Портфолио и кейсы фрилансеров по автоматизации на n8n

Реализован учебно-практический кейс автоматизации обработки платежных уведомлений ЮMoney. Сценарий в n8n принимает POST-уведомление от ЮMoney через webhook, подготавливает строку для проверки подписи и сверяет рассчитанный hash с полученным значением. После успешной проверки workflow ищет платёж в NocoDB, чтобы исключить повторную запись при дубле уведомления. Если платёж новый, сценарий формирует payload, сохраняет данные оплаты в таблицу NocoDB и отправляет сообщение в Telegram. Если уведомление повторное, новая запись не создаётся, а в Telegram отправляется отдельное предупреждение о дубле. В результате автоматизация фиксирует подтверждённую оплату, сохраняет сумму, label, operation_id, статус и дату операции, а также уведомляет пользователя о результате обработки. Использовались: n8n, webhook, ЮMoney, проверка подписи, Crypto Tools, NocoDB, Telegram, API, JSON, защита от дублей.

Проблема Входящие заявки требуют ручного разбора: менеджеру нужно прочитать обращение, понять суть, определить направление и передать заявку дальше. Из-за этого процесс может занимать 15–40 минут на одно обращение, появляются задержки, дубли и риск потерять заявку. В кейсе была смоделирована очередь из 4 новых обращений, которые нужно было разобрать без ручного переноса данных. Решение Был собран сценарий на n8n: NocoDB с заявками → фильтр по статусу «Новый» → AI-разбор текста → запись результата в отдельную таблицу → обновление статуса исходной заявки. Логика обработки одной заявки вынесена в Subworkflow, чтобы основной сценарий мог передавать туда каждое новое обращение. AI формирует краткое резюме заявки и определяет направление: Telegram-бот, CRM-автоматизация, оплата и статусы, база знаний / RAG, обработка заявок или другое. Результат За один запуск сценарий обработал 4 заявки: каждая получила краткое резюме, направление и статус «Обработан». В отдельной таблице появился журнал результатов с Source_id, Summary и Direction, поэтому стало понятно, какая заявка к какому направлению относится. Такой подход сокращает первичный разбор с 15–40 минут ручной работы до 1–2 минут автоматической обработки и делает учёт заявок прозрачным.

Описание Разработана система автоматической обработки входящих заявок на базе n8n, предназначенная для исключения ручной обработки лидов и автоматизации работы с задачами в Trello. Каждая заявка, поступающая с веб-формы, автоматически преобразуется в карточку, распределяется между менеджерами и сопровождается уведомлением в Telegram. Решение Реализован workflow на базе n8n, включающий несколько последовательных этапов обработки: • получение данных заявки через Webhook; • формирование названия и описания карточки; • автоматическое создание задачи в Trello; • распределение заявки между менеджерами по заданным правилам; • отправка уведомления ответственному сотруднику в Telegram. Если менеджер в заявке отсутствует, система автоматически перенаправляет её руководителю, исключая потерю обращения. Результат В результате внедрения удалось: • автоматизировать создание карточек в Trello; • исключить ручное создание задач; • снизить риск потери входящих заявок; • обеспечить мгновенное уведомление ответственных сотрудников; • повысить прозрачность контроля обработки лидов и распределения заявок между менеджерами.

Описание Cистема автоматизированного мониторинга Telegram-публикаций на базе n8n и Supabase. Решение предназначено для сбора публикаций из нескольких Telegram-каналов, исключения дублирования данных, контроля изменений контента и автоматического информирования о важных событиях, что позволяет отказаться от ручного мониторинга публикаций, ускорить обработку информации и обеспечить хранение данных. Решение Проект реализован в виде четырёх независимых workflow на платформе n8n: • автоматический сбор и сохранение новых публикаций; • анализ и приоритизация публикаций; • контроль изменений текста публикаций; • формирование ежедневной автоматической отчётности. При запуске сценариев публикации проверяются на наличие дублей по уникальному идентификатору и сохраняются в Supabase только при отсутствии записи в базе данных. Каждые 30 минут выполняется проверка изменения текста публикаций с фиксацией всех изменений в отдельном журнале. Для публикаций высокой важности автоматически отправляются уведомления в Telegram, один раз в сутки формируется итоговый отчёт по активности системы. Результат В результате была создана система автоматизированного мониторинга Telegram-публикаций, которая обеспечивает: • автоматический сбор и хранение публикаций; • исключение повторной обработки данных; • контроль изменений контента с ведением журнала изменений; • автоматическую отправку Telegram-уведомлений для важных публикаций; • ежедневное формирование отчётности; • сокращение объёма ручной работы.

