n8n自动化教程：用Tally+Google Drive自动生成报价单

手动创建报价单、逐一填写客户信息、再复制模板发送邮件——这套流程如果每天重复十几次，消耗的时间相当可观。本文基于一节n8n实战教学视频，拆解如何用Tally表单触发、Google Drive复制模板、Google Docs动态填充、Gmail自动发送，搭建一条完整的报价单生成流水线。据视频作者介绍，这条工作流完全基于n8n的经典trigger-action结构，不走AI Agent路线，目的是帮助初学者建立自动化的底层认知框架。

为什么要先学手动工作流

视频作者在开篇提出了一个明确的观点：理解n8n这类自动化工具的基本结构——trigger（触发器）加上action（动作）——是后续使用AI Agent的基础。他在课程中明确表示，后续会用AI Agent重新实现同一个报价单生成场景，届时“几乎没有人工干预”，而且这很可能是大多数人最终会采用的方式。

但他同时强调，即便如此，掌握手动工作流的创建过程仍然不可跳过。理由有两层：一是在实际工作中，并非所有场景都能用AI Agent覆盖；二是当自动化流程出问题时，你需要回到trigger和action层面去排查。这个判断在当下的自动化实践中值得重视——AI Agent确实降低了门槛，但底层逻辑的缺失会让调试变成黑箱操作。

据视频描述，这套工作流的逻辑链路是：Tally表单收集客户需求 → n8n接收数据 → 复制Google Docs报价单模板 → 用表单数据替换模板中的变量 → 下载生成的文件 → 通过Gmail发送给客户。

Trigger（触发器）与 Action（动作）的区别

在n8n中，Trigger是工作流的起点，负责监听某个事件的发生（如表单提交、新邮件到达、定时任务触发），一旦事件发生就启动整个工作流；Action则是触发器之后执行的具体操作节点，比如复制文件、更新文档、发送邮件。一个工作流只能有一个Trigger，但可以有任意多个Action，且Action之间可以串联或分支。理解这一结构是排查问题的关键：当流程失败时，首先要判断是Trigger没有正确触发（如凭证过期、事件源变更），还是某个Action的输入输出不匹配。n8n中每个节点都会保留输入和输出数据，可以逐节点查看数据流，定位是哪一个环节丢失或扭曲了数据。

用Tally搭建客户订单表单

工作流的起点是Tally表单。视频中，作者创建了一个名为“Commande Client”（客户订单）的表单，包含以下字段类型：短文本（姓名）、邮箱类型（Email）、短文本或长文本（邮寄地址），以及一个下拉菜单（Dropdown），用于让客户选择具体产品，比如157欧元的鞋子、16欧元的球、网球拍、乒乓球拍等。

表单创建完成后，点击“Publish”发布，再通过“Share”复制链接即可对外分享。作者提醒，n8n中的Tally Trigger需要连接Tally的API凭证，并选定对应的表单。一个容易踩的坑是：如果修改了表单名称（比如加了一个“s”），需要重新发布并在n8n中刷新，否则Trigger可能仍指向旧版本。

在n8n中配置好Tally Trigger后，作者建议先执行一次“Execute Step”，手动提交一份测试表单，提前获取数据结构。这样做的好处是，后续模块中可以直接引用这些字段的变量名，不需要凭记忆手动输入。

创建Google Docs报价单模板并复制

作者选择Google Drive作为文件存储方案，原因是免费且Gmail用户基数大。他在Google Docs中创建了一份基础报价单模板，包含公司名称、公司地址，以及用双花括号标记的变量字段：客户名（ClientName）、客户地址、报价单编号（CodeNumber）、产品描述（Description）。这些变量将被自动化流程动态替换。

这里有一个关键设计决策：工作流不能直接修改原始模板，否则每次运行都会覆盖模板中的变量，导致下次无法使用。因此，作者引入Google Drive的“Copy File”模块，先复制一份模板，再将副本命名为“Devis de Monsieur/Madame [名] [姓]”。

n8n的即时预览功能在这个环节非常实用。作者展示了如何在下拉框中直接引用前一个模块的输出变量（如客户名和姓），界面会实时显示拼接后的文件名。他甚至演示了不预留空格时姓名会连在一起的问题，通过实时预览可以立刻发现并修正，避免浪费执行次数。

作者特别提到，这个实时预览HTML结果的功能在Make和Integromat中当时还没有（他在视频中表示不确定现在是否已添加），并认为这是n8n在用户体验上的一个显著优势。

用Google Docs模块动态填充报价内容

复制完成后，进入核心的“Update Document”环节。作者在Google Docs模块中选择“Update a Document”操作，文档ID直接从上一个Copy File模块的输出中拖拽过来，实现模块间的数据传递。

