1. n8n：制作第一个与大模型配合的 n8n 程序

[!info] 阅读导览
第 1 章 适合谁阅读 → 第 2 章 需求描述（工单匹配） → 第 3 章 为什么需要 n8n → 第 4 章 工作思路 → 第 5 章 详细配置步骤（五步） → 第 6 章 实践之后体会 n8n 的设计思路

2. 这篇文章适合谁阅读？

适合对 n8n 完全没有了解，并且运维技巧几乎为 0 的人阅读。

这篇文章不但会基于一个简单的 Case 讲解 n8n 的使用方法，还会讲述在制作程序中遇到的每一个坑，以及遇到这些坑如何解决，并从用户心理的角度去做一些分析。希望能够通过这篇教程降低 n8n 学习曲线的陡峭程度，尤其是对于新手来说。

这篇文章所涉及到的程序，需要用到 Google 的 API，所以需要读者已经购买了 n8n 的官方云服务版，或者在自己的服务器上部署了 n8n。关于如何部署，详细方法见：如何在服务器部署/安装 n8n。

3. 需求描述

假如你是一个 SaaS 系统的负责人，客户在使用 SaaS 的时候都会产生大量的疑问（每天超过 100 个），这些疑问变成工单提交给客服。

现在你计划对这个 SaaS 做 3 项改进，你希望知道这 3 项改进完成之后会带来多少收益，有多少工单里面涉及的问题可以得到彻底的解决，所以客户不再需要提交工单。

所以这本质上是一个将所有工单的聊天记录内容和 3 个已知的问题去匹配的过程。

4. 为什么需要 n8n 才能解决这个需求？

这个需求乍一听，可以通过上传 excel 直接让 ChatGPT/kimi 来解决，但实际上这两者都不能很好地解决这个问题。

因为 ChatGPT 在读取文件的时候，会以 RAG 的方式读取，无法确保针对工单内的每一行数据都进行处理。如果将工单作为文字直接发出来，一次对话的上下文大概能容纳 30000 字，假定一个工单的聊天记录长度为 500 个字，那么一次处理仅支持 60 个工单，如果我们要处理 3000 个工单（1 个月的量）就需要循环 50 次这样的操作。

此外由于大模型的幻觉问题，大量的数据以非结构化的方式提供给 AI，很难保证最终的效果。

ChatGPT 是一个产品，在工程设计上，它不被允许在对话过程中自我调用。这意味着，你无法让 ChatGPT 根据 Excel 中的某一列单元格里的内容，去输出另一列单元格里的内容。

所以合理的方式是把 3 个已知问题的定义写清楚，作为提示词的一部分，然后每次只给 AI 提供一个工单的内容，询问 AI 是否判定这个工单命中已知的 3 个问题。

把 AI 作为逻辑的一部分，而不是全部，是更好的选择。

拓展阅读：🧙 欢迎来到 n8n 中文教程

5. 工作思路

5.1. 程序设计原则

1. 免费：尽量使用免费的 API
2. 可复用

5.2. 工作方法

1. 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

2. 理解 n8n 的界面设计思路，可以阅读：🗃️ 熟悉 n8n 的界面
3. 每个步骤都要做单步调试
4. 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
5. 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 是非常有必要的，值得庆幸的是 n8n 的 log 看起来很好懂

6. 详细配置步骤

整体流程如下：

flowchart LR
    A[手动触发器<br>每月运行一次] --> B[Google Sheets<br>读取全部工单]
    B --> C[Basic LLM Chain<br>Gemini 逐条判定]
    C --> D[Google Sheets<br>回填打标结果]

6.1. 第一步：如何触发程序运行

选择新增第一个节点时，系统会询问你希望通过什么方式来触发这个程序的运行。

假定我们每个月只需要分析一次工单，一次分析 3000 条，那么完全可以考虑选择第一个选项，每次需要分析的时候手动点击一下启动即可。

所以我们的第一个节点如下图所示：

6.2. 第二步：让程序获取到所有工单

假定我们有 3000 条工单需要被分析，那么这 3000 条工单最好能够以 Excel 的形式给到程序，这样程序就可以循环处理 3000 次，完成我们的工单分类目标。

