Make 16. 小红书图文笔记批量制作：Make 帮你实现图片创作自动化

引言

做小红书知识分享类账号，最大的瓶颈不是写文案，而是做图。一张知识卡片要调排版、选配色、填内容，做完一张至少十几分钟。如果想日更三张图的节奏，光做图就能占掉半天时间。

我是翔宇。翔宇运营小红书账号期间测试了多种批量制作方案，这套在质量和效率上做到了最佳平衡。

我一直在思考：知识卡片本质上是"模板 + 结构化数据"的组合。模板固定，数据变化——这不就是自动化最擅长的事情吗？只要能把数据结构化提取出来，再套进固定的 HTML/CSS 模板，图片生成就可以完全交给机器。

这期视频我就实现了这个想法。用经济学人网站的财经词汇作为数据源，通过 Make 工作流一键生成上百张高清知识卡片，每张包含中英双语解释、生活化案例和相关新闻。一套流程跑下来，500 多个词汇、1500 张图片，全自动完成。

你将学到

• 为什么结构化数据是自动化的前提条件
• 两种网页数据结构化提取方法：正则表达式 vs Firecrawl LLM 提取
• 如何用大语言模型生成正则表达式，不需要自己写代码
• Firecrawl 结构化提取端点的实际配置方法
• Create JSON 模块解决 HTTP 调用中 JSON 格式问题的技巧
• HCTI（HTML/CSS to Image）工具生成高清知识卡片的完整流程
• Cloudinary 图床的配置和使用
• 通过字数限制模块控制图片文本溢出

视频教程

本教程配套视频已发布在 YouTube，建议搭配视频一起学习效果更佳。

详细教程

为什么结构化数据是自动化的前提

在动手搭工作流之前，先理解一个核心概念：自动化的前提是流程化，流程化的前提是规范化，规范化的前提是结构化。

拿今天的例子来说，经济学人网站上有 500 多个财经词汇，全部混在一个长页面里。如果不做结构化处理，这些数据就是一坨文本，没法自动化。但一旦把每个词汇拆成"名称 + 解释"两个字段，它就变成了一个数组，可以遍历、可以批量处理、可以套模板——这就是结构化的意义。

结构化数据有两个关键价值：

1. 便于独立输出：500 个词汇不再是一整篇文章，而是 500 条独立的数据，每条都可以单独生成一张知识卡片。
2. 支持批量处理：结构化后变成数组，Make 的 Iterator 可以逐条遍历，配合模板实现批量生成。

方法一：正则表达式提取（传统方法）

正则表达式提取分三步：找特征、搭表达式、测表达式。

找特征：先分析网页的数据结构。经济学人的财经词汇页面有一个明显的规律——每个词汇和它的解释之间用两个空行分隔。这个"双空行"就是我们要找的特征。

搭表达式：不需要自己写。把样例数据和需求告诉大语言模型：

我有这样一段文本（附上样例），每个财经词汇后面跟着两个换行符，然后是解释。请帮我写一个正则表达式，分别捕获词汇名称和解释内容。

大语言模型会直接给出可用的正则表达式。

测表达式：用在线正则测试工具验证，确认匹配结果正确后再放到 Make 中。

在 Make 中的实际操作是用两个 Match Pattern 模块串联：

1. 第一个正则 ^.{1560}([\s\S]*) —— 截掉前 1560 个字符（页面头部的非结构化内容），只保留正文。
2. 第二个正则 ^([^\n]+)\n\n([^\n]+)(?=\n\n|\Z) —— 按双空行分割，捕获词汇名称（第一组）和解释（第二组）。

实测结果：507 个词汇全部正确提取，每个词汇独立为一个 Bundle 发射出去。

方法二：Firecrawl LLM 提取（新型方法）

Firecrawl 提供了一个基于大模型的结构化提取端点（Beta），三步搞定：定提示词、抓内容、摘数据。

不需要写正则，只需要在 HTTP 请求中告诉 Firecrawl：

从这个页面中提取所有以 A 开头的财经词汇，输出 Term（条目）和 Definition（解释）两个字段。

Firecrawl 直接返回结构化的 JSON 数据。实测提取了 21 个 A 字母开头的词汇，全部正确。

这里有个细节：如果不限定字母范围，让它提取整页所有词汇可能会超时，因为页面数据量太大。分批提取是更稳妥的做法。

Create JSON 模块：解决 HTTP 调用格式问题

配置 Firecrawl 的 HTTP 请求时，我推荐用 Make 的 Create JSON 模块来生成 Request Body，而不是手动拼 JSON。

操作方法：

1. 在 Make 中添加 JSON → Create JSON 模块
2. 点击"添加数据结构"，粘贴 API 文档中的样例 JSON，点 Generate 自动生成结构
3. 后续只需要把前面模块的输出映射到对应字段

最大的好处是：Create JSON 模块会自动处理换行符、空格、双引号等影响 JSON 结构的字符。以前经常遇到的"HTTP 调用大模型时 JSON 格式报错"问题，用这个模块就彻底解决了。

