Jak zbudować system do automatycznej weryfikacji faktów z n8n, RSS i LLM?

MarGib 8/25/2026 09:00:00 AM

Automatyczna weryfikacja faktów staje się kluczowym narzędziem w walce z dezinformacją. W tym artykule pokażę, jak połączyć n8n, kanały RSS i modele LLM, aby stworzyć efektywny workflow do analizy treści – krok po kroku, z uwzględnieniem ograniczeń i najlepszych praktyk.

Ilustracja systemu do automatycznej weryfikacji faktów z użyciem n8n, kanałów RSS i modeli LLM. — System do automatycznej weryfikacji faktów w akcji.

Dlaczego automatyzacja fact-checkingu jest potrzebna?

Dezinformacja rozprzestrzenia się szybciej niż kiedykolwiek – według raportu Edelman Trust Barometer 2023, 76% respondentów obawia się, że fake newsy są używane jako broń. Ręczna weryfikacja faktów nie nadąża za skalą problemu, dlatego narzędzia takie jak n8n zyskują na znaczeniu. Pozwalają one na automatyzację części procesu, oszczędzając czas i zasoby.

Automatyzacja nie zastąpi jednak ludzkiej oceny – może ją jedynie wspomóc. Kluczowe jest zrozumienie, gdzie kończy się możliwość algorytmów, a zaczyna konieczność interwencji eksperta.

Kluczowe funkcje n8n przydatne w weryfikacji faktów

Węzły do parsowania treści

n8n oferuje kilka węzłów, które są niezbędne do pobierania i przetwarzania treści:

RSS Feed: Pozwala na automatyczne pobieranie nowych wpisów z kanałów RSS. Idealne do monitorowania serwisów informacyjnych lub agregatorów jak Gurify. Węzeł ten jest prosty w konfiguracji – wystarczy podać URL kanału RSS i określić częstotliwość odświeżania.
HTTP Request: Umożliwia pobieranie danych z API lub scrapowanie stron internetowych. Przydatny, gdy chcemy uzyskać dostęp do treści, które nie są dostępne przez RSS. Warto jednak pamiętać o ograniczeniach prawnych związanych ze scrapowaniem (np. regulaminy serwisów).
Webhook: Pozwala na odbieranie danych w czasie rzeczywistym, np. alertów z zewnętrznych systemów. Może być użyty do integracji z narzędziami takimi jak Slack czy Discord, gdzie użytkownicy zgłaszają podejrzane treści.
HTML Extract: Ekstrahuje dane z kodu HTML, np. treść artykułów. Przydatny, gdy chcemy analizować konkretne fragmenty tekstu, a nie całą stronę.

Wszystkie te węzły można łączyć w workflow, aby stworzyć kompleksowy system do monitorowania i analizy treści.

Integracja z modelami LLM

Modele językowe (LLM) mogą znacząco wspomóc proces weryfikacji faktów, analizując treści pod kątem potencjalnych dezinformacji. n8n oferuje węzły do integracji z popularnymi modelami:

openai: Węzeł OpenAI pozwala na wykorzystanie modeli takich jak GPT-3.5 czy GPT-4 do analizy tekstu. Można go użyć np. do wykrywania sformułowań sugerujących dezinformację lub do generowania podsumowań artykułów.
Hugging Face: Węzeł HuggingFace umożliwia wykorzystanie modeli NLP dostępnych na platformie Hugging Face. Przykładowo, można użyć modelu do klasyfikacji tekstu (np. "prawda" vs "fałsz").

Przykładowy prompt dla openai, który może pomóc w wykrywaniu dezinformacji:

"Sprawdź, czy poniższe zdanie zawiera potencjalną dezinformację. Odpowiedz 'TAK' lub 'NIE' i uzasadnij krótko:
'Nowy raport WHO potwierdza, że 5G powoduje raka.'"

Warto jednak pamiętać, że modele LLM nie są nieomylne. Mogą popełniać błędy, szczególnie w przypadku języka polskiego, gdzie dostępnych jest mniej danych treningowych niż dla języka angielskiego.

Ograniczenia n8n

Mimo swoich zalet, n8n ma kilka ograniczeń, które warto wziąć pod uwagę:

Przetwarzanie dużych wolumenów danych: n8n nie jest zoptymalizowany do przetwarzania setek tysięcy postów na minutę. W takich przypadkach lepiej sprawdzą się dedykowane rozwiązania, np. Apache Kafka.
Limity wersji open-source: Wersja darmowa n8n (hostowana na własnym serwerze) nie ma ograniczeń co do liczby uruchomień workflow, ale wersja n8n.Cloud ma limity (np. 2000 uruchomień/miesiąc w wersji darmowej).
Złożoność workflow: Bardzo rozbudowane workflow mogą być trudne w utrzymaniu i debugowaniu. Warto dzielić je na mniejsze, modularne części.

