n8n实战：AI线索生成工作流搭建指南（表单+表格+邮件自动化）

用 n8n 把「客户填表 → 数据入库 → 负责人收通知 → AI 自动回复客户」这条链路全部串起来，一共只需要 5 个节点。

线索表单收到的数据散落在邮箱、表格和聊天记录里，是很多小团队最头疼的运营问题。B站和 YouTube 上都有创作者做过 n8n 自动化教程，但大多只演示单个节点的操作，很少有完整跑通「表单触发 + 表格存储 + 双邮件 + AI 回复」全链路的案例。本文拆解一个可复用的 Lead Inquiry 工作流，从零搭建到发布测试，逐步说清楚每个节点的配置逻辑和容易踩的坑。

工作流整体架构：5 个节点串起完整线索闭环

这个工作流的起点是一个 n8n Form 触发节点，终点是两封自动发出的邮件。中间经过 Google Sheets 存储和 AI 模型生成回复内容，最终通过 Gmail 节点完成发送。

具体节点顺序如下：

1. Form Trigger（On Form Submission）：生成一个可公开访问的线索收集表单
2. Google Sheets（Append Row）：把表单数据自动写入表格的新行
3. Gmail（Send Message）：给业务负责人发送新线索通知邮件
4. Groq LLM Chain：调用 AI 模型，根据客户填写的留言生成个性化回复
5. Gmail（Send Message）：把 AI 生成的回复邮件发给客户

整个流程基于 n8n 的可视化编排能力，不需要写代码。每个节点之间的数据传递通过拖拽字段完成映射，对于一个标准线索管理场景来说，这个方案足够轻量且可维护。

n8n 是什么：n8n 是一款开源的工作流自动化工具，常被拿来和 Zapier、Make 对比。它的核心形态是可视化节点编辑器：每个节点代表一个动作或数据源（如表单、数据库、HTTP 请求、LLM 调用），节点之间用连线定义执行顺序，数据以 JSON 对象的形式在节点间流动。相比纯代码方案，n8n 的优势是无需写胶水代码就能串联多个 SaaS 服务；相比 Zapier，它支持自托管、可按需接入任意 API，且在复杂分支逻辑上更灵活。文中提到的「节点」「连线」「字段映射」「Expression」都属于 n8n 的标准概念：字段映射指把上游节点输出的某个字段拖到下游节点的输入框，Expression 则是用 {{ }} 语法在配置中嵌入动态变量或简单表达式。

Trigger 与 Action：n8n 节点大致分为触发型（Trigger）和执行型（Action）。触发节点负责启动整个工作流，例如文中用到的 On Form Submission 会在用户提交表单时触发；Append Row、Send Message、LLM Chain 都属于执行节点，只有被上游触发后才会运行。理解这一区分有助于排查「工作流不启动」类问题——通常是没有正确配置触发节点，或未使用正确的 URL（Test URL 只在手动点击 Execute Step 时生效，Production URL 需 Publish 后才对外可用）。

第一步：配置表单触发节点

在 n8n Dashboard 中新建工作流，命名为 Lead Inquiry，然后添加第一个节点：n8n Form 的 On Form Submission 触发器。

表单需要设置 4 个必填字段：

• Name：文本输入类型，设为 Required
• Email：选择 Email 类型，n8n 会自动校验格式，输入非邮箱内容时会报 Invalid Email 错误
• Phone：文本类型，同样设为 Required
• Message：让客户填写需求描述的文本区域

关于表单认证，教程中选择的是 Authentication: None，也就是表单 URL 完全公开。如果面向内部使用，可以开启认证，那样只有被授权的用户才能访问表单。表单标题设置为「Contact Us」，描述写「Enter the required data to get quick Response」。

配置完成后点击 Execute Step，n8n 会生成一个测试 URL。打开该 URL 可以看到渲染好的表单页面，填写测试数据并提交后，回到 n8n 编辑界面，右侧输出面板会显示收到的数据。

第二步：用 Google Sheets 自动存储线索

紧接着表单节点，添加 Google Sheets 节点，选择 Append Row in Sheet 操作。这一步需要完成三件事。

创建表格和列头

先在 Google Drive 中新建一个 Sheet，命名为「Lead Inquiry」，在第一行创建 5 个列头：name、email、phone、message、submitted at（日期列）。建议把列头加粗，方便后续查看。

连接 Google 账号

回到 n8n 的 Google Sheets 节点，点击 Sign in with Google 完成授权。据教程演示，同一工作流中只要有一个 Google 节点完成了授权，后续的 Gmail 和 Sheets 节点会自动复用同一账号，无需重复登录。

授权后，节点会列出该 Google 账号下所有可用的 Sheets 文件，选择「Lead Inquiry」及对应的 Sheet 工作表。

字段映射

选择 Map Each Column Manually 模式后，n8n 会读取表格列头，依次把表单输出字段拖拽到对应的列即可。日期列直接映射表单自带的 submitted at 字段。

点击 Execute Step 后切换到 Google Sheets 查看，如果配置正确，新数据已经出现在表格中。之后每一次有客户提交表单，数据都会自动追加到这张表里。

