# Cloud-F1 Technology — Full Content Reference > This is the extended version of llms.txt for Cloud-F1 Technology (cloud-f1.com). It contains comprehensive information about our services, blog content, case studies, testimonials, and FAQs for AI crawlers seeking deeper context. ## Company Overview Cloud-F1 Technology is an enterprise AI and cloud consulting company based in Taiwan. Founded by a team with 20+ years combined enterprise cloud experience (SRE + MIS dual background), we help Taiwanese enterprises turn AI from presentations into productivity. **Key Stats:** - 20+ years combined enterprise cloud experience - 4+ international certifications (AWS, GCP, CKA, NVIDIA) - 10+ enterprise training sessions delivered - 100% knowledge transfer commitment **Target Audience:** CTOs, IT Directors, and digital transformation leaders at mid-to-large enterprises in Taiwan. --- ## Services (Detailed) ### 1. 企業 AI 導入顧問 從 AI 健檢到 POC 到量產部署，協助企業找出最高 ROI 的 AI 應用場景，團隊能獨立維護。 ### 2. 實戰培訓課程 NVIDIA 認證導讀、AI 自動化工作坊、企業 AI 落地實戰班。案例式教學，即學即用。 ### 3. 雲端架構優化 雲端成本優化、架構審查、SRE 顧問。平均節省 20-30% 雲端成本，建立平台工程能力。 --- ## Blog Articles (Full Content) ### 1. AI Agent 完整指南 2026｜智能代理從入門到精通 **URL:** https://cloud-f1.com/blog/ai-agent-complete-guide **Published:** 2026-01-04 | **Read Time:** 20 | **Category:** AI Agent

專業導讀

💡 Pillar Page: AI Agent 完整指南，從概念到 n8n 實戰應用，涵蓋所有主流 API 選擇。

本指南涵蓋

📚 目錄

  1. 什麼是 AI Agent
  2. Alex 的觀察
  3. AI Agent vs ChatGPT vs 傳統自動化
  4. API 選擇
  5. n8n 整合
  6. 應用場景
  7. 最佳實踐
  8. 常見問題 FAQ

🎯 什麼是 AI Agent？ {#what-is-agent}

AI Agent（智能代理）是能夠自主感知環境、做出決策、並使用工具完成任務的 AI 系統。跟 ChatGPT 最大的差別在於：ChatGPT 是對話夥伴，AI Agent 是會幫你做事的助理。

你有沒有遇過這種情況？每天早上要手動整理一堆郵件、更新試算表、發送通知。這些事情很固定，但每次都要花時間做。你可能想說：「如果有個助理能自動處理這些就好了。」

這就是 AI Agent 的價值。

AI Agent 的三大核心能力

  1. 感知能力（Perception）：能讀取資料、理解內容，就像人類看郵件、讀文件
  2. 決策能力（Decision）：根據情況做判斷，不是死板的 if-else，而是真的「想」
  3. 執行能力（Action）：能呼叫工具、操作系統，把想法變成行動

簡單來說，AI Agent = 大腦（LLM）+ 眼睛（輸入工具）+ 手（輸出工具）。

舉個實際例子。我有個學員做電商客服，每天要回上百封客戶詢問。他用 AI Agent 做了這件事：

  1. 感知：讀取 Gmail 收件匣
  2. 決策：判斷是產品詢問、退換貨、還是投訴
  3. 執行：自動回覆、或轉給相應人員、或在 Google Sheet 記錄

這個流程以前要人工做，現在 AI Agent 24 小時自動跑。他說每週省下至少 15 小時。

延伸閱讀

💡 Alex 的觀察 {#alex-observation}

我從 2024 年開始用 AI Agent 做各種工作流，到現在已經做了上百個自動化流程。我的觀察是：AI Agent 不是萬能的，但它正在重新定義「自動化」這件事。

為什麼我看好 AI Agent？

過去的自動化有個問題：每個例外情況都要寫規則。假設你要自動分類郵件，傳統做法是：

if 標題包含「退款」 → 分類為退款
if 標題包含「發票」 → 分類為財務
if 標題包含「合作」 → 分類為業務

但實際情況是，客戶寫郵件五花八門。有人寫「想退訂」、「不想要了」、「可以取消嗎」，這些都沒有「退款」兩個字，傳統規則就失效了。

AI Agent 不一樣。它真的「理解」內容，不是死板比對關鍵字。這就是為什麼 AI Agent 能處理以前自動化做不到的事。

但要誠實講，AI Agent 現在還有這些限制

  1. 會幻覺（Hallucination）：有時候 AI 會編造不存在的資訊，特別是在處理數字、日期時
  2. 成本不低：如果流量大，API 費用可能比你想的高
  3. 不夠穩定：同樣的指令，有時候 AI 會給不同的結果

所以我的建議是：不要把 AI Agent 用在「不能出錯」的地方。像財務計算、法律文件，還是要人工審核。但如果是「錯了也不會怎樣」的任務，比如初稿撰寫、資料整理、客服分類，AI Agent 就非常適合。

我實際用 AI Agent 做了這些事，效果都很好：

重點來了：這些任務的共通點是「需要理解內容，但允許小錯誤」。 這就是 AI Agent 的甜蜜點。

🔀 AI Agent vs ChatGPT vs 傳統自動化 {#comparison}

很多人搞不清楚這三個的差別。我用一個實際場景來說明。

場景：處理客戶退款請求

傳統自動化（n8n、Zapier）：

ChatGPT：

AI Agent：

什麼時候該用哪一個？

情境 用什麼 原因
固定流程，沒有例外 傳統自動化 穩定又便宜
一次性任務，需要人工判斷 ChatGPT 不用寫流程
需要理解內容，但要自動執行 AI Agent 兼顧智能與自動化
處理大量非結構化資料 AI Agent 傳統工具做不到
財務計算、法律文件 傳統自動化 + 人工審核 不能有幻覺風險

我的觀察是：最強大的方式是「混合使用」。 用傳統自動化處理固定流程，用 AI Agent 處理需要理解的部分，重要決策留給人類。

舉例：我的內容發布流程是這樣的：

  1. AI Agent 根據我的草稿產生 YouTube 描述、標題建議（AI）
  2. 我選擇喜歡的版本（人工）
  3. n8n 自動發布到 YouTube、Facebook、Threads（傳統自動化）

這樣既有 AI 的創意，又有人類的把關，還有自動化的效率。

🔧 API 選擇 {#api-choice}

選 API 就像選手機，沒有絕對的最好，只有最適合你的。我這邊整理了 5 個主流 API 的完整比較。

5 大主流 API 詳細比較

API 價格 免費額度 Context Window 速度 推理品質 n8n 支援 最適合 主要限制
OpenAI GPT-4o $2.50/1M input tokens $5 試用金 128K 快 優秀 ✅ 原生 通用場景，生態最完整 API 費用較高
Claude 3.5 Sonnet $3.00/1M input tokens $5 試用金 200K 中等 最強 ✅ 原生 長文分析、程式碼生成 速度較慢
Gemini 1.5 Pro $1.25/1M input tokens 每月 1,500 次免費 2M 快 良好 ✅ HTTP Google 服務整合 中文表現較弱
DeepSeek V3 $0.14/1M input tokens $5 試用金 128K 極快 良好 ⚠️ HTTP 預算有限、大量呼叫 服務穩定性未知
xAI Grok $5.00/1M input tokens $25/月免費 128K 快 良好 ⚠️ HTTP 新手學習、開發測試 無原生節點

我的選擇邏輯

如果你是新手，剛開始學： → 用 xAI Grok。每月 25 美元免費額度，大約可以跑 5M tokens，對新手來說完全夠用。我的 Skool 學員大部分都用這個起步。

如果你要做複雜分析、程式碼生成： → 用 Claude 3.5 Sonnet。推理能力最強，寫程式特別好。我自己做課程內容、寫 n8n workflow，都用 Claude。

如果你流量很大，需要控制成本： → 用 DeepSeek V3。價格是 OpenAI 的 1/17，速度還更快。但要注意穩定性，建議搭配錯誤處理機制。

如果你要整合 Google 服務（Gmail、Calendar、Drive）： → 用 Gemini 1.5 Pro。跟 Google 生態整合最好，Context Window 超大（2M），可以塞一整本書進去分析。

如果你要生態完整性、工具最多： → 用 OpenAI GPT-4o。目前第三方工具、套件最多，文件最完整。企業級應用建議用這個。

我實際怎麼用？

坦白說，我不會只用一種 API。不同任務用不同工具：

這樣可以把每個 API 的優勢發揮到最大。

延伸閱讀

🔌 n8n 整合 {#n8n-integration}

n8n 是我最推薦的 AI Agent 平台，原因很簡單：它是開源的，可以自己架，不用擔心平台倒閉或改規則。

n8n AI Agent 節點

n8n 從 1.0 版本開始，推出了原生 AI Agent 節點。這是重點功能：

  1. Chat Models（聊天模型）

  2. Tools（工具連接）

  3. Memory（記憶管理）

  4. Output Parser（輸出解析）

n8n 整合方式

整合方式 優點 缺點 適用情境
AI Agent 節點 設定簡單，視覺化 彈性較低 標準客服、資料分類
LangChain 節點 彈性高，工具多 設定複雜 複雜 Agent、多工具整合
HTTP Request 完全客製化 要自己寫邏輯 特殊需求、自訂 API

我自己最常用的是 AI Agent 節點 + HTTP Request 混合。簡單流程用 AI Agent 節點，複雜邏輯用 HTTP Request 串 API。

實際案例：客服分類 AI Agent

我幫一個電商客戶做了這個流程：

1. Gmail Trigger → 收到新郵件
2. AI Agent → 分析郵件內容
   - Tool 1: 查詢訂單資料庫
   - Tool 2: 查詢退款政策
3. Switch 節點 → 根據分類路由
   - 產品諮詢 → 自動回覆 FAQ
   - 退換貨 → 發 Slack 給客服
   - 投訴 → 發 Email 給主管

這個流程上線後，75% 的客服信不用人工處理。剩下 25% 的複雜案例，會自動轉給專人。

📱 應用場景 {#use-cases}

我整理了 3 個真實案例，讓你看到 AI Agent 怎麼實際應用。

案例 1：內容創作者的每日摘要助理

情境：我每天要追蹤 n8n、AI、自動化相關新聞。以前要花 30 分鐘手動看 RSS、Twitter、Reddit。

解決方案：

  1. RSS 節點抓取 50+ 新聞源
  2. AI Agent 分析每篇文章，判斷是否與 n8n/AI 相關
  3. 篩選出高相關文章，產生 200 字摘要
  4. 發送到 Notion Database

成果：

案例 2：電商的退換貨自動化

情境：學員經營電商，每天收到 20-30 封退換貨詢問。每封都要確認訂單、檢查政策、回覆客戶。

解決方案：

  1. Gmail Trigger 收信
  2. AI Agent 分析退換貨原因
  3. 符合條件：自動回覆退貨流程 + 發 Google Form
  4. 不符合條件：說明原因 + 提供替代方案

成果：

案例 3：課程學員的問答助理

情境：我的 n8n 課程有 500+ 學員，每天會收到各種問題。很多問題其實課程裡有講，但學員找不到。

解決方案：

  1. 把所有課程文字稿、文件存到向量資料庫（Qdrant）
  2. 學員在 Slack 提問
  3. AI Agent 搜尋向量資料庫，找到相關段落
  4. 根據找到的內容回答問題，並附上課程連結

成果：

更多應用場景

資料處理：

創意應用：

個人助理：

✅ 最佳實踐 {#best-practices}

我做了上百個 AI Agent 流程，踩過很多坑。這邊分享我的經驗。

設計原則

1. 一個 Agent 只做一件事

❌ 錯誤做法：讓一個 Agent 同時處理客服、整理資料、發送報表 ✅ 正確做法：拆成 3 個 Agent，每個專注一個任務

原因：Agent 越複雜，出錯率越高。保持簡單，反而更穩定。

2. 給 Agent 明確的成功/失敗標準

❌ 錯誤做法：「幫我分類這些郵件」 ✅ 正確做法：「分類郵件為：產品諮詢、退換貨、投訴、其他。如果無法判斷，標記為『需人工審核』」

3. 設定 Fail-safe 機制

AI 會出錯，這是事實。重點是出錯時不要爆炸：

4. 用 System Prompt 定義角色

好的 System Prompt 範例：

你是一個專業的客服分類助理。
你的任務是：
1. 閱讀客戶郵件
2. 判斷類別：產品諮詢、退換貨、投訴、其他
3. 提取關鍵資訊：訂單編號、產品名稱、問題摘要

注意事項：
- 如果郵件內容不清楚，分類為「其他」
- 不要編造不存在的資訊
- 保持客觀，不要加入個人意見

5. 監控 Token 用量，控制成本

我的經驗是：

避坑指南

坑 為什麼會踩 怎麼避免
API 費用爆炸 沒設定用量上限 n8n 設定 Rate Limit
結果不穩定 Prompt 太模糊 給具體範例，用 Few-shot
處理速度慢 Context 太長 只傳必要資訊，用摘要
無法除錯 沒記錄 AI 回應 每次執行都存 log

延伸閱讀

❓ 常見問題 FAQ {#faq}

Q1: 新手該從哪個 API 開始？

A: 建議從 xAI Grok 開始。

原因：

等你熟悉流程後，再評估要不要換成 OpenAI 或 Claude。我的 Skool 學員都是這樣起步的。

Q2: AI Agent 會犯錯嗎？可以用在重要業務嗎？

A: 會犯錯，而且是一定會。

這是現階段 AI 的本質限制，叫做「幻覺（Hallucination）」。AI 有時候會編造不存在的資訊，特別是：

我的建議：

重點是：把 AI Agent 當作助理，不是決策者。 讓它幫你做 80% 的工作，最後 20% 的把關留給人類。

Q3: 需要多少 API 費用？我的預算有限怎麼辦？

A: 取決於你的用量，但有很多省錢方法。

實際案例（我學員的數據）：

省錢技巧：

  1. 開發測試用免費 API（xAI、Gemini）
  2. 正式環境選便宜的 API（DeepSeek 是 OpenAI 的 1/17）
  3. 減少不必要的 Context（只傳關鍵資訊）
  4. 用 Cache 機制（相同問題不重複呼叫 API）
  5. 設定每日用量上限（避免爆炸）

如果預算真的很緊，可以考慮自架 Ollama（完全免費，但需要自己的電腦或伺服器）。

Q4: AI Agent 跟 n8n 的關係是什麼？一定要用 n8n 嗎？

A: 不一定，但 n8n 是最適合的平台之一。

AI Agent 只是一個概念，可以用很多工具實現：

我推薦 n8n 的原因：

  1. 開源：不用擔心平台倒閉
  2. 可自架：資料在自己手上
  3. 視覺化：不用寫程式
  4. 整合多：500+ 節點，幾乎所有服務都能串

但如果你會寫程式，用 LangChain 也很好。如果你只是想快速試試看，用 OpenAI Assistants API 也行。工具是手段，重點是解決問題。

Q5: n8n vs LangChain，我該選哪個？

A: 取決於你會不會寫程式。

項目 n8n LangChain
技術門檻 低（視覺化拖拉） 高（需要寫 Python/JS）
彈性 中等 最高
除錯難度 簡單 較難
部署 簡單（Docker 一鍵部署） 需設定環境
社群 中等 大（但文件較亂）
適合對象 非技術背景、中小企業 開發者、進階用戶

我的建議：

坦白說，我兩個都用。簡單流程用 n8n，複雜 AI 邏輯用 LangChain，最後再用 n8n 的 HTTP Request 節點整合。

Q6: AI Agent 會取代人類嗎？

A: 不會完全取代，但會改變工作方式。

我的觀察是：

實際例子：

重點是：會用 AI Agent 的人，會比不會用的人更有優勢。 這就像當年網路剛出現，會用 Google 搜尋的人比不會用的人更有效率。

Q7: 如何確保 AI Agent 安全？

A: 最小權限原則 + 監控 + 人工審核點。

安全措施：

  1. 最小權限原則：只給 Agent 必要的權限
  2. 設定執行限制：
  3. 監控異常行為：
  4. 人工審核點：
  5. 定期審查：

我自己的做法是：所有涉及金錢、刪除資料、對外發送正式文件的動作，都要人工確認。 其他的可以自動化。

🔗 AI Agent 系列文章

文章 說明
xAI Grok AI Agent 免費入門
5 種 API 比較 API 選擇
圖片生成 AI Agent 電商應用
購物搜尋 AI Agent 購物場景
語音 AI Agent 語音應用
OpenAI Agent Builder 官方工具

🎯 下一步行動

如果你看到這裡，代表你對 AI Agent 有興趣。我的建議是：不要只看，實際做一個。

建議的學習路徑

  1. 第一步：註冊 xAI，拿免費 API Key（5 分鐘）
  2. 第二步：安裝 n8n（用 Docker，10 分鐘）
  3. 第三步：做一個簡單的 AI Agent（30 分鐘）
  4. 第四步：優化流程，加上錯誤處理（1 小時）
  5. 第五步：上線測試，觀察一週

不用一次學完，先求大概懂，再開始用，最後才能做成功。第一次沒做好或是聽不懂，代表你是正常人！

免費學習資源

付費課程（如果你想更系統化學習）

有問題歡迎在 Skool 社群提問，我跟其他學員都會幫忙解答。

希望這篇對你有幫助！

本文為 AI Agent Pillar Page，由 Alex Hsieh 整理。最後更新：2026-02-10

### 2. 自動化案例研究｜企業導入 n8n 的成功經驗與 ROI 分析 **URL:** https://cloud-f1.com/blog/automation-case-study **Published:** 2026-01-04 | **Read Time:** 18 | **Category:** 應用案例

封面圖片：Photo by Hoi An and Da Nang Photographer on Unsplash

專業導讀

你有沒有遇過這種情況？每天花大量時間在重複性的工作上，明明知道可以自動化，卻不知道從哪裡開始？或是老闆問你「自動化到底能省多少錢」，你卻拿不出具體數字？

自動化案例研究是企業評估導入自動化工具前最重要的參考依據。透過真實的產業案例、量化的 ROI 數據，以及導入過程中踩過的坑，你可以更有信心地制定自己的自動化策略。

我在過去一年多協助超過 50 個團隊導入 n8n 自動化，從一人工作室到百人企業都有。這篇文章我會把最有代表性的案例整理出來，讓你看看不同產業是怎麼用 n8n 解決問題的。

本文涵蓋

什麼是自動化案例研究？

自動化案例研究是透過真實企業的導入經驗，分析自動化工具在特定場景下的效益、成本與實施過程的系統性文件。它能幫助決策者在投入資源前，客觀評估自動化的可行性與預期回報。

簡單來說，案例研究就是別人已經走過的路。你不需要自己從零開始摸索，直接看別人怎麼做、做了之後效果如何、踩了哪些坑，這些資訊對你做決策非常有價值。

我在做顧問的過程中發現，很多企業不是不想自動化，而是不知道自動化「到底能幫到什麼程度」。這時候，具體的案例和數字就是最好的說服工具。

在 n8n 的生態系裡，案例研究特別有意義，因為 n8n 是開源的，部署方式靈活，能整合的 API 超過 400 種。這代表同一個工具，在不同產業可以有完全不同的應用方式。

Alex 的實戰觀察

重點來了，我想先分享幾個我自己在協助企業導入過程中的真實觀察。

自動化成功率跟工具無關

我自己實測的結果是，自動化專案失敗的最大原因不是工具不好用，而是需求沒釐清。我遇過好幾個案例，客戶一開始說「我要把所有流程都自動化」，結果做到一半發現根本不知道哪些流程值得自動化。

我的建議是：先花一週時間記錄你每天的工作流程，標記哪些是「重複、無腦、規則明確」的。這些才是自動化的甜蜜點。

ROI 不是唯一指標

很多老闆只看省了多少錢，但我覺得自動化帶來的心理效益經常被低估。我有一個客戶告訴我，導入自動化之後，他們的客服團隊離職率從 30% 降到 10%，因為大家不用再做無聊的重複工作了。這個價值你很難用數字衡量。

小心自動化的「技術債」

這邊要特別注意，自動化不是做完就沒事了。我看過太多企業建了一堆工作流，結果沒有人維護，半年後全部壞掉。所以我現在都會跟客戶說：每建一個工作流，就要同時規劃維護機制。這包含錯誤通知、定期健檢、和文件紀錄。

說實話，n8n 在錯誤處理方面做得還不錯，但如果你完全不設定 Error Workflow，出問題的時候你可能根本不知道。這是我覺得很多初學者會忽略的地方。

4 大產業案例分析

📊 案例概覽

產業 公司規模 核心痛點 n8n 解決方案 導入時間 ROI
電商 15 人 訂單處理耗時 多平台訂單同步 3 週 320%
客服 50 人 重複問題回覆 AI 客服 Agent 6 週 280%
行銷 8 人 手動發 EDM 自動化行銷漏斗 2 週 450%
財務 30 人 發票人工整理 AI 發票處理 4 週 210%

案例一：電商 — 多平台訂單同步

背景： 一家做跨平台電商的團隊，同時在蝦皮、PChome、官網銷售。每天要手動把三個平台的訂單整理到 Google Sheets 裡，再通知倉庫出貨。

導入前的痛點：

n8n 自動化方案：

  1. 使用 Webhook 接收各平台的訂單通知
  2. 透過 HTTP Request 節點串接各平台 API
  3. 自動整理訂單資訊到 Google Sheets
  4. 透過 LINE Notify 通知倉庫出貨
  5. 每日自動產出對帳報表

導入後效果：

ROI 計算：

案例二：客服 — AI 客服 Agent

背景： 一家 SaaS 公司的客服團隊每天收到 200+ 封相同的問題郵件。客服人員 80% 的時間都在回覆重複問題。

n8n 自動化方案：

  1. Email Trigger 接收客服郵件
  2. 使用 AI Agent 分析郵件內容
  3. 對常見問題自動回覆（搭配 RAG 知識庫）
  4. 複雜問題自動分類，轉派給對應的客服人員
  5. 每週產出客服報表，分析常見問題趨勢