工作流整体架构

完整工作流分为四个阶段：

第一步：Jina API 采集网页

Basic Trigger 输入经济学人财经词汇页面的 URL，下一个 HTTP 模块调用 Jina Reader API 抓取整页内容。返回的 Markdown 包含了所有词汇数据。

这里分享一个提效技巧：在小报童专栏中我整理了常用 HTTP 调用模块的代码块，直接复制粘贴到 Make 中就能用，不需要手动填 URL、Headers、Body，大幅减少配置错误。

第二步：正则表达式筛选

两个 Match Pattern 模块串联。第一个截掉页面头部，第二个按双空行分割提取词汇和解释。Global 和 Multiline 选项都要打开。

第三步：EXA 新闻检索

对每个财经词汇，用 EXA 的 Search 端点检索 5 条相关新闻。检索类型选 Keyword，范围限定为新闻类内容，开启内容获取（Content: Yes）以拿到新闻正文。

EXA 返回的数据也是数组结构。通过中括号加数字的方式可以定位到具体条目，比如 Title[1] 就是第一条新闻的标题。

第四步：ChatGPT 生成结构化内容

GPT-4o-mini 模型，系统提示词定义"经济学科普作家"角色，要求输出 JSON 格式，包含以下字段：

• term：中文词汇名称
• definition_cn / definition_en：中英文解释（130-140 字）
• example_cn / example_en：中英文生活案例（130-140 字）
• news_cn / news_en：中英文相关新闻（130-140 字）

字数限制很重要——知识卡片的文本区域是固定大小的，超过 150 字就会溢出。提示词中必须明确指定字数范围，同时在 Make 中通过条件过滤模块进一步限制，只有字数达标的内容才生成图片。

User 角色输入三部分内容：正则提取的英文词汇名称、原始英文解释、EXA 检索的 5 条新闻标题和正文。高级选项中把输出格式设为 JSON，开启 JSON 解析。

第五步：HCTI 生成知识卡片

HCTI（HTML/CSS to Image）是把 HTML 代码渲染成图片的在线服务。免费额度每月 50 张，支持 4K 渲染。

每个词汇生成 3 张卡片：解释卡、案例卡、新闻卡。所以需要 3 个 HCTI 模块，每个模块输入不同的 HTML 代码。

HTML 代码的结构很简单——固定的模板，把 ChatGPT 输出的对应字段映射到 {{变量}} 位置即可。CSS 控制字体大小、间距、背景图等视觉效果。

关键参数：

调试方法：直接在 HCTI 官网的 Demo 页面粘贴 HTML 和 CSS，实时预览效果。修改参数后即时看到变化，调好再复制回 Make。

第六步：Cloudinary 图床保存

HCTI 生成的图片链接可能会失效，需要保存到自己的图床。Cloudinary 提供 25GB 免费存储，支持图片压缩和尺寸调节。

在 Make 中添加 Cloudinary → Upload Resource 模块，把 HCTI 输出的 Image URL 映射过去即可。上传后返回永久有效的图片链接。

第七步：保存到 Notion

最后一个 Notion 模块创建数据条目，映射标题、三张图片的 URL、采集状态、小红书笔记内容。一条完整的小红书素材就准备好了——图片和文案同步生成。

常见问题

Q：不会 HTML/CSS 怎么办？
不需要会写代码。我在小报童专栏中提供了 5 套现成的图片模板，覆盖知识分享、语录、新闻速览等场景。直接复制代码到 Make 中，只需要修改映射的数据字段即可。调整样式在 HCTI Demo 页面实时预览，改数字就能看到效果。

Q：图片文字溢出怎么处理？
两个层面解决。第一，在 ChatGPT 提示词中严格限定每个字段的字数范围（130-140 字）。第二，在 Make 中添加条件过滤模块，检查 ChatGPT 返回的 word_count 字段，只有字数达标才继续生成图片。

Q：HCTI 免费额度不够用怎么办？
每月 50 张的免费额度，如果每条笔记 3 张图，大约能做 16 条。对于刚起步的账号，隔天发一条够用一个月。如果需要更大量，可以购买付费额度，或者考虑开源的 HTML 转图片方案。

总结

这套工作流把"网页采集 → 结构化提取 → 大模型生成内容 → HTML 渲染图片 → 图床保存 → Notion 归档"整条链路自动化了。核心思路是：知识卡片 = 模板 + 结构化数据，只要数据是结构化的，图片生成就可以无限复制。

500 多个词汇、1500 张图片、全程不需要手动做图。这套方法不限于财经词汇，任何知识分享类场景——英语单词、编程概念、健康知识、考公常识——只要能找到数据源，都可以用同样的逻辑批量生成。

下一期我会分享 PDF 翻译自动化工作流，教你用 Make 打造一套反思翻译系统。

资源下载

• AI 编程实操课：国内版-FlowUS | 国际版-BMC
• YouTube 频道：翔宇工作流