基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
8.0
热点
AI SCORE
编程提效2026-11-20 16:29

用 n8n 给入站消息分类并接入人工兜底

dev.to · AI#n8n#文本分类#工作流自动化
Editor brief · 编辑速览

教程使用 Text Classifier 将邮件、表单和工单按预定义类别分流。通过设置「其他」出口和人工接手流程处理模糊输入,下游分支可独立测试。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

给邮件、表单和工单分流,未必需要一个会调用工具的 AI agent。作者建议先用 n8n 的 Text Classifier 判断消息属于哪一类,再交给对应分支处理。流程容易拆开测试,出错也更容易定位。

这篇教程值得读的地方,是把分类之外的几件事讲清楚了:类别怎么划、模糊消息往哪走、多分支会不会重复回复,以及哪些动作需要人工确认。不过,它提供的是配置方法和实践经验,没有准确率或成本对照数据。

只想知道消息发给谁,分类器就够了

agent 可以选择工具、串联步骤并执行动作;Text Classifier 的任务更窄:接收文本,对照事先描述好的类别,把数据项送到对应输出。

例如,报价请求进入销售分支,已有服务的问题进入支持分支,账单异议进入财务分支。后面的处理仍然是普通 n8n 节点,可以分别测试。出现错误时,也能先判断是类别选错了,还是分支执行出了问题。

如果需求只是判断消息该往哪里走,可以先从分类器开始。

不过,「流程可预测」不等于「模型每次都判断正确」。这里的优势是职责清楚、输出范围受限。真正需要多步推理的工作,可以放到具体分支里,再考虑是否使用 agent。

分类质量,先看输入和类别描述

作者建议在分类前,用 Edit Fields (Set) 整理输入,把邮件主题和正文拼起来,同时保留发件人与接收时间:

{
  "texte": "{{ ($json.subject || '') + '\n\n' + ($json.text || '').slice(0, 3000) }}",
  "expediteur": "{{ $json.from }}",
  "recu_le": "{{ $now.toISO() }}"
}

要看的是 .slice(0, 3000):它只截取正文前 3000 个字符,主题不受这个限制。这样能减少发送给模型的文本,但代码没有真正识别签名、回复历史或免责声明,也可能截掉正文后半段的关键诉求。

附件、卡号等无关数据,作者建议不要发送给模型。上面的表达式本身没有实现脱敏,需要在输入整理环节另行处理。

接下来,给 Text Classifier 连接聊天模型。原文列举了 OpenAI、Anthropic、Mistral、Ollama,具体取决于可用的 credentials;没有指定模型版本。将 Text to Classify 设为 {{ $json.texte }},再在 Categories 中逐项填写短名称与描述。

类别名称只是入口,描述才负责划边界。例如,「报价」对应新项目,「支持」对应已有服务。只写两个标签,模型仍然得猜;补上区分条件,才是在表达团队的业务规则。

作者建议先保留 4 到 7 个类别,更多需求可以先粗分,再在分支内细分。多语言消息则应使用相应语言的类别描述,或在系统指令里说明可能出现法语、阿拉伯语、Darija、英语。原文没有提供多语言分类效果对比。

「其他」出口和人工确认,决定错误怎么收场

作者要求启用类似 When No Clear Match 的选项,让无法明确匹配的消息进入 Other,并连接 Slack、邮件或 Telegram 通知人工处理。具体选项名称可能随 n8n 版本变化。

这条建议合理:如果所有输入都必须落入有限类别,类别之外的消息也会被硬塞进去。但 Other 只是提供退路,不能保证模型会主动退让。它仍可能自信地分错,教程没有给出置信度阈值或相关校准方法。

混合诉求还有另一层问题。开启 Allow Multiple Classes To Be True 后,一条「想询价,同时上次账单有误」的消息可以进入多个分支,每条分支都会执行。若两边都自动回复,客户就可能收到两封邮件。因此,作者建议对会联系客户的流程保留单类别,把混合情况交给人工。

对于敏感动作,教程给出的路径是:先分类到财务,生成回复草稿,通过 Slack、Gmail、Telegram 等渠道的 Send and Wait 请求同事「确认或修改」,通过后才发送邮件。低风险的收件确认、邮箱标签则可以直接自动化。

上线前,作者建议准备 15 到 20 条样例,包含短消息、混合诉求、垃圾信息和其他语言;在 Manual Trigger 上固定数据(pin data),运行后把结果记入 Google Sheet,优先修改类别描述,并在每次类别变更后重跑。

每个分支还应记录日期、脱敏发件人、类别和执行标识 {{ $execution.id }},存到 Google Sheets、Postgres 或 n8n Data Table,便于几周后检查混淆情况。

我的判断

我赞同先收窄 AI 的职责。对消息分流而言,固定类别、普通流程分支和人工兜底,能让团队更容易理解系统到底做了什么。

但作者没有展示真实样例的预测结果、准确率、延迟或费用,也没有和关键词规则、agent 做对照。「分类器通常就够了」「先改描述而非模型」应当视为经验建议,不能当作经过量化验证的结论。

如果诉求已经由表单字段明确表达,或可以通过稳定关键词判断,条件分支可能更直接;当用户用自由文本表达意图时,模型分类才更有发挥空间。

另外,15 到 20 条样例适合起步检查,覆盖不了全部真实输入。只记录预测类别,也无法直接知道分类是否正确;若要衡量效果,还需要保留人工纠正后的类别。原文没有展开这一点。

能拿来做什么

  • 给现有邮件或表单流程增加分类时,先定义少量业务类别,并写清相邻类别的区分条件,再连接模型。
  • 检查输入整理表达式是否符合消息结构,尤其确认正文前 3000 个字符是否足够,以及敏感字段是否已被排除。
  • 将 Other 接到有人负责处理的入口,并逐条检查多类别分支是否会重复发送消息或创建记录。
  • 保存 15 到 20 条起始样例,每次改类别都重跑;对外回复先生成草稿并人工确认,同时记录执行标识,方便追查具体错误。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 dev.to · AI,原文版权归原作者所有。

阅读原文
上一篇
用路由白名单安全联调模型回调
下一篇
Google Ads 转化埋点的开发检查清单

资讯速览

dev.to · AI · 2026-11-20 16:29

AI 评分 8.0 / 10

相关标签

#n8n#文本分类#工作流自动化

继续阅读

  • 计费 API 如何处理智能体超时重试
  • 用路由白名单安全联调模型回调
  • Google Ads 转化埋点的开发检查清单
  • 微软预览用 USB4 串联电脑跑大模型
  • 用 Stripe 基准测出 AI 写支付代码的漏洞