n8n 中文系列教程_08.制作第一个与大模型配合的n8n程序

最新推荐文章于 2025-04-29 14:56:21 发布

Lilith的AI星球

最新推荐文章于 2025-04-29 14:56:21 发布

阅读量754

点赞数 6

分类专栏： n8n 中文系列教程文章标签：人工智能 python 开发语言

本文链接：https://blog.csdn.net/Lilith_0828/article/details/147471470

版权

n8n 中文系列教程专栏收录该内容

25 篇文章

订阅专栏

你是否遇到过需要批量处理大量文本数据，却苦于手动操作效率低下？本文将手把手教你如何用 n8n + 大模型（如Gemini） 搭建自动化流程，实现工单智能分类。即使你是 零基础新手，也能跟着教程完成：

✅ 从Google Sheets读取数据
✅ 调用AI模型自动分析工单
✅ 将结果回填至表格

全程 可视化操作，无需代码，特别适合处理 重复性文本分析任务。文内含 避坑指南 和 Prompt优化技巧，助你快速落地AI自动化！

1. 文章适合人群

本文适合以下读者：

对n8n完全没有了解的新手
运维经验几乎为零的初学者
希望将大模型能力集成到工作流程中的开发者

本文将基于一个实际案例详细讲解n8n的使用方法，不仅会介绍基础操作，还会分享：

开发过程中遇到的典型问题及解决方案
从用户心理角度分析的操作建议
降低n8n学习曲线的实用技巧

2. 环境准备

在开始前，请确保你已经：

购买了n8n官方云服务版
或在服务器上部署了n8n（部署方法见：n8n 中文系列教程_06.选择适合的 n8n 安装部署方式：完整指南-CSDN博客）

重要提示：本文涉及的程序需要使用Google API，请提前准备好相关账号和访问权限。

工作思路

程序设计原则

免费：尽量使用免费的 API；

可复用；

工作方法

一切看不懂的东西，第一时间询问 ChatGPT，比如错误码看不懂，就可以直接问 ChatGPT；

理解 n8n 的界面设计思路，可以阅读上篇分享
n8n 中文系列教程_07.全面解析n8n界面：从入门到精通-CSDN博客
每个步骤都要做单步调试；
涉及到大模型的环境，单步调试的循环次数要降低，以节省 API 调用次数；
大模型 API 往往会在其官网提供调试环境，这种调试环境给出的结果和 API 实际调用可能会有出入，所以在调教 Prompt 时，单步调试 + 看 log 是非常有有必要的，值得庆幸的是 n8n 的 log看起来很好懂。

3. 需求场景分析

3.1 业务背景

假设你是一个SaaS系统负责人，面临以下情况：

客户每天产生超过100个疑问，形成工单提交给客服
你计划实施3项系统改进
需要评估这些改进能解决多少现有问题（即能减少多少工单）

3.2 技术需求

本质上，这是一个文本匹配问题：

输入：所有工单的聊天记录内容
输出：每条记录与3个已知问题的匹配结果

4. 为什么选择n8n+大模型方案？

4.1 传统方案的局限性

方案	问题
直接上传Excel给ChatGPT/Kimi	1. RAG读取方式无法保证逐行处理 2. 上下文限制（约3万字/次） 3. 3000工单需循环50次
非结构化数据直接输入	1. 大模型幻觉问题 2. 输出结果难以结构化

4.2 n8n方案的优势

精准控制：每次只处理一个工单，确保质量
结构化输出：便于后续统计分析
自动化流程：一次配置，重复使用
成本优化：仅对必要内容调用大模型API

核心设计原则：将AI作为流程的一部分而非全部，保持人类对关键决策的控制。

5. 完整实现步骤

5.1 第一步：程序触发设置

创建新Workflow
选择触发器类型：
- 手动触发（适合低频批量处理）
- 定时触发（适合定期执行）
- 文件变化触发（适合实时处理）

推荐选择：手动触发（每月执行一次）

第一个节点如下图所示：

5.2 第二步：工单数据获取

5.2.1 数据源选择

选项	优缺点	适用场景
Google Sheets	云端协作方便	推荐选择
本地文件	需服务器访问权限	不推荐

5.2.2 Google Sheets配置

添加"Google Sheets - Get rows in sheet"节点
配置OAuth2认证：
- 搜索关键词："how to create Google sheets OAuth2 single service"
- 按教程创建API凭证