Narzędzia zewnętrzne do integracji z n8n

API do weryfikacji faktów

Istnieje kilka API i baz danych, które można zintegrować z n8n w celu automatycznej weryfikacji faktów:

Google Fact Check Tools API: Umożliwia wyszukiwanie oznaczonych faktów w bazie Google. Wymaga klucza API i autoryzacji. Przykładowe zastosowanie: Sprawdzanie, czy dana informacja została już zweryfikowana przez fact-checkerów.
claimreview: Standard metadanych do oznaczania zweryfikowanych treści. Można go użyć w połączeniu z węzłem HTTP Request w n8n, aby sprawdzić, czy dana treść została już zweryfikowana.
Full Fact API: Brytyjski serwis fact-checkingowy oferuje ograniczone API dla partnerów. Warto sprawdzić, czy są dostępne podobne rozwiązania w Polsce.

Niestety, nie wszystkie serwisy fact-checkingowe oferują publiczne API. W takich przypadkach można rozważyć scrapowanie ich stron (z zachowaniem zasad robots.txt i regulaminów).

Narzędzia open-source do analizy treści

Oprócz komercyjnych API, istnieją również narzędzia open-source, które można zintegrować z n8n:

ClaimBuster: Narzędzie do wykrywania zdań wymagających weryfikacji. Można je zintegrować z n8n poprzez API. Repozytorium na githubie jest regularnie aktualizowane, co świadczy o aktywnym rozwoju projektu.
FakeNewsNet: Zbiór danych i narzędzi do wykrywania fake newsów. Może być użyty do trenowania własnych modeli lub analizy treści.
Hoaxy

: Narzędzie do wizualizacji rozprzestrzeniania się dezinformacji. Może być przydatne do monitorowania, jak dana informacja rozprzestrzenia się w sieci.

Integracja z kanałami RSS (Gurify)

Gurify to narzędzie do agregacji kanałów RSS z różnych źródeł. Można je zintegrować z n8n za pomocą węzła RSS Feed. Przykładowy workflow może wyglądać następująco:

Pobranie treści z kanału RSS Gurify (np. z serwisów informacyjnych).
Filtrowanie treści (np. tylko te zawierające słowa kluczowe: "wybory", "pandemia").
Analiza LLM (np. openai lub Hugging Face) pod kątem potencjalnych dezinformacji.
Weryfikacja w Google Fact Check Tools API lub claimreview.
Zapisanie wyników w Google Sheets lub wysłanie alertu e-mail.

Budowa workflow w n8n – krok po kroku

Typowy workflow do weryfikacji faktów

Poniżej przedstawiam przykładowy workflow, który można zbudować w n8n:

Pobranie treści:
- Użycie węzła RSS Feed do pobrania najnowszych wpisów z kanału RSS (np. z Gurify).
- Alternatywnie: Użycie węzła HTTP Request do pobrania danych z API serwisu informacyjnego.
Filtrowanie i przygotowanie danych:
- Użycie węzła IF do filtrowania treści (np. tylko te zawierające słowa kluczowe: "szczepionki", "klimat").
- Użycie węzła Set do normalizacji danych (np. usunięcie tagów HTML, konwersja na mały rejestr).
Analiza LLM:
- Użycie węzła OpenAI lub HuggingFace do analizy treści.
- Przykładowe zadanie dla LLM: "Czy poniższe zdanie zawiera potencjalną dezinformację? Odpowiedz 'TAK' lub 'NIE' i uzasadnij krótko."
Weryfikacja źródeł:
- Użycie węzła HTTP Request do sprawdzenia w Google Fact Check Tools API lub ClaimReview.
- Przykład: Wysłanie zapytania do API z frazą z artykułu i sprawdzenie, czy została już zweryfikowana.
Alert lub zapis wyników:
- Użycie węzła Email (np. Gmail) do wysłania alertu o potencjalnej dezinformacji.
- Użycie węzła Google Sheets lub Airtable do zapisania wyników analizy (tytuł artykułu, źródło, wynik analizy LLM, link do weryfikacji).

Gotowe szablony i optymalizacja

n8n oferuje kilka gotowych szablonów workflow, które można zaadaptować do weryfikacji faktów:

RSS to Email: Pobieranie treści RSS i wysyłanie e-maili.
openai Text Analysis: Analiza tekstu z użyciem openai.

Brak jest jednak gotowych szablonów dedykowanych fact-checkingowi, dlatego warto zbudować własny workflow na bazie istniejących.