導入後效果：

我自己覺得這個案例最有趣的是，他們後來把 AI 客服的回覆記錄拿去做分析，發現了好幾個產品設計的問題。這是我一開始沒預料到的附加價值。

案例三：行銷 — 自動化行銷漏斗

背景： 一個 8 人的行銷團隊，每個月要手動發 4 次 EDM，每次花一整天準備名單、分眾、排程。

n8n 自動化方案：

  1. Form Trigger 蒐集名單
  2. 根據用戶行為自動分眾
  3. 排程發送個人化 EDM
  4. 追蹤開信率、點擊率
  5. 自動將高互動用戶加到 VIP 名單

導入後效果：

案例四：財務 — AI 發票處理

背景： 一家中型企業每月要處理 500+ 張發票，全靠人工 key in。

n8n 自動化方案：

  1. 掃描發票上傳到 Google Drive
  2. 使用 AI（GPT-4 Vision）辨識發票內容
  3. 自動填入會計系統
  4. 異常金額自動標記，通知財務主管
  5. 月底自動產出對帳報表

導入後效果：

詳細的 AI 發票自動化教學可以參考我之前寫的文章。

導入效益分析

量化效益總覽

指標 導入前（平均） 導入後（平均） 改善幅度
人工處理時間 20 hr/週 2 hr/週 -90%
錯誤率 5% 0.5% -90%
回應時間 24 hr 1 hr -96%
人力成本 100% 30% -70%
員工滿意度 60/100 85/100 +42%
流程可見度 低 高 質的提升

ROI 計算公式

讓我帶你看一下我實際用的 ROI 計算方式：

年度節省 = (人工時間節省 × 時薪) + (錯誤減少 × 每次錯誤處理成本)
導入成本 = 開發時間 + 年度維護成本 + 工具訂閱費用
ROI = (年度節省 - 導入成本) / 導入成本 × 100%

實際數字舉例：

第一年 ROI = (294,000 - 110,000) / 110,000 = 167% 第二年 ROI = (294,000 - 30,000) / 30,000 = 880%

重點來了：自動化的 ROI 是複利效應，第一年有開發成本所以 ROI 看起來普通，但第二年開始就是純賺。

導入步驟：4 階段完整流程

Phase 1: 需求分析（1-2 週）

這個階段最重要，也是最容易被跳過的。我自己的經驗是，花在需求分析的時間和最終的成功率成正比。

  1. 盤點現有流程 — 把所有日常工作列出來，標記頻率和耗時
  2. 識別自動化機會 — 找出「重複、規則明確、數位化程度高」的任務
  3. 評估技術可行性 — 確認相關系統有 API 或 Webhook 可串接
  4. 計算預期效益 — 用上面的公式估算 ROI
  5. 排優先順序 — 先做 ROI 最高、風險最低的項目

Phase 2: 技術選型（1 週）

Phase 3: 開發實施（2-6 週）

Phase 4: 持續優化（持續）

技術選型比較

評估維度 n8n Zapier Make (Integromat) 自行開發
部署方式 自架/雲端 純雲端 純雲端 自架
成本（月） $0-20 $50-500 $20-200 工程師薪水
學習曲線 中 低 中 高
客製化程度 高 低 中 最高
AI 整合 原生支援 有限 有限 需自建
適合對象 技術型團隊 非技術人員 行銷人員 開發團隊
資料隱私 自控 第三方 第三方 自控

如果你想看更詳細的比較，可以參考我的 n8n vs Zapier vs Make 完整比較。

成功關鍵因素

技術面

組織面

常見失敗原因

我也說說我看過的失敗案例，這些經驗我覺得同樣珍貴：

  1. 目標太大 — 想一次把所有流程都自動化，結果什麼都做不好
  2. 沒有維護計畫 — 做完就丟在那邊，半年後全部壞掉
  3. 忽略邊界狀況 — 只測試正常流程，異常情況沒處理
  4. 缺乏文件 — 做的人離職了，沒人知道工作流在做什麼

不用擔心，這些問題都是可以避免的。重點是一開始就有意識地去規劃，不要只顧著「趕快把東西做出來」。

重點整理

  1. 先做需求分析 — 花時間盤點流程，找出真正值得自動化的任務
  2. ROI 是複利的 — 第一年有建置成本，第二年開始才是真正的回報爆發期
  3. 從小做起 — 先自動化一個簡單流程，累積經驗後再擴展
  4. 錯誤處理很重要 — 一定要設定 Error Workflow 和備份機制
  5. 組織面不能忽略 — 技術只是一半，另一半是人和流程的改變
  6. 持續維護 — 自動化不是做完就沒事，需要定期檢視和優化
  7. 記錄一切 — 把工作流的設計邏輯和變更歷史都記錄下來

常見問題 FAQ

導入 n8n 自動化需要多久？

視複雜度而定，我自己經手的案例大概是這樣：

一步一步來，不用急。先把第一個工作流做好，後面會越來越快。

需要專業開發人員嗎？

不一定，這取決於你要做什麼：

n8n 的視覺化介面確實大幅降低了門檻，但我得老實說，到了比較複雜的場景，還是需要一些技術能力。這不是工具的問題，是自動化本身的複雜度。

如何評估一個流程是否適合自動化？

我通常用四個標準來評估：

  1. 重複性高 — 每天或每週都要做的事情
  2. 規則明確 — 可以用 if/else 描述的邏輯
  3. 數位化程度高 — 資料已經在電腦裡，不是紙本
  4. 錯誤成本高 — 出錯的後果嚴重（例如漏出貨、算錯帳）

如果一個流程符合 3 個以上條件，那它就是自動化的好候選人。

自動化之後，原本的員工怎麼辦？

這是很多老闆和員工都會問的問題。我的觀察是，好的自動化不是取代人，而是讓人做更有價值的事。

在我經手的案例中，沒有任何一個因為自動化而裁員的。反而是：

你一定可以的，自動化是幫你把無聊的工作交給機器，讓你專注在真正需要人腦的事情上。

自動化有什麼風險？

確實有幾個風險需要注意：

這些風險都可以透過良好的規劃來降低。我建議看看 n8n 錯誤處理工作流教學 和 SSL 自動化檢查，這些都能幫你建立更穩固的自動化系統。

下一步行動

看完這些案例，如果你也想開始導入自動化，我建議你：

  1. 先學基礎 — 從 n8n 零基礎教學開始
  2. 部署環境 — 用 Zeabur 一鍵部署最快
  3. 找到第一個自動化目標 — 用上面的評估標準挑選
  4. 加入社群 — 遇到問題有人可以問

🚀 想學更多 n8n 自動化技巧？ 加入我們的 Skool 社群，和其他自動化愛好者一起學習交流！

🔗 相關資源

YouTube 影片

部落格文章

外部資源

✍️ 關於作者：Alex 是一位專注於 n8n 自動化和 AI 應用的技術教育者，透過 YouTube 頻道和 Skool 社群幫助超過數千位學員掌握自動化技能。

### 3. 什麼是 AI Agent？n8n 智能代理概念完整解析 **URL:** https://cloud-f1.com/blog/n8n-ai-agent-concept **Published:** 2026-01-04 | **Read Time:** 15 | **Category:** AI Agent

專業導讀

你一定聽過 AI Agent 這個詞，但它到底跟 ChatGPT 有什麼不一樣？為什麼大家都在說 2026 年是 AI Agent 的爆發年？我自己在教 n8n 自動化的這兩年，從最早只能做簡單的 if-else 工作流，到現在可以讓 AI Agent 自己判斷、自己找工具、自己完成任務，這個變化真的非常巨大。讓我帶你看一下 AI Agent 的核心概念，用最白話的方式讓你一次搞懂。

什麼是 AI Agent？一句話定義

AI Agent（人工智慧代理）是一種能夠接收任務、自主決策執行步驟、使用外部工具、並持續迭代直到完成目標的智慧系統，核心由大型語言模型（LLM）驅動，但具備超越純對話的行動能力。

好，我知道這句話可能還是有點抽象，讓我用一個生活化的例子來解釋。

大樓保全代收包裹：AI Agent 最佳類比

想像你住在一棟大樓裡，大樓有一位非常稱職的保全。這位保全就是 AI Agent 的完美類比。

我每天出門上班，包裹會在各種時間送到大樓。保全（AI Agent）的工作流程是這樣的：

  1. 接收包裹（輸入） — 物流司機送來包裹，保全看到收件人資訊
  2. 判斷處理方式（決策/推理） — 這個包裹需要冷藏嗎？需要簽收嗎？收件人有特殊指示嗎？
  3. 使用工具執行（工具呼叫） — 打電話通知住戶、用管理系統登記、把冷凍包裹放進冰箱
  4. 記錄與回報（記憶與輸出） — 在系統上記錄已處理，下次同一位住戶的包裹就知道偏好了

重點來了 — 這位保全不是每次都要打電話問你該怎麼處理。他有自己的判斷力，知道什麼時候該自己處理、什麼時候該問你。這就是 AI Agent 跟傳統自動化最大的差別。

傳統自動化就像是一台自動販賣機：你投幣、按按鈕、出飲料，流程固定。但 AI Agent 更像是一個有判斷力的助理，他能根據不同情境做出不同決策。

AI Agent 的四大核心元件

我在教學的過程中，發現很多人把 AI Agent 想得太複雜。其實拆開來看，AI Agent 就是四個東西的組合：

1. LLM 大腦（推理引擎）

LLM 是 AI Agent 的大腦。就像保全需要有基本的判斷能力一樣，AI Agent 需要一個語言模型來理解任務、分析情境、做出決策。目前常用的 LLM 包括 OpenAI 的 GPT-4o、Anthropic 的 Claude、Google 的 Gemini 等。

我自己實測的結果是，不同的 LLM 適合不同類型的 Agent 任務。GPT-4o 在通用任務上表現穩定，Claude 在長文分析和程式碼理解上特別強，Gemini 在多模態（圖片+文字）處理上有優勢。

2. 工具（Tools）

這個很重要 — 工具是 AI Agent 的「手腳」。光有大腦不夠，Agent 還需要能夠「做事」。在 n8n 裡面，工具可以是：

3. 記憶（Memory）

保全之所以能越做越好，是因為他會記住每位住戶的偏好。AI Agent 也一樣，記憶分為兩種：

4. 推理循環（Reasoning Loop）

這是 AI Agent 真正厲害的地方。Agent 不是「收到指令就執行」，而是會進入一個循環：

思考 → 行動 → 觀察結果 → 再思考 → 再行動 → ... → 完成任務

這個循環在技術上叫做 ReAct（Reasoning + Acting）模式。Agent 會先想：「我需要做什麼？用什麼工具？」，然後執行，看結果是否符合預期，不符合就調整策略重來。

Alex 的實戰觀察

我從 2024 年開始在 n8n 裡面建 AI Agent 工作流，到現在大概建了超過 30 個不同的 Agent。讓我分享一些真實的觀察。

AI Agent 真的不是萬能的

這邊我要很誠實地說 — AI Agent 現階段還有很多限制。我遇過最大的問題是 Agent 的「幻覺」。有一次我建了一個客服 Agent，結果它自己編了一個不存在的退貨政策回覆給客戶，差點出大事。

所以我現在的做法是：關鍵任務一定加上人工審核節點。讓 Agent 處理初步判斷，但最終決策權還是交給人。這個平衡點很重要，不用擔心找不到，你用了幾次就會知道哪些事情可以完全交給 Agent、哪些需要人介入。

我自己的 Agent 使用心得

經過大量實測，我歸納出 AI Agent 目前最擅長的三件事：

  1. 資料整理與分析 — 把散落在不同地方的資訊彙整成報告
  2. 客戶互動的第一線 — 處理常見問題、分類客戶意圖
  3. 流程協調 — 根據條件串接不同的服務和工具

而 Agent 比較不適合的場景包括：需要極高精確度的數學計算、涉及法律責任的決策、以及需要即時反應（延遲低於 1 秒）的任務。

n8n 做 AI Agent 的獨特優勢

我用過很多工具來建 AI Agent — LangChain、AutoGPT、CrewAI 都試過。但我最終選擇 n8n 作為主力工具，原因有三個：

  1. 視覺化：你可以直接看到 Agent 的推理過程，每個節點做了什麼一目了然
  2. 低門檻：不需要寫程式，拖拉就能建立複雜的 Agent 工作流
  3. 整合豐富：n8n 有 400+ 個內建節點，Agent 可以使用的工具非常多

AI Agent vs LLM vs ChatGPT：完整比較

很多人會搞混 AI Agent、LLM、ChatGPT 這三個東西。讓我帶你看一下它們的差異：

比較維度 LLM（大型語言模型） ChatGPT AI Agent
本質 語言理解與生成引擎 LLM 的聊天應用包裝 自主任務執行系統
角色 大腦 聊天助手 全能代理人
互動方式 輸入→輸出（單次） 多輪對話 任務導向、自主循環
能否使用工具 不行（純文字） 有限（GPTs、外掛） 可以（核心能力）
自主決策 被動回應 被動回應 主動規劃與執行
記憶能力 無（每次獨立） 有限（對話上下文） 短期+長期記憶
典型應用 文本翻譯、摘要 聊天問答 客服自動化、資料分析、流程協調

簡單來說：LLM 是大腦，ChatGPT 是加了聊天界面的大腦，AI Agent 是有手有腳、能自己想辦法完成任務的智慧助理。

在 n8n 中建立 AI Agent 的完整步驟

好了，概念講完了，讓我帶你實際看看怎麼在 n8n 裡面建一個 AI Agent。一步一步來，你一定可以的。

Step 1：建立新的工作流

打開你的 n8n 介面，點選「New Workflow」建立一個新工作流。如果你還沒有安裝 n8n，可以參考我的 n8n 本地部署教學 或 AWS 部署教學。

Step 2：新增 AI Agent 節點

在節點面板中搜尋「AI Agent」，你會看到 n8n 內建的 Agent 節點。拖進工作流畫布中。這個節點就是你 Agent 的核心。

n8n 目前提供幾種 Agent 類型：

我建議新手先從 Tools Agent 開始，最直覺也最好理解。

Step 3：連接 LLM（大腦）

Agent 需要一個 LLM 作為大腦。在 Agent 節點的設定中，連接一個 Chat Model 節點。我推薦先用 OpenAI 的 GPT-4o-mini，性價比最高。

設定要點：

Step 4：設定 System Prompt（指令）

這步非常關鍵。System Prompt 就是你給 Agent 的「工作說明書」。一個好的 Prompt 應該包含：

你是一個客服助理，負責處理客戶關於產品退貨的問題。

規則：
1. 先確認客戶的訂單編號
2. 查詢訂單狀態
3. 根據退貨政策判斷是否符合資格
4. 如果符合，引導客戶完成退貨流程
5. 如果不符合，禮貌說明原因並提供替代方案

限制：
- 不要承諾任何政策以外的退貨條件
- 遇到無法判斷的情況，轉接真人客服

Step 5：添加工具（Tools）

這是讓 Agent 變強大的關鍵步驟。在 Agent 節點下方，你可以連接各種工具節點：

Step 6：添加記憶（Memory）

如果你希望 Agent 能記住之前的對話，需要加上 Memory 節點。n8n 支援幾種記憶方式：

Step 7：測試與調整

建好之後，用 n8n 的 Chat 功能直接跟 Agent 對話測試。重點觀察：

我的經驗是，第一版通常不會完美，需要反覆調整 System Prompt。不用擔心，這是正常的，我自己每個 Agent 也都要改至少 3-5 次才會滿意。

AI Agent 的 5 個實際應用場景

光講概念可能還是太抽象，讓我分享我在 n8n 裡面實際建過的 5 個 AI Agent 應用：

場景 1：智能客服 Agent

任務：自動回覆 LINE 官方帳號收到的客戶問題 工具：HTTP Request（查詢訂單）、Vector Store（搜尋 FAQ 知識庫） 效果：解決了 70% 的重複問題，客服人力省了一半

詳細做法可以參考我的 LINE 整合教學。

場景 2：內容整理 Agent

任務：把 YouTube 影片字幕自動整理成部落格文章 工具：Code Tool（處理字幕格式）、OpenAI（生成文章） 效果：一篇 3000 字的文章從 3 小時縮短到 30 分鐘

場景 3：資料分析 Agent

任務：每週自動分析 Google Analytics 數據並產生報告 工具：HTTP Request（GA API）、Spreadsheet（整理數據） 效果：完全自動化，每週一早上報告就躺在 Email 裡

場景 4：報價 Agent

任務：根據客戶需求自動產生報價單 工具：Database（查詢產品價格）、PDF 生成（輸出報價單） 效果：報價回覆時間從 1 天縮短到 5 分鐘

更多細節可以看 n8n 報價自動化 這篇。

場景 5：社群互動 Agent

任務：監控社群貼文，自動回覆相關問題 工具：Webhook（接收通知）、Vector Store（搜尋知識庫） 效果：回覆速度從平均 4 小時縮短到即時

AI Agent 的常見架構模式

當你開始建比較複雜的 Agent 時，會需要了解幾種常見的架構模式：

單一 Agent 模式

最簡單的架構。一個 Agent 配備多個工具，處理所有任務。適合任務範圍明確、邏輯不太複雜的場景。

多 Agent 協作模式

多個專門化的 Agent 各司其職，由一個「指揮官 Agent」負責分配任務。例如：

想了解更多，可以參考我的 AI Agent 完整指南。

Human-in-the-Loop 模式

Agent 處理到某個關鍵決策點時，暫停等待人工審核。這是我最推薦的模式，特別適合涉及金錢、客戶溝通、或法律相關的場景。

AI Agent 技術演進比較

世代 代表技術 能力 限制 n8n 支援
第一代 Rule-based（規則式） 固定邏輯判斷 無法處理例外 If/Switch 節點
第二代 ChatBot（聊天機器人） 自然語言對話 無法執行動作 Chat Trigger
第三代 ReAct Agent 推理+行動循環 容易陷入迴圈 AI Agent 節點
第四代 Multi-Agent 多 Agent 協作 複雜度高、成本高 Sub-workflow
未來 Autonomous Agent 完全自主 安全性疑慮 持續開發中

重點整理

  1. AI Agent 是有手有腳的 AI — 不只會聊天，還能使用工具、自主決策、完成任務
  2. 四大核心元件：LLM 大腦 + 工具 + 記憶 + 推理循環，缺一不可
  3. 跟 ChatGPT 的差別：ChatGPT 是被動回答問題，Agent 是主動完成任務
  4. n8n 是建 AI Agent 的絕佳平台 — 視覺化、低門檻、整合豐富
  5. Agent 不是萬能的 — 關鍵決策要加人工審核，避免幻覺問題
  6. 實測最有效的場景：客服自動化、內容整理、資料分析
  7. 從簡單開始 — 先建一個單一工具的 Agent，逐步增加複雜度

常見問題 FAQ

AI Agent 和 ChatGPT 有什麼不同？

ChatGPT 是一個對話式 AI 應用，AI Agent 是能自主完成任務的智慧系統。 ChatGPT 基本上就是你問它答，它不會主動去做事情。AI Agent 則不同，你給它一個任務，它會自己拆解步驟、找需要的工具、執行動作、檢查結果，整個過程可以完全自動。舉個例子，你問 ChatGPT「幫我查今天台北天氣」，它會說「我無法查詢即時資訊」。但一個配備了天氣 API 工具的 AI Agent，會自己去呼叫 API、拿到數據、整理成你要的格式回覆你。

n8n 中的 AI Agent 能做什麼？具體有哪些應用？

n8n AI Agent 可以串接 400+ 服務，自動化幾乎所有重複性工作。 我自己用得最多的場景包括：自動處理 LINE 官方帳號的客服查詢、每天自動分析銷售數據並寄送報告、監控網站 SSL 憑證並自動更新、以及把 YouTube 字幕自動轉成部落格文章。關鍵是 n8n 的 Agent 節點可以連接各種工具節點，讓 Agent 的能力幾乎沒有上限。

需要會寫程式才能用 AI Agent 嗎？

完全不需要。n8n 是視覺化的 no-code 平台，拖拉節點就能建立 AI Agent。 你需要的只是：了解你想解決什麼問題、會寫基本的 Prompt（用中文就行）、知道要連接哪些服務。當然，如果你會一點 JavaScript，可以用 Code Tool 做更彈性的操作，但這不是必要的。我的 Skool 社群裡有很多完全不會寫程式的學員，一樣建出了很強大的 Agent 工作流。

AI Agent 會不會有安全問題？怎麼避免？

安全是使用 AI Agent 最需要注意的事情。 我自己的經驗是，Agent 可能會有幻覺（編造不存在的資訊）、可能會超出預期範圍執行動作、也可能洩漏 System Prompt 的內容。我的建議是：第一，關鍵操作一定加上人工審核；第二，限制 Agent 可以使用的工具，不要給太多權限；第三，在 System Prompt 中明確定義「不能做的事」；第四，定期檢查 Agent 的執行紀錄。

建一個 AI Agent 大概要花多少錢？

基礎建設幾乎免費，主要成本是 LLM API 的使用費。 n8n 自架免費（本地部署或 AWS 部署），LLM 的部分如果用 GPT-4o-mini 大約每 1000 次對話不到 1 美元。我自己跑一個客服 Agent，每月大概處理 3000 則訊息，LLM 成本大約 15-20 美元。如果想進一步省錢，可以考慮用 本地 LLM（Ollama） 來取代雲端 API。

我應該從哪裡開始學 AI Agent？

建議先理解概念，再從一個簡單的 Agent 工作流開始實作。 你現在讀的這篇就是概念入門。下一步我推薦：先安裝好 n8n（安裝教學），然後跟著 n8n AI Agent 完整指南 建立你的第一個 Agent。遇到問題隨時到 Skool 社群發問，我和其他學員都會幫忙。你一定可以的。

下一步行動

如果你看到這裡，恭喜你已經掌握了 AI Agent 的核心概念。接下來的行動建議：

  1. 動手實作 — 跟著上面的步驟在 n8n 裡面建一個簡單的 Agent
  2. 加入社群 — 有問題隨時問，學習速度會快很多
  3. 看更多案例 — 我的 YouTube 頻道有完整的 Agent 實作教學

想學更多 n8n 自動化技巧？ 加入我們的 Skool 社群，和其他自動化愛好者一起學習交流！

相關資源

✍️ 關於作者：Alex 是一位專注於 n8n 自動化和 AI 應用的技術教育者，透過 YouTube 頻道和 Skool 社群幫助超過數千位學員掌握自動化技能。

### 4. n8n 客戶生日禮自動化｜用工作流自動發送生日祝福與優惠券完整教學 **URL:** https://cloud-f1.com/blog/n8n-birthday-automation **Published:** 2026-01-04 | **Read Time:** 14 | **Category:** 應用案例