Ещё один мой SaaS. Система сама брифует клиента (задаёт вопросы про бизнес, аудиторию, тон), формирует базу знаний — психологические портреты ЦА, пресеты стиля общения. Потом генерирует контент-план: рубрики, частота публикаций, правила для каждой соцсети. Дальше нейросеть предлагает тексты постов (можно перегенерировать), создаёт изображения по описанию или референсу. На выходе — готовый пост с картинкой, осталось опубликовать. Стек: n8n, GPT-4o, DALL-E, Python, PostgreSQL, Telegram Bot API

Собственный SaaS-проект. Идея: собрать кандидатов из Telegram-каналов, hh.ru, Хабр Карьеры в один кабинет. AI (Gemini) анализирует резюме, ранжирует под вакансию. Внутри: система тарифов, воронка найма, календарь интервью, шаблоны сообщений. 10+ экранов, 12+ таблиц в базе, React на фронте, FastAPI на бэке. Деплой через Coolify, CI/CD из GitHub. Рабочий прототип готов. Стек: React, FastAPI, PostgreSQL, n8n, Docker, Gemini API, Coolify

Агентство недвижимости хотело тренировать новых агентов без реальных клиентов. Сделал платформу, где AI-агенты играют роль разных типов покупателей — придирчивый, торгующийся, нерешительный. Агент тренируется вести диалог по скриптам. Отдельный модуль: по данным об объекте автоматически генерирует адаптированные объявления для Авито, ЦИАН и ДомКлик (у каждой площадки свои требования к тексту). Стек: n8n, GPT-4o, Telegram Bot API, PostgreSQL, Python

Оптовая компания, каталог на 60 с лишним тысяч позиций. Менеджеры не всегда помнят точные названия, клиенты тем более пишут «ну вот та штука типа такой-то». Нужен был поиск, который понимает неточные запросы и учитывает кучу атрибутов. Сделал на базе GPT + Qdrant (векторный поиск). Плюс динамический калькулятор с конвертацией валют. Работает через Telegram-бота — менеджер пишет запрос, получает точный результат. Стек: n8n, GPT-4, Qdrant, PostgreSQL, Telegram Bot API

Партнёры присылали отчёты в Excel — у каждого свой формат, свои столбцы, иногда вообще другая логика. Менеджеры сводили это руками, тратили кучу времени и всё равно ошибались. Собрал пайплайн: файл приходит — AI разбирает структуру, нормализует данные, сопоставляет позиции — на выходе готовый отчёт. Ручная работа сократилась примерно на 50%. Стек: n8n, GPT-4o, Python, LlamaParse, Google Sheets API

Клиент производит дизель-генераторы. Проблема простая: техподдержка тратила 15-20 минут, чтобы найти ответ на один вопрос — рылись в PDF-ках вручную. Я собрал RAG-систему: загрузил всю документацию, разбил на куски через LlamaParse, проиндексировал в Weaviate. Сверху — GPT-4, который по запросу находит нужный фрагмент и формулирует ответ. Всё работает через Telegram-бота. Результат: вместо 15 минут — 10-15 секунд. Нагрузка на техподдержку снизилась примерно на треть. Стек: n8n, GPT-4, Weaviate, LlamaParse, Telegram Bot API, PostgreSQL, Docker