Een LinkedIn post-generator bouwen met AI: van idee tot werkende pipeline

Tim Derdelinckx • 4 mei 2026

Als AI-professional wil ik aanwezig zijn op LinkedIn. Niet met generieke content, maar met scherpe, nuchtere observaties over wat er beweegt in het AI-landschap. Het probleem: de wereld van AI beweegt zo snel dat je het nieuws amper kunt bijhouden, laat staan er dagelijks een doordachte post over schrijven. Dus besloot ik het probleem op te lossen met de tools die ik toch al gebruik: AI zelf.

Wat volgde was een bouwproject van enkele dagen, samen met Claude van Anthropic als sparringpartner en co-developer. Het resultaat is een pipeline die dagelijks AI-nieuws verzamelt, mij laat kiezen wat interessant is, en op aanvraag een LinkedIn post genereert met bijbehorende afbeelding. Met één klik gepubliceerd.

De architectuur in grote lijnen

De pipeline bestaat uit twee grote delen: een geautomatiseerd nieuws-gedeelte dat op de achtergrond draait, en een website waar ik zelf de controle hou over wat er uiteindelijk gepubliceerd wordt.

n8n als workflow-automatiseringstool, lokaal gehost op Mac Mini
MySQL als database voor nieuwsitems en gegenereerde posts, gehost op de Synology NAS
PHP voor de review-website, ook op de Synology
OpenAI voor het genereren van tekst (GPT-4o mini) en afbeeldingen (gpt-image-1)
De LinkedIn API voor het rechtstreeks publiceren vanuit de website

Stap 1: nieuws verzamelen

Elke ochtend om 5u45 start een n8n workflow die nieuws ophaalt uit verschillende bronnen. Dat zijn RSS-feeds van Reddit-communities zoals LocalLLaMA en MachineLearning, en officiële nieuws-bronnen van relevante leveranciers zoals OpenAI en Anthropic.

Alle items worden ontdubbeld, gefilterd op relevantie en opgeslagen in de database. Artikels die al eerder werden gezien, worden overgeslagen. Op een drukke dag levert dat 30 tot 50 nieuwsitems op.

Waarom zelf hosten?
Alles draait op mijn eigen Synology NAS. Geen abonnementen op externe services, geen data die ergens anders opgeslagen wordt, en volledige controle over wat er wanneer gebeurt. Dat sluit aan bij het principe van mijn AI Lab dat ik eerder beschreef.

Stap 2: kiezen wat de moeite waard is

Hier zit de kern van het concept. In plaats van alles automatisch te laten verwerken, open ik 's ochtends een overzichtspagina op mijn telefoon of laptop. Die toont alle verzamelde artikels van de afgelopen dagen, gesorteerd op relevantiescore, met categorie-labels (LLM, Agents, Hardware, Reddit, ArXiv…) en een link naar het originele artikel.

Ik scroll erdoor, lees wat interessant klinkt, en klik op wat ik wil omzetten naar een LinkedIn post. Niets wordt gepubliceerd zonder dat ik het gezien heb. Die keuze is bewust: het is mijn profiel, mijn stem, mijn reputatie.

Stap 3: genereren en publiceren

Wanneer ik op een artikel klik, opent een detailpagina met de volledige inhoud van het nieuwsitem en een knop "Genereer LinkedIn post". Die stuurt de volledige artikeltekst naar GPT-4o mini met een zorgvuldig opgestelde prompt die mijn schrijfstijl nabootst: kort, nuchter, licht sceptisch, geen marketingtaal.

Ben ik niet tevreden met het resultaat, dan vraag ik een andere versie aan met een andere invalshoek.

Wil ik een afbeelding bij de post, dan genereer ik die op aanvraag via gpt-image-1. De stijl is bewust realistisch en lichtjes ironisch: echte mensen in een herkenbare Belgische kantooromgeving, geen robots of hologrammen.
Of ik wil een afbeelding met mezelf? Dan heb ik een aparte knop met een foto van mezelf als referentie.
Of ik kan zelfs een video genereren met mezelf en mijn stem, waarbij ik de post voorlees, via HeyGen ...

Tip over prompts: De kwaliteit van de gegenereerde posts staat of valt met de prompt. Ik heb veel tijd gestoken in het finetunen ervan, en die prompts staan nu als configureerbare variabelen in een apart bestand. Zo kan ik ze aanpassen zonder de applicatiecode aan te raken.

Als tekst en eventueel afbeelding naar mijn zin zijn, klik ik op "Publiceer op LinkedIn". De PHP-code uploadt de afbeelding naar LinkedIn, maakt de post aan via de LinkedIn API en markeert het artikel als verwerkt. Klaar.

Samen bouwen met Claude

Het meest bijzondere aan dit project is hoe het tot stand is gekomen. Ik heb het volledig gebouwd in samenwerking met Claude van Anthropic. Niet door simpelweg code te kopiëren, maar door in gesprek te gaan: architectuurbeslissingen bespreken, problemen uitleggen, feedback geven op wat wel en niet werkte.

Claude schreef het grootste deel van de PHP-code en de n8n workflow-configuraties, stelde alternatieven voor als iets niet werkte, en legde uit waarom bepaalde keuzes beter waren dan andere. Ik stuurde bij op basis van wat ik zag in de browser of in de n8n logs. Dat voelde meer als samenwerken met een collega dan met een tool.

Een eerlijk woordje over de hobbels:
Het was geen rechte lijn. De LinkedIn API veranderde ondertussen van versie, waardoor afbeeldingen niet meer uploadden. De n8n loop-logica gedroeg zich anders dan verwacht bij het per-artikel verwerken. En de manier waarop je variabelen doorgeeft tussen nodes in n8n is soms verrassend eigenzinnig.

Maar elk probleem werd opgelost. Soms snel, soms na wat heen-en-weer debuggen. Het debugproces zelf was ook leerzaam.

Wat het oplevert

De pipeline draait nu dagelijks. Ik besteed er gemiddeld 5 à 10 minuten per dag aan: even scrollen door het nieuws, één of twee artikels kiezen, post genereren, eventueel bijschaven, publiceren. De posts die eruit komen klinken als mezelf - en dat is precies de bedoeling.

Wat ik vooral geleerd heb: de waarde zit niet in het automatiseren van de publicatie, maar in het automatiseren van het vinden en voorbereiden. De menselijke keuze blijft centraal. AI versnelt het werk, maar vervangt het oordeel niet.

Wil je zoiets zelf bouwen?

Je hebt er niet veel voor nodig. Een account bij OpenAI, een LinkedIn Developer App voor de API-toegang, en een omgeving om PHP en n8n op te draaien - dat kan een NAS zijn zoals bij mij, maar een goedkope VPS werkt ook. De rest is een goed gesprek met Claude.

Je hoeft geen programmeur te zijn. Ik raad wel aan om de concepten te begrijpen: wat doet elke stap, wat gaat er in, wat komt eruit. Dat maakt debuggen een stuk eenvoudiger als er iets misloopt - en dat zal het, vroeg of laat.

Conclusie

Een gepersonaliseerde LinkedIn content-pipeline bouwen is een van de meest praktische AI-projecten die ik tot nu toe heb afgerond. Het combineert nieuwsverzameling, taalmodellen, beeldgeneratie en API-integratie in één coherent geheel - en het resultaat gebruik ik elke dag. Dat is de beste manier om te leren hoe AI echt werkt: door het in te zetten voor iets dat je zelf nodig hebt.