n8n开源自动化挖矿：先挖再自动化

大多数公司在自动化上搞错了顺序。他们花几周时间搭建一个花哨的工作流，每周省下40分钟。毫无价值。问题的核心在于：在动手自动化之前，你得先知道该自动化什么。

n8n Labs 刚刚在开源社区投下一枚重磅炸弹，叫做 Automation Mining（自动化挖矿）。这不是又一个工作流模板，而是一个让 AI Agent 先"勘察"你团队日常工作、找出隐藏自动化金矿的智能技能。

什么是自动化挖矿？

Automation Mining 本质上是一个 Agent Skill——一个 Markdown 格式的指令文件，AI 编程代理（如 Claude Code、Codex、Cursor 等）可以直接读取并执行。

你把它指向团队的活动数据：客服工单、电子表格、聊天记录、邮件线程，任何你能提供的数据。然后它从中挖掘出没人注意到的重复性工作。

聪明之处在于：n8n Labs 构建了一个分类体系（Taxonomy），从 973,000 行工作流数据中提取出近 100万个自动化模式。当 Agent 分析你团队的日常工作时，它不是靠猜测，而是将看到的内容与这个庞大的数据集进行匹配。

区别在于：一个是"嗯，这看起来挺重复的"，另一个是"这个确切模式在12,000个已知工作流中出现过"。前者是直觉，后者是证据。

Agent Skill 是什么？ 在 AI 编程代理的语境中，Skill 并非传统意义上的插件或 API，而是一份用自然语言（通常是 Markdown）写成的结构化指令文件。代理读取它之后，就获得了一套特定的工作方法、判断标准和输出格式。它与提示词工程的关键区别在于：提示词是临时的、一次性的，而 Skill 是可复用、可版本管理、可共享的能力封装。Claude Code 的 Skill、OpenAI 的 Codex 以及 Cursor 的规则文件都属于这一类。正因为它是纯文本，所以跨平台、零依赖、易审计——你甚至能在 Git 里追踪它的每一次修改。

它如何工作？四个步骤

根据仓库中的 skill.md 文件（Apache 2.0 开源协议），整个流程分四步：

第一步：采集数据。 Agent 收集你团队每天做的原始工作数据。

第二步：分类匹配。 将活动对照分类体系进行归类——这是数据录入？审批链？排期？复制粘贴报表？

第三步（关键步骤）：打分排序。 每个模式按照频率 × 时间成本进行评分。某件事多久发生一次？乘以它每次花多长时间。这实际上就是给每个重复性任务贴上了美元标签。

第四步：提出方案。 按影响力排序，最大的金钱收益排最前面。没有争论，没有办公室政治，只有数学。

因为只是一个文件，任何支持 Skill 的 Agent 都能直接使用。不需要新软件、不需要订阅、不需要销售电话。

为什么频率 × 时间成本是有效的排序函数？ 这是经典的优先级矩阵思想在自动化领域的落地。单独看频率，会高估那些高频但每次只花几秒的琐事；单独看耗时，又会高估那些低频却很费劲的一次性任务。两者相乘得到的是每周（或每月）总投入时间，再把人力时薪代入，就换算成了可量化的金钱损失。这个做法的价值不在于公式有多精确，而在于它把主观的“这件事挺烦的”转化成客观的“这件事每月烧掉 3200 美元”，让资源分配从争论变成排序。

