用n8n搭建AI房产捡漏助手：自动筛选优质房源

从手动翻房源到自动化筛选

每天刷几百条房产信息、逐一比对价格和潜在风险，是房产投资者最耗时的日常工作之一。一位YouTube创作者分享了用 n8n 工作流搭建的 AI 房产捡漏助手，核心思路很直接：让机器完成扫描、比对和初步判断，人只负责最后的决策和看房。

这套系统的目标明确——不再人工滚动翻看成百上千条列表，而是让自动化流程扫描新上线的房源（演示中使用的是 Rightmove 类网站数据），追踪价格变化，并把同一片区的相似房源做横向对比。更重要的是，它会检查 EPC 能效等级、翻新需求等关键指标，自动标记各类红旗（red flags）。

最终，AI 会对每套房产给出三档结论：买入（Buy）、观望（Maybe）、放弃（Avoid）。只有值得关注的房源才会被推送到 Slack 频道，并附上整洁的信息卡片和可直接跳转的房源链接。

n8n 是一款开源的工作流自动化工具，定位类似 Zapier 或 Make（原 Integromat），但支持自托管部署，用户可以在自己的服务器上运行，数据不经过第三方平台。它采用可视化节点编辑器，每个节点代表一个操作（如 HTTP 请求、数据库写入、调用 AI API），节点之间通过连线传递数据。对于开发者来说，n8n 还支持直接编写 JavaScript 做自定义处理，灵活度较高。由于可以免费自托管，n8n 在需要长期自动运行且涉及敏感数据（如房产信息、个人账户）的场景中比商业 SaaS 方案更受欢迎。EPC（Energy Performance Certificate，能源性能证书） 是英国房产交易中法定要求的评级文件，等级从 A（最节能）到 G（最低效），直接影响房产的供暖成本和未来出租合规性——2025 年后英国有提高出租房 EPC 最低要求的政策讨论，因此它已成为投资者评估持有成本的重要指标之一。

工作流的实际运行逻辑

整个 n8n 工作流可以设置为每天早上 7 点自动触发，也支持手动点击执行。在作者的演示中，一次完整执行完成后，房源详情被写入 Google Sheet，同时一条 Slack 提醒被发出。

有意思的是演示里的实际结果：AI 代理扫描完房产信息后给出的判断是「Maybe」，综合评分只有 45 分（满分 100）。这个相对保守的输出恰恰说明系统并非一味推荐，而是有一套评分机制在做过滤——分数不高的房源会被明确标注，避免误导决策。

从节点流转来看，数据流大致是这样走的：触发节点启动后，进入一个配置节点，集中管理所有参数——搜索 URL、最大抓取条数、目标城市、Slack 频道名、Google Sheet ID、表名和邮箱等。把配置集中在一处，是让这类工作流可维护、易复用的常见做法。

抓取、去重与成本控制

配置之后是 Apify 抓取器节点。作者演示时成功抓取到 10 条房源列表，拿到这些房源及其 ID。

关键的一步是去重检查。系统会用房产 ID 做比对，确保同一套房源不会重复进入后续流程。作者特别强调了这一步的意义：避免重复房源浪费 AI 调用额度。这是自动化工作流设计中容易被忽视但很实际的细节——每次 AI 判断都要消耗 API 成本，去重直接关系到长期运行的费用。

为了演示方便，作者把参与 AI 分析的房源数量从 10 条临时限制为 1 条，这样可以更清楚地展示单条房源从抓取到判断的完整路径。

Apify 是一个云端网页抓取与自动化平台，提供大量预构建的「Actor」（爬虫脚本），覆盖 Amazon、LinkedIn、Rightmove 等主流网站。用户无需自己维护爬虫基础设施，直接调用对应 Actor 并传入参数（如搜索 URL、抓取条数）即可获得结构化数据。Apify 按使用量计费，抓取成本通常以每千次请求或运行时长计算。在 n8n 中，Apify 节点通过 API Key 鉴权后可直接触发指定 Actor 并等待结果返回，是处理"需要绕过 JavaScript 渲染页面"场景的常见选择。值得注意的是，使用第三方抓取服务访问房产平台数据时，需关注目标网站的服务条款，部分平台明确禁止自动化批量抓取，这也是文章末尾提到合规风险的背景所在。

这套方案的价值与局限

这个项目展示了 n8n 加 AI 代理在垂直场景中的一种典型用法：把重复、规则化的信息筛选工作交给自动化，把带有判断性质的环节交给 AI，而最终决策权仍保留在人手里。

它的优势在于低代码门槛和模块化——配置节点、抓取节点、去重逻辑、AI 判断、Slack 推送各司其职，用户可以根据自己关注的城市和指标灵活调整。对于需要长期跟踪特定区域房源的投资者或买家，每天定时推送精选结果能省下大量重复劳动。

不过也要清醒看待局限。演示中给出的「45 分 / Maybe」说明 AI 评分本身的准确性和权重设定仍需验证——评分标准如何设计、EPC 和翻新成本如何量化，这些才是决定系统实用性的核心，而演示并未深入展开。此外，抓取第三方房产网站数据可能涉及合规问题，长期稳定运行也依赖抓取服务的可用性。

总体而言，这是一个思路清晰、可复制性强的自动化范例，适合作为搭建个人房产监控系统的起点，但要真正用于投资决策，还需要在评分模型和数据质量上下更多功夫。