專業導讀：n8n 客戶生日禮自動化完整教學

💡 本文重點: 用 n8n 打造客戶生日禮自動化工作流，從排程觸發、Google Sheets 查詢今日壽星、AI 生成個人化祝福、到 LINE/Email 自動發送優惠券，一條龍搞定 CRM 生日行銷。本教學源自 YouTube EP25 完整課程的 Lab3 實戰模組。

你將學到

🎯 什麼是客戶生日禮自動化？

客戶生日禮自動化是一種 CRM 行銷工作流，透過 n8n 排程每日自動查詢當天壽星，發送個人化的生日祝福訊息與專屬優惠券，不需要人工介入就能維護客戶關係、提升回購率。 整個流程從資料查詢到訊息發送，全部在 n8n 一個工作流裡完成。

你有沒有遇過這種情況？店裡有上百個客戶，每天要去翻名單看今天誰生日，然後手動打一封祝福訊息、附上優惠碼，一個一個發。忙的時候根本記不住，漏掉的客戶就默默流失了。

我自己在幫一家美容工作室做 CRM 的時候，他們原本用 Excel 記錄客戶資料，老闆每天早上花 20 分鐘翻表格找壽星，然後手動用 LINE 一個一個發祝福。問題是——忙的時候就忘了，一忘就得罪客戶。後來我幫他們用 n8n 建了這個自動化工作流，每天早上 9 點自動執行，從此再也沒漏掉任何一個客戶的生日。

這邊要特別注意：生日禮自動化不只是「發個訊息」那麼簡單。好的生日禮工作流需要包含：

💡 為什麼你應該自動化客戶生日行銷？

大家可以想想看，一個客戶收到你的生日祝福會有什麼感覺？會覺得「這家店記得我」。這種被重視的感覺，就是客戶忠誠度的基礎。

根據 Experian 的研究報告，生日電子郵件的開信率比一般行銷郵件高出 481%，轉換率提升 342%。這個數據告訴我們一件事：生日行銷是投資報酬率最高的 CRM 活動之一。

三大商業效益

  1. 提升回購率：生日優惠券的使用率通常在 15-25%，遠高於一般促銷的 3-5%
  2. 降低客戶流失：定期觸及讓客戶感受到重視，減少沉默客戶比例
  3. 時間成本歸零：原本每天 20 分鐘的手動查詢與發送，變成完全自動化

我的觀察：很多中小企業老闆知道 CRM 重要，但一聽到要買 HubSpot 或 Salesforce，價格就嚇跑了。n8n 的優勢在於——自架版完全免費，沒有客戶數量限制。你有 100 個客戶還是 10,000 個客戶，都是同一個工作流，零額外成本。

💡 Alex 的觀察：為什麼自動化 CRM 打敗手動管理

這邊我要分享一個比較深入的觀察。

很多人覺得「我客戶不多，手動管就好」。這個想法在客戶 50 人以下可能沒問題，但一旦超過 50 人，手動管理的「隱性成本」就開始暴增：

客戶數 手動管理時間/月 遺漏率 客戶滿意度
50 人以下 2 小時 5% 高
50-200 人 8 小時 15% 中
200-500 人 20 小時 30% 低
500+ 人 不可能手動 50%+ 極低

ROI 分析：假設你的客戶平均客單價是 $1,000，生日優惠券帶來 20% 回購率。100 個客戶中，每月大約 8-9 個壽星，其中 2 個因為收到生日禮而回購。一年下來就是 24 筆額外訂單，$24,000 的額外營收。而你花的成本？建工作流的那一個下午，加上 n8n 自架的零費用。

我的觀察是：CRM 自動化的真正價值不在「節省時間」，而在「不遺漏」。手動管理最大的問題是——你不知道你遺漏了誰。但自動化工作流每天穩定執行，零遺漏。

第一次沒做好或是聽不懂，代表你是正常人！CRM 的概念聽起來很大，但實際用 n8n 建出來的工作流其實很直覺。

🔧 實戰教學：6 步驟打造生日禮自動化工作流

接下來進入實作環節。這個工作流的完整流程是：

Schedule Trigger → Google Sheets 查詢 → 日期比對篩選 → 個人化訊息生成 → LINE/Email 發送 → 發送記錄更新

前置準備

在開始之前，你需要準備好以下東西：

  1. n8n 環境：本機或雲端皆可（參考 n8n 零基礎教學 的環境設定章節）
  2. Google Sheets 客戶名單：包含姓名、生日（MM/DD 格式）、LINE ID、Email、發送狀態欄位
  3. LINE Messaging API：需要 LINE Official Account + Channel Access Token
  4. Google OAuth 認證：讓 n8n 存取你的 Google Sheets

Step 1：設定 Schedule Trigger（排程觸發）

第一個節點是 Schedule Trigger，用來設定每天固定時間執行工作流。

設定方式：

Schedule Trigger
├── Mode: Every Day
├── Hour: 9
└── Timezone: Asia/Taipei

這邊要特別注意：時區設定很重要！如果你的 n8n 跑在海外伺服器（例如 AWS 東京），不設定 Timezone 的話，觸發時間會是伺服器的當地時間，不是台灣時間。

Step 2：Google Sheets 讀取客戶資料

第二個節點是 Google Sheets，讀取整份客戶名單。

Google Sheets 欄位設計建議：

欄位 說明 範例
A - 姓名 客戶姓名 王小明
B - 生日 MM/DD 格式 03/15
C - LINE_ID LINE User ID U1234abcd
D - Email 電子信箱 ming@example.com
E - 偏好通道 LINE / Email / Both Both
F - VIP等級 一般 / VIP / VVIP VIP
G - 上次消費 最近消費日期 2026-01-10
H - 已發送_2026 今年是否已發送 FALSE

n8n 節點設定：

Step 3：日期比對篩選今日壽星（IF 節點）

這一步是整個工作流的核心邏輯。我們要比對每個客戶的生日欄位是否等於今天的日期。

使用 IF 節點：

// 條件設定
// Value 1: {{ $json.生日 }}
// Operation: Equal
// Value 2: {{ $now.format('MM/DD') }}

// 額外條件（AND）
// Value 1: {{ $json.已發送_2026 }}
// Operation: Equal
// Value 2: FALSE

這段邏輯做了兩件事：

  1. 比對生日是否是今天
  2. 確認今年還沒發送過（避免重複發送）

重點來了：日期比對是最容易出錯的地方。常見問題包括：

除錯技巧：這也是 EP25 影片中（54:07 處）特別講到的——當工作流出錯時，可以把錯誤訊息直接貼給 ChatGPT，讓它幫你分析問題在哪。我自己實測，ChatGPT 對 n8n 的 Expression 語法錯誤判斷準確率蠻高的。

Step 4：生成個人化祝福訊息

篩選出今日壽星後，接下來要生成個人化的祝福訊息。

方法一：Set 節點（模板方式）

// Set 節點設定
message = `🎂 ${$json.姓名} 生日快樂！

親愛的 ${$json.姓名}，

祝你生日快樂！🎉
感謝你一直以來的支持，這是專屬於你的生日禮物：

🎁 生日專屬優惠碼：BDAY-${$json.姓名.substring(0,2)}-${$now.format('MMDD')}
📍 優惠內容：全館消費 85 折
⏰ 有效期限：${$now.plus(7, 'days').format('YYYY/MM/DD')} 前

期待再次為你服務！
— Alex 相談室 團隊`

方法二：OpenAI 節點（AI 個人化）

如果你想讓祝福更有溫度，可以加一個 OpenAI 節點，根據客戶的 VIP 等級和消費紀錄生成更客製化的內容。不過對大部分中小企業來說，模板方式就已經很夠用了。

Step 5：LINE / Email 雙通道發送

根據客戶的偏好通道，我們用 Switch 節點 分流到不同的發送管道。

Switch 節點設定：

LINE Messaging API 節點設定：

Email（Gmail）節點設定：

Step 6：更新發送狀態（避免重複發送）

最後一步至關重要——更新 Google Sheets 的發送狀態。

Google Sheets Update 節點：

這樣明天工作流再次執行時，已經發送過的客戶就會被 Step 3 的 IF 節點過濾掉。

不用一次學完，慢慢來比較快。先把基本的 Schedule + 查詢 + 發送跑通，之後再慢慢加上 VIP 分級、AI 個人化這些進階功能。

🏢 三種產業的實際應用場景

場景一：電商平台

場景二：美容美髮工作室

場景三：餐廳 / 咖啡店

📊 比較分析：n8n vs Mailchimp vs HubSpot 生日自動化

很多人問我：「Alex，我用 Mailchimp 或 HubSpot 也能做生日自動化啊，為什麼要用 n8n？」

好問題。讓我們來比較一下：

比較項目 n8n（自架） Mailchimp HubSpot 手動管理
月費 $0（自架免費） $13/月起 $45/月起 $0
客戶數限制 無限制 500 免費，之後加價 1,000 免費 看你能記多少
LINE 支援 原生支援 不支援 需額外整合 手動發
Email 支援 Gmail/SMTP 原生強項 原生強項 手動發
SMS 支援 透過 Twilio 節點 需升級方案 需額外購買 手動發
個人化程度 完全客製 模板變數 模板變數 看你多認真
AI 個人化 OpenAI 原生整合 有限 有限 不可能
多通道同時發送 Switch 節點分流 Email 為主 需設定 Workflow 一個一個來
設定難度 中等（需建工作流） 簡單 中等 不需設定但很累
擴展性 無限（自訂節點） 方案限制 方案限制 人力限制

我的結論：

簡單來說，如果你在台灣做生意，客戶主要用 LINE 溝通，那 n8n 幾乎是唯一能免費做到 LINE 生日自動化的工具。因為 Mailchimp 和 HubSpot 都不原生支援 LINE。

✅ 重點整理

  1. 生日禮自動化是 ROI 最高的 CRM 活動——開信率比一般郵件高 481%，優惠券使用率 15-25%
  2. n8n 工作流六步驟：Schedule → Google Sheets → 日期比對 → 個人化訊息 → LINE/Email 發送 → 狀態更新
  3. 日期比對是最容易出錯的環節——注意格式統一（MM/DD）、時區設定、閏年處理
  4. 防重複發送機制——用「已發送」欄位搭配 IF 節點過濾，每年重置一次
  5. 台灣市場首選 n8n——免費 + 原生 LINE 支援，這兩點 Mailchimp 和 HubSpot 都做不到
  6. 不用一開始就完美——先跑通基本流程，再逐步加入 VIP 分級、AI 個人化、多通道分流
  7. ChatGPT 是你的除錯好幫手——工作流出錯時，把錯誤訊息貼給 ChatGPT 分析，效率大幅提升

❓ 常見問題 FAQ

Q1: 客戶生日資料應該用什麼工具管理？

A: 這取決於你的客戶規模：

不管用哪個工具，n8n 都有對應的節點可以連接。建議一開始用 Google Sheets 練手，熟了之後再遷移。

Q2: 可以同時發送 LINE 和 Email 嗎？怎麼設定？

A: 可以！這是 n8n 的強項之一。使用 Switch 節點 根據客戶偏好分流：

  1. 在 Google Sheets 加一個「偏好通道」欄位（LINE / Email / Both）
  2. Switch 節點根據這個欄位分成三個分支
  3. LINE 走 LINE Messaging API 節點
  4. Email 走 Gmail / SMTP 節點
  5. Both 同時走兩個分支（n8n 的分支是並行執行的）

這樣客戶只會收到他偏好的通道，不會被打擾。

Q3: 如何避免重複發送？跨年度怎麼處理？

A: 防止重複發送的關鍵是在資料庫中加入「已發送」欄位：

  1. 查詢時過濾：IF 節點多加一個條件，已發送_2026 = FALSE
  2. 發送後更新：Google Sheets Update 節點將該欄位改為 TRUE
  3. 每年重置：每年 1 月 1 日跑一次重置工作流，把所有人的欄位改回 FALSE

我建議用 已發送_YYYY 的命名方式（例如 已發送_2026），這樣就有歷史紀錄。也可以改用一個 上次發送日期 欄位，查詢時比對年份即可。

Q4: 工作流出錯了怎麼除錯？

A: 這是 EP25 影片中（54:07）特別示範的技巧：

  1. 看 Execution Log：n8n 介面右上角的執行紀錄，可以看到每個節點的輸入輸出
  2. 找到紅色節點：錯誤的節點會標紅，點進去看錯誤訊息
  3. ChatGPT 除錯法：把錯誤訊息和節點設定截圖給 ChatGPT，讓它幫你分析
  4. 常見錯誤：

每個高手都是從新手開始的。除錯的過程就是學習的過程，不要怕出錯！

Q5: 這個工作流可以處理多少客戶？效能如何？

A: n8n 自架版沒有執行次數限制，但效能取決於你的伺服器規格：

另外，LINE Messaging API 有 Rate Limit（免費方案每月 500 則推播訊息），如果客戶很多，需要升級 LINE Official Account 方案。

Q6: 可以針對不同 VIP 等級發送不同優惠嗎？

A: 當然可以！這是進階應用的核心功能。有兩種實作方式：

方法一：Switch 節點分流

  1. 在 IF 節點之後加一個 Switch 節點
  2. 根據 VIP等級 欄位分成三條路徑（一般 / VIP / VVIP）
  3. 每條路徑使用不同的訊息模板和優惠內容

方法二：Set 節點條件判斷

// 在 Set 節點中用三元運算子判斷
discount = {{ $json.VIP等級 === 'VVIP' ? '7折' :
              $json.VIP等級 === 'VIP' ? '8折' : '85折' }}

我建議初學者先用方法一（Switch 節點），視覺化流程比較清楚。等熟了再改用方法二，可以讓工作流更簡潔。

Q7: 生日禮工作流可以整合會員系統嗎？

A: 可以！整合方式取決於你的會員系統：

如果你的會員系統有 Webhook 功能，還可以做到「客戶註冊時自動加入生日名單」，更即時！

🎯 下一步行動

如果你看完這篇教學，想動手打造自己的客戶生日禮自動化，建議按照以下步驟：

  1. 準備客戶名單：先用 Google Sheets 建立客戶資料表，至少包含姓名、生日、聯絡方式
  2. 看影片實作：搭配 YouTube EP25 完整教學（37:04 處開始是 Lab3 生日禮段落）
  3. 先跑通基本流程：Schedule + Google Sheets + IF + 一個發送通道
  4. 再逐步優化：加入多通道、VIP 分級、AI 個人化

想跟其他學員一起學、一起討論？

希望這篇對你有幫助！有問題歡迎在下面留言。

🔗 相關資源

本文改編自 YouTube EP25 n8n 完整教學 Lab3 模組，由 Alex Hsieh 撰寫。最後更新：2026-02-11

### 5. n8n 爬蟲實戰｜自動擷取熱銷書榜資料、整理成結構化報表完整教學 **URL:** https://cloud-f1.com/blog/n8n-book-ranking-crawler **Published:** 2026-01-04 | **Read Time:** 15 | **Category:** 應用案例

專業導讀：n8n 爬蟲實戰——自動擷取熱銷書榜

💡 本文重點: 用 n8n 打造完整的網頁爬蟲工作流，自動擷取熱銷書排行榜資料（書名、作者、排名、價格），透過 CSS Selector 解析 HTML，整理成結構化 Google Sheets 報表，並設定每日排程自動更新。不用寫任何程式碼。

你將學到

🎯 什麼是 n8n 網頁爬蟲？

n8n 網頁爬蟲是透過 HTTP Request 節點取得網頁 HTML 內容，再用 HTML Extract 節點搭配 CSS Selector 擷取目標資料，最終整理成結構化格式存入 Google Sheets 或資料庫的自動化工作流。 整個過程不需要寫 Python、不需要裝 Selenium，全部用 n8n 的拖拉式介面就能完成。

你有沒有遇過這種情況？你想追蹤某個書榜的排名變化，每天手動去網站看一次、截圖一次、記錄一次。做了兩天就放棄了，因為實在太無聊又太花時間。

我自己做內容行銷的時候就遇過這個問題。我需要追蹤技術書籍的銷售排名，看哪些主題正在上升，做為選題參考。手動追蹤根本不現實——我需要每天看 3 個書榜、記錄 30+ 本書的排名變化。後來用 n8n 建了一個爬蟲工作流，每天早上 7 點自動跑，資料直接寫進 Google Sheets，我只需要每週看一次趨勢圖就好。

大家可以想想看，這個爬蟲工作流除了書榜，還能用在哪些場景：

💡 為什麼用 n8n 做爬蟲而不是寫 Python？

很多人第一反應是：「爬蟲不是應該用 Python 的 BeautifulSoup 或 Scrapy 嗎？」

沒錯，Python 的爬蟲生態確實更成熟。但問題是——不是每個人都會寫 Python。而且寫完之後還要處理排程、錯誤處理、結果存儲、通知這些周邊需求。用 n8n，這些全部都是拖拉一個節點就搞定的事情。

n8n 爬蟲的三大優勢

  1. 零程式碼：CSS Selector 是學一次就會的技能，比寫 Python 簡單 10 倍
  2. 內建排程：Schedule Trigger 直接設定每天跑，不需要寫 cron job
  3. 完整生態：擷取完直接寫 Google Sheets、發 LINE 通知、存資料庫，一條龍搞定

我的觀察：n8n 爬蟲不是要取代 Python，而是降低門檻。你不需要花兩週學 Python 才能追蹤一個書榜。對 80% 的爬蟲需求（靜態網頁、表格資料、排行榜），n8n 完全夠用。

💡 Alex 的觀察：n8n 在資料收集生態中的定位

這邊我要分享一個比較宏觀的觀察。

資料收集（Data Collection）這件事，很多人直覺想到「爬蟲」，但其實有很多不同的方法。關鍵是選對工具做對事：

資料來源類型 最佳工具 原因
有 API 的服務 n8n HTTP Request + Auth 最穩定、最合規
靜態網頁表格 n8n HTML Extract 簡單直覺、免程式碼
JavaScript 渲染頁面 Puppeteer / Playwright 需要執行 JS 才能拿到資料
大量頁面（萬頁以上） Scrapy / Apify 分散式爬取、效能優先
需要登入的頁面 Playwright + Cookie 模擬瀏覽器行為

我的觀察是：80% 的人需要的「爬蟲」其實不需要真正的爬蟲框架。一個 HTTP Request + HTML Extract 就能搞定。只有當你需要爬取上萬頁、或是面對 JavaScript 重度渲染的 SPA 網站時，才需要搬出 Python 或 Apify。

這也是 n8n 的核心理念——用最簡單的方式解決 80% 的問題。

另外要特別提醒的是合規性問題。爬蟲本身不違法，但不尊重網站規則可能會有問題：

第一次沒做好或是聽不懂，代表你是正常人！爬蟲聽起來很技術，但 n8n 把它變得很直覺。

🔧 實戰教學：6 步驟打造熱銷書榜爬蟲工作流

接下來進入實作環節。這個工作流的完整流程是：

Schedule Trigger → HTTP Request 擷取 HTML → HTML Extract 解析資料 → Set 整理欄位 → Google Sheets 儲存 → LINE/Email 通知

前置準備

  1. n8n 環境：本機或雲端皆可（參考 n8n 零基礎教學）
  2. 目標網站 URL：以博客來暢銷書排行榜為例
  3. Google Sheets：用來存放擷取結果
  4. Chrome 瀏覽器：用開發者工具找 CSS Selector

Step 1：設定 Schedule Trigger（排程觸發）

第一步是設定排程，讓工作流每天自動執行。

設定方式：

Schedule Trigger
├── Mode: Every Day
├── Hour: 7
└── Timezone: Asia/Taipei

如果你只是要測試，先用 Manual Trigger（手動觸發），確認工作流正常後再改成 Schedule。

Step 2：HTTP Request 擷取網頁 HTML

這是爬蟲的第一步——把目標網頁的 HTML 原始碼抓下來。

HTTP Request 節點設定：

設定項 值 說明
Method GET 讀取網頁用 GET
URL https://www.books.com.tw/web/sys_saletopb/books 博客來暢銷榜（範例）
Response Format String 取得原始 HTML
Options → Timeout 10000 10 秒逾時
Options → Headers User-Agent: Mozilla/5.0... 模擬瀏覽器請求

這邊要特別注意：一定要設定 User-Agent。很多網站會封鎖沒有 User-Agent 的請求。加上一個正常的瀏覽器 User-Agent 就能解決大部分 403 Forbidden 問題。

Headers:
  User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36

Step 3：HTML Extract 解析書榜資料

拿到 HTML 之後，接下來要用 HTML Extract 節點 搭配 CSS Selector 把我們要的資料「撈出來」。

如何找到正確的 CSS Selector？

  1. 打開 Chrome，到目標網頁
  2. 右鍵點擊你要擷取的元素（例如書名）
  3. 選擇「檢查」（Inspect）
  4. 在 Elements 面板中找到對應的 HTML 元素
  5. 右鍵 → Copy → Copy selector

HTML Extract 節點設定範例：

擷取欄位 CSS Selector Extraction Type
書名 .item .餐name h4 a Text
作者 .item .author a Text
價格 .item .price .price_a Text
排名 .item .no Text
書籍連結 .item .餐name h4 a Attribute (href)

重點來了：CSS Selector 是這個工作流的核心技能。你不需要學很深，只要記住幾個基本的：

如果你對 CSS Selector 不熟悉，也可以參考 n8n HTTP Request 與 Webhook 完整教學 裡面有更基礎的 HTML 概念說明。

Step 4：Set 節點整理欄位格式

HTML Extract 擷取出來的資料通常需要清洗。比如價格可能是 $350元，但你只想要數字 350。

Set 節點設定範例：

// 清洗價格（移除 $ 和 元）
clean_price = {{ $json.價格.replace(/[$元,]/g, '') }}

// 清洗排名（只保留數字）
clean_rank = {{ $json.排名.replace(/[^0-9]/g, '') }}

// 加上擷取日期
crawl_date = {{ $now.format('YYYY-MM-DD') }}

// 組合完整 URL
full_url = {{ 'https://www.books.com.tw' + $json.書籍連結 }}

整理後的資料結構：

欄位 範例值
排名 1
書名 AI 時代的生存指南
作者 某某某
價格 350
連結 https://www.books.com.tw/products/...
擷取日期 2026-02-11