Optymalizacja workflow może obejmować:

Caching: Użycie węzła Cache do przechowywania wyników API (np. Google Fact Check Tools), aby uniknąć nadmiernych zapytań.
Error Handling: Użycie węzła Error Trigger do obsługi błędów (np. brak odpowiedzi z API).
Testowanie: Użycie trybu "Test" w n8n do sprawdzania poprawności workflow przed wdrożeniem.

Wyzwania i ograniczenia automatycznej weryfikacji

Błędy w analizie

Automatyczna weryfikacja faktów nie jest pozbawiona błędów. Najczęstsze problemy to:

Fałszywe pozytywy: LLM może oznaczać jako dezinformację treści, które są prawdziwe, ale sformułowane w sposób sensacyjny. Przykład: Artykuł o "szczepionkach powodujących efekty uboczne" może zostać oznaczony jako dezinformacja, nawet jeśli opisuje rzadkie przypadki.
Brak kontekstu: Automatyczna analiza nie uwzględnia kontekstu kulturowego lub historycznego. Przykład: Sformułowanie "Ziemia jest płaska" może być użyte w artykule satyrycznym, a nie jako dezinformacja.
Język: Modele LLM lepiej radzą sobie z językiem angielskim niż polskim, co może prowadzić do błędów w analizie treści w języku polskim.

Aspekty etyczne i prawne

Automatyczna weryfikacja faktów wiąże się z kilkoma wyzwaniami etycznymi i prawnymi:

RODO: Przetwarzanie treści użytkowników (np. komentarzy) wymaga zgody lub anonimizacji. Warto upewnić się, że workflow nie narusza przepisów o ochronie danych osobowych.
Prawa autorskie: Scrapowanie treści z serwisów informacyjnych może naruszać ich regulamin. Przed rozpoczęciem automatycznego pobierania treści warto sprawdzić, czy jest to dozwolone.
Odpowiedzialność: Automatyczna weryfikacja nie zastępuje ludzkiej oceny. Full Fact podkreśla, że algorytmy mogą wspierać fact-checkerów, ale nie powinny podejmować ostatecznych decyzji.

Przypadki nieskuteczności

Automatyczna weryfikacja faktów nie sprawdza się we wszystkich sytuacjach:

Deepfake: Automatyczne narzędzia mają trudności z wykrywaniem deepfake'ów wideo lub audio. Wymaga to zaawansowanych modeli do analizy multimediów.
Szybko zmieniające się wydarzenia: Weryfikacja faktów w czasie rzeczywistym (np. podczas kryzysu) może być opóźniona, ponieważ algorytmy potrzebują czasu na analizę.
Manipulacja językowa: Dezinformacja może być ukryta w pozornie neutralnych sformułowaniach (np. "niektórzy eksperci twierdzą..."). Takie przypadki są trudne do wykrycia przez algorytmy.

Alternatywy dla n8n

Inne narzędzia no-code/low-code

n8n nie jest jedynym narzędziem do automatyzacji. Oto kilka alternatyw:

Zapier:
- Zalety: Łatwość użycia, duża liczba integracji.
- Wady: Ograniczone możliwości zaawansowanej logiki (np. brak pętli), wyższe koszty przy dużych wolumenach.
Mąkę (dawniej Integromat):
- Zalety: Wizualny builder, zaawansowane scenariusze.
- Wady: Mniej elastyczny niż n8n w przypadku niestandardowych integracji.
Pipedream:
- Zalety: Oparty na JavaScript, elastyczny.
- Wady: Wymaga podstawowej znajomości programowania.

Dedykowane platformy do fact-checkingu

Istnieją również platformy stworzone specjalnie do weryfikacji faktów:

NewsGuard: Oferuje oceny wiarygodności mediów, ale brak publicznego API. Może być użyte jako źródło informacji dla fact-checkerów.
Logically: Platforma do wykrywania dezinformacji z API dla partnerów. Warto sprawdzić, czy oferuje integrację z n8n.
ClaimReview: Standard metadanych, ale wymaga ręcznego oznaczania treści przez fact-checkerów.

Porównanie n8n z alternatywami

Narzędzie	Elastyczność	Integracje LLM	Koszt	Wymagania techniczne
n8n	Wysoka	Tak	Darmowy (open-source)	Średnie
Zapier	Niska	Ograniczone	Płatny	Niskie
Mąkę	Średnia	Tak	Płatny	Niskie
Pipedream	Wysoka	Tak	Darmowy (z limitem)	Wysokie (JS)

Wybór narzędzia zależy od konkretnych potrzeb. n8n sprawdzi się tam, gdzie potrzebna jest elastyczność i integracja z LLM, podczas gdy Zapier czy Mąkę mogą być lepsze dla prostszych zadań.

