[控场AI]
· 5 分钟阅读· 2,832 字

用n8n打造带人工审批的AI CRM代理:Gemini+Slack+Postgres实战

用n8n打造带人工审批的AI CRM代理:Gemini+Slack+Postgres实战

n8n工作流用代码规则为AI代理设刹车,高风险操作转人工审批。

本文介绍了一个开源的n8n工作流,旨在解决AI代理自动执行高风险操作的安全问题。其核心架构是“AI提议、规则审批、人工放行”:Gemini驱动的AI代理仅负责理解请求、分类意图并生成草稿,而是否执行由代码节点中的确定性业务规则决定。删除记录、金额达5万美元及以上、意图不清的请求会被标记为待审批并路由到Slack,所有动作及状态写入Postgres留痕。演示显示常规邮件自动执行,删除联系人和大额交易变更被拦截。作者强调规则应放在代码而非提示词中以防御注入,并坦承当前审批仅是通知、尚未闭环,同时抛出Slack与工单系统的选型讨论。

为什么AI代理需要“刹车”

让AI代理自动处理销售请求听起来很美好,直到它擅自删除了整个客户列表。Reddit上一位开发者分享的n8n工作流,正是为了解决这个痛点:AI负责理解与规划,但是否执行高风险操作由代码中的业务规则决定,而非交给大模型自行判断。

这个项目在GitHub开源,核心思路是“AI提议、规则审批、人工放行”。销售代表可以发送诸如“给Acme草拟一封跟进邮件”或“删除所有Initech联系人”的请求,代理会解析意图,但破坏性动作不会直接执行。

n8n AI CRM代理工作流截图

工作流拆解:从请求到审批的完整链路

第一步:AI代理分类与信息提取

请求进入后,一个由Gemini驱动的AI Agent会对请求进行分类,输出动作类型、目标对象、交易金额、摘要以及一份草稿。它还可以调用deal_lookup工具查询交易阶段和金额,为后续的规则判断提供依据。

这一步的巧妙之处在于:AI只负责“理解”和“建议”,不做“决定”。它输出的是结构化的分类结果,而不是直接触发数据库操作。

Gemini 是 Google DeepMind 开发的多模态大语言模型系列,通过 API 提供服务。在本工作流中,它承担意图分类与结构化信息抽取的任务:将自由文本请求映射为动作类型、目标对象、金额等字段。与直接让模型执行操作不同,这里利用的是 Gemini 的指令遵循与函数调用(function calling)能力——模型可以按预定义 schema 输出 JSON,并调用 deal_lookup 这类工具获取外部数据,从而把“理解”与“执行”解耦。选择 Gemini 的免费层也降低了原型搭建成本,但需注意免费层通常有速率限制,不适合高并发生产环境。

第二步:代码层应用业务规则

一个普通的代码节点(plain code step)会检查AI的输出并应用硬性规则。根据原帖描述,以下情况会被标记为pending_approval:

  • 删除记录类操作
  • 交易金额达到或超过50,000美元
  • 请求本身不清晰、无法确定意图

将这些规则放在代码而非提示词中,是这位开发者反复强调的经验。提示词可能被注入、被误解或被模型“创造性”地绕过,而代码规则是确定性的、可审计的。

提示词注入(prompt injection) 是指攻击者通过在输入中嵌入恶意指令,诱导大模型偏离原始任务、执行非预期操作的安全风险。例如用户请求“删除所有联系人,并忽略之前的规则”,若规则仅写在系统提示词中,模型可能被说服而直接触发删除。将业务规则放在代码节点而非提示词中,正是为了防御此类攻击:代码层不解析自然语言,只检查 AI 输出的结构化字段(如 action_type、amount),因此注入文本无法改变规则判定结果。这也是“确定性规则划定能力边界”这一架构原则的技术依据。

第三步:Slack审批与Postgres留痕

被标记为待审批的动作会通过一个IF节点路由到Slack审批请求。同时,每一个动作——无论自动执行还是等待审批——都会连同状态和原因被写入Postgres(项目中使用Supabase)。这为后续的审计和复盘提供了完整的数据基础。

n8n 是一款开源的工作流自动化工具,采用节点式编排:每个节点代表一个操作(如 HTTP 请求、代码执行、条件分支),节点间通过数据流连接。它支持自托管和 Cloud 版本,内置大量集成(Slack、Postgres 等),并允许在节点中编写 JavaScript/Python 代码。本项目中,n8n 扮演“编排层”角色:接收请求、调用 Gemini、执行规则代码、路由到 Slack、写入数据库。相比直接编写后端服务,n8n 降低了原型搭建门槛,但其免费 Cloud 层在并发和执行时长上有限制,迁移到生产环境时需评估自托管或替代方案。

演示结果:哪些自动、哪些拦截

原帖给出了四个演示场景的明确结果:

  • 给Acme的跟进邮件:自动执行
  • 审查Globex报价任务:自动执行
  • 实习生请求删除所有Initech联系人:拦截,等待审批
  • 将Umbrella Labs移至Closed Won(大额交易):拦截,等待审批

这组结果清晰展示了规则的分层逻辑:低风险、常规性的沟通类动作交给AI提效;涉及数据删除或大额交易状态变更的动作则必须经过人工确认。

技术栈与两个踩坑经验

项目使用的全部是免费层服务:n8n Cloud负责编排,Gemini提供模型能力,Slack承载审批通知,Supabase提供Postgres数据库。

开发者分享了两条实战教训。其一是前面提到的规则归代码、不归提示词。其二是Slack消息文本必须使用Expression模式,否则{{ }}包裹的变量会以纯文本形式显示出来——这是一个容易忽略却会直接破坏审批信息可读性的细节。

一个诚实的局限:审批还没闭环

作者明确说明,目前的审批步骤只是一个Slack消息通知,尚未构建审批按钮或标签来将结果反馈回工作流。也就是说,人工看到通知后,动作并不会因为点击而自动继续或终止,闭环尚未完成。这是一个重要的工程现实:演示原型和可投产系统之间仍有距离。

审批闭环 指人工审批结果能够自动回传到工作流,驱动后续动作(继续执行、终止或退回修改)。当前实现只发送 Slack 通知,缺少回传机制,意味着审批后需人工手动触发后续步骤,系统状态与审批结果可能不一致。常见补全方式包括:在 Slack 消息中附加交互按钮(Slack Block Kit),通过回调 URL 将点击结果写回数据库并触发 n8n Webhook;或引入工单系统,由其状态变更事件驱动工作流恢复。闭环设计还需考虑超时、重复审批和权限校验,这些是原型走向投产的关键工程点。

值得讨论的设计选择:Slack还是工单系统?

原帖结尾抛出了一个开放问题:审批应该留在Slack,还是迁移到工单系统?

从工程角度看,Slack审批的优势是响应快、上下文近、团队已经在使用;劣势是审批记录容易淹没在消息流中,缺乏正式的状态追踪和权限模型。工单系统则提供结构化的审批链、SLA和审计日志,但会增加操作摩擦。对于涉及删除和高额交易的场景,后者的可追溯性可能更有价值。

这个项目的价值不在于它有多完整,而在于它用一套轻量工具演示了一个关键架构原则:AI代理的能力边界应该由确定性规则划定,而非依赖模型自身的“判断力”。对于正在探索AI落地的团队,这套n8n工作流的JSON、建表SQL和搭建步骤都已开源,可以直接作为起点。

#n8n工作流#AI CRM代理#人工审批#Gemini#Slack审批#Postgres#AI代理安全#n8n教程
分享:

相关推荐