AI与自动化如何协同工作：从零搭建首个n8n工作流

AI与自动化：一对容易混淆的概念

很多人把AI和自动化混为一谈，但它们在底层逻辑上截然不同。

自动化是一套按预设步骤自主运行的规则——「当这件事发生，就做那件事」。它能精准识别关键词，比如在邮件里扫描到「bill」这个词，但它完全读不懂账单里写了什么。换句话说，自动化是执行者，不是理解者。

AI则相反。它能够读懂一封格式混乱的邮件，从中提取出人名、金额、日期这些关键信息。但单独运行的时候，它只会安静地待在聊天窗口里等你开口。

这两个东西单独拿出来都不够用，但组合在一起，就能解决真正麻烦的问题。

三块积木：When、Think、Do

把AI嵌入自动化流程后，整个工作流可以拆成三个核心环节：When（触发）→ Think（理解）→ Do（执行）。下面用「邮件账单自动处理」这个场景来拆解。

When：触发器负责盯梢

第一步是设定触发条件。每当Gmail收到一封包含「invoice」「bill」或「payment due」等关键词的新邮件时，流程自动启动。这个检查每分钟执行一次，你不需要做任何操作。

这个环节由n8n完成。n8n是一个开源的工作流自动化工具，能将你日常使用的各种应用连接起来，类似Zapier但更灵活、可自部署。

关于 n8n 与自部署

n8n 的核心形态是一个基于节点的可视化编排工具：每个节点代表一次数据获取或处理动作，节点之间通过连线定义数据流向，天然契合「When → Think → Do」这种线性结构。它与 Zapier 最大的差别在于两点：一是可以自行部署在服务器或本地机器上，数据不必经过第三方服务器中转，这对处理账单、合同等含敏感信息的场景尤为重要；二是支持在流程中插入自定义代码节点，因此像「调用大模型 API 并解析返回的 JSON」这类操作可以直接在流程内部完成，而不需要外部脚本配合。

需要留意的是，「每分钟检查一次」属于轮询式触发，意味着即使没有新邮件，流程也会被唤醒并消耗一次执行配额。多数平台会提供基于 Webhook 的事件推送作为替代方案，由邮件服务在收到新邮件时主动通知流程，实时性更好、开销也更低。另外，n8n 的社区版可免费自部署，云端版则按执行次数计费，选择时需结合流程的触发频率估算成本。

Think：AI负责读懂内容

邮件触发后，连同附件中的PDF（如果有的话）一起发送给AI，附上一条明确的指令：读取这封邮件，告诉我发件方是谁、金额多少、到期日是哪天，以及——你确定吗？

这里的关键在于，AI每次输出的都是同样的四个字段。而现实中的账单五花八门：电力公司的格式、牙医诊所的格式、电信运营商的格式，长得完全不一样。传统自动化需要为每一种版式写一条规则，AI则直接读——不管你长什么样。

「你确定吗」这个字段是最后一道防线。AI也会犯错，比如把一封打折促销邮件误判为账单。如果AI标记为「不确定」，或者金额、日期字段缺失，流程就不会继续往下走，而是推送一条消息给你：这是账单吗？你回答是或否，或者补上缺失的信息即可。

为什么「固定字段输出」如此关键

AI 的自然语言输出本身是自由文本，而下游的日历、表格等应用只接受结构化数据。这里起作用的是「结构化输出」能力——通过指令或接口参数约束模型，让它只返回预定义字段的固定格式（通常是 JSON），例如 sender、amount、due_date、confidence 四个键。一旦输出格式被锁定，后续节点就可以像读取数据库字段一样直接取值，无需再做文本解析。

「置信度」字段正是建立在这一基础上的自评机制：模型在生成答案的同时，对自身判断给出一个可靠性评估。它不是数学意义上的精确概率，而是一种有用的风险信号——低置信度往往对应模糊的邮件正文、缺失的附件或多种可能的解读。将其与「字段是否为空」结合作为门控条件，就能在流程层面拦住大部分误判，把不确定的个案转交人工，这是让 AI 环节在生产环境中可控的关键设计。

Do：日历和表格自动更新

AI确认后，执行环节只做两件事：在Google Calendar里创建一条到期日前三天的提醒；在预算表格中新增一行，记录发件方、金额和日期。

注意，付款这个动作始终由你本人完成。整个流程帮你做的是「不错过、不遗漏」，而不是替你花钱。

同一个模式，可以套用到很多场景

这三块积木的组合方式并不局限于邮件账单。同一个结构可以迁移到几乎任何「信息进来→需要理解→产生行动」的场景：

• 语音备忘录：收到一段语音，AI提取其中的待办事项，自动写入你的任务管理应用。
• 收据拍照：拍一张收据照片，AI读取总金额，自动在记账应用中生成一条支出记录。

这就是「自动化是手，AI是大脑」的含义。自动化负责按节奏触达各个应用、执行具体操作；AI负责理解非结构化的内容、做出判断。而你的工作，是定义好什么时候触发，以及写一条足够清晰的指令告诉AI该提取什么。

搭建自己的第一个工作流，从哪里开始

如果你完全从零起步，建议按这个顺序推进：先把自动化的基本逻辑跑通（触发器、条件判断、执行动作），然后学习如何把AI节点嵌入流程中间，最后再处理异常情况的兜底逻辑。

n8n这类工具降低了动手门槛，但要真正跑通一个稳定的工作流，核心难点不在工具操作，而在于你是否能把「想让AI做什么」描述清楚。指令越具体，输出越可靠。

AI可以把一件需要你手动处理五分钟的事情压缩到零操作，但前提是你得先把「When」和「Think」这两步想明白。

背景补充

从单个流程到可复用模板

文中「邮件账单」只是三块积木的一个实例，真正有价值的是把 When、Think、Do 抽象成可迁移的模板。迁移时只需回答三个问题：触发信号从哪里来（邮件、表单、语音、拍照、消息推送）？需要从原始内容中抽取哪几个固定字段？抽取结果写入哪个系统、触发什么动作？

实践上建议把「指令」与「流程」分开管理：把提示词单独存放并保留版本记录，这样调整字段定义时不必改动整个工作流。同时应尽早为异常路径留出位置——无法解析的输入、字段缺失、置信度过低，都应有明确的落点，例如进入待确认队列或发送给人工。多数工作流在演示阶段表现良好，却在上线后因边界情况处理不当而失效，差别通常就在于此。