日期：2026年 04月 04日

標籤： n8n Continuous Integration(CI) Microsoft Azure SQL Server LineBot JavaScript RSS Groq AI Agent

摘要：n8n

第一部分：前言-為什麼需要自動化選股系統？

Step 1：問題 & 解決方案

※Azure SQL 籌碼庫，是自行蒐集的籌碼資料，目前 台灣集保結算所-集保戶股權分散表查詢網站只會保留一年的資料

Step 2：n8n 簡介 - 什麼是 n8n

n8n 是一款「節點導向（Node-based）」的低程式碼自動化工作流工具。它允許你透過視覺化介面
將不同的 App（如 Google Sheets, Slack, Line, SQL, AI 模型）串接在一起。

與其他競爭對手（如 Zapier, Make.com）最大的不同在於，n8n 是 「公平碼（Fair-code）」 授權，

這意味著可以在 n8n 實現以下：

Step 3：n8n - 優缺點分析

除了自動化具備視覺化的操作外，優點整理如下：

相對地缺點整理如下，最致命的傷應屬 學習成本高，太多功能不斷迭代更新：

但這些缺點在具備 CICD & 開發經驗的軟體工程師上，屬於 瑕不掩瑜

Step 4：準備工作 - n8n 註冊(可略)

第一次使用建議從 n8n 雲端版本，註冊完畢後，可以得到 14 天免費的試用期


建立一個 Workflow 後，起點為 When Clicking Execute Workflow (手動執行按鈕)

Step 5：準備工作 - Azure 資料庫訪問權限(可略)

本篇範例是作者自行蒐集 集保戶股權分散表 的籌碼資料，有蒐集 8 年來所有 台灣股市 資料
若是有自己的資料庫餵給 AI Agent 可以跳過這段權限配置操作，目的：

避免 n8n 取得 Insert, Update, Delete, Truncate 等較高的權限
提供給 n8n 的帳號只會有 Query (SELECT) 權限

Step 6：準備工作 - Azure 資料庫訪問權限 - 為 n8n 建資料庫帳號(可略)

登入 Azure SQL Server 資料庫，執行以下 SQL 語法，目的是 建立 n8n 伺服器層級的登入帳號 ，並且只能 查詢
※密碼的地方自行替換

USE master;
GO

CREATE LOGIN [n8n_reader] WITH PASSWORD ='密碼'
GO

Step 7：準備工作 - Azure 資料庫訪問權限 - 為 n8n 建資料庫帳號(可略)

我們的籌碼資料庫在 StockCounter 庫中，因此准許 n8n_reader 登入

USE [StockCounter]];
GO

CREATE USER [n8n_reader] FOR LOGIN [n8n_reader]
GO

Step 8：準備工作 - Azure 資料庫訪問權限 - 為 n8n 建資料庫帳號(可略)

腳色權限賦予 讀取

ALTER ROLE db_datareader ADD MEMBER [n8n_reader]
GO

Step 9：準備工作 - Azure 資料庫訪問權限 - 為 n8n 建資料庫帳號(可略)

驗證 n8n_reader 權限是否只有讀取，因此先登入

嘗試使用 Insert 語法可以看到插入失敗，並且下 SELECT 語法確保可以讀取

Step 10：準備工作 - Groq 介紹

在成本考量上可考慮使用 Groq AI（免費額度）即使每天執行幾百次自動化，也不必擔心像 OpenAI 那樣產生昂貴的帳單。

Groq 是一家專注於人工智慧硬體的半導體公司，他們研發了專為推論（Inference）設計的處理器 LPU (Language Processing Unit)。
與傳統依賴 GPU（如 NVIDIA）的 AI 服務不同，Groq 的技術能讓大型語言模型（如 Llama 3、Mixtral）以驚人的速度運行，每秒可生成數百個字（Tokens）。

特色如下：

Step 11：準備工作 - Groq API Key 取得說明

Groq 官網註冊並登入後，依序選擇 API Keys -> Create API Key

生成 API Key 後，將其複製，會在 n8n 的 Credential 中添加

Step 12：準備工作 - LineBot 機器人推播(可選)

最終推送到用戶端我們採取 LineBot 推播的方式，可以參考0107. 2026 實戰教學：從零打造 C# Line Bot 並免費部署至 Azure App Service
如何實現 LineBot，當然用 Whatsapp、Slack、Email 方式皆可，以個人實用性為主

第二部分：系統架構圖

Step 1：技術棧架構圖

本篇範例主要使用的技術棧如下，透過 n8n 整合 RSS + AI Agent + 資料庫 + Line Bot 完成自動化篩選股票流程

Step 2：n8n 最終 Workflow 圖

從數據輸入、AI 篩選到資料庫比對，最後輸出到 Line 的自動化閉環
其中 AI Agent 處理 2 次，解決了 1. 新聞過濾資料 。其次解決 2. 決策結論