Koszty i wymagania techniczne

Koszty n8n

n8n jest dostępny w dwóch wersjach:

Wersja open-source: Darmowa, ale wymaga samodzielnego hostingu (np. na serwerze VPS). Idealna dla użytkowników, którzy chcą mieć pełną kontrolę nad swoim workflow.
n8n.cloud: Płatny hosting z limitem 2000 uruchomień workflow/miesiąc w wersji darmowej. Cennik:
- Plan Startup: 20$ miesięcznie (10 000 uruchomień).
- Plan Pro: 50$ miesięcznie (50 000 uruchomień).

Koszty integracji zewnętrznych API

Integracja z zewnętrznymi API wiąże się z dodatkowymi kosztami:

openai API:
- Model gpt-3.5-turbo: 0.002$ za 1000 tokenów (ok. 750 słów).
- Przykład: Analiza 1000 artykułów (średnio 500 słów każdy) kosztowałaby ok. 1.33$.
Google Fact Check Tools API: Darmowy, ale z limitem zapytań (nieudokumentowany).
Hugging Face Inference API: Darmowy dla małych wolumenów, płatny dla większych.

Wymagania techniczne

Aby uruchomić workflow w n8n, potrzebne są:

Serwer:
- Minimalne wymagania: 1 vcpu, 1 GB RAM (dla małych workflow).
- Zalecane: 2 vcpu, 4 GB RAM (dla workflow z LLM i dużymi wolumenami danych).
API:
- Klucze API do OpenAI, Google Fact Check Tools itp.
- Limit zapytań: Należy monitorować zużycie, aby uniknąć blokad.

Źródła edukacyjne i społeczności

Dokumentacja i tutoriale

Jeśli chcesz pogłębić swoją wiedzę na temat n8n, warto skorzystać z następujących źródeł:

Oficjalna dokumentacja n8n: docs.n8n.IO – zawiera szczegółowe opisy wszystkich węzłów i przykłady użycia.
Kurs wideo: n8n YouTube Channel – regularnie aktualizowane tutoriale i webinary.
Przykładowe workflowy: n8n Workflows – gotowe szablony, które można zaadaptować.

Społeczności

Warto dołączyć do społeczności skupionych wokół n8n i automatyzacji fact-checkingu:

Forum n8n: community.n8n.IO – aktywne dyskusje i pomoc techniczna.
Discord: n8n Discord – czat na żywo z użytkownikami i deweloperami.
github: n8n GitHub – zgłaszanie bugów i propozycji nowych funkcji.

Konferencje i webinary

Jeśli interesuje Cię temat automatyzacji i fact-checkingu, warto wziąć udział w następujących wydarzeniach:

No-Code Conf: Coroczna konferencja poświęcona narzędziom no-code, w tym n8n. nocodeconf.com.
Webinary n8n: Regularne sesje na żywo z deweloperami. Harmonogram: n8n.io/events.
Fact-Checking Summit: Konferencja poświęcona weryfikacji faktów. globalfact.org.

Udział w takich wydarzeniach pozwala na wymianę doświadczeń i poznanie najnowszych trendów w branży.

Podsumowanie

Automatyczna weryfikacja faktów z użyciem n8n to potężne narzędzie, które może znacząco usprawnić pracę fact-checkerów. Dzięki integracji z kanałami RSS, modelami LLM i zewnętrznymi API, można zbudować workflow, który monitoruje, analizuje i weryfikuje treści w sposób zautomatyzowany.

Jednak automatyzacja ma swoje ograniczenia. Modele LLM mogą popełniać błędy, a algorytmy nie zastąpią ludzkiej oceny w skomplikowanych przypadkach. Dlatego kluczowe jest traktowanie takich systemów jako wsparcia, a nie zamiennika dla tradycyjnego fact-checkingu.

Jeśli chcesz zacząć przygodę z automatyczną weryfikacją faktów, n8n jest świetnym wyborem – elastycznym, darmowym i łatwym w użyciu. Warto jednak pamiętać o optymalizacji workflow i monitorowaniu jego wydajności, aby uniknąć problemów związanych z dużymi wolumenami danych.

Zachęcam do eksperymentowania z n8n i dzielenia się swoimi doświadczeniami w społecznościach skupionych wokół tego narzędzia. Automatyzacja fact-checkingu to dopiero początek – przyszłość przyniesie zapewne jeszcze więcej innowacji w tej dziedzinie.

Automatyzacja nie zastąpi ludzkiej oceny, ale może ją znacząco usprawnić. Kluczowe jest znalezienie równowagi między technologią a ekspercką wiedzą.

Jeśli interesuje Cię temat automatyzacji walki z dezinformacją, polecam również mój wcześniejszy wpis: Automatyzacja walki z dezinformacją: Jak połączyć n8n, RSS i weryfikację faktów?.