Step 5：Google Sheets 儲存結果

整理好的資料寫入 Google Sheets，方便後續分析。

Google Sheets 節點設定：

Google Sheets 結構建議：

Sheet 1: 每日排行 (Append)
| 日期 | 排名 | 書名 | 作者 | 價格 | 連結 |

Sheet 2: 排名趨勢 (Pivot Table)
| 書名 | 1/1排名 | 1/2排名 | 1/3排名 | 趨勢 |

這邊要特別注意：用 Append Row 而不是 Update Row。因為我們要保留每天的歷史紀錄，這樣才能分析排名趨勢。

Google Sheets 認證的詳細步驟可以參考 Google OAuth 設定教學。

Step 6：異常通知（可選）

最後加一個通知機制，當爬蟲失敗時通知你。

Error Trigger 節點 → LINE/Email 通知

Error 情況：
1. HTTP 403 Forbidden → 網站可能更新了反爬機制
2. HTML 結構變更 → CSS Selector 可能需要更新
3. 連線逾時 → 網站暫時無法存取

不用一次學完，慢慢來比較快。先把 HTTP Request + HTML Extract 跑通，確認能抓到資料，再慢慢加上 Set 清洗和 Google Sheets 儲存。

📊 比較分析：n8n 爬蟲 vs Python vs Apify vs Make

比較項目 n8n Python (BeautifulSoup) Apify Make (Integromat)
學習門檻 低（拖拉式） 高（需會 Python） 中（有模板） 低（拖拉式）
程式碼 不需要 需要寫 可用模板 不需要
靜態網頁 完美支援 完美支援 完美支援 支援
JavaScript 渲染 不支援 需 Selenium 原生支援 不支援
排程功能 內建 需自己寫 cron 內建 內建
錯誤處理 拖拉設定 需自己寫 內建 拖拉設定
資料儲存 直接連 Google Sheets 需自己寫 內建資料集 直接連 Google Sheets
費用 $0（自架） $0 $49/月起 $10.59/月起
大量爬取 適合（< 1000 頁/天） 極佳（無限） 極佳（分散式） 受限（執行次數）
反爬對策 基本（Header 設定） 完整（Proxy、Captcha） 完整（Proxy Pool） 基本
最適合 日常監測、簡單擷取 複雜爬蟲、大量資料 商業級爬蟲 簡單擷取

我的結論：

簡單來說：n8n 不是最強的爬蟲工具，但它是最容易上手、且一站式整合最完整的。

🏢 進階應用場景

場景一：內容行銷選題

場景二：電商競品監控

場景三：新聞摘要自動化

✅ 重點整理

  1. n8n 爬蟲 = HTTP Request + HTML Extract + Set——三個節點就能完成 80% 的網頁資料擷取需求
  2. CSS Selector 是核心技能——用 Chrome 開發者工具「右鍵 → 檢查 → Copy Selector」是最快的學習路徑
  3. 一定要設定 User-Agent Header——沒有 User-Agent 是被 403 封鎖的第一大原因
  4. 用 Set 節點清洗資料——正規表達式（Regex）是你的好朋友，replace(/[^0-9]/g, '') 可以解決大部分格式問題
  5. Google Sheets 用 Append Row——保留每日歷史紀錄，才能分析趨勢變化
  6. 合規爬蟲很重要——遵守 robots.txt、控制頻率、不爬個資
  7. n8n 適合日常監測，不適合大量爬取——超過 1000 頁/天的需求，考慮 Python 或 Apify

❓ 常見問題 FAQ

Q1: n8n 爬蟲會被網站封鎖嗎？怎麼避免？

A: 會，如果你不注意的話。避免被封鎖的關鍵做法：

  1. 設定 User-Agent：模擬正常瀏覽器的請求，這是最基本的
  2. 控制頻率：每日 1-2 次就好，不要每分鐘爬一次
  3. 遵守 robots.txt：在目標 URL 後加 /robots.txt 查看允許爬取的路徑
  4. 加入延遲：如果需要爬多頁，在 n8n 的 Wait 節點加入 2-5 秒的隨機延遲
  5. 不要爬取敏感資料：個人資料、登入後的內容，這些不該爬

大部分書榜、新聞網站只要控制好頻率（每天 1 次），加上正確的 User-Agent，基本上不會有問題。

Q2: 如何解析複雜的 HTML 結構？CSS Selector 寫不出來怎麼辦？

A: 這是初學者最常遇到的問題。我的建議是用「三步驟定位法」：

  1. Chrome 開發者工具：右鍵點擊目標元素 → 檢查 → Elements 面板會自動跳到對應的 HTML
  2. Copy Selector：右鍵 HTML 元素 → Copy → Copy selector，Chrome 會自動生成 CSS Selector
  3. 在 n8n 測試：把 Selector 貼到 HTML Extract 節點，手動執行看結果是否正確

如果 Chrome 自動生成的 Selector 太長或太脆弱，可以手動簡化。例如 Chrome 可能給你 #main > div:nth-child(3) > ul > li:nth-child(1) > h3 > a，但其實 .book-title a 就夠了。

進階技巧：如果實在找不到，把 HTML 片段貼給 ChatGPT，請它幫你寫 CSS Selector，準確率很高。

Q3: 可以擷取需要登入的網站嗎？

A: 技術上可以，但比較複雜，而且要注意合規性：

方法一：Cookie 認證

  1. 先在瀏覽器登入目標網站
  2. 用開發者工具 → Network → 找到 Cookie
  3. 在 n8n HTTP Request 的 Headers 加入 Cookie

方法二：API 存取

方法三：n8n + Headless Browser（進階）

我的建議：如果目標網站有 API，優先用 API。爬取登入後的內容要特別注意 Terms of Service。

Q4: 網站改版後 CSS Selector 失效怎麼辦？

A: 這是所有爬蟲都會遇到的問題，不只是 n8n。應對策略：

  1. 加入 Error Handling：在 n8n 工作流加上 Error Trigger，當 HTML Extract 回傳空值時自動通知你
  2. 用穩定的 Selector：優先用 id 和語意化的 class，避免用 nth-child 這種位置依賴的 Selector
  3. 定期檢查：每週看一下 Google Sheets 的資料是否正常
  4. 快速修復：收到通知後，用 Chrome 開發者工具重新找 Selector，通常 5 分鐘就能修好

每個高手都是從新手開始的。爬蟲壞掉是正常的，修好它就是你的成長。

Q5: n8n 爬蟲的效能極限在哪裡？

A: n8n 自架版的爬蟲效能取決於兩個因素：

伺服器規格：

目標網站限制：

我的建議：如果你的需求是每天爬 3-5 個網站、各擷取 20-50 筆資料，n8n 綽綽有餘。超過 1000 頁/天的需求，就該考慮 Apify 或 Python Scrapy 了。

n8n 的定位是「自動化平台」而不是「爬蟲框架」。它的強項在於整合——爬完資料之後的分析、儲存、通知這些後續處理，n8n 比任何純爬蟲工具都方便。

🎯 下一步行動

如果你看完這篇教學，想動手打造自己的網頁爬蟲工作流，建議按照以下步驟：

  1. 選一個目標網站：先從簡單的公開排行榜開始（例如書榜、電影榜）
  2. 學會 CSS Selector：打開 Chrome 開發者工具，練習用「右鍵 → 檢查 → Copy Selector」
  3. 建立基本工作流：HTTP Request → HTML Extract → 手動執行，確認能抓到資料
  4. 加上儲存和通知：Google Sheets + Schedule Trigger + Error 通知
  5. 擴展到其他場景：新聞監測、電商比價、招聘追蹤

先求大概懂，再開始用，最後才能做成功！

想跟其他學員一起學、一起討論爬蟲技巧？

希望這篇對你有幫助！有問題歡迎在下面留言。

🔗 相關資源

本文改編自 n8n 課程模組（lab爬蟲-熱銷書榜整理），由 Alex Hsieh 撰寫。最後更新：2026-02-11

### 6. n8n 資料庫 AI Agent｜用對話查詢資料庫 **URL:** https://cloud-f1.com/blog/n8n-database-ai-agent **Published:** 2026-01-04 | **Read Time:** 15 | **Category:** AI Agent

專業導讀

你有沒有遇過這種情況？業務團隊想查銷售資料、行銷團隊想看用戶數據，每次都要找工程師寫 SQL 查詢，等個半天才拿到報表。今天要跟大家分享一個超實用的應用：用 n8n 打造資料庫 AI Agent，讓非技術人員也能用對話方式直接查詢資料庫。

你將學到

🎯 什麼是資料庫 AI Agent？

資料庫 AI Agent 是一個能理解自然語言問題、自動產生 SQL 查詢、執行並回傳結果的 AI 助理。 它讓不懂 SQL 語法的人也能透過對話方式直接查詢資料庫，大幅降低資料取得門檻。

傳統的資料查詢流程是這樣的：業務人員提需求 → 寫需求文件 → 工程師排程 → 寫 SQL → 執行查詢 → 匯出報表 → 交付。整個流程可能要等幾小時到幾天。但用資料庫 AI Agent，流程變成：直接問「這個月銷售額多少？」→ AI 自動查詢 → 立刻得到答案。效率差異非常明顯。

我在實際使用中發現，這個技術最大的價值不只是「省時間」，而是讓資料查詢變成一種對話式探索。你可以先問「有哪些資料表」，再問「users 表有什麼欄位」，接著問「統計過去 30 天註冊的用戶數」。這種連續性的探索，才是真正釋放資料價值的關鍵。

💡 Alex 的觀察

我在協助企業導入資料庫 AI Agent 的過程中，發現一個很有趣的現象：大部分團隊一開始都很擔心「AI 會不會搞砸資料庫」，但真正實作後才發現，技術上的安全防護其實都很好解決，反而是組織文化的適應比較難。

從技術面來說，資料庫 AI Agent 的安全設計其實很簡單：用唯讀帳號 (readonly user)、限制可查詢的資料表範圍、加上 SQL 驗證機制，就能確保 AI 不會執行危險操作。但我觀察到的真正挑戰是：團隊需要重新定義「誰可以查什麼資料」。

過去資料查詢權限是由工程師當守門員，每次查詢都要經過審核。現在 AI Agent 讓查詢變得即時，企業就必須思考：業務團隊能看客戶資料嗎？行銷團隊能查收入數字嗎？這些權限設計，反而比技術實作更需要時間討論。

另外我也發現，AI 對資料結構的理解程度，直接決定查詢的準確度。如果你的資料表命名很混亂（比如 tbl_user_v2_final_copy），或是欄位沒有清楚的註解，AI 就很容易產生錯誤的 SQL。所以這個應用也間接推動了「資料庫文件化」的改善，算是意外的好處。

這個方案的限制也要誠實說：對於需要複雜 JOIN 或是跨多表聚合的查詢，AI 的成功率會明顯下降。我建議這類需求還是由工程師設計 View 或是預設查詢範本，讓 AI 只負責簡單的篩選和統計。

🔧 如何用 n8n 打造資料庫 AI Agent

接下來我會手把手帶大家建立一個完整可用的資料庫 AI Agent。我們會用 PostgreSQL 作為範例，但同樣的概念也適用於 MySQL、MongoDB 等其他資料庫。

Step 1: 建立測試資料庫與唯讀帳號

第一步是準備測試用的資料庫。我們會建立三個資料表：users（用戶）、products（產品）、orders（訂單），模擬真實的電商場景。

-- 建立 users 資料表
CREATE TABLE IF NOT EXISTS users (
    id SERIAL PRIMARY KEY,
    name VARCHAR(100),
    email VARCHAR(100),
    created_at TIMESTAMP DEFAULT NOW()
);

-- 建立 products 資料表
CREATE TABLE IF NOT EXISTS products (
    id SERIAL PRIMARY KEY,
    name VARCHAR(100),
    price DECIMAL(10,2),
    stock INT
);

-- 建立 orders 資料表
CREATE TABLE IF NOT EXISTS orders (
    id SERIAL PRIMARY KEY,
    user_id INT REFERENCES users(id),
    product_id INT REFERENCES products(id),
    quantity INT,
    order_date TIMESTAMP DEFAULT NOW()
);

-- 插入測試資料
INSERT INTO users (name, email) VALUES
('Alice Chen', 'alice@example.com'),
('Bob Lin', 'bob@example.com'),
('Carol Wang', 'carol@example.com');

INSERT INTO products (name, price, stock) VALUES
('Laptop', 32000.00, 10),
('Mouse', 450.00, 50),
('Keyboard', 900.00, 30);

INSERT INTO orders (user_id, product_id, quantity) VALUES
(1, 1, 1), (1, 2, 2), (2, 3, 1), (3, 2, 1);

重點來了：我們要建立一個唯讀帳號 (readonly user)。這是安全設計的核心，確保 AI Agent 只能查詢資料，不能修改或刪除。

-- 建立唯讀使用者
CREATE USER readonly_user WITH PASSWORD 'your_secure_password';

-- 移除 public schema 的預設權限
REVOKE ALL ON SCHEMA public FROM PUBLIC;

-- 授予 readonly_user 使用 schema 權限
GRANT USAGE ON SCHEMA public TO readonly_user;

-- 授予資料表查詢權限（只有 SELECT）
GRANT SELECT ON ALL TABLES IN SCHEMA public TO readonly_user;

-- 確保未來新建資料表也能自動授予 SELECT 權限
ALTER DEFAULT PRIVILEGES IN SCHEMA public
GRANT SELECT ON TABLES TO readonly_user;

這樣設定後，即使 AI 產生了 DELETE 或 UPDATE 語句，執行時也會被資料庫拒絕。

Step 2: 在 n8n 建立 PostgreSQL Credential

打開 n8n，到 Credentials 頁面新增 PostgreSQL 連線：

  1. Host: 你的資料庫位址（例如 ep-old-bird-xxx.us-east-1.aws.neon.tech）
  2. Port: 通常是 5432
  3. Database: 資料庫名稱（例如 neondb）
  4. User: readonly_user
  5. Password: 剛才設定的密碼
  6. SSL: 如果用雲端資料庫（如 Neon、Supabase），記得啟用 SSL

測試連線成功後，儲存這個 Credential。

Step 3: 建立 n8n Workflow

我們的 workflow 包含五個核心節點：

When chat message received → AI Agent → [OpenAI Chat Model + Simple Memory + Postgres Tool]

節點 1: When chat message received

這是觸發節點，用來接收使用者的對話訊息。如果你想整合到 LINE、Telegram、Slack，可以換成對應的 Webhook 觸發。

節點 2: AI Agent

這是整個流程的大腦。在 AI Agent 節點中：

你是一個資料庫查詢助手。你可以幫使用者查詢 PostgreSQL 資料庫。

## 資料庫結構
- users 表：用戶資料（id, name, email, created_at）
- products 表：產品資料（id, name, price, stock）
- orders 表：訂單資料（id, user_id, product_id, quantity, order_date）

## 查詢規則
1. 只能執行 SELECT 查詢，不可 DELETE、UPDATE、DROP
2. 使用繁體中文回覆使用者
3. 查詢結果用表格格式呈現
4. 如果問題不清楚，主動詢問更多細節

## 範例
使用者：「有哪些用戶？」
回覆：執行 SELECT * FROM users，並以表格呈現結果。

這個 Prompt 很重要，它讓 AI 知道資料庫的結構、可以做什麼、不能做什麼。你可以根據實際資料表調整。

節點 3: OpenAI Chat Model

選擇 gpt-4o-mini 或 gpt-4o。如果查詢邏輯複雜，建議用 gpt-4o，準確度更高。

節點 4: Simple Memory

這個節點讓 AI Agent 記住對話內容。設定 Context Window 為 5-10 則訊息，平衡記憶長度與成本。

節點 5: Postgres (executeQuery)

這是 AI Agent 的「手」，用來執行 SQL 查詢。設定：

AI Agent 會自動呼叫這個 Tool，把產生的 SQL 傳給它執行，然後把結果回傳給使用者。

Step 4: 測試查詢

啟動 workflow，試著問幾個問題：

  1. 「請確認 db 有哪些表」 → AI 會執行 SELECT table_name FROM information_schema.tables WHERE table_schema = 'public'
  2. 「users 表有哪些資料？」 → AI 會執行 SELECT * FROM users
  3. 「這個月有多少訂單？」 → AI 會執行帶有 WHERE 條件的查詢
  4. 「哪個產品賣最好？」 → AI 會寫 JOIN 查詢統計訂單數量

如果 AI 產生的 SQL 有問題，你可以調整 System Message，給更多範例或約束條件。

📊 比較分析：不同資料庫 AI Agent 方案

方案 優點 缺點 適用場景
n8n AI Agent + PostgreSQL 完全自架、成本可控、支援複雜 workflow 需要自行維護、AI 調教需要時間 企業內部資料查詢、客製化需求高
Langchain SQL Agent 開源、社群支援多、支援多種資料庫 需要寫程式、部署較複雜 開發者、需要整合到產品中
ChatGPT Plugins (Code Interpreter) 使用簡單、GPT-4 理解力強 資料需上傳、隱私風險高、不適合敏感資料 個人分析、公開資料集
Notion AI (Database Query) 與 Notion 深度整合、無需設定 只能查 Notion 資料庫、功能受限 Notion 重度使用者

我自己最推薦 n8n AI Agent 方案，因為它在「易用性」和「客製化」之間取得很好的平衡。你不需要寫程式，但又能完全控制資料和邏輯。

✅ 重點整理

  1. 安全第一：一定要用唯讀帳號 (readonly user)，限制 AI 只能執行 SELECT 查詢，避免誤刪資料。
  2. Prompt 設計是關鍵：清楚描述資料庫結構、查詢規則、回覆格式，AI 的準確度會大幅提升。
  3. 分階段測試：先測試簡單查詢（如 SELECT *），再測試複雜查詢（如 JOIN、聚合），逐步調整 Prompt。
  4. 記憶管理很重要：設定適當的 Context Window，讓 AI 記住對話歷史，支援多輪查詢。
  5. 資料庫文件化：表名和欄位名要清楚有意義，最好加上註解，AI 才能正確理解。
  6. 適用簡單查詢：複雜的多表 JOIN 或聚合查詢，建議由工程師預先設計 View，讓 AI 查詢 View 即可。

❓ 常見問題 FAQ

Q1: AI 生成的 SQL 安全嗎？會不會刪除資料？

A: 只要正確設定唯讀帳號，就不會有資料被刪除的風險。我建議的安全防護機制：

實務上我還會加一層「SQL 白名單驗證」：只允許 AI 執行以 SELECT 開頭的語句，其他一律拒絕。

Q2: 支援哪些資料庫？除了 PostgreSQL 還能用什麼？

A: n8n 的 AI Agent 支援多種資料庫，我實測過的包括：

選擇建議：如果是新專案，我會優先選 PostgreSQL，因為它的 JSON 支援、全文搜尋、視窗函數都很強，而且雲端服務（Neon、Supabase）也很成熟。

Q3: 如何提高 AI 查詢的準確度？

A: 我總結的四個關鍵技巧：

  1. 資料結構描述要詳細：不只列表名和欄位名，還要說明每個欄位的業務意義。例如不要只寫 created_at，要寫「用戶註冊時間 (created_at)」。
  2. 提供查詢範例：在 Prompt 中給 2-3 個真實查詢範例，讓 AI 學習你期望的 SQL 風格。
  3. 處理模糊問題：教 AI 主動詢問細節。例如使用者問「統計銷售額」，AI 應該反問「要統計哪個時間範圍？」
  4. 錯誤處理機制：當 SQL 執行失敗時，讓 AI 看到錯誤訊息，它會自動修正 SQL 再試一次。

我還會定期查看「執行失敗的查詢日誌」，找出常見錯誤模式，然後更新 Prompt 避免重複發生。

Q4: 對話記憶會不會累積太多，造成成本過高？

A: 這是個好問題。我的記憶管理策略：

實測下來，一次完整的資料探索（10-15 輪對話）大約消耗 3000-5000 tokens，成本約台幣 1-2 元，非常划算。

Q5: 可以讓多人同時使用同一個 AI Agent 嗎？

A: 可以，但需要做好 Session 隔離。我的設計方案：

這樣設計後，即使 10 個人同時使用，對話也不會互相干擾。

Q6: AI Agent 能處理複雜的商業分析查詢嗎？

A: 坦白說，對於需要多表 JOIN、複雜聚合、視窗函數的查詢，AI 的成功率會明顯下降。我的建議策略：

我實測的經驗是：GPT-4o 能處理 2-3 表 JOIN 的查詢，但超過 3 表或涉及子查詢，準確度會降到 60% 以下。這時候還是交給人類比較穩。

🎯 下一步行動

如果你也想打造自己的資料庫 AI Agent，我建議你這樣開始：

  1. 先用測試資料庫練習：不要直接連正式資料庫，用本地 SQLite 或雲端測試環境（Neon 免費版）建立測試表，熟悉流程。
  2. 從簡單查詢開始：先測試「列出所有資料」、「統計數量」等基礎查詢，確認 AI 能正確產生 SQL。
  3. 逐步調整 Prompt：根據實際查詢結果，優化 System Message，加入更多約束和範例。
  4. 設定安全防護：確認唯讀帳號、權限控管、SQL 驗證都設定正確，再連接正式資料庫。

想深入學習更多 n8n AI Agent 實戰技巧？

大家記得，第一次實作沒做好是正常的，AI Agent 的調教本來就需要時間。先求大概能用，再逐步優化，這樣學習效率最高！

🔗 相關資源

延伸閱讀

外部資源

本文改編自 n8n 課程模組，由 Alex Hsieh 撰寫。如果你在實作過程中遇到問題，歡迎到 Skool 社群討論，我會盡力協助！

### 7. n8n 發票自動化｜AI 發票整理機器人完整教學 **URL:** https://cloud-f1.com/blog/n8n-invoice-ai-automation **Published:** 2026-01-04 | **Read Time:** 15 | **Category:** 應用案例

專業導讀

你有沒有遇過這種情況？月底一堆發票堆在信箱裡面，光是整理歸檔就花掉半天時間。我自己以前也是這樣，每個月花好幾個小時在做這種重複性超高的工作。後來我用 n8n 搭配 ChatGPT 打造了一套發票自動化系統，現在整個流程從收到 Email 到整理進試算表，全部自動跑完。

我在影片裡面直接 Demo 給大家看：「我們直接來 Demo，發票都會寄送到你的 Gmail 裡面，我們利用這一張 AWS 的 Invoice 發票來做一個示範。」整個流程跑完，從下載發票 PDF、用 ChatGPT 擷取內容、到寫入 Google 試算表，全部自動完成。就像我說的：「其實蠻方便的。」

