AI 工作流自动化——n8n + LLM 实战

把 AI 嵌入工作流,自动化重复任务。n8n + LLM 是 2025 年最强组合。

什么是 AI 工作流自动化

AI 工作流 = 多个工具 + LLM + 自动化编排。

经典场景:

  • 用户提交工单 → AI 自动分类 → 分配给对应团队 → 通知 Slack
  • RSS 新文章 → AI 摘要 → 发到 Discord → 归档到 Notion
  • 邮件新消息 → AI 判断重要性 → 紧急的发短信,普通的归档

核心:AI 不替代人,而是嵌在流程的”决策点”上。

为什么选 n8n

主流工作流工具对比

工具 开源 AI 集成 易用性 成本
n8n ✅ ✅ 原生 中 免费(自部署)
Zapier ❌ ✅ 高 $20+/月
Make ❌ ✅ 中 $10+/月
Dify ✅ ✅ 极强 中 免费
Coze ❌ ✅ 高 免费

n8n 的优势:

  • 开源、可私有部署
  • 400+ 集成(几乎所有主流工具)
  • AI 节点原生支持
  • 可视化编排,逻辑清晰
  • 自部署免费

n8n 的局限:

  • 学习曲线比 Zapier 陡
  • 复杂逻辑需要懂 JS/Python

第一个 AI 工作流:工单自动分类

场景

客服系统收到工单:

  1. AI 自动读工单内容
  2. 判断属于哪个类别(技术支持、账单、退款、其他)
  3. 自动分配给对应团队 Slack 频道
  4. 紧急工单发短信通知

搭建步骤

1. 启动 n8n

1
2
3
4
5
docker run -it --rm \
  --name n8n \
  -p 5678:5678 \
  -v ~/.n8n:/home/node/.n8n \
  n8nio/n8n

打开 http://localhost:5678。

2. 创建 Workflow

节点 1:Webhook 触发

  • 监听 HTTP POST /webhook/new-ticket
  • 接收工单数据:{title, content, user_email, ...}

节点 2:AI Agent(LLM 分类)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
// n8n AI Agent 配置
{
  "model": "gpt-4o-mini",
  "systemPrompt": `你是客服分类员,根据工单内容判断类别。
  
  类别:
  - tech_support: 技术问题、Bug、故障
  - billing: 账单、发票、付款
  - refund: 退款、取消
  - other: 其他
  
  输出 JSON:{"category": "...", "urgency": "high|medium|low", "summary": "..."}`,
  "input": "{{ $json.content }}"
}

节点 3:Switch 节点(按类别分支)

1
2
3
if category == "tech_support" → Slack 频道 #tech-support
if category == "billing" → Slack 频道 #billing
...

节点 4:Slack 通知

1
2
3
4
{
  "channel": "#tech-support",
  "text": `🆕 新工单\n标题:{{ $json.title }}\n摘要:{{ $json.summary }}\n紧急度:{{ $json.urgency }}`
}

节点 5:紧急工单发短信

1
2
3
4
5
6
7
if urgency == "high":
    // 调用 Twilio API 发短信
    await twilio.messages.create({
        to: "+86...",
        from: "+1...",
        body: `紧急工单:{{ $json.title }}`
    })

3. 测试

用 curl 触发:

1
2
3
curl -X POST http://localhost:5678/webhook/new-ticket \
  -H "Content-Type: application/json" \
  -d '{"title": "App 不能登录", "content": "用户登录后白屏..."}'

观察流程:

  1. Webhook 接收
  2. LLM 分类:tech_support + high
  3. 发到 #tech-support
  4. 发短信通知 on-call

完成——整个流程不到 30 秒。

进阶:RSS 摘要自动推送到 Discord

场景

我订阅了 20 个技术博客 RSS,每天 100+ 新文章,读不完。

用 n8n + LLM 自动:

  • 每小时抓取新文章
  • AI 生成中文摘要
  • 推送到 Discord 频道

搭建

节点 1:Schedule Trigger

  • 每小时执行一次

节点 2:RSS Feed Read

  • 读取多个 RSS:https://blog1.com/feed, https://blog2.com/feed…

节点 3:Code 节点(过滤已读)

1
2
3
# 用 Redis 或 n8n 内置存储记录已读文章
seen = get_seen_articles()
new_articles = [a for a in articles if a.id not in seen]

节点 4:Loop Over Items

  • 遍历每篇新文章

节点 5:AI 摘要

1
2
3
4
5
{
  "model": "claude-haiku",
  "systemPrompt": "你是一个技术内容摘要员,把英文技术文章摘要成 200 字中文。",
  "input": "{{ $json.content }}"
}

节点 6:Discord 发送

1
2
3
4
5
6
7
8
9
{
  "channel": "#tech-feed",
  "embed": {
    "title": "{{ $json.title }}",
    "url": "{{ $json.url }}",
    "description": "{{ $json.summary }}",
    "color": 0x00ff00
  }
}

