Bot, który czyta za mnie ogłoszenia. n8n, Postgres i LLM w roli filtra

Co pół godziny ktoś sprawdza nowe zlecenia na Useme, odsiewa te bez sensu i pisze do mnie na Telegramie tylko wtedy, gdy coś pasuje. Tym kimś jest workflow z 28 węzłów.
n8n
Automatyzacja
LLM
PostgreSQL
Telegram
Autor

De. Os.

Opublikowano

25 września 2026

Bot, który czyta za mnie ogłoszenia

Przeglądanie giełdy zleceń to praca, która wygląda na darmową, a nie jest. Wchodzisz, odświeżasz, przeglądasz dwadzieścia tytułów, z czego osiemnaście nie ma z tobą nic wspólnego. Robisz to pięć razy dziennie i masz z tego godzinę tygodniowo, za którą nikt nie płaci.

Zbudowałem workflow, który robi to za mnie co trzydzieści minut i odzywa się wyłącznie wtedy, gdy ma coś do powiedzenia.

Jak to działa

Workflow w n8n — 28 węzłów

Harmonogram budzi workflow co pół godziny. Ten pobiera listę zleceń posortowaną po dacie publikacji, rozbiera HTML na tablicę ofert i wyciąga z każdej osiem pól — tytuł, firmę, budżet, kategorię, termin, krótki opis.

Potem zaczyna się część, która odróżnia automat od skryptu.

Deduplikacja, czyli po co tu baza

Bez pamięci taki bot przy każdym uruchomieniu uznałby wszystkie oferty za nowe i zasypał mnie powiadomieniami. Dlatego każda oferta trafia do Postgresa przez INSERT ... ON CONFLICT, po slugu ogłoszenia. Baza sama rozstrzyga, co jest nowe.

WITH ins AS (
  INSERT INTO useme.offers (slug, offer_nr, company, title, budget, category, expires, short_description)
  SELECT ... ON CONFLICT (slug) DO UPDATE SET ...
)
SELECT slug, title, company, category, short_description
  FROM useme.offers WHERE first_seen >= $1::timestamptz ORDER BY first_seen;

Kolumna first_seen jest tu całą logiką „co się zmieniło od ostatniego razu”. Nie trzymam żadnego stanu w n8n — stan jest w bazie, gdzie jego miejsce.

Ocena przez LLM

Nowe oferty dostają dociągnięty pełny opis ze strony ogłoszenia, a potem trafiają do modelu gpt-4o-mini z moim profilem w prompcie. Model zwraca JSON z dwoma polami:

{ "score": 7, "reason": "Django + REST API, dokładnie mój stack" }

Ocena i uzasadnienie lądują w tym samym wierszu co oferta — ai_score i ai_reason. Próg dopasowania ustawiłem na 6 na 10. Wszystko poniżej istnieje w bazie, ale nie zawraca mi głowy.

Dlaczego najtańszy model? Bo zadanie jest proste: „czy ten opis pasuje do tego profilu”. Nie potrzebuję tu rozumowania, potrzebuję konsekwentnego sita przy dwustu ofertach miesięcznie.

Wiadomość, która ma sens

Powiadomienie na Telegramie

Podsumowanie powstaje jednym zapytaniem — liczba nowych ofert, liczba pasujących i gotowa lista pozycji posortowana po ocenie:

SELECT count(*) AS cnt,
       count(*) FILTER (WHERE ai_score >= 6) AS fit_cnt,
       string_agg('• [' || ai_score || '/10] ' || title || ' (' || coalesce(category,'-') || ')', E'\n')
  FROM ...

W praktyce wygląda to tak: „Pasujące oferty na Useme: 4 z 14 nowych”, a pod spodem cztery pozycje z oceną, jednozdaniowym uzasadnieniem i linkiem. Jeśli fit_cnt wynosi zero, dostaję jedno zdanie zamiast listy. To brzmi jak drobiazg, ale decyduje o tym, czy po tygodniu wyciszysz powiadomienia, czy nie.

Ścieżki błędu są całą robotą

Lista uruchomień: co 30 minut, z jednym błędem 24 września

Wersja, która tylko działa, ma może osiem węzłów. Moja ma dwadzieścia osiem i różnica siedzi prawie w całości w rzeczach, które mogą pójść nie tak:

  • Useme nie odpowiada — alert na Telegram, zamiast cichej awarii,
  • pusta strona — osobny komunikat, bo to zwykle znaczy, że zmienił się HTML i parser przestał trafiać,
  • cała strona oznaczona jako nowa — węzeł Wait i zejście na kolejną stronę, bo to sygnał, że ofert przybyło więcej, niż mieści się na jednej.

Na liście uruchomień powyżej widać jeden czerwony wiersz z 24 września. Właśnie po to są te alerty — dowiedziałem się o tym z Telegrama, a nie z faktu, że przez tydzień nic nie przychodziło.

Ten trzeci przypadek jest najciekawszy. Jeśli wszystkie dwadzieścia ofert na stronie jest nowych, to znaczy, że prawdopodobnie część wypadła już na stronę drugą i właśnie ją przegapiłem. Pobranie kolejnej strony kosztuje jedno zapytanie, a przegapione zlecenie kosztuje zlecenie.

Co z tego wynika

Ten workflow pilnuje giełdy zleceń, ale wzorzec nie ma z giełdą nic wspólnego: monitoruj źródło → odsiej duplikaty → oceń treść modelem → powiadom, gdy warto.

Podstaw pod „źródło” przetargi publiczne, zmiany cen u konkurencji, nowe wpisy w KRS albo skrzynkę zapytań ofertowych — reszta zostaje taka sama. Zmienia się prompt i parser, nie architektura.

Najdroższa część nie jest techniczna. To ustalenie, co właściwie znaczy „pasuje”, i zapisanie tego tak, żeby model rozumiał to za każdym razem tak samo.