第三步：给负责人发新线索通知邮件

数据入库之后，下一个节点是 Gmail 的 Send Message。业务负责人需要第一时间知道有新线索进来了。

配置要点：

• To：填入负责人的业务邮箱地址
• Subject：使用 n8n 的 Expression 模式拼接变量，例如「You got a new lead from {{ $json.name }}」，这样邮件标题能看到具体是谁提交的
• Message Type：教程中先选择 Text 模式测试，确认正常后可以切换到 HTML 排版
• 邮件正文：把表单中的 name、email、phone、message 四个字段拖入正文，负责人打开邮件就能看到完整的线索信息

执行测试后，教程中确认负责人邮箱成功收到了格式正确的新线索通知。注意：教程演示时使用的是 Gmail 试用版，邮件底部会出现 n8n 的推广信息，切换到生产模式或自托管部署后该信息会消失。

第四步：接入 AI 模型，自动生成客户回复

这是整个工作流里最有价值的部分——让 AI 根据客户的具体留言，生成一封有针对性、语气友好的回复邮件。

教程中使用的是 Groq 平台提供的 LLM 模型。需要在 Groq 官网创建 API Key，然后在 n8n 的 Groq 节点中粘贴。

关于模型选择，教程中选择了 Qwen 3.8，认为其输出效果较好。配置好凭证后，n8n 会自动生成一组 LLM Chain 节点。其中「When Chat Message Received」触发节点在自动化流程中不需要，可以删除。

Prompt 设计

Prompt 中需要引用表单节点传来的留言内容，用 {{ }} 语法插入变量。教程中给出的 Prompt 大致逻辑是：「根据用户提交的内容，撰写一封简短、友好的回复邮件」。AI 会结合客户填写的 message 字段，生成个性化的回复文本。

测试执行后，AI 成功生成了类似「Thanks for reaching out, I'd be happy to help...」的回复内容。

Groq 与 LLM Chain 的定位：Groq 并不是模型本身，而是一家提供推理加速服务的平台，它通过自研的 LPU 芯片让开源大模型（如 Llama、Qwen、Mixtral 等）以极低延迟返回结果，并提供兼容 OpenAI 风格的 API。因此在 n8n 中接入 Groq，本质是「用一个 API Key 换取对多种开源模型的调用权」，可以在不改动工作流结构的前提下随时切换模型——这也正是文中遇到限流后「切换一个模型即可恢复」的原因。

LLM Chain 与普通 LLM 节点的区别：n8n 中「Chain」类节点（如 LLM Chain、Basic LLM Chain）是在基础对话模型之上封装的一层编排逻辑，通常包含 Prompt 模板、可选的记忆（Memory）和输出解析（Output Parser）。它允许把上游数据注入 Prompt 模板，再统一交给模型处理，因此比直接用 Chat Model 节点更适合「拿表单字段生成一封邮件」这类任务。文中提到要删除「When Chat Message Received」触发节点，也是因为该节点属于聊天机器人场景，与表单驱动的自动流程无关，保留反而会让工作流多出一条无效的触发入口。

第五步：把 AI 回复发送给客户

最后一个 Gmail 节点负责把 AI 生成的回复发给客户。

• To：映射表单中的 Email 字段
• Subject：设为「Thanks for reaching out」
• Message：从 Groq 节点的输出中取 AI 生成的文本

重要提醒：Gmail 节点中 To 字段的数据来源要选表单节点，而不是前一个 Gmail 节点。在 Expression 编辑器中可以通过节点选择器切换到 Form Trigger 节点的输出数据。

发布与实测：遇到的坑和解决办法

工作流配置完成后需要点击 Publish 使其生效。发布后会生成一个 Production URL，用这个 URL 提交真实的表单数据来验证全链路。

教程中做了两轮测试。第一轮一切正常：数据写入表格、负责人收到通知、客户收到 AI 回复。第二轮测试时出现了两个问题：

1. LLM 节点报错：提示「The service is receiving too many requests from you」，也就是触发了 Groq 的请求频率限制。解决办法是在 Groq 节点中切换一个模型，然后重新发布工作流。
2. 邮件投递延迟：客户端的邮件没有立即到达收件箱，需要在垃圾邮件文件夹中检查。这一现象在实际部署中也比较常见，尤其是首次发送时。

切换模型并重新发布后，第二轮测试成功完成。需要注意的是，在 n8n 中修改任何节点配置后，都必须重新发布工作流才能让变更在 Production URL 上生效。

这个方案适合谁用

这套工作流的适用场景比较明确：

• 自由职业者和小型服务团队：有一个简单的咨询表单，需要快速响应每一条线索
• 希望用 AI 提升客户体验但不写代码的运营人员：n8n 的可视化编排降低了自动化的门槛
• 需要把线索数据集中管理的业务方：Google Sheets 充当轻量 CRM，方便后续跟进和筛选

局限性也要说清楚：这个方案依赖第三方服务（Google、Groq）的可用性和配额。如果线索量较大，Groq 的免费额度可能不够用，需要升级付费计划或替换为其他 LLM 提供商。另外，生产环境下建议给表单开启认证，避免被恶意提交。