這篇文章會帶你完整走過我的發票自動化方案，讓你也能省下大量人工處理時間。

你將學到

什麼是 n8n 發票自動化？

n8n 發票自動化是透過 n8n 工作流引擎，結合 Gmail Trigger 自動偵測新發票郵件，將發票附件下載到 Google Drive 備份，再用 ChatGPT 解析發票內容並自動寫入 Google Sheets 試算表的完整自動化解決方案。 你只需要在 Gmail 設好篩選規則，系統就會自動幫你處理好一切。

很多人問我，為什麼不直接用現成的記帳軟體？重點來了，大部分記帳軟體的自動化功能其實很有限，而且每個月要付月費。用 n8n 自建的好處是：你可以完全客製化流程、串接任何你想要的服務，而且 n8n 社群版是免費的。

我在影片中用 AWS 的電子發票做示範，整個系統的核心流程很簡單：

  1. Gmail 觸發 -- Gmail Trigger 偵測到新的電子發票郵件
  2. 確認資料 -- 檢查郵件有沒有 ID，確認可以往下執行
  3. 下載備份 -- 把發票 PDF 附件自動下載到 Google Drive
  4. 標記已讀 -- 打上 n8n-done 標籤，避免重複處理
  5. AI 解析 -- ChatGPT 擷取發票內容，輸出標準 JSON
  6. 寫入試算表 -- 自動填入 Google Sheets 發票清單

就像我在影片裡面說的：「找發票的效率會提升好幾倍，以前找半天，現在只要幾分鐘就幫你完成了。」

為什麼需要發票自動化？

讓我帶你看一下手動處理跟自動化的差距有多大。我自己實測的結果是，光是省下來的時間就值得你花一個下午來建這套系統。

效率對比

指標 手動處理 n8n 自動化後 改善幅度
每月處理時間 4-6 小時 幾分鐘 省 95%+
資料輸入錯誤率 3-5% AI 自動提取 大幅降低
發票歸檔管理 散落各處 集中 Google Drive 統一管理
清單整理 手動輸入試算表 自動寫入 即時更新
重複處理風險 容易遺漏或重複 標籤防呆 每張只處理一次

這個很重要：我在流程中設計了兩道防呆機制。第一是把處理過的郵件標成已讀，第二是加上 n8n-done 標籤。就像我在影片裡說的：「n8n-done 是說我用 n8n 做完了，已讀是方便我看。這時候我們在檢視 Gmail 的時候，就會更有效率。」

三大自動化場景

場景一：個人工作室 / 自由接案者 每月發票量 20-50 張，主要是各種雲端服務的電子發票（像是 AWS、Google、各種 SaaS 工具）。用最基本的 Gmail Trigger + Google Drive + ChatGPT + Google Sheets 就能搞定。

場景二：中小企業財務部門 每月 100-500 張發票，來自不同供應商。我在影片裡有提到：「你也可以建立很多組的篩選器的條件，確保你的發票都歸類到 Invoice 正確的位置。」針對不同供應商設定不同的 Gmail 篩選器，全部統一管理。

場景三：跨國業務 如果你有來自不同國家的發票，ChatGPT 的 Prompt 可以設定不同的區域格式。我在影片中提到可以設定 UTF-8、繁體中文、年月日格式：「你要改成你要的地區，因為它會跟時區有關。」

Alex 的實戰觀察

我在建這套系統的時候，發現幾個很重要的眉角，這邊跟大家分享。

Gmail 篩選器的設定比你想像中重要。 我一開始在 Gmail 設篩選條件的時候，用了太寬鬆的關鍵字，結果抓到一堆不相關的郵件。後來我在影片裡示範了怎麼解決：「你會發現你的搜尋條件結果不夠精確，這樣的郵件也被包含進來，所以這時候我們要去細化你的篩選條件。」我的做法是在郵件主旨裡面加上 Invoice ID 這個關鍵字，這樣篩選出來的結果就精準多了。

Mime Type 的坑一定會踩到。 這是我在影片裡特別講的一個重點：「有時候 Gmail 會把他的 Mime Type 文件的格式標錯了，所以我們要進行檢查跟調整。」我在流程中加了一個 Change Mime Type 的步驟，確保下載的附件一定是 PDF 格式。如果你跳過這個步驟，後面 Extract From File 可能會讀不到正確的內容。

ChatGPT 的 Prompt Engineering 是整個系統的靈魂。 我在影片裡面說：「最重要最重要的是設定 ChatGPT 的提示，Prompt Engineering。」我的做法是告訴 ChatGPT「你是一個專業的電子發票整理助手」，然後明確定義輸出的 JSON 格式範本，包含發票編號、類型、日期、應付金額等欄位。加上這些條件限制之後，ChatGPT 輸出的結果就非常穩定。

老實說，這套系統的設計重點不是追求多複雜，而是確保每一步都穩穩的。 我用了兩個標籤（Invoice 和 n8n-done）加上已讀標記，就是為了避免重複處理。整個流程走完你在 Gmail 裡看一眼就知道哪些發票已經處理完、哪些還在排隊。

完整建置步驟

好，接下來我帶你一步一步把這套系統建起來。我會按照影片中的示範順序來講，你跟著抄就對了。

前置作業：Gmail 標籤與篩選器設定

在使用 n8n 之前，我們有前處理要做。就像我在影片裡說的：「需要先在 Gmail 裡面分類你的標籤跟一些自動化的設定。」

第一步：建立兩個 Gmail 標籤

  1. 001-invoice（電子發票）-- 用來標記所有發票類的郵件
  2. n8n-done -- 用來標示 n8n 已經處理完成的郵件

第二步：設定 Gmail 篩選器

這一步很關鍵。我在影片裡用 AWS 發票做示範，搜尋條件是 Invoice ID：

  1. 在 Gmail 搜尋欄輸入你的篩選關鍵字（例如 Invoice ID）
  2. 確認搜尋結果只包含你要的發票郵件
  3. 如果結果不夠精確，就「去細化你的篩選條件」
  4. 點選「建立篩選器」
  5. 勾選「套用標籤」→ 選擇「001-invoice 電子發票」
  6. 勾選「也套用到符合條件的現有郵件」

我在影片裡面有個重要提醒：「不同來源的電子發票，比如說你的發票來自於不同的供應商或平台，比如說 Google、YouTube，你也可以建立很多組的篩選器的條件。」

第三步：確認篩選結果

到 Gmail 的設定 → 篩選器管理頁面，確認你的篩選器有正確套用。我自己就設了 AWS 發票過濾器、Google 收據過濾器等好幾組，根據需求來新增。

Step 0：Gmail Trigger -- 自動觸發

當 Gmail 收到電子發票以後，我們用 n8n 的 Gmail Trigger 來自動觸發整個流程。

在 n8n 中設定 Gmail Trigger 節點，有三個關鍵設定：

  1. 觸發頻率：我設定每一個小時整點觸發。當然你也可以設定每分鐘，看你的需求。
  2. 篩選條件 -- 郵件標籤：選擇「001-invoice 電子發票」這個 Label，確保只抓到發票類的郵件。
  3. 篩選條件 -- 郵件狀態：必須是「未讀」的郵件，利用這個來辨別哪些還沒處理過。

設定好之後，觸發器會自動偵測符合條件的新郵件。我在影片裡也有提到：「它如果今天有附件，你就下載對應的電子發票 PDF。所以當你 Gmail 收到新的電子發票，符合這些條件的時候，n8n 就會開始自動處理。」

觸發之後，你可以在 n8n 的 Schema 面板看到郵件的 ID、標題、發送時間、寄件人等資訊，確認資料都正確讀取了。

記得設定好 Google OAuth 認證，不然 Gmail 節點會連不上。

Step 0.5：If Data Output -- 確認有資料

這一步是安全檢查。我在影片裡解釋了這個節點的用途：「這個是確認如果他有郵件的 ID，這個 JSON ID，那他就往下走，代表我確認成功，可以執行。」

用一個 If 節點判斷 Gmail Trigger 有沒有回傳資料，有的話才繼續往下執行。這個小小的步驟可以避免空跑的情況。

Step 1：下載電子發票到 Google Drive

確認有資料之後，下一步就是把發票附件下載到 Google Drive。我在影片裡說：「方便統一管理電子的發票，不用每一次手動都要去整理你的郵件。」

1.1 確認附件類型（Change Mime Type）

這一步很多人會跳過，但我建議不要省略。我在影片裡特別提到：「有時候 Gmail 會把 Mime Type 文件的格式標錯了，所以我們要進行檢查跟調整。」

用一個 Code 節點做以下處理：

1.2 上傳到 Google Drive

用 Google Drive 節點把發票上傳到指定資料夾。我在影片裡設定了三個參數：

  1. Input Binary Field：設定 attachment_0，對應到郵件的第一個附件
  2. File Name：使用電子郵件的標題作為檔案名稱（例如 AWS Web Services Invoice Available）
  3. Parent Folder：用 URL 指定 Google Drive 的存放位置（例如 n8n-Invoice 資料夾）

上傳完成後，記得到 Google Drive 刷新一下，確認檔案名稱和上傳時間跟發票郵件是對應的。像我在影片裡說的：「確保每一封的發票郵件都可以完整的下載跟備份，未來查詢的時候我們就來 Google Drive 查就比較方便。」

Step 1.5：標記已處理的郵件

發票上傳完之後，我們要做兩件事來避免重複處理：

第一件事：新增 n8n-done 標籤

用 Gmail 節點，利用郵件的 ID，把 n8n-done 標籤加上去。我在影片裡解釋：「n8n-done 是說我用 n8n 做完了。」

第二件事：把郵件標成已讀

一樣用 Gmail 節點，把郵件的狀態改成已讀。我說：「已讀是方便我看，每一個發票都只處理一次。」

這樣做的好處是，你在 Gmail 裡面一眼就能看出來：「都是灰的已讀，哪些是 n8n 有執行的，標的出來。」檢視郵件的時候就可以清楚哪些發票已經存檔、哪些還在處理。

Step 2：ChatGPT 解析發票內容

這一步是用 ChatGPT 來整理發票的內容，並且匯出資訊變成發票的清單。

2.1 Extract From File -- 擷取 PDF 內容

先用 n8n 的 Extract From File 節點，把 PDF 轉成文字資料：

我在影片裡說明：「我們會使用 Extract From File 的功能來處理 Gmail 下載的電子發票附件，把初步的發票號碼、金額、日期等關鍵訊息整理成系統可以讀的格式，再往 ChatGPT 送。」

2.2 ChatGPT 解析與格式化

接下來是整個系統最重要的環節。我在影片裡特別強調：「最重要最重要的是設定 ChatGPT 的提示，Prompt Engineering。」

OpenAI 節點的設定：

我的 Prompt 設計重點：

你是一個專業的電子發票的整理助手，請協助我將任意的發票資訊轉換成統一的格式和標準的 JSON 檔案。

按照下面的範本來生成結果：
- invoice_id：發票編號
- invoice_type：發票類型
- invoice_date：發票日期
- amount_due：應付金額
- account_number：帳戶號碼

條件：
- 符合 JSON 標準
- UTF-8 編碼
- 繁體中文
- 日期格式：年/月/日

就像我在影片裡說的：「你就照著抄，抄功課就對了。」然後你要改成你需要的地區和格式，因為跟時區有關。

2.3 整理數據

ChatGPT 解析完成後，用一個 Code 節點把 JSON 資料整理乾淨，準備寫入 Google Sheets。我在影片裡說：「這裡其實就很簡單，是把剛剛 JSON 檔裡面的資料直接放進來，然後回傳這一整串資料比較清楚。」

Step 3：寫入 Google Sheets 發票清單

最後一步，把整理好的發票資料自動寫入 Google Sheets。

Google Sheets 試算表欄位結構：

欄位 說明 範例
電子發票編號 唯一識別碼 2035799125
發票類型 服務類型 AWS Web Services
日期 發票日期 2026/02/02
應付金額 含稅總金額 $3.10 USD
帳戶號碼 帳號資訊 XXXX-XXXX

Google Sheets 節點設定：

我在影片裡特別說明：「我們都認這個電子發票的編號作為唯一的代碼。」這樣每次有新的電子發票進來，系統都可以即時更新發票清單，不會重複新增同一張發票。

各方案比較

方案 成本 自動化程度 客製化程度 學習曲線 適合對象
n8n + ChatGPT 免費（社群版）+ API 費用 全自動 非常高 中等 想自建的技術愛好者
Zapier + OCR $20-50/月 半自動 中等 低 不想折騰的一般使用者
專業記帳軟體 $30-100/月 部分自動 低 低 有預算的企業
純手動處理 $0 完全手動 N/A N/A 發票量很少的人
Python 自建 $0 + API 費用 全自動 最高 高 工程師

我的觀察是，n8n 的優勢在於你可以完全按照自己的需求來客製化。就像我在影片裡示範的，你可以針對不同供應商（AWS、Google、YouTube）建立不同的篩選器，然後統一匯入同一個試算表。這是大部分現成軟體做不到的彈性。

重點整理

  1. 前置作業很重要：在 Gmail 建立正確的標籤（Invoice、n8n-done）和精確的篩選器，是整個自動化能穩定運行的基礎
  2. Gmail Trigger 的三個關鍵設定是觸發頻率、郵件標籤篩選、郵件未讀狀態，三者搭配才能精準抓到新發票
  3. Mime Type 一定要檢查，Gmail 有時候會把文件格式標錯，加一個 Change Mime Type 步驟可以避免後續出錯
  4. Google Drive 統一備份讓你未來查詢發票時有一個集中管理的地方，不用再翻 Email
  5. 雙重標記防呆：n8n-done 標籤加上已讀標記，確保每張發票只處理一次，不會重複
  6. ChatGPT Prompt Engineering 是靈魂：明確定義輸出的 JSON 格式和欄位範本，AI 輸出的結果才會穩定
  7. Google Sheets 用發票編號做唯一代碼，搭配 Append or Update Row 操作，實現自動新增和更新
  8. 免費模板直接用：下載 JSON 檔匯入 n8n 就可以跑，不用從零開始建

常見問題 FAQ

n8n 發票自動化的整個流程需要多少時間建置？

如果你跟著我的影片和這篇教學一步一步做，大概 1-2 小時就能完成基本版。 最花時間的部分其實是前置作業：設定 Gmail 標籤和篩選器。我在影片裡花了不少時間示範怎麼細化篩選條件，因為如果篩選不精確，後面所有步驟都會出問題。n8n 的工作流本身設定很直覺，照著抄就對了。建議先用一張發票測試整個流程，確認每一步都正常之後再開啟自動觸發。

ChatGPT 解析發票的費用大概多少？

使用 GPT-4o-Mini 模型，每張發票的 API 費用非常低，大約台幣 0.5-1 元。 我在影片裡選擇的就是 4o-Mini，因為對於發票這種結構化的文件，不需要用到最貴的模型就能有很好的效果。每月處理 100 張發票，API 費用大概在台幣 50-100 元之間，比起你花的人工時間真的便宜太多了。如果你想要更高的準確率，也可以換成 GPT-4o，費用會稍微高一點。

如果發票附件不是 PDF 格式怎麼辦？

我在影片裡特別處理了 Mime Type 的問題，因為 Gmail 有時候會把文件格式標錯。 如果你收到的是圖片格式（JPG/PNG）的發票掃描檔，需要額外加一個 OCR 辨識步驟。但對於大部分的電子發票來說，都是 PDF 格式，用 Extract From File 節點就能擷取內容。如果遇到 HTML 格式的 Email 內嵌發票，可以直接從郵件內文擷取，不需要額外處理附件。

怎麼處理來自不同供應商的發票？

重點在於 Gmail 篩選器的設定。 我在影片裡有示範：「不同來源的電子發票，比如說來自不同的供應商或平台，你也可以建立很多組的篩選器的條件，確保你的發票都歸類到 Invoice 正確的位置。」所以你可以同時設定 AWS 發票過濾器、Google 收據過濾器等好幾組，全部統一貼上 Invoice 標籤，n8n 就會一視同仁地處理。ChatGPT 的強項就是不管哪家的發票格式，它都能抓出關鍵資訊。

n8n 社群版免費嗎？功能夠用嗎？

社群版完全免費，而且對於發票自動化來說功能綽綽有餘。 Gmail Trigger、Google Drive、OpenAI、Google Sheets 這些節點在社群版全部都有，不需要付費版。唯一的限制是社群版需要自己部署（用 Docker 最方便），但這反而是優點，因為你的發票資料完全留在自己的伺服器上。如果你還沒安裝 n8n，可以參考我的 n8n 本地部署教學。

這套系統可以擴展嗎？

當然可以，這也是用 n8n 自建的最大優勢。 我在影片裡展示的是最基本的版本，你可以根據自己的需求加功能。比如說加上 Slack 通知（每次處理完發票就推播通知）、加上月度報表自動產生、或是串接你的會計系統。甚至可以加上異常金額警示，超過某個金額就自動提醒。先把基本版跑穩，再一步一步加功能，這是我最推薦的方式。

下一步行動

如果你看完這篇想動手試試，我建議你按這個順序來：

  1. 先用 Docker 把 n8n 裝起來
  2. 設定好 Gmail OAuth 認證（參考 Google OAuth 教學）
  3. 在 Gmail 建立 Invoice 和 n8n-done 兩個標籤
  4. 針對你最常收到的發票類型設定 Gmail 篩選器
  5. 按照本文的步驟建立 n8n 工作流
  6. 用一張發票測試整個流程，確認每一步都正常

就像我在影片最後說的：「免費的模板就直接提供在下面連結，你只要下載這個 JSON 檔匯入以後就可以用。」

先求大概懂，再開始用，最後才能做成功！

想學更多 n8n 自動化技巧？ 加入我們的 Skool 社群，和其他自動化愛好者一起學習交流！

相關資源

✍️ 關於作者：Alex 是一位專注於 n8n 自動化和 AI 應用的技術教育者，透過 YouTube 頻道和 Skool 社群幫助超過數千位學員掌握自動化技能。

### 8. n8n Lab 實戰合集｜20+ 工作流範本完整收錄 **URL:** https://cloud-f1.com/blog/n8n-lab-collection **Published:** 2026-01-04 | **Read Time:** 15 | **Category:** 應用案例

專業導讀

💡 Pillar Page: n8n 實戰工作流完整合集，涵蓋各類應用場景，每個 Lab 都有詳細教學。

本合集涵蓋

什麼是 n8n Lab 實戰？

n8n Lab 是一系列可以直接匯入使用的自動化工作流範本，涵蓋 CRM、資料處理、AI Agent 等 20+ 實戰場景。 每個 Lab 都有完整教學影片和 GitHub 免費下載。

這不是理論教學，也不是玩具範例。每一個 Lab 都來自真實的業務需求：客戶生日禮要怎麼自動送？發票整理能不能讓 AI 幫忙？電商商品圖可以用 AI 自動生成嗎？

你可以把 Lab 當作「即戰力套件」——下載範本、調整參數、直接用在工作上。

🧠 Alex 的觀察｜為什麼實作是最好的學習方式

我發現看教學影片只能學到 30%，自己動手做才能真正學會。

過去三年教了 500+ 位學員，最大的心得是：聽懂和做出來是兩回事。很多人看完影片覺得「好像懂了」，但真的要自己建工作流時，就卡在第一個節點的設定。

所以我把 n8n Lab 設計成「邊做邊學」的形式：

我自己最有成就感的時刻，就是看到學員在 Skool 社群裡分享「我把生日禮 Lab 改成客戶週年慶通知」、「我用發票 Lab 的邏輯做了報銷審核流程」。

這就是 Lab 的哲學：給你釣竿，而不是魚。

🏆 Top 5 推薦必做 Lab

不知道從哪開始？這 5 個 Lab 是社群最受歡迎、業務價值最高的項目：

1. 客戶生日禮自動發送 (⭐)

解決什麼問題：有 100+ 客戶的 CRM，每個月都要手動查誰過生日、發祝福訊息，耗時又容易漏掉。

核心價值：讓系統在每天早上 9 點自動檢查當天壽星，透過 LINE、Email 或 Slack 送出客製化祝福。客戶收到驚喜，你完全不用記。

適合誰：銷售、客服、美容業、保險業等需要維繫客戶關係的角色。

→ 查看完整教學

2. AI 發票整理與歸檔 (⭐⭐)

解決什麼問題：報銷流程要手動分類發票、輸入金額、上傳雲端，每個月浪費 2-3 小時。

核心價值：把發票照片丟進指定資料夾，AI 自動辨識抬頭、金額、類別，分類歸檔到 Google Sheets，還能自動上傳 Google Drive 備份。

適合誰：中小企業老闆、自由工作者、需要報銷的上班族。

→ 查看完整教學

3. 最強個人 AI 助理 (⭐⭐⭐)

解決什麼問題：想要一個「什麼都會」的 AI 秘書，能幫你查行事曆、記筆記、查資料、發訊息，但又不想為每件事寫一個工作流。

核心價值：一個對話介面搞定所有事。你說「幫我查明天早上的會議」，AI 自動連結 Google Calendar；你說「把這段內容存到 Notion」，AI 自動寫入資料庫。

適合誰：知識工作者、需要大量跨工具協作的人、想打造個人 AI 生態系的進階玩家。

→ 查看完整教學

4. 熱銷書榜爬蟲 (⭐⭐)

解決什麼問題：想追蹤博客來、誠品的暢銷書榜，但每天手動查太麻煩，也沒辦法比較歷史趨勢。

核心價值：每天自動爬取排行榜資料，存入資料庫，還能用 AI 分析趨勢、生成週報。如果你是出版業、內容創作者，這能幫你掌握市場脈動。

適合誰：出版從業者、內容創作者、市場研究員、書評部落客。

→ 查看完整教學

5. 資料庫 AI Agent (⭐⭐)

解決什麼問題：有一大堆客戶資料在 Airtable 或 Google Sheets，但每次要查詢都得打開表格、用眼睛掃，效率很低。

核心價值：用自然語言問「上個月消費超過 5000 的客戶有誰？」，AI 自動查詢資料庫、整理結果回傳給你。不用學 SQL，也不用記欄位名稱。

適合誰：銷售、客服、數據分析師、任何需要頻繁查詢結構化資料的人。

→ 查看完整教學

📚 Lab 分類總覽

客戶管理 (CRM)