效果

  • 每天自动收 20-30 篇精选摘要
  • 不再被 RSS 淹没
  • 节省 1 小时/天

进阶:邮件智能分流

场景

每天 50+ 邮件,大部分是通知/广告。

用 n8n 自动化:

  • 紧急邮件(老板、客户)→ 短信 + 推送
  • 一般邮件 → Slack
  • 广告邮件 → 直接归档

搭建

节点 1:Email Trigger(IMAP)

  • 每 5 分钟拉新邮件

节点 2:AI 判断

1
2
3
4
5
6
7
8
9
10
11
12
{
  "model": "gpt-4o-mini",
  "systemPrompt": `判断邮件重要性。
  
  输出 JSON:
  {
    "importance": "critical|important|normal|spam",
    "reason": "...",
    "action": "sms|slack|archive"
  }`,
  "input": `发件人:{{ $json.from }}\n主题:{{ $json.subject }}\n内容:{{ $json.body }}`
}

节点 3:Switch 分流

1
2
3
if importance == "critical" → Twilio 短信 + Slack @channel
if importance == "important" → Slack 普通消息
if importance == "spam" → 邮件归档到 Spam 文件夹

效果

  • 紧急邮件 秒级 响应
  • 不再被邮件淹没
  • 每天节省 30 分钟

进阶:Notion 知识库自动整理

场景

我在 Notion 记了大量笔记,但懒得整理。

用 n8n 自动化:

  • 每周扫一次 Notion 未分类笔记
  • AI 自动打标签、归类
  • 推送周报到 Slack

搭建

节点 1:Schedule Trigger

  • 每周一 9 点

节点 2:Notion Query

  • 查询 category is empty

节点 3:AI 分类

1
2
3
4
5
6
7
8
9
10
{
  "model": "claude-sonnet",
  "systemPrompt": `你是笔记整理助手,根据内容给笔记打标签、归类。
  
  类别:技术、产品、生活、阅读、灵感
  标签:具体关键词
  
  输出 JSON:{category, tags, summary}`,
  "input": "{{ $json.content }}"
}

节点 4:Notion Update

  • 更新笔记的 category 和 tags

节点 5:Slack 周报

1
2
3
{
  "text": `📚 本周整理笔记 {{ $json.count }} 篇\n分类分布:...`
}

n8n 的高级用法

1. 错误处理

每个节点都可以配置 “on error”:

  • 继续执行
  • 停止工作流
  • 跳到错误分支
1
2
3
4
5
6
7
// 节点配置
{
  "onError": "continueRegularOutput",
  "retryOnFail": true,
  "maxTries": 3,
  "waitBetweenTries": 1000
}

2. 变量与表达式

n8n 支持表达式语言:

  • {{ $json.field }}:取数据
  • {{ $now }}:当前时间
  • {{ $env.API_KEY }}:环境变量

3. Code 节点(自定义逻辑)

复杂逻辑用 Code 节点(支持 JS / Python):

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
// JavaScript Code 节点
const items = $input.all();
const grouped = {};

for (const item of items) {
    const category = item.json.category;
    if (!grouped[category]) {
        grouped[category] = [];
    }
    grouped[category].push(item.json);
}

return Object.entries(grouped).map(([category, items]) => ({
    json: { category, count: items.length, items }
}));

4. 子工作流

复杂工作流拆成多个子工作流——可复用、可维护。

几个实战经验

1. 简单优先

不要一上来就搞复杂——先做”能用的最小版本”,再迭代。

我的第一个工作流只有 3 个节点,跑了半年,后来才加复杂度。

2. 监控 + 告警

工作流挂了,你不知道——这是最危险的。

1
2
3
4
5
// 在关键节点后加 Slack 通知
{
  "channel": "#ops-alert",
  "text": `⚠️ Workflow {{ $workflow.name }} failed at node {{ $node.name }}`
}

3. 限流

别让工作流无限循环——LLM 调用是按 Token 算钱的。

1
2
3
4
5
6
7
// 限流:每分钟最多 10 次
{
  "rateLimit": {
    "maxRequests": 10,
    "perInterval": 60000
  }
}

4. 数据持久化

工作流运行数据存在 n8n 数据库,但生产环境要备份。

1
2
# n8n 数据备份
docker exec n8n n8n export:workflow --all --output=/backups/workflows.json

写在最后

AI 工作流自动化,核心是**”让 AI 做决策,让人做最终动作”**。

n8n 是目前最适合的工具——

  • 集成丰富
  • AI 原生
  • 可私有化

我的建议:

  • 从简单工作流开始(3-5 个节点)
  • 用 AI 替代决策节点(分类、摘要、判断)
  • 保留人工入口(重要决策人工 review)

AI 工作流的本质,是”把人从重复决策中解放出来”——不是”完全自动化”,是”半自动化”。