redigerar innehåll, inte jagar länkar.
Det här behöver du
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
- Ghost för att lagra utkast och hantera publiceringsflödet.
- OpenRouter (Perplexity-åtkomst) för att köra Perplexity API-researchanrop.
- OpenRouter API-nyckel (hämta den i din OpenRouter-dashboard under API keys).
Kunskapsnivå: Medel. Du kopplar några konton, lägger in en API-nyckel och testar en körning end-to-end i n8n.
Vill du inte sätta upp det här själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
Du skickar in ett ämne via en formtrigger. Inmatningen kan innehålla valfri guidning som ton, mål för antal ord eller antal avsnitt, så att utkastet matchar hur du publicerar.
En ledande “researchanalytiker” skapar planen. Agenten bygger en innehållsförteckning och lämnar den till en projektplanerare som gör dispositionen till separata avsnittsuppgifter. Små delar. Lättare att styra.
Perplexity används för research med källhänvisningar. Workflowet anropar Perplexity via en HTTP-request (via OpenRouter) och avkodar sedan strukturerade outputs så att källor, påståenden och avsnittsanteckningar hålls organiserade. Avsnittsresultaten slås ihop till en sammanhängande text.
Redaktörsagenten sammanställer och skickar utkastet till Ghost. En rubrik genereras och sedan publicerar workflowet ett utkastinlägg i Ghost så att ditt team kan granska, justera och publicera med er befintliga process.
Du kan enkelt modifiera fälten för ämnesinmatningen och lägga till saker som “målgrupp”, “regler för produktomnämnanden” eller en strikt stilguide utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: konfigurera formulärtriggern
Det här arbetsflödet startar när en användare skickar in formuläret och skickar payloaden in i research-pipelinen.
- Lägg till och öppna Form Input Trigger.
- Behåll standardinställningarna för formuläret om ni inte behöver ytterligare fält för era indata.
- Bekräfta att Form Input Trigger är kopplad till Lead Research Analyst 🔬 enligt arbetsflödet.
Steg 2: konfigurera de primära agenterna för research och planering
Dessa noder tolkar formulärindatan, strukturerar researchen och planerar uppgifter.
- Öppna Lead Research Analyst 🔬 och bekräfta att den är kopplad till Project Planning Agent.
- I Project Planning Agent, säkerställ att OpenAI Chat Engine är kopplad som språkmodell.
- Koppla Structured Output Decoder till Project Planning Agent som output-parser.
- Koppla Perplexity Helper Tool 3 till Project Planning Agent som ett verktyg.
- Bekräfta att OpenAI Chat Engine 3 är kopplad som språkmodell för Lead Research Analyst 🔬.
Steg 3: konfigurera uppgiftstilldelning och parallell research
Researchuppgifter delas upp och körs parallellt för att snabba upp utkast för sektioner.
- Öppna Assign Research Tasks och bekräfta att den följer efter Project Planning Agent.
- Säkerställ att Assign Research Tasks skickar utdata parallellt till både Combine Section Outputs och Research Support Agent.
- Verifiera att Research Support Agent är kopplad till OpenAI Chat Engine 4 som språkmodell.
- Koppla Perplexity Helper Tool 2 till Research Support Agent som ett verktyg.
Steg 4: sätt ihop och granska narrativet
Utdata slås ihop, sätts samman till ett narrativ och redigeras innan rubriken genereras.
- Öppna Combine Section Outputs och behåll standardbeteendet för sammanslagning om ni inte behöver ett specifikt merge-läge.
- Öppna Assemble Final Narrative och klistra in er logik för att sammanställa narrativet i kodredigeraren vid behov.
- Bekräfta att Assemble Final Narrative är kopplad till Editorial Review Agent.
- Säkerställ att OpenAI Chat Engine 2 är kopplad som språkmodell för både Editorial Review Agent och Generate Headline.
Steg 5: konfigurera publicering till Ghost
Det redigerade narrativet och den genererade rubriken skickas till Ghost för publicering.
- Öppna Publish to Ghost och mappa rubrik- och brödtextfälten från Generate Headline.
- Behåll kopplingen från Generate Headline till Publish to Ghost intakt.
Steg 6: konfigurera Perplexity API-hjälpflödet
Det här arbetsflödet stödjer även ett API-hjälpflöde som triggas av en intern workflow-trigger.