Lab 說明 難度 連結
客戶生日禮 自動發送生日祝福 ⭐ 查看
資料庫 AI Agent 對話式查詢客戶 ⭐⭐ 查看

資料收集處理

Lab 說明 難度 連結
熱銷書榜爬蟲 自動擷取排行榜 ⭐⭐ 查看
RSS 新聞摘要 AI 整理每日新聞 ⭐ 查看
發票整理 AI 辨識與歸檔 ⭐⭐ 查看

AI Agent 應用

Lab 說明 難度 連結
最強個人助理 全方位 AI 秘書 ⭐⭐⭐ 查看
圖片生成 Agent 電商商品圖 ⭐⭐ 查看
購物搜尋 Agent 智能比價 ⭐⭐ 查看
語音 Agent 電話預約確認 ⭐⭐⭐ 查看

工具與效率

Lab 說明 難度 連結
尾牙抽獎 公平透明抽獎 ⭐ 查看
Prompt 管理器 系統化管理 ⭐⭐ 查看
Prompt 優化器 AI 自動改進 ⭐⭐ 查看

系統維運

Lab 說明 難度 連結
工作流備份 自動備份到雲端 ⭐ 查看
錯誤處理 自動偵測通知 ⭐⭐ 查看
Qdrant 安裝 向量資料庫設定 ⭐⭐⭐ 查看

🎓 開始前你需要什麼？

基本需求

1. n8n 環境

2. 時間投入

3. 基礎知識

API 與服務需求

服務類型 是否必要 免費額度 說明
OpenAI API 大部分 AI Lab 需要 每月 $5 贈金（新用戶） GPT-4o-mini 很便宜，$0.15/1M tokens
Google Sheets 資料儲存類需要 完全免費 大部分 Lab 都用這個存資料
Airtable 部分 CRM Lab 用 免費版 1,200 筆 可用 Google Sheets 替代
LINE Notify 通知類 Lab 選用 完全免費 台灣最好用的通知工具
Retell AI 語音 Agent 需要 $20 試用金（約 1000 分鐘） 進階 Lab 才會用到

預算建議：

🚀 推薦學習順序

入門階段（先建立信心）

  1. n8n 零基礎教學 — 先把基礎打好
  2. 客戶生日禮 — 第一個有成就感的實戰
  3. RSS 新聞摘要 — 感受 AI 的威力

目標：能獨立建立簡單工作流、理解觸發器與排程的差異。

進階階段（開始解決真實問題）

  1. 發票整理 — 學會 AI 辨識與資料處理
  2. 熱銷書榜爬蟲 — 掌握網頁爬蟲技巧
  3. 資料庫 AI Agent — 用 AI 操作結構化資料

目標：能設計多步驟工作流、處理錯誤、整合多個 API。

高階階段（打造個人 AI 生態系）

  1. 最強個人助理 — 整合所有工具的終極專案
  2. 語音 AI Agent — 挑戰即時語音互動
  3. MCP 整合 — 接軌 Claude 最新生態

目標：能設計複雜的 AI Agent 系統、理解 Tool Calling 與 LangChain。

📊 學習方式比較

維度 n8n Labs YouTube 教學影片 官方文件 付費課程
實戰性 ⭐⭐⭐⭐⭐ 直接解決業務問題 ⭐⭐⭐ 偏重功能介紹 ⭐⭐ 偏重技術規格 ⭐⭐⭐⭐ 依課程設計而定
上手速度 ⭐⭐⭐⭐ 有範本可直接匯入 ⭐⭐⭐ 需要邊看邊做 ⭐⭐ 需要自己摸索 ⭐⭐⭐ 有作業引導
成本 免費（GitHub 開源） 免費 免費 $50-500 美金
更新頻率 每月 2-3 個新 Lab 每週 1-2 支影片 不定期 一次性內容
社群支援 Skool 社群即時討論 YouTube 留言較慢 官方論壇 依平台而定
深度 ⭐⭐⭐⭐ 針對場景深入 ⭐⭐⭐ 廣度優於深度 ⭐⭐⭐⭐⭐ 最完整 ⭐⭐⭐⭐ 系統化

Alex 建議：Lab + YouTube 影片是最佳組合。Lab 給你方向和範本，影片解釋背後邏輯，遇到問題到 Skool 社群問。

❓ 常見問題 FAQ

Q1: 這些 Lab 有範本可以下載嗎？

A: 大部分 Lab 都有提供：

Q2: 適合新手嗎？

A: 分級設計：

建議：完全新手先看 n8n 零基礎教學，再從 ⭐ 開始做。

Q3: 需要付費嗎？

A: 大部分免費：

實測：做完前 10 個 Lab，花費不到 $10 美金。

Q4: Lab 做不出來怎麼辦？

A: 三重支援：

  1. 教學影片：每個 Lab 都有對應的 YouTube 影片，逐步示範
  2. Skool 社群：在 AI Brain 社群 發問，通常 1 小時內會有人回應
  3. 範本對照：下載範本，和你的工作流對比，找出差異

常見卡關點：

Q5: 可以用在工作上嗎？

A: 當然可以，這正是 Lab 的設計目的。

實際案例：

Q6: 需要付費 API 嗎？

A: 看你選哪些 Lab：

省錢技巧：

Q7: 做完 Lab 後可以改成自己的需求嗎？

A: 這正是 Lab 的核心價值！

每個 Lab 都是「起點」，不是「終點」。你可以：

社群裡最精彩的分享，都是「我把某某 Lab 改成 XXX」的故事。

🎯 下一步行動

立刻開始

  1. 選一個 Lab 開始：推薦從 客戶生日禮 入手
  2. 下載範本：GitHub 連結在每篇文章末尾
  3. 跟著影片做：YouTube 頻道有完整教學

加入學習社群

深度學習資源

🔗 相關資源

本文為 n8n Lab Pillar Page，由 Alex Hsieh 整理。最後更新：2026-02-10

### 9. n8n 尾牙抽獎工具｜公平透明的自動抽獎系統完整實作 **URL:** https://cloud-f1.com/blog/n8n-lottery-tool **Published:** 2026-01-04 | **Read Time:** 12 | **Category:** 應用案例

專業導讀

你有沒有遇過這種情況？公司尾牙要抽獎，用手寫籤、Excel 隨機函數，結果總是有人質疑「是不是內定的」、「怎麼證明公平」？更麻煩的是，抽完獎還要手動記錄得獎名單、排除重複中獎、製作公告，搞得主辦人焦頭爛額。

我自己在幫學員做活動時也遇過類似問題。後來我用 n8n 做了一個抽獎工具，不但完全隨機、公開透明，還能自動排除已中獎者、即時公告結果、完整記錄可追溯。最重要的是，整個流程不到 10 分鐘就能設定好，而且完全免費。

這篇文章會手把手教你用 n8n 打造一個專業級的抽獎系統，適用於尾牙、社群活動、線上抽獎、促銷活動等各種場景。我會分享完整的工作流設計、程式碼範例，以及我在實戰中踩過的坑。

你將學到

🎯 什麼是 n8n 抽獎工具？

n8n 抽獎工具是一個基於 n8n 工作流打造的自動化抽獎系統，透過密碼學等級的隨機數生成、自動排除機制與即時記錄，確保抽獎過程公平透明、完全可追溯。 相比手動抽籤或 Excel 隨機函數，n8n 抽獎工具提供完整的 audit trail（審計追蹤），讓所有參與者都能信服抽獎結果的公正性。

大家可以想想看，為什麼很多抽獎活動會被質疑「內定」？因為缺乏透明度。Excel 的 RAND() 函數雖然隨機，但誰能證明你沒有按 F9 重新計算到滿意的結果？手寫籤更不用說了，根本無法追溯。n8n 抽獎工具的核心優勢就是：每一次抽獎都有完整記錄，包括時間戳記、執行 ID、參加名單快照、隨機種子。事後任何人都能驗證。

這個工具特別適合以下場景：

💡 Alex 的觀察

我的觀察是：大多數抽獎工具都把焦點放在「隨機」上，卻忽略了「信任」。

我自己在辦活動時發現，技術上的隨機性其實不難達成（JavaScript 的 Math.random() 就夠用了），但如何讓參與者「相信」這個隨機性是公平的，才是真正的挑戰。我見過太多案例：主辦方明明是公正抽獎，卻因為缺乏透明機制，被質疑到最後只好重抽。

n8n 抽獎工具的核心設計理念是：過程可見、結果可追溯、邏輯可驗證。

  1. 過程可見：抽獎當下可以投影在大螢幕上，讓所有人看到 n8n 的執行過程（雖然看不懂細節，但能看到「真的有在跑程式」）
  2. 結果可追溯：每次抽獎都會寫入 Google Sheets，包含時間戳記、執行 ID、參加名單快照
  3. 邏輯可驗證：工作流可以匯出 JSON，任何人都能檢視抽獎邏輯（當然，實務上不會有人真的去看，但「可以看」這件事本身就建立了信任）

這邊要特別注意，這個工具的設計目標不是「最強的密碼學安全」（那需要硬體隨機數生成器），而是「足夠的隨機性 + 最大的透明度」。對於尾牙、社群活動這種場景，這個平衡是最適合的。

我自己用這個工具辦過 10+ 次活動，從來沒有人質疑過公平性。反而因為「用 n8n 抽獎」這個做法本身很新奇，還成為活動的亮點之一。大家記得，工具的價值不只是功能，還有它帶來的儀式感和信任感。

🔧 Step-by-Step 完整實作

Step 1：準備參加者名單（Google Sheets）

首先，我們需要一個地方儲存參加者名單。我建議用 Google Sheets，因為它方便編輯、支援多人協作，而且 n8n 有原生整合。

建立 Google Sheets：

  1. 建立一個新的 Google Sheets，命名為「尾牙抽獎系統」
  2. 建立三個工作表（Sheet）：

參加名單格式：

編號 姓名 部門 Email 員工編號 權重
1 王小明 工程部 wang@example.com E001 1
2 李小華 業務部 lee@example.com E002 1
3 張大寶 行政部 chang@example.com E003 1

權重欄位說明：

得獎記錄格式：

時間戳記 獎項 姓名 部門 員工編號 執行ID
2026-01-15 19:30:25 頭獎 王小明 工程部 E001 exec-abc123

Step 2：建立 n8n 抽獎工作流

打開 n8n，建立一個新的工作流，命名為「尾牙抽獎工具」。

核心流程：

Manual Trigger (手動觸發)
 ↓
Set 節點 (設定參數：獎項名稱、抽幾個人)
 ↓
Google Sheets (讀取參加名單)
 ↓
Google Sheets (讀取得獎記錄)
 ↓
Code 節點 (排除已中獎者)
 ↓
Code 節點 (隨機抽取)
 ↓
Google Sheets (寫入得獎記錄)
 ↓
Google Sheets (寫入執行日誌)
 ↓
Slack / LINE Notify (即時公告)

Step 3：設定抽獎參數（Set 節點）

在 Set 節點中定義本次抽獎的參數：

{
  "獎項名稱": "頭獎",
  "抽取人數": 1,
  "允許重複中獎": false,
  "時間戳記": "{{ $now.toISO() }}",
  "執行ID": "{{ $execution.id }}"
}

參數說明：

參數 類型 說明
獎項名稱 String 本次抽獎的獎項（例如「頭獎」、「二獎」）
抽取人數 Number 要抽幾個人
允許重複中獎 Boolean 是否允許同一人中多次獎
時間戳記 String ISO 8601 格式的時間戳記
執行ID String n8n 自動生成的 execution ID（唯一識別碼）

Step 4：讀取參加名單與得獎記錄

Google Sheets 節點 1（讀取參加名單）：

Google Sheets 節點 2（讀取得獎記錄）：

Step 5：排除已中獎者（Code 節點）

這是關鍵邏輯。我們需要比對「參加名單」和「得獎記錄」，排除已經中過獎的人。

// 取得參加名單（來自 Google Sheets 1）
const participants = $node["Google Sheets 1"].json;

// 取得得獎記錄（來自 Google Sheets 2）
const winners = $node["Google Sheets 2"].json;

// 取得參數
const params = $node["Set"].json;
const allowDuplicate = params["允許重複中獎"];

// 如果允許重複中獎，直接回傳全部名單
if (allowDuplicate) {
  return participants.map(p => ({ json: p }));
}

// 建立已中獎者的 Set（用員工編號當作唯一識別）
const winnerIds = new Set(winners.map(w => w["員工編號"]));

// 過濾掉已中獎者
const eligible = participants.filter(p => !winnerIds.has(p["員工編號"]));

// 檢查是否還有人可以抽
if (eligible.length === 0) {
  throw new Error("所有人都已中獎，無法再抽獎！");
}

console.log(`原始名單: ${participants.length} 人`);
console.log(`已中獎: ${winnerIds.size} 人`);
console.log(`可抽獎: ${eligible.length} 人`);

// 回傳符合資格的參加者
return eligible.map(p => ({ json: p }));

Step 6：隨機抽取得獎者（Code 節點）

這是核心的隨機演算法。我們使用 加權隨機抽樣，支援 VIP 加權（權重越高，中獎機率越高）。

// 取得符合資格的參加者
const eligible = $input.all().map(item => item.json);

// 取得參數
const params = $node["Set"].json;
const drawCount = params["抽取人數"];
const timestamp = params["時間戳記"];
const executionId = params["執行ID"];
const prizeName = params["獎項名稱"];

// 檢查是否有足夠的人可以抽
if (eligible.length < drawCount) {
  throw new Error(`可抽獎人數 (${eligible.length}) 少於要抽的人數 (${drawCount})`);
}

// === 加權隨機抽樣演算法 ===
function weightedRandomSample(items, count) {
  const result = [];
  const pool = [...items]; // 複製一份，避免修改原陣列

  for (let i = 0; i < count; i++) {
    // 計算總權重
    const totalWeight = pool.reduce((sum, item) => sum + (item["權重"] || 1), 0);

    // 生成隨機數（0 到 totalWeight 之間）
    const random = Math.random() * totalWeight;

    // 累積權重，找到被選中的項目
    let cumulativeWeight = 0;
    let selectedIndex = -1;

    for (let j = 0; j < pool.length; j++) {
      cumulativeWeight += (pool[j]["權重"] || 1);
      if (random < cumulativeWeight) {
        selectedIndex = j;
        break;
      }
    }

    // 取出被選中的項目
    const selected = pool.splice(selectedIndex, 1)[0];
    result.push(selected);
  }

  return result;
}

// 執行抽獎
const winners = weightedRandomSample(eligible, drawCount);

// 為每個得獎者加上額外資訊
const enrichedWinners = winners.map((winner, index) => ({
  時間戳記: timestamp,
  獎項: prizeName,
  姓名: winner["姓名"],
  部門: winner["部門"],
  Email: winner["Email"],
  員工編號: winner["員工編號"],
  權重: winner["權重"],
  執行ID: executionId,
  抽籤順序: index + 1
}));

console.log("=== 抽獎結果 ===");
enrichedWinners.forEach(w => {
  console.log(`${w["抽籤順序"]}. ${w["姓名"]} (${w["部門"]}) - 權重: ${w["權重"]}`);
});

// 回傳結果
return enrichedWinners.map(w => ({ json: w }));

隨機演算法說明：

Step 7：寫入得獎記錄與執行日誌

Google Sheets 節點 3（寫入得獎記錄）：

Google Sheets 節點 4（寫入執行日誌）：

除了得獎者，我們還要記錄完整的執行資訊（防作弊用）：

{
  "時間戳記": "{{ $node['Set'].json['時間戳記'] }}",
  "執行ID": "{{ $node['Set'].json['執行ID'] }}",
  "獎項": "{{ $node['Set'].json['獎項名稱'] }}",
  "抽取人數": "{{ $node['Set'].json['抽取人數'] }}",
  "參加總人數": "{{ $node['Google Sheets 1'].json.length }}",
  "已中獎人數": "{{ $node['Google Sheets 2'].json.length }}",
  "符合資格人數": "{{ $node['Code 1'].json.length }}",
  "得獎者": "{{ $node['Code 2'].json.map(w => w['姓名']).join(', ') }}",
  "操作者": "{{ $execution.user }}"
}

這個日誌記錄了抽獎當下的完整快照，任何人事後都能追溯驗證。

Step 8：即時公告得獎者

方式 1：Slack 通知

Slack 節點
- Message:
  🎉 {{ $node['Set'].json['獎項名稱'] }} 得獎名單公告！

  恭喜以下得獎者：
  {{ $node['Code 2'].json.map((w, i) => `${i+1}. ${w['姓名']} (${w['部門']})`).join('\n') }}

  時間：{{ $node['Set'].json['時間戳記'] }}
  執行ID：{{ $node['Set'].json['執行ID'] }}

方式 2：LINE Notify

HTTP Request 節點
- Method: POST
- URL: https://notify-api.line.me/api/notify
- Headers:
  - Authorization: Bearer YOUR_LINE_NOTIFY_TOKEN
- Body:
  {
    "message": "🎉 {{ $node['Set'].json['獎項名稱'] }} 得獎名單...(同上)"
  }

方式 3：大螢幕投影（Webhook + Web Page）

如果你想在尾牙現場投影抽獎結果，可以搭配一個簡單的網頁：

  1. n8n 工作流最後加一個 Webhook Response 節點，回傳 HTML
  2. 在大螢幕上開啟這個 Webhook URL
  3. 按下 Manual Trigger，網頁即時顯示得獎者

我在實際活動中用過這個做法，效果非常好。參加者看到「畫面即時更新」，信任度大幅提升。

📊 比較分析：不同抽獎方式

方式 隨機性 透明度 可追溯 防作弊 易用性 適用場景
手寫籤 ⭐⭐ ⭐ ❌ ❌ ⭐⭐⭐⭐⭐ 小型聚會（10 人以下）
Excel RAND() ⭐⭐⭐ ⭐⭐ ⭐ ⭐ ⭐⭐⭐⭐ 辦公室內部抽獎
Google 表單抽獎 ⭐⭐⭐ ⭐⭐ ⭐⭐ ⭐⭐ ⭐⭐⭐ 線上活動（無需加權）
n8n 抽獎工具 ⭐⭐⭐⭐ ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐⭐ ⭐⭐⭐ 公司尾牙、大型活動、需要多輪抽獎
專業抽獎平台 ⭐⭐⭐⭐⭐ ⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐ 公開抽獎活動（需付費）

關鍵差異：

✅ 重點整理

  1. 隨機性不是唯一重點，透明度才是關鍵：參與者需要「相信」抽獎是公平的，而不只是技術上的隨機。

  2. 完整的執行日誌是防作弊的核心：記錄時間戳記、execution ID、參加名單快照、得獎者，事後任何人都能驗證。

  3. 自動排除已中獎者讓多輪抽獎變簡單：用員工編號或 Email 當作唯一識別，搭配 Set 過濾，確保不會重複中獎。

  4. 加權抽獎提供更彈性的規則：可以根據年資、業績、消費金額等調整中獎機率，但要事先公告規則。

  5. 即時公告增加儀式感和信任感：搭配 Slack、LINE Notify 或大螢幕投影，讓抽獎過程更有參與感。

  6. 工作流可重複使用：設定完成後，每次抽獎只需要修改「Set 節點」的參數，不用重新建立。

  7. Google Sheets 是最佳的名單管理工具：方便編輯、支援多人協作、n8n 原生整合，事後還能直接分析資料。

❓ 常見問題 FAQ

Q1: 這個抽獎真的公平嗎？Math.random() 夠隨機嗎？

A: 對於尾牙、社群活動這種非密碼學應用，Math.random() 完全足夠。它產生的是偽隨機數（Pseudo-Random Number），理論上可預測，但實務上沒人能在抽獎的瞬間預測下一個隨機數。

如果你需要更高等級的隨機性（例如公開彩券、賭場抽獎），可以升級為 crypto.randomBytes()：

// 在 Code 節點中使用 crypto（n8n 支援）
const crypto = require('crypto');

function secureRandom() {
  const buffer = crypto.randomBytes(4);
  return buffer.readUInt32BE(0) / 0xFFFFFFFF;
}

// 用 secureRandom() 取代 Math.random()
const random = secureRandom() * totalWeight;

但我的建議是：別過度設計。Math.random() + 完整的執行日誌 + 透明的過程，已經足以建立信任。我辦過 10+ 次活動，從來沒有人質疑過隨機性，反而都在討論「怎麼這麼剛好是他中獎」（這正是隨機的本質）。

Q2: 可以設定不同獎項的中獎機率嗎？

A: 可以！有兩種方式。

方式 1：調整權重

在「參加名單」的「權重」欄位調整數值：

方式 2：分層抽獎

建立多個工作流，每個獎項用不同的參加名單：

我個人建議用方式 1（調整權重），因為只需要維護一個工作流，也更容易追溯。如果要調整規則，只要修改 Google Sheets 的權重欄位即可。

Q3: 如何防止有人事後質疑「你重抽了好幾次才選出這個結果」？

A: 這正是我們設計「執行日誌」的原因。每次執行 n8n 工作流，都會產生一個唯一的 Execution ID，而且 n8n 會記錄完整的執行歷史（包括每個節點的輸入輸出）。

防作弊機制：

  1. 在抽獎前公告「執行日誌」的存在，告訴參與者「所有執行記錄都會被保留」
  2. 在抽獎後公開執行日誌（Google Sheets 的「執行日誌」工作表）
  3. 如果有人質疑，可以出示 n8n 的 Execution History，證明只執行了一次

實務上，我會在抽獎前投影出 Google Sheets 的「執行日誌」工作表，讓大家看到「目前只有 X 次執行記錄」。抽獎後立刻重新整理，讓大家看到「新增了 1 筆記錄」。這個透明的過程本身就是最好的防作弊機制。

如果你想要更嚴格的防護，可以加上 區塊鏈時間戳記（例如用 OpenTimestamps），但對於尾牙這種場景，真的沒必要。

Q4: 如果參加名單很多（例如 1000+ 人），會不會有效能問題？

A: 不會。 我實測過 5000 人的名單，n8n 工作流執行時間不到 2 秒。瓶頸通常不在計算，而在 Google Sheets 的讀寫速度。

效能優化建議：

  1. 使用 Range 限制讀取範圍：不要用 A:F（讀取整欄），改用 A2:F5000（只讀取有資料的部分）
  2. 分批處理：如果有 10000+ 人，考慮用 Split In Batches 分批讀取
  3. 快取得獎記錄：用 Set 節點把已中獎者的 ID 快取起來，避免每次都重新讀取 Google Sheets