第三部分：第一階段：RSS 新聞抓取與 AI 初步過濾

Step 1：1. 觸發與設定 - 台股利多關鍵字

建立 Code 節點，參數如下 :

Js 代碼如下，目的是提供股票 利多關鍵字 ，n8n 只看得懂 URL Encode ，因此需要先將中文轉換

return 		[ 
	{keyword:"%E5%89%B5%E9%AB%98"},//創高
	{keyword:"%E8%B2%B7%E8%B6%85"},// 買超
	{keyword:"%E8%BD%89%E7%9B%88"},// 轉盈
	{keyword:"%E5%84%AA%E6%96%BC%E9%A0%90%E6%9C%9F"},// 優於預期 
	{keyword:"%E5%8A%A0%E7%A2%BC"},// 加碼
	{keyword:"%E6%8E%A5%E5%96%AE"},// 接單
	{keyword:"%E5%88%A9%E5%A4%9A"} // 利多
	];

Step 2：2. 獲取新聞 - RSS Read(新聞)

建立 RSS Read 節點，參數如下:
目的是把關鍵詞依序傳入找出相關的新聞

Step 3：3. 資料預處理 - 去除重複新聞

建立 Remove Duplicates 節點，參數如下：
目的是把新聞相同的資料移除，減輕資料量

其中 link 是判別是否重複來源的新聞依據

Step 4：3. 資料預處理 - 移除冗餘資訊

建立 Edit Fields 節點，參數如下：
目的是移除不需要的資料，只保留 標題 與 內容

Step 5：3. 資料預處理 - 合併資料

建立 Aggregate 節點，參數如下：
目的是整併成 1 筆資料，如果保留原本的多筆資料，會讓 AI Agent 處理太多次 (50筆等於 AI 做 50 次)，避免浪費太多 AI API Token

第四部分：第二階段：深挖籌碼面 — Azure SQL 資料庫對齊

Step 1：4. AI 初步選股 - AI Agent 1

建立 AI Agent 然後建立 Groq Chat Model ，並且讓此 AI Agent 的 Model 使用 Groq
AI Agent 參數如下：

Prompt 有以下內容，讓 AI 輸出指定的格式，並且要代入身分： 資深的台股分析師，最終輸出 5 檔股票

你是一位資深的台股分析師，擅長從產業利多新聞中挖掘受惠股。

### 任務說明：

請分析以下新聞內容，並列出 5 個最直接受惠的「台股上市櫃公司」+ 股票代號。

### 新聞來源：

所有內容：{{ $json['內容'] }}

### 限制與規則：

1. 僅限台灣上市櫃企業。

2. 若內容不足 5 家，請僅列出最相關者。

3. 嚴禁提供投資建議。

### 輸出格式 (請嚴格遵守以下 Line 訊息編排)：

📊 **【台股利多情報分析】**

--------------------------

(請針對每一家公司輸出以下結構，並使用指定 Emoji)

🚀 **[代號 名稱]**

🔹 **受惠理由**：[30字內，精簡扼要]

⚠️ **風險提示**：[20字內關鍵風險]

### 輸出格式：
請嚴格分為兩個部分輸出：

PART 1: [Line 訊息內容]
(這裡放您原本的 Line 訊息編排，包含 Emoji 等)

PART 2: [JSON 資料]
請將分析出的 5 檔股票僅以 JSON Array 格式輸出，方便程式解析。
格式範例：
[{"code": "2330", "name": "台積電"}, {"code": "8210", "name": "勤誠"}]

Groq 參數如下：
將自己的 API Key 代入，並且注意 Model 必須要選可以容納大量輸入文本的模式

Step 2：5. 數據精煉 - 整理出推薦5檔股票

建立 Code 節點，參數如下 :

Js 代碼如下，目的是得到我們要的 Json 格式，保留 5 檔 AI 推薦的股票代號

// 1. 取得 Gemini 輸出的原始文字
const fullText = $input.first().json.output
// 2. 切割字串
const parts = fullText.split('PART 2:');
if (parts.length < 2) {
  throw new Error("找不到 'PART 2:' 關鍵字");
}

const afterPart2 = parts[1];

// 3. 關鍵修正：改用搜尋 '[{"' 來精確定位 JSON 陣列的開頭
// 這樣就能跳過前面的 "[JSON 資料]" 文字
const jsonStart = afterPart2.indexOf('[{"'); 

if (jsonStart === -1) {
    throw new Error("在 PART 2 之後找不到正確的 JSON 數據格式。");
}

const jsonPart = afterPart2.substring(jsonStart).trim();

try {
  // 4. 解析 JSON
  const stocks = JSON.parse(jsonPart);