- Öppna Workflow Trigger Start och bekräfta att den är kopplad till Perplexity API Call.
- Konfigurera Perplexity API Call med era request-inställningar och verifiera att den skickar vidare till Prepare API Response.
- Öppna Prepare API Response och forma den response-payload ni vill returnera.
- Notera att Perplexity Helper Tool är kopplad som ett verktyg till Lead Research Analyst 🔬.
Steg 7: testa och aktivera
Verifiera arbetsflödet end-to-end innan ni slår på det för användning i produktion.
- Klicka på Execute Workflow och skicka in ett testexempel via Form Input Trigger.
- Bekräfta att Assign Research Tasks körs och att Combine Section Outputs och Research Support Agent exekveras parallellt.
- Verifiera att narrativet går genom Assemble Final Narrative, Editorial Review Agent och Generate Headline innan det når Publish to Ghost.
- Trigga Workflow Trigger Start manuellt för att validera utdata från Perplexity API Call och Prepare API Response.
- När ni är nöjda, växla arbetsflödet till Active för produktionsanvändning.
Vanliga fallgropar
- Perplexity-konto (via OpenRouter) kan löpa ut eller klistras in fel. Om något slutar fungera, kontrollera först formatet på Authorization-headern (Bearer <api-key>) i din Perplexity API HTTP Request-nod.
- Om du använder Wait-noder eller extern bearbetning varierar svarstiderna. Öka väntetiden om nedströms noder fallerar på tomma svar, särskilt när flera avsnittsuppgifter för research körs samtidigt.
- Standardprompter i AI-noder är generiska. Lägg in din varumärkesröst tidigt (ton, exempel du gillar, förbjudna fraser), annars kommer du att redigera outputs i all evighet.
Vanliga frågor
Cirka 30–60 minuter om du redan har dina API-nycklar och Ghost-åtkomst redo.
Nej. Du kopplar främst upp autentiseringsuppgifter och redigerar några textfält. Om du kan kopiera en API-nyckel och testa en formskickning kan du köra detta.
Ja. n8n har ett gratis alternativ för egen hosting och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in OpenRouter/Perplexity-användning, vilket vanligtvis blir några dollar för flera långa utkast beroende på djup.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen hosting på en VPS. För egen hosting är Hostinger VPS prisvärd och hanterar n8n bra. Egen hosting ger dig obegränsat antal körningar men kräver grundläggande serveradministration.
Ja, och det bör du. Uppdatera prompterna som används av research- och redaktionsagenterna så att de följer er ton, era rubriker och era preferenser för källhänvisningar. Vanliga justeringar är att tvinga fram en fast dispositionsstil, lägga till “nämn inte konkurrenter” och sätta ett hårt ordantal per avsnitt så att utkasten inte sväller.
Oftast är det ett API-nyckelproblem: Authorization-headern ska vara formaterad exakt som Bearer <api-key>. Om det ser korrekt ut, kontrollera om ditt OpenRouter-konto har åtkomst till den Perplexity-modell du valt, och håll koll på rate limits när workflowet skickar många avsnittsanrop samtidigt.
Om du kör n8n med egen hosting finns inget hårt tak för antal körningar (det beror främst på din server och API-begränsningar). På n8n Cloud beror din månatliga körningsgräns på plan, och det här workflowet förbrukar vanligtvis flera körningar per artikel eftersom det delar upp research i avsnitt.
Oftast, ja, eftersom delen med “multiagenter + slå ihop outputs + strukturerad parsning” snabbt blir komplicerad i enklare byggare. n8n hanterar förgreningar och sammanställning utan att ditt scenario blir en skör labyrint. Du får också möjligheten att köra med egen hosting, vilket spelar roll när du kör många utkast eller behöver tajtare kontroll över data. Zapier eller Make kan fortfarande fungera om allt du vill ha är “ämne in, utkast ut” med minimal logik, men du slår i taket när du börjar lägga till research på avsnittsnivå eller strikta formateringsregler. Om du vill ha en second opinion innan du bestämmer dig, prata med en automationsexpert.
När detta väl rullar slutar ditt team betala “källhänvisningsskatten” på varenda artikel. Workflowet tar hand om det repetitiva arbetet med research och sammanställning, så att granskningstiden hamnar där den ska: på att göra texten vassare.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.