实测数据：结构碾压直觉

n8n Labs 用 57家合成公司（带真实混乱数据的假企业）进行了测试，对比了"有 Skill 的 Agent"和"没有 Skill 的基线 Agent"：

指标	基线 Agent	使用 Skill	提升
任务召回率	28.2%	51.7%	接近翻倍
提案质量	44.7%	53%	+8.3个百分点

召回率指的是 Agent 实际发现的真实自动化机会占比。从 28.2% 提升到 51.7%，几乎翻倍。

结构化的分类体系赋予了 Agent 明确的判断框架，效果显著优于让 Agent 自由发挥。

但必须公平地说：这些数字来自 n8n 自己的合成数据测试，目前还没有第三方独立验证。方向是对的，但需要保持审慎。

而且，51.7% 的召回率也意味着它遗漏了近一半的机会。这不是 X 光机，而是金属探测器——非常有用，但你仍然需要一个懂业务的人拿着它在田野里走。

召回率（Recall）在这里意味着什么？ 召回率原本是信息检索和机器学习的评估指标，指系统正确找出的相关项目占全部真实相关项目的比例。用在自动化挖矿场景中，就是把“团队实际存在的所有可自动化机会”视为全集，Agent 成功识别出的那部分除以全集，即为召回率。它和“精确率”是一对：召回率关心有没有漏掉，精确率关心找出来的对不对。文章只报告了召回率翻倍到 51.7%，但没有给出精确率数据，这意味着我们不知道被识别出的机会里有多少是误报——这也是评估这类工具时需要额外追问的地方。

为什么只读设计值得尊重

一个让人敬佩的设计选择：这个 Skill 是只读的。

它不发布任何内容，不编辑任何东西，不碰你的系统。它只观察、分析、提议。仅此而已。

你不希望一个实验性的 Skill 对生产数据拥有写入权限。先观察，后行动，人在回路中。 更多 AI 工具应该这样设计。

被忽视的商业价值

自动化销售中最难的部分从来不是构建工作流，而是搞清楚该构建什么。

代理商光是搭建一个自动化就要收 $1,000 到 $2,500。但发现阶段——流程审计——那是另外一笔费用。顾问们为需要数周访谈和电子表格的审计收取高额费用。

现在换个思路。你带着一份今天早上刚生成的报告走进客户会议。他们公司每一个重复性流程，按美元影响排序。"你们团队每月在手动发票匹配上损失40小时。这是解决方案，这是投资回报周期。"

这不再是一份推销，而是一张收据。试着对一张收据说不。

审计本身就是一个产品。48小时交付的自动化审计，每个机会按美元影响排序。构建成为追加销售，审计是敲门砖。

先把这份收据交给自己。大多数创始人每周有5到10小时的重复工作，他们已经看不见了——因为每天都做的事会变得隐形。

流程审计为什么昂贵？ 传统的自动化发现阶段通常依赖顾问访谈、现场观察和手工梳理流程文档，一个中型企业的审计动辄需要数周，收费从几千到数万美元不等。高昂的原因不是技术难度，而是信息采集的摩擦成本：流程散落在不同部门、员工自己也说不清每天到底做了多少重复动作。Automation Mining 的思路是把这部分采集与分析工作交给 Agent，把数周的访谈压缩到数小时的数据分析，从而把审计从一项定制服务变成一种标准化、可批量交付的产品。这正是 SaaS 化咨询的典型路径——把人力密集的专家服务转化为边际成本极低的软件交付。

四个要命的局限

第一，合成数据的局限。 真实公司更混乱——办公室政治、奇怪的特例、"我们周二的做法不一样"。真实世界的召回率会更低，可能低很多。把实验室数据当作上限，不是下限。

第二，召回率天花板。 即使在 n8n 自己的测试中，召回率最高也只有51.7%。在专门为它设计的数据上，它漏掉了一半的机会。管理好你的预期。

第三，只读既是特性也是限制。 它提议，你构建。如果你不会搭建 n8n 工作流，一份漂亮的排序列表只是一张愿望清单。

第四，太新了。 这周才发布，预期会有粗糙的边缘、文档缺失、奇怪的行为。早期采用者拿到优势，也拿到 Bug。

行动建议

这周就做一件事：写下你团队每周做超过3次的所有任务。纸笔就行。

然后问自己：哪些是 Agent 五分钟内就能发现的？恭喜，那就是你的自动化待办清单，按痛苦程度排序。

Automation Mining Skill 是免费的、开源的（Apache 2.0），仓库地址在 GitHub 上（n8n-io-automation-mining-skill）。

最后一句值得记住：在自动化之前，先找到钱的所在。 这句话本身就是一种商业模式。