规则打分、AI写方案:n8n续约风险工作流实践

用确定性规则评分、AI只写话术的n8n客户续约风险工作流。
一位开发者分享了基于 n8n 的客户成功工作流:账户数据(ARR、续约天数、用量变化、工单数、付款状态)先由代码步骤折算成 0-100 的风险分并列出触发的预警项,再由 Gemini 驱动的 AI Agent 生成给客户经理的建议和面向客户的消息草稿,最后经代码校验后分发到 Slack 并写入 Supabase。作者的核心设计原则是“决策”与“表达”分离——AI 不参与判断谁有风险,只把已确定的事实转成可执行方案与话术,从而保证评分可解释、可追溯、可审计。作者还提醒 Slack 消息文本必须使用 Expression 模式,并坦言演示基于模拟数据,规则权重与信号覆盖度仍需真实场景验证。
一位开发者在Reddit上分享了一个基于n8n的客户成功工作流:用确定性规则评估账户的续约风险,再让AI Agent(Gemini)撰写挽留建议和客户沟通草稿。这个项目的核心思路值得关注——在涉及商业判断的场景里,把“决策”和“表达”拆开处理。

为什么不用AI直接打分?
作者给出的理由很直白:AI给出的流失评分既难以信任,也难以解释。当一个客户经理看到“风险分78”时,他需要知道这个数字从哪来,否则无法据此行动。
所以这个工作流做了一个明确的分工——评分完全由代码中的规则完成,AI不参与“谁有风险”的判断,只负责把已经确定的事实转化成可执行的方案和话术。作者的原话是:“The AI never sees the job of deciding who is at risk.”
这个设计思路其实适用于很多企业级AI应用场景。当输出结果需要被追责、被审计、被解释时,确定性逻辑比概率模型更合适;而自然语言生成恰好是AI的强项,两者各司其职。
n8n 是一款开源的工作流自动化工具,采用节点式(node-based)的可视化编排方式:每个节点代表一个操作(如读取数据、执行代码、调用API、发送消息),节点之间通过连线传递数据。它常被拿来与 Zapier、Make 对比,但更强调自托管与代码节点的灵活性,因此在需要嵌入自定义逻辑的自动化场景中颇受欢迎。文章中的“代码步骤”“AI Agent节点”“Slack节点”都是 n8n 中的具体节点类型。
AI Agent 在 n8n 语境下指一类可挂载工具(tools)、具备一定自主调用能力的 LLM 节点。与之相对的是单纯的“文本生成”节点——后者只做一次受约束的输入输出。作者特意强调其 Agent 节点未挂载任何工具,就是为了把流程限制在可控的文本生成范围内,避免模型自主调用外部系统引入不可预期的行为。
工作流的三个环节
数据输入与规则评分
账户数据包括ARR、距续约天数、用量变化、近30天支持工单数量、付款状态。演示用了4个模拟账户。
一个代码步骤将这些信号折算成0到100的风险分,同时列出触发的预警项:用量下滑、工单偏多、付款失败或逾期、续约临近。这些预警项与分数一起存储,任何被标记的账户都能回溯到具体原因。
AI Agent生成建议
Gemini驱动的AI Agent节点接收账户事实,输出两部分内容:给客户经理的一句话建议,以及一段面向客户的友好消息草稿。提示中明确要求草稿不能提及内部风险评分。
作者特别说明,这个Agent节点没有挂载任何工具,只是返回结构化JSON——本质上是一次受约束的文本生成,而不是让模型去调用外部系统做判断。这一细节降低了流程的复杂度和不确定性。
这里的结构化 JSON 输出指的是通过提示词约束或模型提供的结构化输出能力,让模型返回固定字段(如建议、客户消息)的 JSON 对象,而非自由格式的散文。相比自由文本,结构化输出的好处是下游节点可以按字段直接取值、校验和路由,不依赖脆弱的字符串解析。配合后置的校验代码步骤,能够有效拦截字段缺失、格式错误或内容越界(如泄露内部评分)的情况,这也是该工作流能把“表达”环节交给 AI 而不失控的关键工程手段。
