拆解三条 n8n 办公自动化流程
作者用 n8n 给客服邮件分类、整理回信前的公司背景,并把发票 PDF 字段录入表格。文章复盘了网页只返回 JavaScript 外壳、字段类型不符、批处理漏项和定时任务时区错位等故障。
AI 深度解读
作者用三条 n8n 工作流处理潜客调研、客服邮件和发票。模型负责读材料、填字段,代码负责打分、分流和触发审批。作者拿每天 30 件、每件约 4 分钟的杂务开场,真正让他返工的却是网页抓不到正文、批量结果配错公司,以及定时任务按另一个时区运行。
如果你正打算把一段 Prompt 接进日常流程,这篇最有用的是它展示了错误怎么一路混进表格。流程跑完、摘要写得像样,最后那行数据仍然可能记错人、算错钱。
先写下游要用的字段,再写 Prompt
三条流程的骨架一样:触发器收到输入,先把材料整理成文本,再用一次带 JSON Schema 的模型调用提取信息,最后交给代码决定如何处理。结果写入表格、生成草稿,或者发 Slack 提醒。客户邮件由人负责发送。
拿潜客调研来说,Webhook 收到公司域名、联系人和备注,最后要交付两样东西:一个能排序的匹配分,一句能直接用来开场的话。作者把 icp_fit_score 声明为 number,把 personalization_hook 单独列成字段,避免开场白埋在摘要里。confidence 只接受 low、medium、high,读不到网页时模型可以明确报低置信度。Prompt 另外要求只依据页面和备注,禁止编造融资、员工数和客户名单,除 company_summary 外每个字段少于 240 字符。
网页抓取也是数据链路的一部分。普通 HTTP 请求可能只拿到一个靠浏览器执行 JavaScript 才会填充的页面。作者用 Code 节点去掉 script、style 和标签,把文本截到 7,000 字符。正文为空时,模型根据公司名和备注保守评分。page_fetch_ok 用 text.length > 200 判定,并随结果入表。回看一条低分记录时,这一列能提示你先检查抓取情况,再决定要不要相信分数。它测的是去掉标签后的长度,正文是否相关还得另行判断。
客服分流和发票审批都适合写成代码
客服流程从 Gmail 触发,从 MIME 邮件结构里提取发件人、主题和最多 6,000 字符的正文。正文少于 40 字符就跳过,作者举的例子是「Thanks!」。模型给出优先级、类别、情绪、一句话摘要、是否需要人工和建议回复。优先级缺失时用 P3,类别缺失时用 other。只要 needs_human === true,或者邮件是 P0,就发 Slack 提醒。bug 和 billing 类别达到 P1 也会升级。回复草稿挂在原邮件线程里,分类标签使用 Gmail 实际的 label ID。这样团队改升级规则时,直接看代码就能确定哪些邮件会触发提醒。
发票流程用 Extract from File 读取 PDF 文本层,图片交给视觉模型,两路共用发票 Schema。费用类别用固定枚举,避免 Software 被写成好几种近义词,导致账本按类别汇总时分成多组。流程末尾还会给邮件打上已处理标签,避免次日轮询再次读到它。
下面这段代码负责清理金额字符串,并根据金额和置信度决定是否转人工。
const APPROVAL_THRESHOLD = 500; // in the invoice currency
const num = (v) => {
const n = Number(String(v ?? '').replace(/[^0-9.-]/g, ''));
return Number.isFinite(n) ? n : 0;
};
const total = num(out.total);
const needsApproval = total >= APPROVAL_THRESHOLD || out.confidence === 'low';
重点看 .replace(/[^0-9.-]/g, '') 这一行。它能把 $1,240.00 和 Total: 1240 都转成 1240,却会把 1.240,00 EUR 转成 1.24。这个结果能通过 Number.isFinite(),也会低于按发票币种计的 500 审批线。如果模型给的置信度也不是 low,这笔就会绕过这段审批判断。原文同时举了两种小数点写法,代码只正确处理了其中一种。
全链路跑通了,数据也可能已经写错