但實務上，大部分公司尾牙不會超過 1000 人，所以直接用最簡單的寫法就好。不要過早優化。

Q5: 可以整合到 LINE Bot 或 Slack Bot，讓參與者自己查詢中獎結果嗎？

A: 可以！這是進階功能，但不難實作。

實作方式：

LINE Bot 版本：

  1. 建立一個新的 n8n 工作流：「查詢中獎記錄」
  2. 用 Webhook 接收 LINE Bot 的訊息
  3. 從訊息中提取使用者的員工編號或姓名
  4. 查詢 Google Sheets 的「得獎記錄」
  5. 回傳結果：「恭喜你中了 XX 獎！」或「很遺憾，你尚未中獎」

Slack Bot 版本：

用 Slack Slash Command（例如 /lottery check）觸發 n8n 工作流。

我自己在社群活動中用過 LINE Bot 版本，效果很好。參與者可以私下查詢，不用在公開場合問「我有沒有中獎」（有些人覺得這樣很尷尬）。

Q6: 可以用這個工具做「抽學員回答問題」或「隨機分組」嗎？

A: 可以！這個工具的核心是「從名單中隨機抽取」，所以適用於任何需要隨機選擇的場景。

應用場景：

我在教學場景中最常用的是「抽學員回答問題」。把這個工作流投影在大螢幕上，點擊 Manual Trigger，1 秒後螢幕顯示被抽中的學員名字。這個視覺效果比老師自己喊名字好太多了，學員也覺得很公平。

Q7: 這個工具可以用在什麼商業場景？有法律問題嗎？

A: 這個工具適用於非營利性的內部活動（例如公司尾牙、社群聚會）和教育場景（例如課堂抽問）。如果你要用在營利性的公開抽獎活動（例如促銷抽獎、彩券），需要注意當地的法律規定。

台灣的規定：

我的建議是：如果只是公司內部活動或社群聚會，這個工具完全沒問題。但如果要用在對外的商業促銷，建議先諮詢法律顧問。第一次沒做好或是聽不懂，代表你是正常人！法律問題很複雜，專業的事交給專業的人。

🎯 下一步行動

如果你想在公司尾牙、社群活動或教學場景中使用這個抽獎工具，接下來可以這樣做：

  1. 建立 Google Sheets：按照 Step 1 的格式建立「參加名單」、「得獎記錄」、「執行日誌」三個工作表
  2. 複製 n8n 工作流：按照 Step 2-8 建立完整的抽獎工作流（或直接匯入我提供的 JSON 模板）
  3. 測試執行：用少量測試資料（例如 5 個人）執行抽獎，確認邏輯正確
  4. 調整通知方式：根據你的需求選擇 Slack / LINE / 大螢幕投影
  5. 正式使用：匯入真實的參加名單，在活動當天執行抽獎

大家記得，第一次沒做好或是聽不懂，代表你是正常人！n8n 工作流的設計需要一點時間熟悉，但一旦設定好，就能重複使用無數次。

如果你在實作過程中遇到問題，歡迎到 Skool 社群發問，我和 500+ 學員都會幫你解答。

🔗 相關資源

n8n 基礎教學：

實戰應用案例：

外部資源：

本文改編自 n8n 課程模組「尾牙抽獎小工具」，由 Alex Hsieh 撰寫。結合實戰經驗，提供完整的抽獎系統實作指南。最後更新：2026-02-11

### 10. n8n 最強個人助理範本｜打造你的 AI 私人秘書 **URL:** https://cloud-f1.com/blog/n8n-personal-assistant **Published:** 2026-01-04 | **Read Time:** 18 | **Category:** 應用案例

專業導讀

你有沒有遇過這種情況？每天早上打開電腦，先花 30 分鐘查看行事曆、待辦事項、未讀郵件、Slack 訊息，然後才開始真正的工作。如果有一個 AI 助理能幫你統整這些資訊，用自然語言回答你「今天有什麼重要的事？」、「幫我排一個會議」、「這週的郵件有哪些需要回覆？」，會不會節省大量時間？

今天要跟大家分享的，是我在 n8n 課程裡最受歡迎的實戰範本 — 最強個人助理。這個 workflow 整合了 Google Calendar、Notion、Gmail、LINE，讓你可以用對話的方式管理所有工作，就像擁有一個 24/7 待命的私人秘書。

你將學到

🎯 什麼是 AI 個人助理？

AI 個人助理是一個整合多項生產力工具的對話機器人，你可以用自然語言指揮它查詢資訊、執行任務、管理行程，而不需要打開一堆不同的 App 或網頁。 它的核心是 AI Agent 架構：當你說「今天下午有空嗎？」，AI 會判斷需要查詢行事曆，自動呼叫 Google Calendar API，然後用人類語言回覆你。

這個概念跟 ChatGPT 的 GPTs 或 Claude 的 Projects 類似，但最大的差別是：你完全掌控資料流向和服務整合。你的行事曆資料不會經過 OpenAI 或 Anthropic 的伺服器，所有 API 呼叫都在你自己的 n8n 裡執行。對於處理敏感業務資料的人來說，這是巨大的優勢。

💡 Alex 的觀察

過去一年我輔導了超過 500 位學員使用 n8n，其中最常見的需求之一就是「自動化個人工作流」。大家想要的不只是單一任務自動化（例如自動轉發郵件），而是一個能理解情境、幫我做決策的助理。

為什麼個人助理是 AI Agent 的最佳應用場景？

  1. 多工具整合的必要性：你的一天會用到行事曆、待辦清單、郵件、筆記、通訊軟體，沒有一個單一工具能滿足所有需求。個人助理需要「跨工具協作」，這正是 AI Agent 擅長的。
  2. 自然語言的強大：比起記住每個工具的操作邏輯（Notion 的 database query、Google Calendar 的時區轉換），用自然語言說「明天早上 10 點提醒我開會」更直覺。
  3. 客製化的彈性：每個人的工作流不一樣。有人重度依賴 Notion，有人用 Todoist，有人用 Microsoft To Do。AI Agent 架構讓你可以自由替換底層工具，對話介面保持不變。

我的實際使用經驗

我自己每天早上 8 點會用這個助理問：「今天有什麼安排？」它會告訴我：

這個流程如果手動做，需要打開 Google Calendar、Notion、Gmail 三個分頁，切換來回至少花 5 分鐘。現在只需要在 LINE 裡問一句話，10 秒內得到答案。一個月累積下來，我省了超過 2 小時的「資訊彙整時間」。

誠實的限制與建議

這個系統不是萬能的，有一些限制你需要知道：

  1. API 呼叫成本：每次對話會呼叫 GPT-4 API（約 $0.01-0.03），如果你一天問 50 次，一個月會花 $15-45。我的建議是用 GPT-3.5-turbo 處理簡單查詢（$0.001），只有複雜任務才用 GPT-4。
  2. 回應速度 2-5 秒：因為需要呼叫多個外部 API（GPT-4 → Google Calendar → 回傳），不像真人助理能立即回答。但對非即時性任務來說，這個速度是可接受的。
  3. 需要 API 權限：Google、Notion、Gmail 都需要 OAuth 授權。如果你的公司 IT 政策限制 API 存取，這個方案可能不適用。
  4. AI 理解有限：當你的指令很模糊（例如「幫我處理那件事」），AI 可能猜錯。建議指令盡量明確，例如「把明天下午 3 點的會議改到 4 點」。

簡單來說，個人助理適合處理結構化的重複任務（查詢、新增、修改），不適合需要深度思考的決策。它不會幫你寫報告或做策略規劃，但它能把瑣碎的管理工作自動化，讓你專注在真正重要的事情上。

🔧 Step by Step 建置教學

這個系統分成三個層次：對話介面 → AI 大腦 → 工具整合。我會從最簡單的版本開始，逐步加入複雜功能。

📋 準備工作：你需要哪些服務？

必須：

可選（至少選 2 個）：

我建議新手先從「LINE + GPT-3.5 + Google Calendar」開始，功能簡單但足夠展示完整流程。

🚀 階段一：建立對話入口（LINE Bot）

Step 1: 建立 LINE Messaging API

  1. 前往 LINE Developers Console
  2. 建立新的 Provider 和 Messaging API Channel
  3. 在「Messaging API」頁籤取得兩個重要資訊：
  4. 在「Webhook settings」裡設定 Webhook URL（等等會用 n8n 產生）

Step 2: 在 n8n 建立 Webhook 接收節點

  1. 新增一個 Webhook 節點
  2. HTTP Method 選擇「POST」
  3. Path 設定為 /line-assistant
  4. 複製產生的 Webhook URL（類似 https://你的n8n網址/webhook/line-assistant）
  5. 回到 LINE Developers Console，把這個 URL 貼到 Webhook URL 欄位

Step 3: 測試接收訊息

用你的 LINE 掃描 Channel 的 QR Code，加入這個 Bot，然後傳送一則訊息「測試」。

回到 n8n，你應該會在 Webhook 節點看到接收到的資料，類似：

{
  "events": [
    {
      "type": "message",
      "message": {
        "type": "text",
        "text": "測試"
      },
      "replyToken": "xxxxx"
    }
  ]
}

如果看到這個，代表對話入口建立成功！

🧠 階段二：加入 AI 大腦（GPT-4 Function Calling）

這是整個系統的核心。我們要讓 GPT-4 理解使用者的指令，並自動選擇該呼叫哪個工具。

Step 4: 定義工具清單（Functions）

在 n8n 加入一個「HTTP Request」節點，呼叫 OpenAI Chat Completions API：

{
  "model": "gpt-4-turbo-preview",
  "messages": [
    {
      "role": "system",
      "content": "你是一個個人助理，可以幫使用者管理行事曆、待辦事項、郵件。當使用者詢問時，你需要選擇適當的工具來回答。"
    },
    {
      "role": "user",
      "content": "{{ $json.events[0].message.text }}"
    }
  ],
  "functions": [
    {
      "name": "get_calendar_events",
      "description": "取得使用者的行事曆事件",
      "parameters": {
        "type": "object",
        "properties": {
          "date": {
            "type": "string",
            "description": "日期，格式 YYYY-MM-DD"
          }
        },
        "required": ["date"]
      }
    },
    {
      "name": "create_calendar_event",
      "description": "在行事曆新增事件",
      "parameters": {
        "type": "object",
        "properties": {
          "title": {
            "type": "string",
            "description": "事件標題"
          },
          "start_time": {
            "type": "string",
            "description": "開始時間 ISO 8601 格式"
          },
          "duration_minutes": {
            "type": "number",
            "description": "持續時間（分鐘）"
          }
        },
        "required": ["title", "start_time", "duration_minutes"]
      }
    }
  ],
  "function_call": "auto"
}

重點說明：

Step 5: 判斷 GPT-4 的回應類型

GPT-4 有兩種回應方式：

  1. 直接回答：message.content 有內容（例如「今天是星期三」）
  2. 呼叫工具：message.function_call 有內容（例如 {name: "get_calendar_events", arguments: "{\"date\": \"2026-02-11\"}"}）

在 n8n 加入一個「Switch」節點，根據 {{ $json.choices[0].message.function_call }} 是否存在來分流。

🔌 階段三：整合實際工具

Step 6: 串接 Google Calendar

當 GPT-4 決定呼叫 get_calendar_events 時，我們需要真的去 Google Calendar 抓取資料。

  1. 在 n8n 加入「Google Calendar」節點
  2. Operation 選擇「Get All」
  3. Calendar 選擇「Primary」
  4. Time Min 設定為 {{ $json.choices[0].message.function_call.arguments.date }}T00:00:00Z
  5. Time Max 設定為 {{ $json.choices[0].message.function_call.arguments.date }}T23:59:59Z

這個節點會回傳當天所有行事曆事件。

Step 7: 把結果回傳給 GPT-4

我們需要把 Google Calendar 的結果再送回給 GPT-4，讓它用自然語言總結。

加入另一個「HTTP Request」節點（呼叫 OpenAI）：

{
  "model": "gpt-4-turbo-preview",
  "messages": [
    {
      "role": "system",
      "content": "你是一個個人助理。"
    },
    {
      "role": "user",
      "content": "今天有什麼行程？"
    },
    {
      "role": "function",
      "name": "get_calendar_events",
      "content": "{{ $json.body }}"
    }
  ]
}

注意：這次不傳 functions，因為我們只需要 GPT-4 總結資料，不需要再呼叫工具。

Step 8: 回覆到 LINE

最後，把 GPT-4 的總結回傳到 LINE。加入「HTTP Request」節點：

POST https://api.line.me/v2/bot/message/reply
Headers:
  Authorization: Bearer {你的Channel Access Token}
Body:
{
  "replyToken": "{{ $json.events[0].replyToken }}",
  "messages": [
    {
      "type": "text",
      "text": "{{ $json.choices[0].message.content }}"
    }
  ]
}

📊 階段四：加入更多工具（進階）

基本架構完成後，你可以用相同的方法加入更多工具：

Gmail 整合：

Notion 整合：

資訊查詢：

每個工具都遵循同樣的模式：

  1. 在 GPT-4 的 functions 陣列定義
  2. 在 n8n 建立對應的 API 呼叫節點
  3. 把結果回傳給 GPT-4 總結

📊 比較分析：不同實作方案

很多人問我，為什麼不直接用 ChatGPT 的 GPTs 或 Zapier 的 AI Actions？這張表幫你快速比較：

比較項目 n8n AI Agent ChatGPT GPTs Zapier AI Actions Microsoft Power Automate
成本 API 費用（$10-50/月） $20/月（Plus） $20-50/月 $15/月（Premium）
資料隱私 ✅ 完全掌控 ⚠️ 經過 OpenAI ⚠️ 經過 Zapier ⚠️ 經過 Microsoft
工具彈性 ✅ 任意串接 ❌ 限定 Actions ⚠️ 限定 Zaps ⚠️ 限定 Connectors
對話介面 LINE/Telegram/Slack ChatGPT 網頁 需自建 Teams
Function 數量限制 無限制 最多 100 個 Actions 依方案限制 依方案限制
客製化程度 ⭐⭐⭐⭐⭐ ⭐⭐ ⭐⭐⭐ ⭐⭐⭐
技術門檻 ⭐⭐⭐（需懂 API） ⭐（最簡單） ⭐⭐ ⭐⭐⭐
回應速度 2-5 秒 1-3 秒 3-8 秒 5-10 秒
離線運行 ✅（本地部署） ❌ ❌ ❌
錯誤處理 ✅ 完整控制 ⚠️ 有限 ⚠️ 有限 ⚠️ 有限

我的選擇建議

  1. 你重視隱私且懂技術 → n8n AI Agent（資料不外流，完全客製）
  2. 你只需要簡單整合 → ChatGPT GPTs（最快上手，適合個人使用）
  3. 你已經是 Zapier 用戶 → Zapier AI Actions（與現有 Zaps 整合方便）
  4. 你的公司用 Microsoft 365 → Power Automate（Teams 整合好）

✅ 重點整理

  1. AI 個人助理是 AI Agent 的最佳應用，因為它需要跨工具協作、自然語言理解、情境判斷，這些都是 LLM 的強項。
  2. Function Calling 是核心技術，讓 GPT-4 能自動決定該呼叫哪個工具，而不需要人工寫 if-else 邏輯。
  3. 對話介面選擇 LINE 或 Telegram，因為它們免費、易用、支援 Webhook，而且使用者體驗好（不需要另外裝 App）。
  4. 成本控制很重要，用 GPT-3.5-turbo 處理簡單查詢（$0.001/次），只有複雜任務才用 GPT-4（$0.03/次）。
  5. 資料隱私是最大優勢，你的行事曆、郵件、待辦清單都在你自己的 n8n 裡處理，不會經過 OpenAI 或其他第三方伺服器。
  6. 從小範圍開始，先整合 1-2 個工具（例如行事曆 + 待辦清單），穩定運行後再逐步加入更多功能。

❓ 常見問題 FAQ

Q1: 需要哪些 API 權限？我該如何申請？

A: 依照你要整合的服務，需要以下權限：

Google Calendar（必須）：

  1. 前往 Google Cloud Console
  2. 建立新專案 → 啟用 Google Calendar API
  3. 建立 OAuth 2.0 憑證 → 授權範圍選擇 https://www.googleapis.com/auth/calendar
  4. 在 n8n 加入 Google Calendar Credentials，完成 OAuth 流程

Gmail（可選）：

  1. 在同一個 Google Cloud 專案啟用 Gmail API
  2. 授權範圍選擇 https://www.googleapis.com/auth/gmail.modify（讀取與發送）
  3. 在 n8n 加入 Gmail Credentials

Notion（可選）：

  1. 前往 Notion Integrations
  2. 建立新 Integration → 複製 Internal Integration Token
  3. 在你的 Notion Workspace 裡，打開要整合的 Database → 右上角「...」 → 「Add connections」 → 選擇你的 Integration

LINE Messaging API（必須）：

  1. 前往 LINE Developers
  2. 建立 Provider → 建立 Messaging API Channel
  3. 取得 Channel Secret 和 Channel Access Token
  4. 設定 Webhook URL（指向你的 n8n）

所有這些 API 都是免費的（Google 和 LINE 都有免費額度，對個人使用來說綽綽有餘）。

Q2: 可以用中文對話嗎？會不會理解錯誤？

A: 完全可以，而且 GPT-4 的中文理解能力非常好。但有幾個小技巧能提升準確度：

技巧 1：System Prompt 用中文

{
  "role": "system",
  "content": "你是一個個人助理，專門幫台灣使用者管理行事曆和待辦事項。時間格式請用台灣習慣（例如「下午 3 點」而非「15:00」）。"
}

技巧 2：Function Description 用中文

{
  "name": "get_calendar_events",
  "description": "查詢使用者的行事曆。可以查詢特定日期（例如「今天」、「明天」、「這週五」）的所有事件。"
}

技巧 3：時間解析要明確

我實測過上百次對話，GPT-4 對中文的理解準確率超過 95%。只有在非常模糊的情境（例如「那件事」、「他」）才會需要追問。

Q3: 會不會洩漏個人資料？如何確保安全？

A: 這是最常被問的問題，也是 n8n 方案最大的優勢。讓我們逐層分析：

資料流向：

  1. 使用者在 LINE 傳送訊息 → LINE 伺服器轉發到你的 n8n Webhook
  2. n8n 把訊息內容傳給 OpenAI API（只有對話內容，不包含你的行事曆資料）
  3. GPT-4 決定要呼叫 get_calendar_events
  4. n8n 直接呼叫 Google Calendar API（這一步不經過 OpenAI）
  5. n8n 把結果總結後回傳到 LINE

關鍵：你的行事曆、郵件、待辦清單的完整資料不會傳給 OpenAI。OpenAI 只會收到：

進階安全措施（給資安敏感的人）：

  1. 使用本地部署的 LLM：如果你完全不想用 OpenAI，可以改用本地的 Ollama + Llama 3，或 Azure OpenAI（資料留在你的 Azure 租戶）。
  2. 資料遮罩：在傳給 GPT 之前，先把姓名、Email 等敏感資訊替換成代號（例如「A 客戶」、「user@example.com」）。
  3. 審計日誌：在 n8n 加入「Database」節點，記錄所有 API 呼叫的時間、使用者、操作類型，方便日後稽核。

我自己的設定是：GPT-4 處理所有查詢，但敏感操作（例如發送郵件、刪除事件）需要二次確認，不會自動執行。

Q4: 這個系統的成本是多少？有沒有便宜的替代方案？

A: 成本主要來自 OpenAI API，讓我幫你算一下：

假設情境：你每天問個人助理 20 次問題

方案 1：全部用 GPT-4

方案 2：混合使用（我的建議）

方案 3：完全免費（用本地 LLM）

其他成本：

總結：如果你用方案 2（混合），每月總成本約 $2-5。如果你用雲端版 n8n，加上去是 $22-25/月。相比請一個真人助理（時薪 $150 起跳），這個投資報酬率超級高。

Q5: 我該如何判斷什麼時候用 GPT-3.5，什麼時候用 GPT-4？

A: 這是成本優化的關鍵。我的判斷邏輯是：

用 GPT-3.5-turbo 的情境（簡單、明確、單一工具）：

用 GPT-4 的情境（複雜、多步驟、需要推理）：

實作方法：在 n8n 加入一個「Code」節點，根據關鍵字判斷：

const userMessage = $input.item.json.message.text;
const simpleKeywords = ['今天', '查詢', '有什麼', '列出', '顯示'];
const complexKeywords = ['總結', '分析', '規劃', '建議', '比較'];

if (complexKeywords.some(kw => userMessage.includes(kw))) {
  return { model: 'gpt-4-turbo-preview' };
} else {
  return { model: 'gpt-3.5-turbo' };
}

這個策略能讓你的成本降低 60-70%，同時保持高品質的回應。

Q6: 如果某個服務掛掉（例如 Google Calendar API 回傳錯誤），系統會怎樣？

A: 這是生產環境必須考慮的問題。我的錯誤處理策略有三層：

第一層：Retry 機制 在 n8n 的 HTTP Request 節點設定：

大部分暫時性錯誤（網路抖動、API Rate Limit）都能靠重試解決。

第二層：降級回應 如果 Google Calendar API 持續失敗，不要讓整個系統卡住，改為回覆：

「抱歉，目前無法連線到行事曆服務。你可以直接到 Google Calendar 查看，或稍後再試一次。」

實作方法：在 Google Calendar 節點後面加一個「Error Trigger」節點，捕捉錯誤並回傳預設訊息。

第三層：健康檢查 每小時自動測試所有 API 是否正常，如果發現異常，發送通知到你的 Slack 或 Email。

// n8n Code 節點
const services = ['Google Calendar', 'Gmail', 'Notion'];
const healthStatus = [];

for (const service of services) {
  try {
    // 呼叫該服務的 health check endpoint
    const response = await $http.request({url: service.healthUrl});
    healthStatus.push({service, status: 'OK'});
  } catch (error) {
    healthStatus.push({service, status: 'FAILED', error: error.message});
  }
}

return healthStatus;

這三層防護能確保你的個人助理有 95% 以上的可用性。

🎯 下一步行動

恭喜你讀到這裡！現在你已經理解 AI 個人助理的完整架構。接下來我建議你：

立即動手：

  1. 先建立最簡單的版本：LINE Bot + GPT-3.5 + Google Calendar（只有查詢功能）
  2. 測試一週，觀察你最常問哪些問題
  3. 根據實際需求，逐步加入 Gmail、Notion、天氣查詢等功能