校验与分发
AI输出后还有一个代码步骤做校验,防止格式或内容跑偏。高风险账户推送到Slack,所有账户连同分数、等级、风险因素写入Postgres(作者用的是Supabase)。整套技术栈——n8n Cloud、Gemini、Slack、Supabase——都跑在免费额度内。
两个实操教训
作者在帖子中提到了两个踩坑经验,对准备上手n8n的人有参考价值。
数字归代码,措辞归AI。 这是整个项目的设计原则,也是他反复强调的一点。评分逻辑用代码写,稳定、可复现、可解释;沟通话术交给AI,灵活、有温度。两者边界清晰,出了问题也容易定位。
Slack消息文本必须用Expression模式。 否则{{ }}里的变量不会被解析,而是原样显示为纯文本。这是n8n里容易忽略的细节。
这个方案适合谁,不适合谁
适合的场景:客户成功团队想在续约前拿到一份可解释的风险清单,并快速生成初步沟通材料;或者任何需要“规则打分+AI生成”组合的运营流程。代码已经在GitHub开源,包含工作流JSON、搭建步骤和建表SQL。
需要清醒看待的地方:演示跑的是模拟数据,规则权重是否合理需要在真实账户上验证;AI生成的消息草稿仍需人工把关后再发出;仅凭用量、工单、付款三类信号,对B2B续约的复杂度覆盖有限——作者本人在帖子结尾也在征集意见:“除了用量、工单和付款,你还会加入哪些信号?”
有评论方向可以思考:客户侧关键联系人变动、NPS或满意度调研结果、竞品替换的对话记录、合同到期前的活跃度衰减曲线等。这些信号如果能被结构化采集,同样可以纳入规则层,而不必交给AI去“猜”。
Supabase 是基于 PostgreSQL 的开源后端即服务(BaaS)平台,在标准 Postgres 之上提供自动生成的 REST/Realtime API、身份认证、行级安全(RLS)和对象存储等能力。文章用它作为结果落库的载体,好处是无需自建数据库服务即可获得标准 SQL 表结构(作者随代码提供了建表 SQL),后续做报表、回溯审计或接入 BI 工具都比较直接,同时免费额度足以支撑演示规模的写入量。
小结
这个项目的价值不在于技术栈有多复杂,而在于它示范了一种务实的企业AI落地方式:把可解释的判断留在代码里,把语言生成交给模型,中间用校验步骤兜底。对于正在考虑把AI嵌入业务流程的团队,这个分工原则比具体实现更值得借鉴。
背景补充
Expression 模式是 n8n 中参数输入的一种模式,与“Fixed(固定值)”模式相对。在 Expression 模式下,字段内容会作为表达式求值,{{ }} 中的引用(如 {{ $json.riskScore }})会被替换为上游节点传入的实际数据;而在 Fixed 模式下,整段内容被当作字面量,{{ }} 会原样输出。这个区分对从其他自动化工具迁移过来的用户尤其容易踩坑,因为不少工具默认就会解析模板变量。
相关推荐

AI时代为何必须掌握Git:从版本控制到Agent协作
Git和GitHub有什么区别?AI Agent写代码后如何用Issue、分支和Pull Request管理改动?本文基于NetworkChuck的Git教程,梳理从git init到冲突处理的完整流程,并分析AI时代版本控制为何成为必备技能。

OpenAI 6.2 Astra实测翻车:跑分惊艳,为何开发者却说难用?
OpenAI 6.2 Astra 跑分全面领先且价格更低,但早期测试者反馈其在长任务中频繁卡死、输出难以解析、资源管理失控。本文梳理实测中的真实体验与官方数据之间的落差,并分析这对开发者选型的意义。

GTA VI咖啡系统细节曝光:热咖啡竟能泼人?
Vergecast播客揭秘GTA VI咖啡系统:玩家可在公寓冲泡、自动贩卖机购买、餐厅点单,甚至将热咖啡泼向他人。这种对日常交互的细致还原延续了荒野大镖客2的沉浸感设计,引发对游戏细节与玩法平衡的讨论。