AI Agent 自动检查旧文章：过时命令、失效链接和版本变化

维护技术博客最头疼的就是旧文章里的命令跑不通，链接点进去全是 404。主机选长期关注 VPS 实战，深知内容时效性的重要。手动排查几百篇文章不仅费时，还容易漏掉细节。用 AI Agent 自动化检查过时命令和失效链接，是目前最高效的运维手段，能大幅降低维护成本。

这套方案的核心思路是利用 n8n 作为自动化编排工具，配合 Ollama 本地运行的轻量级大模型，对 Markdown 源文件进行批量扫描。n8n 负责流程控制，Ollama 负责语义分析，判断命令是否过时，HTTP Request 节点负责检测链接存活状态。

搭建 AI Agent 自动化巡检环境

不需要购买昂贵的 GPU 服务器，普通的 CPU VPS 只要内存足够，跑个 7B 或 14B 的量化模型绰绰有余。推荐使用 Docker Compose 一键拉起 Ollama 和 n8n，省去配置环境的麻烦。

Docker 部署 Ollama 与 n8n

创建一个 `docker-compose.yml` 文件，把服务编排在一起。注意给 n8n 挂载卷，否则工作流重启就丢了。

yaml
version: '3.8'
services:
ollama:
image: ollama/ollama:latest
container_name: ollama
restart: unless-stopped
ports:
– "11434:11434"
volumes:
– ollama_data:/root/.ollama # 模型数据持久化

n8n:
image: n8nio/n8n:latest
container_name: n8n
restart: unless-stopped
ports:
– "5678:5678"
environment:
– N8N_BASIC_AUTH_ACTIVE=true
– N8N_BASIC_AUTH_USER=admin
– N8N_BASIC_AUTH_PASSWORD=your_strong_password # 记得改密码
– N8N_ENCRYPTION_KEY=random_string_key_32_chars # 随机生成一串密钥
volumes:
– n8n_data:/home/node/.n8n
depends_on:
– ollama

volumes:
ollama_data:
n8n_data:

启动服务后，先拉取一个适合代码分析的模型。Qwen2.5-7B-Instruct 或 Llama3.1-8B 在这方面表现不错，且资源占用可控。

docker exec -it ollama ollama pull qwen2.5:7b

配置 n8n 工作流实现自动巡检

n8n 的工作流逻辑很简单：读取文章 -> 提取链接和代码块 -> 并行检查 -> 汇总报告。这里假设你的文章存储在本地目录或 Git 仓库中，n8n 可以通过“Read Binary Files”节点读取 Markdown 文件。

正则提取与 HTTP 状态码检测

失效链接最好办，用正则把 Markdown 里的 URL 提出来，扔给 HTTP Request 节点。

1.提取链接：在 Code 节点里写简单的正则 `/\[.*?\]\((.*?)\)/g`，把所有 URL 捞出来。
2.批量检测：把提取出的 URL 数组传给 HTTP Request 节点，勾选“Send All Items”。设置 Method 为 GET，只关注 Status Code。
3.过滤结果：使用 IF 节点判断，只要 Status Code 不是 200，就标记为“疑似失效”。注意，有些站点会返回 301 或 302 跳转，这种情况建议记录下来人工确认，避免误判。

Prompt 编写让 Agent 识别过时命令

这是最关键的一步。让 AI Agent 判断命令是否过时，需要给它明确的上下文。不要直接问“这个命令对吗”，要限定操作系统版本和软件源。

在 n8n 中添加“AI Agent”节点（或者直接调用 Ollama 的 HTTP 接口），模型选择刚才拉取的 `qwen2.5:7b`。

System Prompt 示例：

你是一名资深 Linux 运维专家，擅长 Ubuntu 22.04 和 Debian 12 系统管理。
请检查用户提供的 Shell 命令是否存在以下问题：
1. 命令语法已被废弃或移除（如 ifconfig, apt-get 特定旧参数）。
2. 依赖的软件包官方源已下架或改名。
3. 涉及 Python pip 安装时，是否使用了已废弃的包名。
4. Docker 命令是否使用了旧的 API 版本（如 -v 路径写法是否规范）。

只返回 JSON 格式结果：{"is_deprecated": boolean, "reason": "string", "suggestion": "string"}。
如果没有问题，is_deprecated 为 false。

把文章里的代码块内容提取出来，塞给 Agent。如果文章很长，记得分块处理，别把几万字丢进去把模型撑爆了。

处理版本迭代逻辑

对于软件版本号的检查，单纯靠 LLM 推理容易产生幻觉。最好结合“HTTP Request”节点去查询 GitHub Releases 或 PyPI API。

比如检测 Docker 镜像版本，可以用正则提取 `image:tag`，然后去 Docker Hub API 查询该 Tag 是否还存在。这种硬性指标的检查，交给 API 调用比交给大模型更靠谱。

老鸟叮嘱

1.别直接动生产库：AI Agent 的检查结果只能作为参考，千万别写脚本让它自动修改数据库或发布文章。生成一个“待修复列表”，人工审核后再动手。
2.注意 Token 消耗：长文章分块检测很吃 Token，本地模型虽然免费，但推理速度慢。建议设置超时时间，避免 n8n 工作流卡死。
3.误报是常态：有些命令虽然旧，但为了兼容老系统特意保留的。Agent 不懂你的业务场景，看到 `apt-get` 就报警，这时候需要人工判断。
4.API Key 安全：如果你用 OpenAI 或 Claude API 而不是本地 Ollama，记得在 n8n 里使用 Credentials 管理密钥，不要直接写在 Prompt 里。

FAQ

Q：我的 VPS 内存只有 2G，能跑这套方案吗？
A：比较吃力。Ollama 运行 7B 模型至少需要 4G 内存（加上系统开销）。建议使用 4G 以上配置，或者改用 API 调用云端模型，只把 n8n 部署在 VPS 上。

Q：AI Agent 能识别出 Nginx 配置文件的错误吗？
A：可以识别明显的语法错误或废弃指令（如 `ssl on;`），但无法判断复杂的业务逻辑错误（如反向代理路径写错）。建议结合 `nginx -t` 命令的结果进行判断。

Q：n8n 的定时任务怎么设置？
A：使用 n8n 的“Schedule Trigger”节点，设置 Cron 表达式，例如每周一凌晨 2 点执行一次 `0 2 * * 1`。

Q：除了 Markdown，能检查 HTML 页面吗？
A：完全可以。n8n 的 HTTP Request 节点可以抓取网页 HTML，然后用 Code 节点（ cheerio 库）解析 DOM，提取文本和链接后再走检查流程。

Q：本地模型检查速度太慢怎么办？
A：可以尝试量化更小的模型（如 Qwen2.5-3B），或者只对文章标题、代码块区域进行检查，跳过大段的正文描述。

用这套工作流跑一圈，你会发现那些沉睡了两三年的教程里，藏着不少“惊喜”。把重复劳动交给 AI Agent，把精力花在更有价值的内容创作上，这才是技术博客正确的运维姿势。