那么程序要怎么读取到这 3000 条工单呢？

点击界面上的 + 号，就可以发现我们有不少选项，他们分别是：

• 外界服务的 API，比如 Google Sheets
• 数据处理节点，用来做数据的过滤或者转化
• Flow 节点，主要是条件、循环、合并等逻辑操作
• Core 节点，主要是代码节点
• 人工智能节点
• 添加另一个触发器，里面有一个节点叫做 Local File，意思是如果本地文件发生变化，系统自动执行流程

所以我们现在有两个选择：

1. 将数据存储在 Google Sheets 之中
2. 将数据存储在本地文件，本地文件发生变化，自动触发

针对这个需求我建议我们使用第一个选项，将数据存储在 Google Sheets 之中，原因如下：

• 我们使用的版本是部署在服务器上面的，更改本地文件很不方便，使用 Google Sheets，每次把需要处理的内容贴到对应的 Sheet 页即可
• 我希望这个程序运行是我手工控制的，而不是文件变更就自动进行

所以我们选择 Google Sheets 的 Get rows in sheet 的节点。因为我们这一个步骤是需要读取 Sheets 中的信息。

配置节点的第一个步骤是需要配置相关的授权凭证，这样 n8n 才能读取到 Google Sheets 中的数据。

在 n8n 的界面上，一些需要配置的界面通常都会有文档的超链接，但是 n8n 的官方文档写的真的是一言难尽，非常不好读，怎么办？

打开官方文档，**把官网文档的标题（Google：OAuth2 single service）复制出来，加上一个 How to create 作为关键词去 Google 里面搜索，搜到的教程一般比 n8n 官方文档的更好。**比如 Google Sheets 的 OAuth2 配置，我利用关键词 how to create Google sheets OAuth2 single service 就搜到了这个教程，排名第一：

因为实际上我们在这个场景下面要搜索的本质上是如何配置一个 Google Sheets API 凭证，这本身不是 n8n 功能的一部分，所以 n8n 的文档写的非常敷衍了事，但是我们可以通过搜索引擎找到好用的文档，一些常用的服务，甚至是能搜到中文文档的。

按照上面的文档，跟随步骤操作即可。

配置好之后，就需要正式开始读取操作，把 Document 设置成通过 URL 读取，然后把你希望程序读取的 Sheets 的网址复制进去，就可以读取到对应的 Sheet 页了。

然后这个时候选择 Test Step，我们就可以从 Sheet 中读取到对应的数据，第一步就大获成功了。

回到 Workflow 的界面，我们可以看到一个绿色的 7 items 的文案，这代表刚刚系统已经从 Sheets 中读取到了 7 条独立的记录。

6.3. 第三步：添加大模型节点

首先我们选择添加下一个节点，在 AI 节点内选择 Basic LLM Chain。关于所有 AI 节点的区别，在 AI 节点详细介绍 内会有更详细的说明。

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。

[!note] 网络提示
如果你 n8n 的运行环境不能访问 Google 或 OpenAI，建议使用 CloseAI 或 WildCard 代理。支持免科学访问 OpenAI 和 Anthropic 的所有模型，支付宝付款，按量付费。

登录到 https://aistudio.google.com/，可以在 Google 的 AI Studio 白嫖免费的 Gemini 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。

6.4. 第四步：撰写提示词 + 调试

在 Google AI Studio 中调试提示词

进入 Google AI Studio 的界面中，选择 New Prompt，然后选择 Chat prompt 模式。就可以在对话框中开始调试 Prompt，这个环境调试 Prompt 是免费的，不需要花钱。

但是在这个环境内调试出来的 Prompt 不代表是万能的，因为 API 实际调用的时候，大模型返回的结果可能会不一样，所以在这个环境调试出来的 Prompt 还需要在 n8n 内被配置之后再进行测试。

在 n8n 的 LLM 节点配置 Prompt，并且进行调试

在第三步的时候，我们已经为 LLM 节点配置好了 Google 的 Token，接下来我们需要把 Prompt 配置节点到里面去。

首先我们需要设置 Prompt 的来源，这里面有两个选项：

在我们的场景里面，需求是把 3 个已知问题的定义写清楚，作为提示词的一部分，然后每次只给 AI 提供一个工单的内容，询问 AI 是否判定这个工单命中已知的 3 个问题，循环多次直到所有需要处理的工单都被处理完了。

