Kopiera LinkedIn-profillänkar till ett kalkylark, skriva ”personliga” meddelanden från noll och sedan tappa bort sig efter femte fliken. Det är ett rutinjobb som ser litet ut, men som stjäl hela eftermiddagar.
Tillväxtmarknadsförare känner av det när pipeline-målen smyger upp. En solofounder känner av det när ”nätverkande” blir ett extrajobb. Och om du driver en byrå är LinkedIn outreach automation skillnaden mellan konsekvent outreach och slumpmässiga aktivitetsryck.
Det här arbetsflödet använder Browserflow för att hämta leads från en LinkedIn-sökning, Groq för att skriva skräddarsydda anslutningsmeddelanden och skickar sedan förfrågningar i kontrollerade batchar. Du får se vad det gör, vad du behöver och hur du undviker de vanligaste felpunkterna.
Så fungerar den här automatiseringen
Hela n8n-flödet, från trigger till slutligt resultat:
n8n Workflow Template: LinkedIn + Browserflow: utskick på autopilot
flowchart LR
subgraph sg0["On form submission Flow"]
direction LR
n0@{ icon: "mdi:robot", form: "rounded", label: "AI Agent", pos: "b", h: 48 }
n1@{ icon: "mdi:brain", form: "rounded", label: "Groq Chat Model", pos: "b", h: 48 }
n2@{ icon: "mdi:cog", form: "rounded", label: "Scrape profiles from a linke..", pos: "b", h: 48 }
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/form.svg' width='40' height='40' /></div><br/>On form submission"]
n4@{ icon: "mdi:swap-vertical", form: "rounded", label: "Split Out1", pos: "b", h: 48 }
n5@{ icon: "mdi:cog", form: "rounded", label: "Send a linkedin message1", pos: "b", h: 48 }
n6@{ icon: "mdi:cog", form: "rounded", label: "Limit", pos: "b", h: 48 }
n7["<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/>Code1"]
n7 --> n5
n6 --> n0
n0 --> n7
n4 --> n6
n1 -.-> n0
n3 --> n2
n2 --> n4
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 n3 trigger
class n0 ai
class n1 aiModel
class n7 code
classDef customIcon fill:none,stroke:none
class n3,n7 customIcon
Problemet: LinkedIn-outreach blir snabbt rörigt
Manuell LinkedIn-outreach låter enkelt tills du försöker göra det konsekvent. Du kör en sökning, öppnar profiler en och en, skummar efter kontext och försöker sedan skriva ett ”personligt” meddelande som inte låter som en mall. Efter några meddelanden är du trött, kvaliteten faller och du börjar ifrågasätta allt. Än värre: du kan inte enkelt styra tempot, vilket ökar risken att slå i rate limits eller bli flaggad. Och när resultaten kommer senare finns det ingen korrekt formaterad logg över vad du skickade eller varför du ens tog kontakt från början.
Det går snabbt att summera. Här brukar det oftast fallera.
- Att hitta 20 bra profiler kan ta en timme, redan innan du skriver ett enda meddelande.
- Kontextbyte mellan sökresultat, profiler och anteckningar dödar momentum, så outreach sker i ryck i stället för dagligen.
- Meddelanden glider mot generiska utfyllnader, vilket betyder fler ignorerade förfrågningar och mer tid på omskrivningar.
- Utan batchkontroll och fördröjningar skickar du till slut för snabbt eller inkonsekvent, vilket är exakt det plattformar ogillar.
Lösningen: Browserflow-scraping + Groq-personalisering + automatiserade utskick
Det här n8n-arbetsflödet gör en LinkedIn-sökning till en liten, kontrollerad outreach-batch med skräddarsydda anslutningsmeddelanden. Det startar när du skickar in en enkel formulärtrigger i n8n (tänk ”kör min sökning nu”). Browserflow skrapar sedan profiler från din valda LinkedIn-sökning och returnerar en JSON-lista med personer, inklusive namn, profillänkar, rubriker, platser och sammanfattningar. n8n delar upp listan i individuella leads, begränsar batchstorleken (för närvarande tre) och skickar varje profil till en AI Agent som drivs av Groqs LLaMA-modell. Agenten genererar ett nätverksinriktat meddelande baserat på vad som faktiskt står i profilen. Till sist validerar och formaterar ett Code-steg utdata så att Browserflow kan skicka anslutningsförfrågan med rimliga fördröjningar och återförsök.
