n8n 新手教程：用提示词工程优化 AI 邮件总结

为什么提示词决定了 AI 的输出质量

在 n8n 自动化工作流中接入大语言模型（LLM）已经不是难事，难的是让 AI 真正输出你想要的结果。这期 LLM 新手系列教程聚焦一个核心话题：提示词工程（Prompt Engineering）如何改变 LLM 的行为，并以一个实用场景——自动总结客户邮件——作为演示案例。

教程的核心观点很直接：同样的模型、同样的输入，一个结构松散的提示词可能让模型胡编乱造（hallucinate），而一个结构清晰的提示词则能稳定产出符合格式要求的高质量回复。换句话说，好的提示词是获得可靠 AI 输出的前提，而不是可有可无的锦上添花。

幻觉（Hallucination） 是大语言模型的一种典型失效模式，指模型生成看似合理但实际上并不存在或与输入不符的内容。其根本原因在于 LLM 的工作机制——模型本质上是在做「下一个 token 的概率预测」，当提示词缺乏足够约束时，模型会根据训练数据中的统计规律「补全」内容，而非严格依据输入事实作答。这就是为什么模糊提示词会让模型凭空捏造「潜在买家」「最新产品目录」等未经提及的信息。结构化提示词通过明确角色、上下文和输出格式，为模型的生成过程设置了更强的条件约束，显著缩小了模型可以「自由发挥」的空间，从而压制幻觉的发生概率。

搭建演示工作流：从手动触发到邮件输入

整个流程从一个 n8n 的手动触发节点（Manual Trigger）开始。为了模拟真实场景，教程先用一个 Edit Field 节点来存放一段邮件文本——这里需要的是一个段落字段，而不是单一数值字段。

示范中，作者先让 ChatGPT 生成了一封「客户询问笔记本电脑产品信息」的邮件（约 7 到 8 行），再把这段文本粘贴到 Edit Field 节点里。随后通过 n8n 的 表达式（Expression） 功能，把上游节点生成的邮件内容引用到下游节点中。执行后，这封邮件就作为数据流入后续的 AI 处理节点。

在 Edit Field 中粘贴邮件并通过表达式引用

这一步看似琐碎，却是很多新手容易卡住的地方：如果没有正确连接数据源或配置输入，AI 节点就会显示红色警告，提示输入「undefined（未定义）」。

配置 OpenAI 节点与模型

接下来是接入模型。教程使用了 OpenAI 节点，并通过 OpenRouter 作为模型接入渠道（此前的视频已经用过这一配置）。

为 AI 节点配置输入与模型

配置时需要明确两件事：

输入（Input）：告诉 AI 要处理的数据是什么，也就是前面准备好的那封邮件。
系统消息（System Message）：相当于给 AI Agent 下达的「岗位说明」，定义它该如何行事。

作者特别强调，系统消息和提示词的区别在于——系统消息是整体指令，而提示词决定了具体的输出如何被生成。两者配合不当，模型就容易产出偏离预期的内容。

OpenRouter 是一个统一的 LLM API 网关，允许开发者用同一套接口调用 OpenAI、Anthropic、Google、Meta 等多家厂商的模型，而无需分别申请和管理多个 API Key。在 n8n 中，通过将 OpenAI 节点的 Base URL 指向 OpenRouter 端点，即可在不更换节点类型的情况下切换底层模型。这种方式的优势在于：一方面可以按任务特性选择性价比最高的模型（例如用较便宜的模型处理简单摘要任务），另一方面也便于在模型供应商出现服务中断时快速切换备用方案，提升自动化工作流的健壮性。

提示词的四个核心组成部分

这是整期教程最有价值的部分。作者把一个有效的提示词拆解为四个板块：

1. 角色（Role）

定义 AI 「是谁」。例如：「你是一名客户支持专员，负责总结客户邮件。」明确角色能让模型以正确的身份和语气来处理任务。

2. 上下文（Context）

提供背景信息。例如：「这是一封来自客户的、咨询产品信息的邮件，请对其进行总结。」上下文让模型理解任务的来龙去脉，减少凭空猜测。

3. 输出格式（Output）

规定结果的呈现方式。示范中要求「用三个要点（bullet points）来描述邮件内容」。

4. 工具（Tools，可选）

当任务需要调用外部能力时，才需要定义工具板块。是否使用取决于你希望 AI 完成的具体任务。

在提示词中明确上下文与背景信息

这一框架与学术界和业界常用的提示词设计方法高度吻合。值得注意的是，「系统消息（System Message）」与「用户消息（User Message / Prompt）」在 LLM 的对话结构中扮演不同角色：系统消息在对话开始前写入，优先级更高，用于设定模型的整体行为边界；而用户消息则是每次请求时动态传入的具体指令或内容。在 n8n 的 OpenAI 节点中，将角色和输出格式要求写入系统消息、将待处理的邮件正文通过表达式动态注入用户消息，是一种更符合模型设计意图的分层做法，也能让提示词在复用时更加灵活——只需替换用户消息中的邮件内容，系统消息的指令无需每次重写。

对比实验：模糊提示 vs 结构化提示

教程用一组对比直观地展示了提示词的威力。

当作者只写一句模糊的「summarize this email（总结这封邮件）」时，模型虽然给出了回复，但格式和内容都不符合预期——它自作主张地提到「潜在买家」「最新产品目录」等信息，没有按照需要的结构输出。

而当使用包含角色、上下文、输出格式的完整提示词后，模型稳定地产出了三个清晰的要点：

产品咨询（Product Inquiry）：客户对公司工业材料感兴趣，索取最新产品目录及规格、尺寸、材质选项。
订单需求（Order Requirement）：询问最低起订量等要求。
交付与文档（Delivery & Documentation）：就交付可行性和相关文档寻求澄清。

结构化提示词产出的三条要点总结

两次输出的差距，正是「结构化提示词」价值的直接体现。相同的输入，仅仅因为提示词的组织方式不同，结果的可用性天差地别。

小结：把提示词当成一份工作说明书

这期教程的实操门槛不高，但背后的方法论值得所有在 n8n 里接 LLM 的用户记住：不要指望模型「猜」出你的意图，而要像写岗位说明书一样把要求讲清楚。

按照「角色 + 上下文 + 输出格式 +（可选）工具」的框架来组织提示词，不仅能用在邮件总结上，也适用于绝大多数 AI Agent 场景。对自动化工作流而言，输出的稳定性和一致性往往比偶尔的「惊艳回答」更重要，而这正是结构化提示词能带来的保障。