所以大模型接收的内容样例可能是下面这个样子的：

我需要你帮忙做一个工单的分类，这里有非常多的工单。
我需要你根据工单里面的客服和客户的聊天内容。帮忙判断我给你的工单属于下面哪一类问题。

问题 1 的定义是 XXXX
问题 1 的典型问法有：
- xxxx
- xxxxx
- xxxx

问题 2 的定义是 XXXX
问题 2 的典型问法有：
- xxxx
- xxxxx
- xxxx

问题 3 的定义是 XXXX
问题 3 的典型问法有：
- xxxx
- xxxxx
- xxxx

只需要输出问题的分类即可，例如"【问题 1】、【问题 3】"
请不要输出除此以外的任何内容，也不需要做任何的解释性说明。

下面这个是你需要分类的工单
工单编号： {每次需要处理的那一个工单的编号}
工单内容： {每次需要处理的那一个工单的内容}

拆解下来，我们希望大模型能够接收的其实是一个固定的提示词模板，其中有一些变量（数据来源是上游节点）在循环的过程中替换。

所以我们应该选择 Define Below 这个选项。

当我们把 Prompt 参数设置为 Define below 时，下方就会出现一个 Text 的文本框，这个文本框可以填写提示词。

我们就可以把上面的提示词写进去，但是这个时候就会有一个问题，我们要如何才能把变量也写入文本框内呢？

Text 的这个文本框是支持填写变量的，你只需用鼠标要把变量拖拽到文本框内即可，并且文本框的最下方会显示一个 Result，预览一个效果，帮助你判断自己填写的内容是否正确。

这个时候我们就完成提示词的配置，接下来可以点击 Test Step 来实现这一个步骤的测试。

点击测试之后，就会显示大模型给出的结果，这个时候可以切换到 Logs 查看入参和出参是否符合自己的诉求，如果不符合就需要调整 Prompt。

上面这个章节非常简要的介绍了关于 LLM 节点的应用，关于更多的 LLM 节点的详细介绍，请参考文档：🌟 AI 节点详细介绍

6.5. 第五步：将打标结果输出到最初的 Sheets 之中

现在我们获得了已经大模型打标的结果，下一步就应该将这些结果回填到 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 using to match 的标识。

然后把大模型的结果填充到 Key_B 之中去，这样程序就会把 Key_B 的值替换成大模型输出的 Text 信息。

点击 Test Step，程序开始执行，Key B 的数据已经被替换。

打开 Google Sheets，也会发现已经被替换了。

替换前

替换后

7. 实践之后，再体会 n8n 的设计思路

经过上面的实践，n8n 的基本能力已经被展示出来了，通过这个简单的 Case 我们就可以体会到 n8n 的一些设计思路，他们分别是：

• 循环：n8n 非常重视循环，如果从 Excel 里面读取数据，那么接下来的整个流程会自带一个循环操作，非常便于批量处理，帮助打工人节省时间，并且每个步骤批量处理了多少个 items，会在界面上外显出来
• 参数的隐式传递：n8n 为了解决单个 item 在处理过程过于复杂，到最后输出时需要返回第一步去匹配标识位的问题，自动关联了每一个 item 在每一个步骤的所有变量，确保他们不会串错，极大降低了使用成本
• 单步调试：n8n 的每个节点都支持单步调试，可以极大程度的降低低代码配置门槛，每配置完一个节点都可以选择执行一下，不需要全部配置完再执行，这样可以发现每个步骤可能会出现的错误，便于调试和开发

在这里我想强调一下循环的重要性，作为普通打工人，我们希望借助大模型 or 计算机解决的大部分都是重复劳动，n8n 高度集成了循环相关的功能模块，对于打工仔来说意义重大。

[!success] 核心要点

• 流程骨架：手动触发 → Google Sheets 读取工单 → Gemini 逐条判定 → 回填打标结果
• 为什么用 n8n：ChatGPT 无法按行精确处理、上下文窗口有限、不能自我调用——把 AI 作为逻辑的一部分而非全部
• 两个关键设计：循环（自动批量处理全部行）+ 隐式参数传递（前序节点变量自动关联，不串错）
• 调试方法论：每个节点单步调试；大模型环境降低循环次数省 API；AI Studio 调好的 Prompt 还要在 n8n 里复测