用n8n无代码搭建AI邮件自动化Agent全流程

为什么要用 AI Agent 自动处理邮件

每天面对大量客户邮件，手动分类、回复、打标签，重复劳动消耗巨大。一位 YouTube 创作者分享了他的解决方案：在 n8n 上用无代码方式搭建一个 AI Agent，实现邮件自动分类、自动打标签、自动生成并发送回复的完整闭环。

整个方案的核心逻辑并不复杂——Gmail 收到新邮件后触发工作流，AI 对邮件内容做文本分类，根据分类结果给邮件打上对应标签，再由 AI Agent 生成个性化回复并自动发出。全程无需编写代码，全部在 n8n 的可视化界面中拖拽完成。

本文基于该视频的实操演示，梳理出完整的技术路径和关键配置细节。

前期准备：n8n 部署与 Gmail 凭证配置

n8n 环境启动

视频作者建议先在本地设备上部署 n8n。如果你还没有做过这一步，可以参考他的上一期视频，里面有本地托管的逐步教程。启动 n8n 后，创建一个新工作流即可开始。

n8n 是一款开源的工作流自动化工具，采用「节点 + 连线」的可视化范式，用户通过拖拽节点、连接数据流来编排自动化流程，而无需编写代码。它的定位与 Zapier、Make（原 Integromat）类似，但支持自托管，数据保存在自己的服务器或本地机器上，对隐私敏感的业务更友好。n8n 内置了数百个集成节点（Gmail、Slack、数据库、HTTP 请求等），同时也提供 AI 相关节点，如本文用到的 Text Classifier 和 Agent。自托管方式通常有两条路径：一是通过 Docker 运行官方镜像，二是使用 npm 全局安装后执行启动命令。启动完成后，浏览器访问本地端口即可进入工作流编辑界面，新建工作流后便可开始在画布上添加节点。

Gmail 节点与 OAuth 凭证

在工作流中添加第一个节点——Gmail 节点，触发器设置为「On Message Received」，即收到新邮件时触发。

这里需要配置 Gmail 的 OAuth 凭证，包括 Client ID 和 Client Secret。获取方式是在 Google Cloud 平台生成这些凭证，然后复制粘贴到 n8n 中。作者提到这个过程步骤较多，在他的上一期视频中有详细演示。

Gmail 凭证配置界面

配置完成后，作者用另一个邮箱发送了一封测试邮件（内容为「Hi, how are you doing?」），然后手动执行工作流，确认 Gmail 节点能正确拉取到最新邮件。测试通过后，进入下一步。

OAuth 2.0 是一种授权框架，允许第三方应用在不获取用户密码的前提下，代表用户访问其账号资源。在本文场景中，n8n 需要通过 OAuth 获得访问你的 Gmail 收件箱的权限，因此要在 Google Cloud Console 中创建一个项目，启用 Gmail API，配置 OAuth 同意屏幕，并生成一对 Client ID 与 Client Secret。n8n 在连接 Gmail 节点时会跳转到 Google 的授权页面，用户确认后将返回一个授权码，n8n 用它与 Client ID/Secret 一起换取访问令牌（Access Token）和刷新令牌（Refresh Token），从而在后续调用中持续访问 Gmail。理解这一点有助于排查常见的「令牌过期」「权限范围不足」等连接失败问题。

文本分类器：让 AI 判断邮件属于哪一类

设置分类类别

添加一个 Text Classifier 节点。将前一个 Gmail 节点输出的邮件内容（message 字段）拖拽到分类器的输入中。

分类器的核心是定义类别和每个类别的描述。作者以一个线上鞋店业务为例，设置了四个类别：

Product Inquiry（产品咨询）
Return and Exchange（退货与换货）
Complaints（投诉）
Order Status（订单状态）

每个类别的描述可以通过 ChatGPT 生成，目的是让 AI Agent 理解什么情况下应该把邮件归入该类。比如 Product Inquiry 的描述是「当客户询问关于鞋子和其他产品的问题时，将邮件分类为产品咨询」。

Text Classifier（文本分类器）是 n8n 中一个基于大语言模型的专用节点，它接收一段文本输入，按照用户预定义的类别列表和类别描述，让模型判断该文本属于哪一类，并输出对应的类别名称。它的工作机制本质上是「零样本/少样本分类」——模型不需要专门训练，只需读取类别描述即可完成判断，因此类别描述的清晰度直接决定分类准确率。描述应明确说明「什么情况下归入此类」以及「与其他类别的边界在哪里」，例如投诉与退换货容易混淆，就需要在描述中强调投诉侧重于对产品或服务的不满表达，而退换货侧重于具体的退换诉求。类别数量不宜过多，通常 3–6 个覆盖高频场景即可。