  // 5. 回傳成 n8n 標準格式
  return stocks.map(stock => ({
    json: {
      stock_code: stock.code.trim(),
      stock_name: stock.name.trim(),
      full_line_message: parts[0].trim() 
    }
  }));
} catch (error) {
  throw new Error("JSON 解析依舊失敗，擷取內容為：" + jsonPart + " | 錯誤：" + error.message);
}

Step 3：6. 籌碼驗證 - Microsoft SQL

建立 Microsoft SQL 節點，參數如下 :

SQL 語法如下，目的是將 AI 推薦的 5 檔利多股票 + 12 週 (3個月) 的籌碼變化查詢出結果

WITH WeeklyData AS (
    -- 步驟 1: 先將 15 級(大戶)與 17 級(總計)的資料轉為同一列
    SELECT 
        T15.stock_no,
        T15.belong_date,
        T15.inventory_ratio AS BigHolderRatio,      -- 大戶持股比
        T17.inventory_people AS TotalHolderCount     -- 總人數
    FROM dbo.TDCC_{ { $json.stock_code } } T15
    JOIN dbo.TDCC_{ { $json.stock_code } } T17 ON T15.belong_date = T17.belong_date
    WHERE T15.level = 15 AND T17.level = 17
),
TrendAnalysis AS (
    -- 步驟 2: 使用 LAG 函數取得「前一週」的數值並計算差異
    SELECT 
        stock_no,
        belong_date,
        BigHolderRatio,
        -- 計算大戶持股比例變化 (本週 - 前一週)
        BigHolderRatio - LAG(BigHolderRatio) OVER (ORDER BY belong_date) AS BigHolderChange,
        TotalHolderCount,
        -- 計算人數變化 (本週 - 前一週)
        TotalHolderCount - LAG(TotalHolderCount) OVER (ORDER BY belong_date) AS HolderCountChange
    FROM WeeklyData
)
-- 步驟 3: 輸出最近 12 週資料
SELECT TOP 12 * FROM TrendAnalysis
ORDER BY belong_date DESC;

Step 4：7. 數據再加工 - SQL結果整理

建立 Code 節點，參數如下 :

Js 代碼如下，目的是將每個股票代碼資料歸類為 1 個組別，便於 AI 後續分析

const allData = items; // 取得 SQL 輸出的 60 筆資料
const grouped = {};

// 1. 開始分組
allData.forEach(item => {
    // 處理 stock_no，移除空白並確保它是字串
    const sn = String(item.json.stock_no).trim();
    
    if (!grouped[sn]) {
        grouped[sn] = {
            stock_no: sn,
            history: []
        };
    }
    
    // 將該筆週資料推入對應股票的 history 陣列
    grouped[sn].history.push({
        date: item.json.belong_date.split('T')[0], // 簡化日期格式
        ratio: item.json.BigHolderRatio,
        change: item.json.BigHolderChange,
        total_count: item.json.TotalHolderCount,
        count_change: item.json.HolderCountChange
    });
});

// 2. 轉換成 n8n 格式，並只取出前 5 檔股票 (如果你只需要 5 檔)
const result = Object.values(grouped).slice(0, 5).map(stock => {
    return {
        json: stock
    };
});

return result;

第五部分：第三階段：AI 綜合研判與 Line 格式轉換

Step 1：AI 綜合決策 - AI Agent

建立 AI Agent 然後建立 Groq Chat Model ，並且讓此 AI Agent 的 Model 使用 Groq
AI Agent 參數如下：

Prompt 有以下內容，讓 AI 輸出指定的格式，並且要代入身分： 台股籌碼分析師
這次是對每 1 個股票作籌碼分析

Role: 你是一位資深的台股籌碼分析師，專長是從集保戶股權變化中找出主力吸籌或出貨的訊號。

Task: 請分析股票（{{ $json.stock_no }}）近 5 週數據，並依據邏輯給出結論。

Data (JSON):
{{ $json.history.toJsonString() }}

分析邏輯參考：

大戶動向：觀察 BigHolderRatio 持續性。

籌碼集中度：BigHolderChange > 0 且 HolderCountChange < 0 代表強勢集中。

⚠️ 重要回傳格式規範：
請直接回傳以下 JSON 格式，不要包含任何 Markdown 區塊（不要有 ```json）、不要有額外開場白。

{
  "stock_no": "&#123;&#123; $json.stock_no &#125;&#125;",
  "rating": "強力看多/偏多/中立/偏空",
  "observation": [
    "第一點關鍵觀察",
    "第二點關鍵觀察"
  ],
  "conclusion": "一句話的操作建議"
}

