用n8n打造药品效期管理自动化：AI决策+人工审批

药房管理中,药品效期（Expiry）始终是个棘手问题。临期药品若处理不当,轻则造成库存损失,重则引发用药安全风险。一位开发者基于 n8n 工作流平台搭建了一套「药品效期级联自动化系统」,把每日库存盘点、销售分析、调拨决策与供应商退货等环节串联起来,并在关键节点保留了药剂师的人工审批。这套方案展示了「AI 自动化 + 人在回路（Human-in-the-loop）」在垂直业务场景中的典型落地思路。

每日定时触发的全自动数据采集

整套工作流的运行逻辑非常明确:每天下午 6 点准时触发,系统自动读取多路数据源。它会抓取当日的库存清单(inventory)、销售日志(sales log)、各门店的分支库存(branch stock),同时还会读取供应商的退货与信用政策(supplier policies)。

这一步的价值在于把原本需要人工逐项核对的分散数据,统一归集到一个流程里。药房通常有多个分支门店,库存与销售数据各自独立,人工汇总既耗时又容易出错。通过定时任务,系统能够在每天固定时间点自动完成这项基础工作,为后续的智能决策提供完整的数据底座。

系统自动抓取分支库存与供应商政策

代码节点整合上下文,交给 AI 决策

数据采集完成后,所有信息会流经一个专门的代码节点(Code Node)进行统一处理。这一步相当于把来自库存、销售、门店、供应商的异构数据,整合成 AI 能够理解的结构化上下文。

代码节点统一处理上下文数据

随后,这份完整上下文被送入 AI 大语言模型(LLM)节点。这里是整个工作流的核心——决策环节。与简单的提醒类自动化不同,这套系统的 AI 智能体不只是通知药剂师某批药品即将过期,而是会基于销售数据给出一整套可执行的处置建议。这种从「告警」到「决策建议」的跨越,正是 AI 在业务自动化中真正创造价值的地方。

n8n 是一个开源的低代码工作流自动化平台，允许用户通过可视化节点连接各类服务与数据源，同时支持在「Code Node」中直接编写 JavaScript 或 Python 来处理复杂的数据转换逻辑。与 Zapier、Make 等纯无代码工具相比，n8n 的优势在于可自托管（self-host），数据不必经过第三方服务器，这对于涉及患者信息或库存敏感数据的医疗场景尤为重要。其 LLM 节点原生支持接入 OpenAI、Anthropic 等主流大模型 API，可将结构化上下文直接作为 prompt 输入，并将模型返回的自然语言建议解析为后续节点可消费的数据结构，从而实现「数据流 + AI 推理」的无缝衔接。

AI 给出的多种临期处置方案

根据开发者的演示,AI 智能体会分析当前的销售数据,并提出若干处置路径:

门店间调拨:把临期库存调拨给销量更高的分支门店,优先在卖得快的地方消化库存;
退货换信用额度:根据供应商政策,把部分批次退回供应商以换取信用额度(credit);
安全前提下的折扣促销:对特定批次打折销售,但有一个明确的前提——只有在确认安全的情况下才会推送折扣,避免为了清库存而牺牲用药安全;
停止补货:对某些药品直接停止再订购,从源头减少临期积压。

AI分析销售数据并给出调拨与退货建议

这套决策逻辑的巧妙之处在于,它把财务损失控制、门店运营效率和用药安全这三重目标纳入了同一个判断框架。尤其是「只在安全时才折扣」这一约束,体现了垂直场景自动化中业务规则不可或缺的地位——AI 的建议必须受制于行业的硬性合规底线。

按销量规划调拨与供应商退货换信用

人在回路:AI 不做最终决定

整套系统最值得关注的设计是:没有任何操作是完全自动执行的。所有 AI 给出的处置建议,最终都需要药剂师的审批(pharmacist approval)才能落地。

开发者在演示中特别强调了这一点——「human-in-the-loop」是这套流程的必要环节。这背后的逻辑不难理解:药品管理涉及合规与安全责任,AI 可以高效地完成数据分析和方案生成,但最终拍板必须由具备专业资质的药剂师承担。这既规避了全自动化带来的责任与风险问题,又保留了 AI 带来的效率提升。

这种「AI 建议 + 人工审批」的模式,实际上为许多强监管、高风险的垂直行业提供了可借鉴的自动化范式:让 AI 处理繁琐的分析工作,把需要判断力和责任承担的决策权交还给人。

「Human-in-the-loop（人在回路）」是机器学习与自动化系统设计中的一个重要范式，指在自动化流程的关键节点引入人类判断，而非让系统完全自主运行。它与「全自动化」的核心区别在于责任归属：当系统输出涉及高风险决策时，人类的介入既是对AI局限性的补偿（如模型幻觉、数据异常），也是法律与合规层面的必要安排。在医疗场景中，许多国家的药事法规明确要求处方调配、库存变更等操作须由持证药剂师负责，这使得「人在回路」不只是设计偏好，而是合规的硬性要求。随着AI能力的提升，部分低风险环节可以逐步向全自动化演进，但对于直接影响患者安全的决策，保留人工审批节点仍是当前阶段最稳健的工程选择。

小结:垂直场景自动化的参考样本

这套基于 n8n 的药品效期自动化方案,虽然演示信息有限,但清晰勾勒出了一个实用的工作流骨架:定时触发 → 多源数据采集 → 代码节点整合 → AI 决策 → 人工审批。它展示了低代码自动化平台与 LLM 结合的落地潜力,也提醒我们——在医疗、金融等高风险领域,保留人工审批环节不是技术的妥协,而是设计上的必要选择。

对于想要在自身业务中引入 AI 自动化的团队而言,这套流程的思路值得参考:先用自动化解决数据汇集与初步分析,再用 AI 生成结构化建议,最后由专业人员把关落地。