常见问题解决：

权限错误：确保服务账号有编辑权限
读取失败：检查表格URL格式

测试数据读取：
- 成功时会显示"X items"（如"7 items"）

5.3 第三步：集成大模型

5.3.1 模型选择

添加"Basic LLM Chain"节点
推荐模型：
- Google Gemini（免费额度）
- OpenAI GPT（需API Key）

免费API获取：

访问Google AI Studio
创建新Prompt获取API Key

5.3.2 模型配置

删除默认的Chat Trigger
设置Model为"Google Gemini Chat Model"
输入获取的API Key

新添加的 AI 节点默认都会带一个接收聊天消息的触发器，但是在咱们的场景里面，我们就是希望 AI 节点能够处理 Excel 的文件内容即可，所以我们可以把这个触发器删掉。

接下来就是要给 LLM 的节点配置一个大模型的 API，我们点击 Model 的 + 号，并且选择 Google Gemini Chat Model。如果你有别的大模型的 API，也可以直接使用。我们这里选择 Google Gemini 的原因是它有免费的额度。

网络提示：如无法直接访问Google服务，建议使用代理工具如CloseAI或WildCard。

登录到 https://aistudio.google.com/ 可以在 google 的 AIStuido 白嫖免费的 Gemini 的 API；

注意，Gemini 目前只面向特定区域的用户开放 API，所以你一定要确保自己上网的方式是正确的。

然后把创建好的密钥填写到 n8n 的界面上面去，这样模型就挂载好了。

5.4 第四步：提示词工程

5.4.1 提示词模板

5.4.2 n8n中的变量插入

选择"Define below"模式
通过拖拽方式插入变量：
- 工单编号：从上游节点拖入
- 工单内容：从上游节点拖入

调试技巧：

先在Google AI Studio测试Prompt
在n8n中使用"Test Step"功能
查看Logs中的输入输出

5.5 第五步：结果回写

添加"Google Sheets - Append or update row"节点
配置要点：
- 使用工单编号作为匹配键（"use to match"标识）
- 将大模型输出映射到目标列
测试确认：
- 检查Sheets中数据是否更新
- 验证数据对应关系是否正确

隐式参数传递：n8n会自动维护跨节点的数据关联，无需手动匹配。

现在我们获得了已经大模型打标的结果，下一步就应该讲这些结果回填到 Sheets 之中。

所以我们需要在大模型节点的下一个步骤新增一个 Google Sheets 的节点。和上一个节点有所不同，上个节点我们的需求是读取这个 Sheets 页的全部数据，这次我们需要更新数据，给每一行数据附上大模型打标的结果。

所以我们需要根据自己的需求选择 Append or update row in sheet 的选项。由于 Token 之前已经配置过了，所以这次这个节点不需要再额外配置 Token。

选择这个节点界面如下图所示：

将大模型的结果填充到表格内，首先需要一列数据，比如工单编号作为唯一的关联标识，不然程序就不知道该将哪个值填充到哪里去。

这个时候就会发现大模型输出的时候只输出了问题分类，没有输出编号，但是这个时候不需要调整 Prompt，因为 n8n 自带了隐式参数传递。

在选择入参区域的变量时，不仅仅可以选择上一个节点的变量，也可以选择上上个，上上上个等所有前序节点的变量。这些复数个数据之间经过多个程序处理传递，但是 n8n 会在系统内部自动把他们关联起来，确保他们内部是唯一关联的，所以你不需要担心数据会不会“串错”。这就是 n8n 内部很重要的隐式传递的设计思路。

所以我们可以选择 Key A 作为关联的变量，同时把上上个节点读取到的 Key_A 的值填充进去，选中作为关联键的变量会有一个 useing to match 的标识。