Groq 參數如下：
將自己的 API Key 代入，並且注意 Model 必須要選可以容納大量輸入文本的模式(同之前設定)

Step 2：9. 格式轉換 - 正規化 Json 資料

建立 Code 節點，參數如下 :

Js 代碼如下，目的是轉換為符合 Line Flex Message 所需的 JSON 代碼格式

// 定義評價顏色對應表
const ratingColors = {
  "強力看多": "#FF0000",
  "偏多": "#E63946",
  "中立": "#457B9D",
  "偏空": "#1D3557",
  "強力看空": "#008000"
};

// 處理所有輸入的 items
return items.map((item) => {
  const rawOutput = item.json.output;
  
  // 1. 提取 JSON 部分（過濾掉可能的 think 標籤或雜訊）
  const jsonMatch = rawOutput.match(/\{[\s\S]*\}/);
  
  if (!jsonMatch) {
    return { json: { error: "無法解析 JSON", raw: rawOutput } };
  }

  const aiData = JSON.parse(jsonMatch[0]);
  const textColor = ratingColors[aiData.rating] || "#333333";

  // 2. 自動生成觀察清單內容 (1️⃣, 2️⃣...)
  const observationContents = aiData.observation.map((text, index) => {
    const icons = ["1️⃣", "2️⃣", "3️⃣", "4️⃣", "5️⃣"];
    return {
      "type": "box",
      "layout": "baseline",
      "spacing": "sm",
      "contents": [
        { "type": "text", "text": icons[index] || "🔹", "color": "#aaaaaa", "size": "sm", "flex": 1 },
        { "type": "text", "text": text, "wrap": true, "color": "#666666", "size": "sm", "flex": 9 }
      ]
    };
  });

  // 3. 回傳 Line Flex Message 結構
  return {
    json: {
      "type": "flex",
      "altText": `${aiData.stock_no} 籌碼研究報告`,
      "contents": {
        "type": "bubble",
        "header": {
          "type": "box",
          "layout": "vertical",
          "contents": [
            { "type": "text", "text": "股票籌碼研究報告", "weight": "bold", "color": "#aaaaaa", "size": "sm" },
            { "type": "text", "text": `${aiData.stock_no} 籌碼健檢`, "weight": "bold", "size": "xl", "margin": "md" }
          ]
        },
        "body": {
          "type": "box",
          "layout": "vertical",
          "contents": [
            {
              "type": "box",
              "layout": "horizontal",
              "contents": [
                { "type": "text", "text": "籌碼評價", "size": "sm", "color": "#555555", "flex": 0 },
                { "type": "text", "text": aiData.rating, "size": "sm", "color": textColor, "align": "end", "weight": "bold" }
              ]
            },
            { "type": "separator", "margin": "md" },
            {
              "type": "box",
              "layout": "vertical",
              "margin": "lg",
              "spacing": "sm",
              "contents": observationContents
            },
            {
              "type": "box",
              "layout": "vertical",
              "margin": "lg",
              "backgroundColor": "#F0F0F0",
              "paddingAll": "10px",
              "contents": [
                { "type": "text", "text": `結論：${aiData.conclusion}`, "wrap": true, "size": "xs", "color": "#333333", "style": "italic" }
              ]
            }
          ]
        },
        "footer": {
          "type": "box",
          "layout": "vertical",
          "contents": [
            {
              "type": "button",
              "action": {
                "type": "uri",
                "label": "查看詳細數據",
                "uri": `https://tw.stock.yahoo.com/quote/${aiData.stock_no}`
              },
              "style": "primary",
              "color": "#1DB446"
            }
          ]
        }
      }
    }
  };
});

第六部分：第四階段：Line Bot 自動化推播

Step 1：10. 推播通知 - HTTP Request_推播給LineBot

建立 Http Request 節點，參數如下 :

這是最後一步驟，就可以將結果推給 LineBot 輸出 Line Flex Message 到指定的訊息對話窗中

若推播成功，會依照股票數依序顯示

Step 2：LineBot 聊天室結果 - 成功接收

我們可以看到 LineBot 的聊天室群組，推播了 2458 籌碼健檢 ，並且提供評價、建議如何操作
查看詳細數據的按鈕，可以直接到 Yahoo 奇摩股市該股票的股價頁面

第七部分：結語與進階思考

Step 1：從自動化到智慧交易

目前實現了上述 n8n 功能，有以下特點：

Step 2：後續優化擴展 - 讓系統更強大的三個方向

當自動化流程穩定運行後，後續還能在擴展以下升級，也是邁向量化交易的步驟：