绑定模型与 API Key

分类器需要绑定一个语言模型。作者选择了 Grok 的免费模型。配置时需要提供 Grok 的 API Key——在 Google 搜索「Grok API keys」，用 Gmail 登录 Grok 后创建一个 API Key 即可。

模型选择为 GPT-120P 后，分类器节点就配置完毕。

Grok 登录与 API Key 获取

分类效果验证

作者从另一个邮箱发送了一封测试邮件：「I want to return my shoes and I want my money back」。执行工作流后，分类器正确地将这封邮件归入了「Return and Exchange」分支，节点显示绿色高亮，分类结果准确。

自动打标签：Gmail 节点串联

分类完成后，需要给邮件自动打上对应标签。首先在 Gmail 中创建与分类类别对应的四个标签（Label），并可以给每个标签设置不同颜色。这样一眼就能看出邮件属于哪类业务。

回到 n8n 工作流，在每个分类分支后面添加 Gmail 节点，操作选择「Add Label to Message」。配置时将前一个节点输出的 message ID 拖拽到对应字段，然后选择对应的标签名称。

Gmail 标签配置

四条分支分别配置好各自的标签后，执行工作流验证。刷新 Gmail 可以看到测试邮件已经被正确打上了「Return and Exchange」标签。

AI Agent 生成回复并自动发送

配置 Agent 节点

在每个分类分支的标签节点之后，添加 Agent 节点。Agent 需要绑定 Chat Model（可以直接复用之前配置的模型连接）。

Agent 的配置包括两部分：

输入消息：将 Gmail 触发器中的邮件内容传给 Agent
System Message：通过「Add Option」添加系统提示词，告诉 Agent 应该如何针对该类邮件生成回复

作者同样用 ChatGPT 为每个类别生成了对应的 System Message。以产品咨询为例，系统提示词会指导 Agent 以专业、友好的方式回复客户的咨询。

Agent 节点配置

AI Agent 与单纯的 Chat Model 调用不同，它是一个带有「系统提示词 + 工具调用」能力的执行体。System Message（系统提示词）是 Agent 的行为准则，用于设定它的角色、语气、回复风格和必须遵守的规则，例如「你是一家线上鞋店的客服，请以专业友好的语气回复客户」。写好系统提示词的关键在于具体化：明确身份、明确语气、明确输出格式、明确禁忌（如不承诺无法兑现的退款时限）。在本方案中，每个邮件类别对应一套独立的系统提示词，使 Agent 在退货、投诉等不同语境下能生成风格迥异但都得体的回复。提示词质量往往比模型选择更能影响最终回复效果，因此值得反复测试和打磨。

自动发送回复邮件

Agent 生成回复后，添加一个 Gmail 节点，操作选择「Send Message」。配置要点：

To：使用触发邮件中的「from」字段，即回复给原发件人
Subject：可自定义，比如加上「Re:」前缀
Email Type：选择 Text
Message：将 Agent 输出的回复内容拖拽进来

作者还提到一个实用细节：在发送节点中可以通过「Add Option」添加「Add Attribution」选项来关闭邮件底部的自动署名，保持回复的专业性。

实测效果与完整闭环

配置完成后执行整个工作流，从收到邮件到自动回复，整个过程在几秒内完成。作者展示了两个场景的实测结果：

退货场景：Agent 生成的回复不仅表达了歉意，还主动询问了订单号和购买日期等退货所需信息，措辞自然流畅。

投诉场景：Agent 回复「很抱歉听到鞋子未能达到您的期望」，语气得体且有针对性地回应了客户的不满。

最终形成的完整自动化流程为：接收邮件 → AI 分类 → 打标签 → Agent 生成回复 → 自动发送，全流程在 n8n 中无代码实现。

这套方案的适用性与局限

对于中小型电商或个人业务来说，这套方案能显著减少邮件处理时间。四个分类类别覆盖了售前咨询、售后处理、投诉和订单查询等高频场景，基本满足日常运营需求。

实际操作中有几个关键点需要注意：Gmail OAuth 凭证的配置步骤较繁琐，需要提前在 Google Cloud 完成；System Message 的质量直接决定回复效果，建议针对每个类别精心设计提示词；分类类别和标签需要保持一致，否则会出现打标签失败的情况。

此外，作者在视频中也提醒，自动发送功能可以根据需要关闭，改为生成草稿后人工审核再发送，在效率和风险控制之间找到平衡。