Arbetsflödet börjar med att en LinkedIn-sökning skrapas via Browserflow. Sedan skriver Groq ett kort, specifikt anslutningsmeddelande för varje person och n8n formaterar det för utskick. Browserflow hanterar själva inbjudan så att du slipper klicka runt i flikar hela dagen.
Det här får du: automatisering vs. resultat
| Vad det här arbetsflödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att du vill ansluta med 15 personer från en LinkedIn-sökning varje vecka. Manuell hantering: om du lägger kanske 5 minuter på att granska varje profil och 5 minuter på att skriva en notis är det cirka 2,5 timmar (och det är innan flikkaoset). Med det här flödet triggar du körningen på en minut, låter det processa i små batchar (tre åt gången) och granskar bara utkasten om du vill. Även om du lägger 15 minuter på stickprovskontroll behåller du ändå ungefär 2 timmar till arbete som faktiskt för affärer framåt.
Det du behöver
- n8n-instans (prova n8n Cloud gratis)
- Självhostningsalternativ om du föredrar det (Hostinger fungerar bra)
- Browserflow för att skrapa sökningar och skicka inbjudningar
- Groq för att skapa lågkostnadsmeddelanden med personalisering
- Groq API-nyckel (hämta den i din Groq-dashboard)
Kunskapsnivå: Medel. Du kopplar in credentials, testar små batchar och justerar prompt och gränser på ett säkert sätt.
Vill du inte sätta upp detta själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
Trigger via formulärinskick. Du startar körningen när du är redo, vilket är användbart för outreach du vill styra (inte något som triggas hela dagen).
LinkedIn-sökning skrapas i Browserflow. Browserflow hämtar profiler utifrån dina sparade sökkriterier och returnerar lead-listan som strukturerad data, inklusive URL:er och korta profilsammanfattningar.
Batchning och AI-personalisering. n8n delar upp listan till ett lead i taget, begränsar hur många som behandlas (tre som standard) och skickar sedan varje profil till den Groq-drivna AI Agenten för att skriva ett anslutningsmeddelande i nätverksstil.
Formatering och utskick. Ett JavaScript-steg städar upp AI-utdata, lägger till automationsparametrar som slumpade fördröjningar och sedan skickar Browserflow de faktiska anslutningsförfrågningarna.
Du kan enkelt ändra batchgränsen för att matcha din komfortnivå och din LinkedIn-risktolerans. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementation
Steg 1: Konfigurera trigger för formulärinsändning
Konfigurera formuläret som startar arbetsflödet och fångar upp sökparametrar för scraping av LinkedIn-profiler.
- Lägg till noden Form Submission Trigger som arbetsflödets trigger.
- Ställ in Form Title på
Linkedin job form. - Ställ in Form Description på
search job. - Lägg till formulärfält för Search Term, City och Counrty, alla markerade som obligatoriska.
Search Term, City och Counrty.Steg 2: Anslut Browserflow för profilutvinning
Konfigurera scraping-steget som hämtar LinkedIn-profiler baserat på formulärinmatningen.
- Lägg till noden Extract LinkedIn Profiles och koppla den efter Form Submission Trigger.
- Ställ in Operation på
scrapeProfilesFromSearch. - Ställ in Search Term till
{{ $json["Search Term"] }}, City till{{ $json.City }}och Country till{{ $json.Counrty }}. - Ställ in Nr Of Pages på
4. - Inloggning krävs: Anslut era
browserflowApi-autentiseringsuppgifter.
Counrty i formuläret och i uttrycket. Om ni ändrar den till Country utan att uppdatera uttrycket kommer noden att få tomma värden.Steg 3: Ställ in uppdelning av poster och begränsningar
Dela upp de scrapade resultaten i enskilda profiler och sätt ett tak för hur många som bearbetas per körning.
- Lägg till Split Records efter Extract LinkedIn Profiles.
- Ställ in Field To Split Out på
data. - Lägg till Cap Items efter Split Records.
- Ställ in Max Items på
3för att begränsa volymen av outreach.
Steg 4: Ställ in AI-generering av meddelanden och parsing
Skapa personliga outreach-meddelanden med Groq och parsa den strukturerade JSON-utdata för efterföljande åtgärder.
- Lägg till noden Outreach Message Generator efter Cap Items.
- Ställ in Prompt Type på
defineoch klistra in hela prompttexten i Text enligt instruktion, inklusive JSON-utdataformatet. - Säkerställ att Outreach Message Generator använder språkmodellanslutningen från Groq Chat Engine.