更新逻辑用的是“Find and Replace Text”操作，逐条替换模板中的变量：将{{ClientName}}替换为表单中的姓名、{{ClientAddress}}替换为地址、{{Description}}替换为客户选择的产品，以及{{CodeNumber}}替换为自动生成的编号。

编号生成的方式值得关注。作者用n8n内置的表达式变量组合出了“年份+月份+随机数”的格式：{{$now.format('yyyy')}}取当前年份，{{$now.format('MM')}}取当前月份，再接一个0到1000的随机数。在视频演示时，当前年份为2026、月份为05，生成的编号类似“2026-05-153”或“2026-05-689”。对于需要唯一编号但不要求严格连续的场景，这个方案足够实用。

作者在演示过程中遇到了一个典型错误：在替换Description字段时，文本框显示为红色（表示n8n将其识别为表达式而非纯文本），导致替换失败。解决方法是对包含变量的字段点击“Fix”按钮，将其转为纯文本格式。这个细节对新手排查类似问题有参考价值。

另一个值得记住的经验是，作者强调替换时的文本必须与模板中的变量完全匹配，包括空格。他将这种精确匹配与“避免幻觉”联系起来——如果匹配不精确，自动化流程可能会替换错误的内容。

n8n表达式与固定文本的区分

n8n中的字段可以容纳两种内容：固定文本（纯字符串）和表达式（以{{ }}包裹的动态代码）。当你在字段中输入{{$now.format('yyyy')}}时，n8n会将其识别为表达式，运行时动态计算并替换为实际值；但如果输入的内容被意外识别为表达式（例如包含了类似JS的语法片段），而你又希望它作为普通文本原样输出，就会出现替换失败或结果异常。此时字段边框通常会变红提示。点击“Fix”按钮可以将字段强制转为固定文本模式，确保不会被执行引擎解析。在Find and Replace操作中，被替换的目标字符串和替换值都需要明确区分这两类内容，尤其是替换值中包含{{ }}变量引用时，应保持表达式模式；而目标字符串通常是纯文本。

下载文档并通过Gmail自动发送

报价单生成并填充完毕后，最后两步是下载和发送。下载环节使用Google Drive的“Download File”模块，文件ID取自Update Document模块的输出。视频中点击执行后确认文件可以正常下载。

发送环节使用Gmail的“Send a Message”模块。收件人地址从Tally Trigger的输出数据中提取（表单中的Email字段）。邮件主题的格式为“Ergan - Devis Monsieur/Madame [名] [姓]”，同样通过拖拽变量拼接。正文使用HTML格式，便于控制段落间距和换行。附件通过点击“Add Attachment”添加，数据类型保持默认即可。

作者在完整演示中强调了生产环境与测试环境的区别：在n8n中，只有点击“Publish”后工作流才会在收到新表单时自动触发；否则只能手动点击“Execute Workflow”。测试完成后，一旦发布为生产状态，整个流程从表单提交到邮件送达可以做到完全无人工干预。

这条工作流的核心价值与局限

总结来看，这条报价单自动化流程的核心思路是把重复性文书工作拆解为可编排的步骤，每个步骤都对应n8n中的一个模块。从表单到文件的变量替换机制、先复制再修改的模板保护策略、以及利用实时预览避免错误的习惯，是三个可以迁移到其他自动化场景的通用经验。

不过作者也坦言，这种手动工作流存在局限。产品价格在模板中是硬编码的，如果产品目录变化，维护成本会上升。他在视频中多次提到，后续会用AI Agent重构同一个场景来处理价格计算和更复杂的产品描述，这将是工作流自动化的下一步演进方向。

对于刚接触n8n的开发者来说，这条工作流的难度适中，涉及Tally、Google Drive、Google Docs和Gmail四个服务的集成，覆盖了trigger-action模式的核心操作。作者反复强调的“理解基础结构优先于追逐AI Agent”的教学理念，在当前AI自动化工具快速迭代的背景下，提供了一个务实的入门路径。

背景补充

AI Agent在自动化中的定位

AI Agent（智能体）与传统的trigger-action工作流有本质区别。传统工作流是确定性的：你预先定义好每一步操作和条件分支，它严格按照设定执行。AI Agent则具备一定的自主决策能力，它可以根据目标动态选择调用哪些工具、如何组织步骤，甚至处理非结构化输入（如自然语言描述的需求）。作者提到的“用AI Agent重构同一场景”，意味着让Agent自行理解客户需求，并决定是否需要生成报价、计算价格、选择模板等，而不再需要人工预先编排每个节点。但Agent的缺点也很明显：行为不完全可预测、调试更困难、可能产生“幻觉”（如错误地替换了不匹配的文本）。因此，先掌握手动工作流，理解数据如何在节点间流转，才能在Agent出错时快速定位是工具调用错误、上下文丢失还是模型理解偏差。