毎日のSNS投稿に時間を取られていませんか。n8nとGPT-4o、RAGを組み合わせると、トピックを入力するだけでLinkedInとXの投稿文・画像プロンプト・リサーチ済みコンテンツが自動で手元に届くシステムを構築できます。
この記事でわかること：
- n8nとRAGを使ったコンテンツ自動化の全体像
- ワークフローの構成要素と各ノードの役割
- 実装ステップと必要なツール・費用の目安
n8nとはなにか
n8nはノーコード・ローコードのワークフロー自動化ツールです。視覚的なエディターでノードをつなぐだけで、API連携・データ変換・AI処理を含む自動化フローを構築できます。オープンソースで自己ホストが可能なため、実行回数の制限なく使えます。クラウド版は€24/月（Starterプラン、月2,500実行）から提供されており、2026年4月時点でアクティブワークフロー数の制限が全プランで撤廃されました。
OpenAI・Anthropic・Ollamaなど主要なLLMに対応しており、Supabaseのベクターデータベース（pgvector）とも標準ノードで接続できます。
RAGがコンテンツ生成の精度を上げる理由
RAG（Retrieval Augmented Generation）は、LLMに外部の知識ソースを動的に渡して回答精度を高める技術です。モデルの学習データに含まれない最新情報や特定ドメインの知識を参照できるため、根拠のある内容を生成しやすくなります。
コンテンツ生成においては、単に「このトピックについて書いて」と指示するだけでなく、関連する記事・データ・自社の過去コンテンツをベクターDBから取得してプロンプトに組み込みます。これにより、出典のある文章・読者の関心に沿った構成・重複のない新鮮なコンテンツを生成しやすくなります。
ワークフローの全体像
Samuel Faloye氏が公開したこのシステムの流れは以下の通りです。
- SupabaseのTopicsテーブルにトピックを1件挿入する
- n8nがDB変更を検知してワークフローを起動する
- n8nがWebから関連情報を収集し、テキストをベクトル化してSupabase pgvectorに格納する
- GPT-4oがRAGで取得したコンテキストをもとにコンテンツを生成する
- LinkedIn向け投稿文・X向け投稿文・画像生成プロンプト・リサーチ済み本文の4種類を出力する
- 生成結果をSupabaseに保存し、メールで配信する
操作はトピックをデータベースに入れるだけで完結します。あとはシステムが情報収集から配信まで自動で進めます。
必要なツールと準備
このワークフローに必要なものは4つです。
n8n（クラウドまたはセルフホスト）はフロー全体のオーケストレーターです。セルフホストはDockerで動かすのが最も手軽で、VPSを使えば月5〜20ドル程度のコストです。
OpenAI APIキー（GPT-4o）はコンテンツ生成とエンベディングに使います。GPT-4oは入力1Mトークンあたり$2.50、出力は$10.00の従量課金です。テキスト生成だけでなく、テキストをベクトルに変換するエンベディングモデル（text-embedding-3-small）もOpenAIから提供されています。
Supabaseはトピックの入力先・ベクターDBの両方として使います。pgvectorエクステンションを有効化すると、通常のPostgreSQLテーブルでベクター検索が可能になります。無料枠でも検証には十分です。
SMTPサーバーまたはメール配信サービス（SendGridなど）は最終的な配信先として必要です。n8nには標準のEmailノードがあるため、SMTPの設定情報を入力するだけで接続できます。
ステップ別の実装手順
ステップ1: Supabaseのセットアップ
Supabaseのプロジェクトで pgvector エクステンションを有効化します。SQLエディターで CREATE EXTENSION vector; を実行するだけです。次に、トピックを格納する topics テーブルと、生成コンテンツを保存する content_outputs テーブルを作成します。
ステップ2: RAGのインデックス作成フロー
n8nで「RAGインデックス用」のワークフローを作ります。HTTP RequestノードでWebから関連情報を取得し、Recursive Character Text SplitterノードでテキストをチャンクにあとEmbeddings OpenAIノードでベクトル化します。Supabase Vector StoreノードをInsertモードで接続すると、生成されたベクターがpgvectorに書き込まれます。
ステップ3: コンテンツ生成フロー
Supabase Triggerノード（またはSchedule Triggerでポーリング）でトピックの追加を検知します。AI AgentノードにGPT-4oモデルを接続し、Vector Store Toolノードを追加してRetrieveモードにします。これでAIがクエリを実行するたびに、pgvectorから関連チャンクを自動取得してプロンプトに渡す構成になります。
System Messageには、プラットフォームごとの出力フォーマットを指定します。「LinkedIn向けは800文字以内のビジネストーン、X向けは140文字以内、画像プロンプトはMidjourney形式で出力せよ」といった指示を入れると、1回のAI呼び出しで複数フォーマットが得られます。
ステップ4: 保存と配信
AI Agentの出力をCode NodeでJSONパースし、Supabase Nodeで content_outputs テーブルに保存します。メールノードにSMTP認証情報を設定し、生成コンテンツを整形して送信します。Gmail・SendGrid・Mailgunのいずれも標準ノードで対応しています。
コストの目安
n8nをセルフホストする場合、月額コストはVPS代（$5〜20程度）とOpenAI APIの従量課金のみです。1日10トピックを処理する想定で、GPT-4oの使用量は月$5〜15の範囲に収まることが多いです。Supabaseは無料枠でも512MBのPostgresデータベースが使えるため、個人や小規模チームでの検証コストはほぼゼロから始められます。
n8nクラウド版を選ぶ場合はStarterプランが€24/月（月2,500実行）です。AIワークフローは1回のユーザークエリに対して内部で5〜10ステップが走るため、実行回数の消費が早い点には注意が必要です。
コンサルタントや一人起業家に向いている理由
このシステムは、毎日LinkedInやXに投稿することで見込み客との接点を作りたい人に向いています。コンテンツを手動で考え、リサーチし、プラットフォームごとに書き直す時間を、週単位でまとめてトピックをSupabaseに放り込むだけに圧縮できます。RAGを使うことで、生成される文章が単なる汎用的な内容ではなく、自分のビジネス文脈や蓄積した知識ベースに基づいたものになります。
また、このワークフローはコンテンツ配信だけでなく、製品説明・ニュースレター・社内ドキュメントの要約など、同じ構造で転用できます。n8nのノードベースの設計は変更が簡単なため、用途に合わせて出力フォーマットやモデルを差し替えるだけで流用が利きます。
注意点
RAGの品質はインデックスに入れるデータの質に依存します。古い記事や関連性の低い情報をベクターDBに詰め込むと、生成されるコンテンツの精度が下がります。定期的にインデックスを更新する仕組みを合わせて作っておくと、長期的な品質を維持しやすくなります。
GPT-4oは出力の一貫性が高い一方、プロンプトが曖昧だと投稿文の文体がブレます。System Messageで文体・長さ・禁止表現を明示的に指定することで、出力の安定性が大きく改善します。
Supabaseのpgvectorはデフォルト設定では大規模データへのスケールに限界があります。数千件以上のドキュメントを扱う場合は、PineconeやQdrantなどの専用ベクターDBへの移行を検討してください。n8nはどちらにも標準ノードで接続できます。