- Inloggning krävs: Anslut era
groqApi-autentiseringsuppgifter i Groq Chat Engine (autentiseringsuppgifterna läggs till på den överordnade modellnoden, inte på agenten). - Lägg till noden Parse AI Output efter Outreach Message Generator och behåll den medföljande JavaScript-koden som extraherar JSON mellan
```jsonoch```.
Steg 5: Konfigurera utskick av LinkedIn-meddelanden
Skicka det genererade meddelandet till LinkedIn med Browserflow-automatisering.
- Lägg till Dispatch LinkedIn Message efter Parse AI Output.
- Ställ in Operation på
sendMessage. - Ställ in Linkedin Url på
{{ $json.linkedin_message.linkedin_url }}. - Ställ in Message på
{{ $json.email.message_body }}. - Inloggning krävs: Anslut era
browserflowApi-autentiseringsuppgifter.
Steg 6: Testa och aktivera ert arbetsflöde
Verifiera arbetsflödet från start till mål och aktivera det för produktionsanvändning.
- Klicka på Test workflow och skicka in Form Submission Trigger med giltiga värden för
Search Term,CityochCounrty. - Bekräfta att Extract LinkedIn Profiles returnerar en
data-array och att Split Records skapar enskilda profiler. - Verifiera att Outreach Message Generator skapar JSON-utdata och att Parse AI Output ger ut fälten
linkedin_messageochemail. - Kontrollera att Dispatch LinkedIn Message skickar ett meddelande till profilens URL.
- När ni är nöjda, slå på Active för att aktivera arbetsflödet för löpande formulärinsändningar.
Vanliga fallgropar
- Browserflow-credentials kan gå ut eller kräva specifika behörigheter. Om det skapar fel, kontrollera först din Browserflow workspace-anslutning och token-inställningar.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om nedströmsnoder fallerar på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du redigera utdata i all evighet.
Vanliga frågor
Cirka 30 minuter om dina Browserflow- och Groq-konton är redo.
Nej. Du kopplar mest konton och finjusterar prompten och batchgränsen.
Ja. n8n har ett gratis självhostat alternativ och en gratis provperiod på n8n Cloud. Cloud-planer startar på 20 USD/månad för högre volym. Du behöver också räkna in Groq API-kostnader (ofta bara några dollar per månad vid små volymer) och den Browserflow-plan du använder.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller självhosting på en VPS. För självhosting är Hostinger VPS prisvärd och hanterar n8n bra. Självhosting ger dig obegränsade exekveringar men kräver grundläggande serverhantering.
Ja, men gör det på två ställen. Justera systemprompten för AI Agenten så att den matchar din målgrupp (bransch, plats, tonalitet) och uppdatera sedan Code-noden ”Parse AI Output” om du ändrar utdatastrukturen. Vanliga anpassningar är att lägga in en hård teckengräns för anslutningsmeddelanden, byta från ”nätverkande” till ”boka ett samtal”-språk och lägga in en obligatorisk personaliseringskrok (som att referera till ett verktyg de använder).
Oftast handlar det om credentials eller en ändring i Browserflow workspace. Kontrollera Browserflow-nodens konfiguration i n8n igen och bekräfta sedan att din token fortfarande har åtkomst till rätt projekt. Titta också efter LinkedIn-friktion: sökningar som fungerar i din webbläsare kan fallera när skrapning blockeras, så prova en mindre sökning och öka sedan långsamt. Om du ser intermittenta fel handlar det ärligt talat ofta om tempo; sänk batchstorleken och öka fördröjningarna.
Det beror mer på din LinkedIn-risktolerans än på n8n. Arbetsflödet är inställt på 3 leads per körning som standard, och du kan skala upp försiktigt; på självhostad n8n finns inget exekveringstak utöver serverresurserna. På n8n Cloud beror dina månatliga exekveringar på din plan, så väldigt stora listor kan knuffa dig till en högre nivå.
Ofta, ja, eftersom det här flödet kräver batchning, parsing och fallback-hantering som enkla tvåstegs-zaps har svårt med. n8n är också enklare att självhosta, vilket spelar roll när du kör många outreach-experiment. Zapier och Make kan fortfarande fungera om du bara genererar utkast och inte automatiserar utskicket. Om du är osäker, prata med en automationsexpert och beskriv din exakta volym och risktolerans.
När det här väl rullar slutar outreach vara en veckovis ”komma ikapp”-uppgift. Du skickar genomtänkta förfrågningar i små batchar och sparar tiden till samtalen som följer.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.