作者遇到的第一个故障出在批处理。模型节点返回 6 条结果,后面的 Code 节点却用 $('Normalize Input').first().json 取公司资料。第一条刚好对上,另外 5 条都挂到了第一家公司名下。执行没有报错,表格里的摘要单独读也像回事。
下面是作者用 .all() 按索引关联输入和输出的修正。
const bases = $('Normalize Input').all();
return $input.all().map((item, i) => {
const base = (bases[i] ?? bases[0]).json;
const out = item.json.output ?? item.json;
const score = Math.max(0, Math.min(100, Number(out.icp_fit_score ?? 0)));
return { json: {
...base,
icp_fit_score: score,
tier: score >= 60 ? 'hot' : score >= 40 ? 'warm' : 'cold',
confidence: out.confidence ?? 'low',
page_fetch_ok: base.page_fetch_ok ?? false,
}};
});
注意 bases[i] ?? bases[0] 这一行。按索引配对要求两端数量和顺序都对得上,缺项时回退到第一条仍有串行的风险。评分也有一个类似的缺口。代码想把分数限制在 0 到 100,按 60 和 40 划分 hot、warm、cold,但 Number("78/100") 得到 NaN,经过 Math.min 和 Math.max 依然是 NaN,最后会落进 cold。
第二个故障出在 Workflow 08 的调研回路。Planner → Researcher → Critic → Writer 有返工环节,作者第二轮丢了上一轮的修改要求,导致调研从头开始,审核又挑出同样的问题。修复方式是优先从 Revision Brief 读带 plan 的状态,再回退到 Start Research。首轮没有执行过 Revision Brief,所以读取要用 try/catch。第三个故障更容易漏看。作者举例,价格检查排在 07:30,实例用 UTC,首尔收到提醒时已经是 16:30,相差 9 小时。碰到自托管任务在意外时间触发,原文建议先检查容器时区。
我的判断
这篇最扎实的部分是把字段、业务规则和人工动作拆开。JSON Schema 让下游知道该取什么,代码让团队能直接审查升级和审批条件。把这些条件一起塞进 Prompt,改一句话就需要重新验证整个判断过程。对于短正文跳过、金额门槛这类规则,直接用代码就够了。模型调用更适合留给邮件意图和页面信息这类需要理解文本的工作。
作者称 8 条工作流都端到端跑过,出了问题再重做,文中的 3 个故障发生在构建过程中。文末也披露,SignalLayer Ops 用 AI agent 构建和测试这批流程,并销售合计 135 个节点的套装。每天 30 件、每件约 4 分钟是开场的工作量估算。原文没给上线前后的耗时、分流准确率或人工复核比例,关于能省多少时间,仍是经验之谈。
实际接进团队流程前,我会把容易误判的输入再过一遍。少于 40 字符的邮件也可能是「扣了两次款」,page_fetch_ok 为真也可能只说明导航文字够长。Schema 能约束字段类型,证据够不够、数字合不合理,还得靠后续校验和人工复核。
能拿来做什么
- 用 n8n 接 Gmail 时,先定义模型要交付的字段,把 Gmail label ID、Slack 升级条件和默认优先级放进 Code 节点。让建议回复停在原线程的草稿里,方便客服审阅后发送。
- 在批量写表的流程里,把公司域名或业务记录 ID 随输入一起传下去,写入前校验匹配关系。用 6 条不同公司做一轮测试,再模拟中间缺一条输出,确认其余记录仍能对应。
- 在 Node 或 n8n 里处理发票时,把
$1,240.00、1.240,00 EUR和空值放进同一批测试。金额格式有歧义或解析失败时,标记needs_review,避免用0替代后直接进入审批判断。 - 给会返工的工作流显式传递上一轮的
plan和修改要求。验收定时任务时,用业务所在地的时间核对实际触发记录,把目标时间和收到提醒的时间对上一次。