深入學習：

課程資源：

大家記得，打造個人助理不是一天完成的。先從小範圍開始，慢慢加入功能，最終你會有一個完全客製化、完美符合你工作流的 AI 秘書。希望這篇對你有幫助！

🔗 相關資源

內部資源

外部資源

本文改編自 n8n 課程模組「最強個人助理範本」，由 Alex Hsieh 撰寫。最後更新：2026-02-11

### 11. n8n RSS 新聞摘要自動化｜AI 每日整理時事重點 + LINE 推送完整教學 **URL:** https://cloud-f1.com/blog/n8n-rss-news-summary **Published:** 2026-01-04 | **Read Time:** 13 | **Category:** 應用案例

專業導讀：n8n RSS 新聞摘要自動化教學

💡 本文重點: 用 n8n 打造每日新聞摘要自動化工作流——定時收集多個 RSS 來源、AI 篩選關鍵新聞並生成摘要、最後透過 LINE 或 Email 推送到你手上。從此不再被資訊焦慮綁架，每天 5 分鐘掌握重點。

你將學到

🎯 什麼是 n8n RSS 新聞摘要自動化？

n8n RSS 新聞摘要自動化是利用 n8n 工作流定時收集多個 RSS Feed 來源，透過 AI 篩選並生成重點摘要，再自動推送到 LINE 或 Email 的資訊整理方案。 每天花不到 5 分鐘就能掌握你關心領域的最新動態，從此不用在幾十個網站之間來回切換。

你有沒有遇過這種情況？早上打開電腦，TechCrunch 有 30 篇新文章、The Verge 有 20 篇、經濟日報有 50 篇、還有 Twitter/X 上無數條推文。你想要跟上最新趨勢，但光是瀏覽標題就要花 30 分鐘，認真讀完更是不可能的任務。

更糟糕的是，你可能花了 30 分鐘，結果真正有用的資訊只有 3-5 則。剩下的都是廣告、軟文、或者跟你無關的內容。這就是典型的「資訊焦慮」——你不是缺資訊，你是缺一個幫你篩選重點的系統。

這個 n8n 工作流就是你的私人新聞助理。它每天自動幫你收集、篩選、摘要，然後把精華直接推到你的 LINE 上。你起床滑一下手機，5 分鐘就能掌握今天該知道的事。

💡 Alex 的觀察：我如何用 RSS 自動化打造個人情報系統

我的觀察是這樣的——在 AI 時代，資訊的獲取成本已經趨近於零。但你的注意力是有限的，所以真正的競爭力不是「知道多少」，而是「多快知道重要的事」。

我自己每天都在用這個工作流。 我追蹤大概 15 個 RSS 來源：n8n 官方部落格、OpenAI Blog、Hacker News、The Verge、以及幾個台灣的科技媒體。每天早上 7 點，n8n 自動跑一輪，然後把摘要推到我的 LINE。我在通勤時就能看完，整個過程不超過 5 分鐘。

三個我從長期使用學到的事：

  1. Prompt 設計決定摘要品質：一開始我的 Prompt 只是「請幫我摘要以下新聞」，結果摘要又臭又長。後來我改成「用繁體中文、每則新聞 2-3 句話、標注新聞來源和重要程度」，品質提升了 10 倍。Prompt 設計真的是 AI 自動化的核心技能（想學更多可以看 ChatGPT 7 個實用技巧）。

  2. 少即是多：一開始我追蹤了 30 個 RSS 來源，結果每天收到一大堆資訊，反而看不完。後來我把來源精簡到 15 個，加上關鍵字篩選，每天收到的摘要大概 10-15 則，剛好是我能在 5 分鐘內消化的量。

  3. AI 篩選 > 人工篩選：我試過用 Filter 節點的關鍵字篩選，但效果不好——很多重要新聞標題裡不一定有你設定的關鍵字。改用 AI 篩選（讓 GPT 判斷「這則新聞是否跟 AI 自動化相關」）之後，命中率從 60% 提升到 90%。

這個方法的缺點是：RSS 不是所有網站都支援。有些網站（特別是社群媒體）不提供 RSS Feed，或者 RSS 只有標題沒有全文。這種情況你需要搭配爬蟲（參考 n8n 爬蟲實戰教學）或用 API 來補足。另外，AI 摘要偶爾會漏掉一些細節，如果某則新聞很重要，建議點進原文看完整內容。

💡 為什麼你需要 RSS 新聞摘要自動化？

大家可以想想看，每天花在「瀏覽新聞」上的時間有多少？根據統計，知識工作者平均每天花 28% 的時間在處理和搜尋資訊。如果你每天工作 8 小時，那就是 2.2 小時花在「找資訊」上。

用 n8n RSS 自動化，你可以得到三個好處：

  1. 時間效率：從每天 30-60 分鐘的新聞瀏覽，縮短到 5 分鐘的精華摘要。一個月省下 10-20 小時。

  2. 不遺漏重點：AI 24 小時不間斷監控，你設定好的來源它都會看，不會因為「太忙沒時間看」而錯過重要消息。

  3. 客製化情報：你可以完全掌控追蹤的來源和篩選條件。追蹤 AI 趨勢、競爭對手動態、產業新聞——你說了算，不是演算法說了算。

🔧 Step-by-Step 教學：打造 RSS 新聞摘要工作流

前置準備

完整工作流架構

Schedule Trigger (每天 7:00)
  → RSS Feed Read (收集多個來源)
    → Filter / AI 篩選 (關鍵字 + AI 判斷)
      → OpenAI GPT (生成摘要)
        → 格式化 (Markdown / HTML)
          → LINE Notify / Email (推送)

Step 1：Schedule Trigger — 每日定時執行

第一步是設定定時觸發器，讓工作流每天固定時間自動跑。

節點設定：

  1. 在 n8n 畫布上新增一個 Schedule Trigger 節點
  2. 設定執行時間：
Schedule Trigger 設定：
- Trigger: Cron
- Expression: 0 7 * * * (每天早上 7:00)
- Timezone: Asia/Taipei

小技巧：選擇你通常起床後 30 分鐘的時間。這樣你一打開手機，摘要已經準備好等你了。如果你需要更即時的更新，可以改成每 4 小時執行一次（0 7,11,15,19 * * *）。

Step 2：RSS Feed Read — 收集多個新聞來源

接下來用 RSS Feed Read 節點收集新聞。如果你有多個來源，可以用多個 RSS 節點平行處理，再用 Merge 節點合併。

節點設定：

  1. 新增 RSS Feed Read 節點
  2. 設定 RSS Feed URL

推薦的 RSS 來源：

類別 來源 RSS URL
AI/Tech TechCrunch AI https://techcrunch.com/category/artificial-intelligence/feed/
AI 研究 OpenAI Blog https://openai.com/blog/rss.xml
開發者 Hacker News https://hnrss.org/newest?points=100
台灣科技 iThome https://www.ithome.com.tw/rss
n8n 官方 n8n Blog https://blog.n8n.io/rss/

如果有超過 3 個來源，建議用以下架構：

Schedule Trigger
  ├→ RSS Feed Read (來源 1)
  ├→ RSS Feed Read (來源 2)
  └→ RSS Feed Read (來源 3)
      ↓
  Merge Node (合併所有結果)

Step 3：Filter — 關鍵字篩選（選配）

收集到的新聞可能有幾十甚至上百則。用 Filter 節點做第一輪篩選，只保留你關心的主題。

節點設定：

  1. 新增 Filter 節點（或 IF 節點）
  2. 設定篩選條件：
// 篩選條件：標題或內容包含以下關鍵字
const keywords = ['AI', 'automation', 'n8n', 'LLM', 'agent', '自動化', '人工智慧'];
const title = $json.title.toLowerCase();
const content = ($json.contentSnippet || '').toLowerCase();

return keywords.some(kw =>
  title.includes(kw.toLowerCase()) || content.includes(kw.toLowerCase())
);

這邊要特別注意——關鍵字篩選是精確匹配，可能會漏掉一些相關但沒有包含關鍵字的新聞。如果你希望更精準，可以在下一步用 AI 來做語意篩選（讓 GPT 判斷每則新聞是否相關），但 API 成本會稍高一些。

Step 4：OpenAI GPT — AI 生成摘要

這是工作流的核心步驟。把篩選後的新聞丟給 GPT，讓它生成簡潔的中文摘要。

節點設定：

  1. 新增 OpenAI 節點
  2. Model 選擇 gpt-4o-mini（性價比最高）
  3. System Prompt：
你是一位專業的新聞摘要助手。請根據以下新聞列表，完成：

1. 從重要性排序（最重要的排最前面）
2. 每則新聞用 2-3 句繁體中文摘要重點
3. 標注新聞來源和發布時間
4. 在摘要前加上重要程度：🔴 重要 / 🟡 值得關注 / 🟢 一般

輸出格式：
📰 今日 AI/科技新聞摘要（{{日期}}）

🔴 [標題]
摘要內容。
來源：xxx | 時間：xxx

🟡 [標題]
摘要內容。
來源：xxx | 時間：xxx

最後一行加上：「共 N 則新聞，完整版請點原文連結 📎」
  1. User Message：把所有篩選後的新聞標題和內容拼接傳入
// 在 OpenAI 節點前加一個 Code 節點，彙整所有新聞
const articles = $input.all().map((item, i) => {
  return `【${i+1}】${item.json.title}\n${item.json.contentSnippet || item.json.description}\n來源：${item.json.creator || 'Unknown'}\n連結：${item.json.link}\n`;
}).join('\n---\n');

return [{ json: { articles } }];

小技巧：用 GPT-4o-mini 而不是 GPT-4o，因為新聞摘要不需要最強的推理能力，但需要處理大量文字。GPT-4o-mini 的成本只有 GPT-4o 的 1/10，對摘要任務來說綽綽有餘。

Step 5：格式化 + LINE / Email 推送

最後一步，把 AI 生成的摘要推送到你的 LINE 或 Email。

LINE Notify 推送：

  1. 新增 HTTP Request 節點
  2. 設定：
Method: POST
URL: https://notify-api.line.me/api/notify
Headers:
  Authorization: Bearer {你的 LINE Notify Token}
Content-Type: application/x-www-form-urlencoded
Body:
  message: {{$json.choices[0].message.content}}

Email 推送（替代方案）：

  1. 新增 Send Email 節點（或 Gmail Send）
  2. 收件人填你自己的信箱
  3. 主題：📰 每日新聞摘要 — {{$now.format('yyyy-MM-dd')}}
  4. 內容：AI 生成的摘要

兩個都設定的話，可以用 Merge 或平行連線同時推送。我自己是 LINE 推簡短版、Email 推完整版（含原文連結）。

先求大概懂，再開始用，最後才能做成功！第一次設定可以先用 1-2 個 RSS 來源測試，確認流程沒問題再慢慢加。

📊 比較分析：n8n RSS 自動化 vs 其他新聞整理方案

比較項目 n8n RSS 自動化 Feedly (Pro) Google Alerts Zapier RSS
月費 免費（自架） $8.25/月起 免費 $29.99/月起
AI 摘要 完全自訂（GPT） AI 摘要（Pro+） 無 需額外串接
推送管道 LINE / Email / Slack / 任意 App 內 + Email Email only Email / Slack
客製化 完全自訂（篩選、Prompt、格式） 有限 關鍵字only 中等
來源數量 無限制 免費版 100 個 1000 個 依方案限制
中文支援 完美（自訂 Prompt） 不錯 一般 一般
離線存取 需自行存檔 App 內支援 無 無
學習門檻 中等（需學 n8n） 低 很低 低

我的建議：

✅ 重點整理

  1. n8n RSS 新聞摘要 = Schedule Trigger + RSS Feed Read + AI 摘要 + LINE/Email 推送，每天自動幫你整理重點
  2. Prompt 設計是關鍵——要求 AI 排序重要性、標注來源、用繁體中文摘要，品質會提升 10 倍
  3. GPT-4o-mini 是最佳選擇——摘要任務不需要最強模型，性價比是 GPT-4o 的 10 倍
  4. 來源不宜過多——精選 10-15 個高品質來源，加上關鍵字篩選，每天 10-15 則剛好
  5. 多管道推送：LINE 推簡短版（通勤看），Email 推完整版（含原文連結）
  6. 從簡單開始：先用 2-3 個 RSS 來源測試，確認流程再慢慢擴充
  7. AI 篩選 > 關鍵字篩選：如果預算允許，用 AI 判斷相關性比硬匹配關鍵字精準很多

不用一次學完，慢慢來比較快。先做一個最簡單的版本，跑起來再說。

❓ 常見問題 FAQ

Q1: 怎麼找到一個網站的 RSS Feed URL？

A: 大多數新聞網站和部落格都有 RSS Feed，但不一定明顯標示。你可以試以下方法：(1) 在網址後面加 /feed/ 或 /rss/ 試試看；(2) 用瀏覽器查看網頁原始碼，搜尋 rss 或 atom；(3) 使用線上工具如 RSS Bridge 或 FetchRSS 來替沒有 RSS 的網站生成 Feed。很多社群媒體（如 Medium、WordPress 部落格）都內建 RSS，只是入口藏得比較深。

Q2: AI 摘要的 API 費用大概多少？

A: 非常便宜。以 GPT-4o-mini 來算，每天處理 50 篇新聞（大約 2 萬 tokens 輸入 + 2000 tokens 輸出），成本大約 $0.005 美元，一個月不到 $0.15 美元（大約台幣 5 元）。即使你用 GPT-4o，一個月也不超過 $1.5 美元。跟你省下的時間相比，這個成本基本可以忽略。

Q3: LINE Notify 要怎麼取得 Token？

A: 很簡單。到 LINE Notify 官網 登入你的 LINE 帳號，點「Generate Token」，選擇要推送到哪個聊天室（個人或群組），就會得到一組 Token。把這個 Token 填到 n8n 的 HTTP Request 節點的 Header 裡就好。整個過程不到 5 分鐘。如果你想要更進階的 LINE 推送（帶圖片、按鈕），可以參考 LINE Message API 教學。

Q4: 可以追蹤中文新聞嗎？AI 能處理繁體中文摘要嗎？

A: 完全沒問題。GPT-4o 和 GPT-4o-mini 的繁體中文能力都非常好。只要在 Prompt 裡明確要求「用繁體中文回覆」，摘要品質就很穩定。中文 RSS 來源也完全支援，像是 iThome、數位時代、商周、經濟日報都有 RSS Feed。唯一要注意的是，有些中文網站的 RSS 只給標題不給全文，這種情況你可能需要加一個 HTTP Request 節點去抓全文。

Q5: 工作流跑到一半失敗怎麼辦？例如某個 RSS 來源掛了？

A: 這是很好的問題。n8n 有幾個內建機制處理這種情況：(1) 在 RSS Feed Read 節點開啟 Continue On Fail 選項，這樣即使某個來源掛了，其他來源的結果仍然會繼續處理；(2) 在工作流設定裡開啟 Error Workflow，當整個工作流失敗時自動發通知給你；(3) 用 IF 節點檢查 RSS 結果是否為空，如果為空就跳過。我自己的做法是「容錯 + 通知」——正常情況繼續跑，出問題了發一則 LINE 通知我。

Q6: 除了新聞，還能用 RSS 追蹤什麼？

A: RSS 的應用比你想像的廣。我自己還用來追蹤：(1) 競爭對手的部落格更新（很多公司部落格有 RSS）；(2) GitHub 專案的 Release 動態（https://github.com/{user}/{repo}/releases.atom）；(3) Reddit 特定子版（https://www.reddit.com/r/{subreddit}/.rss）；(4) 求職資訊（Indeed、LinkedIn 職缺 RSS）；(5) 學術論文（arXiv 有 RSS Feed）。只要有 RSS，n8n 都能幫你自動收集和整理。

🎯 下一步行動

如果你對 RSS 新聞摘要自動化有興趣，建議按照以下順序行動：

  1. 列出你的 RSS 來源：先想好你想追蹤哪 3-5 個網站，找到它們的 RSS URL
  2. 架設 n8n 環境：還沒裝的先看 n8n 零基礎教學
  3. 跟著本文 Step-by-Step 做一遍：從最簡單的「1 個 RSS + Email 推送」開始
  4. 調整 Prompt：跑幾天看看摘要品質，持續優化 AI 的 System Prompt
  5. 擴充來源和推送：確認穩定後，加更多 RSS 來源、加上 LINE 推送

想跟更多人一起學 n8n 自動化？

希望這篇對你有幫助！有問題歡迎在下面留言。

🔗 相關資源

內部延伸閱讀

外部資源

本文改編自 n8n 課程模組，由 Alex Hsieh 撰寫。最後更新：2026-02-11

### 12. OpenAI Agent Builder 教學｜2025 DevDay 三大開發利器完整解析 **URL:** https://cloud-f1.com/blog/openai-agent-builder-guide **Published:** 2025-10-16 | **Read Time:** 15 | **Category:** AI Agent

專業導讀

來了！OpenAI 2025 的 DevDay 真的 Release 了非常多東西。我在這支影片裡特別要介紹 Agent Builder 跟 Agents SDK——它其實重新定義了 Agent 的開發模式。我們的奧特曼想要從 Idea 到 Prompt，讓整個開發過程變得更簡單。

我在影片一開頭就直接 Demo 了成果：我用 Agent Builder 做了一個 n8n 推薦影片的 Agent，只用了兩個 Block——Start 跟 AI Agent。我把我所有影片的逐字稿都放進去，告訴 Agent「有人提問的時候推薦他什麼影片適合學習 n8n」。按下 Preview 以後輸入「請推薦我如何入門」，它就給出了從零到實戰的 n8n 學習路線。非常簡單，不到五分鐘就搞定了。

你將學到

什麼是 OpenAI Agent Builder？

OpenAI Agent Builder 是 OpenAI 在 2025 DevDay 推出的視覺化 AI Agent 開發平台，它就像一個把 Agent 裝進去的視覺化容器介面——就像 n8n 的畫面一樣，用拖拉式介面建立具備工具呼叫、知識檢索和多步驟推理能力的 AI Agent，不需要寫程式碼就能完成部署。

我在影片裡特別花了時間講清楚三個容易搞混的名詞。在 OpenAI 的 AgentKit 裡面，它有三個東西：

  1. ChatKit — 讓你 Building 在網站裡面，直接跟它溝通的。就像一個皮，讓你直接到你的網站可以整合 OpenAI。
  2. Agents SDK — 跑在後台的。我不要看到任何的介面，你只要把它跑起來，可以直接去呼叫工作流，它已經幫你部署好了。一個是皮，一個是裡面在跑的。
  3. Agent Builder — 就是我剛剛把這些 Agent，我要有個視覺化的容器介面把它裝進去的。就像 n8n 的畫面一樣，左邊就提供了這些功能。

所以搞懂這幾個名詞很重要。ChatKit 是前端的皮，Agents SDK 是後台跑的引擎，Agent Builder 是你設計工作流的視覺化編輯器。

為什麼 OpenAI Agent Builder 很重要？

我在影片裡整理了 OpenAI DevDay 裡面大概有四個最主要的重點：

重點一：簡化 AI 開發的過程

OpenAI 要簡化 AI 開發的過程，就是從 AI 到場景的落地。實際上它必須要建構出來，落地到 App 才有人付錢。這是 OpenAI 的戰略方向——不只是提供模型，而是要讓你能快速把 AI 變成產品。

重點二：驚人的使用規模

每一週大概有 8 億人在使用了。這個量很驚人的，大概就是全世界六個人裡面就有一個人使用。這代表 OpenAI 的生態系統已經是最大的。

重點三：完整的開發工具鏈

我的觀點是巨獸要下來跟你玩終端應用，直接面向 to B 的整合。它提供了一整套的工具讓整個原型跟部署會更簡單。Agent Builder 就是一個完整的工具包，從建構、部署到優化，基本上它就要解決三個問題：任務怎麼編排、輸出輸入怎麼做、還有工具跟外部的連結。

重點四：企業級安全功能

這邊我在影片裡特別拉出來講，這其實是在 n8n 上比較薄弱的一塊——所謂的生產級安全跟效能的優化。

Alex 的實戰觀察

我在影片裡直接示範了整個 Agent Builder 的操作，也分享了幾個非常誠實的觀察。

Agent Builder 的節點其實是非常的陽春，不過我相信它在半年內一定會越做越多的。 你要注意跟 n8n 最大的不一樣，其實是它就是 Agent Base——它儘量都是用這種 Agent 的 Building，比較不像 n8n 有個自動化工作流。它比較像 Building。

Agent Builder 裡面的工具整合部分，它提供了四種工具：File Search、Web Search、寫 Code、還有調用外部的 API。這些工具讓你的 Agent 可以跟外部做所有的整合。

但我也要講真話。 關於 MCP 的整合，我在影片裡說得很直接：「也可以用 MCP 去 Call n8n，去 Call Gmail 等等的，但我實作起來我覺得沒有這麼好用。相對來講其實設定上沒有 n8n 這麼簡單。」所以如果你已經在用 n8n，我的建議是繼續用 n8n 做自動化工作流的串接，Agent Builder 拿來做 AI 推理的部分就好。

關於生產級安全——這是 n8n 稍微弱一點的地方：

安全功能 說明 為什麼重要
Guardrails（安全圍欄） 拉出來就可以設定各種防護 防止 Agent 做出危險行為
PII 隱藏 個人資訊可以被隱藏起來（信用卡號、IP、位置、Email） 企業合規必備
幻覺防護 可以用輔助模型去讓幻覺不要出現 提高回答可靠度
越獄防護（Jailbreak Protection） 防止有人在 Prompt 裡種惡意指令把個人資料拿出來 防止資料外洩
自動化評估（Evaluate） 每一步執行了幾次、怎麼做的，完整追蹤 企業級監控必備

這些在企業落地來講是非常重要的一件事，也是 n8n 裡面比較少被提到的部分。

我的結論：Agent Builder 是快速原型開發和企業安全需求的好選擇，但節點的豐富度目前還比不上 n8n。我自己的策略是用 n8n 做工作流，Agent Builder 做 AI 推理，兩者搭配效果最好。

🔧 如何用 Agent Builder 打造 n8n 推薦影片 RAG Agent：步驟教學

好，我在影片的第五個部分就是實作。這邊的速度我們就會慢下來，教大家一步一步怎麼做這個工作流。

Step 1：登入 OpenAI Platform 並進入 Agent Builder

首先到你的 OpenAI Platform 頁面登入。左邊有個 Agent Builder，你會看到其實有一些 Templates 可以做對應的參考，你可以去參考做修改。

我們先做一個最簡單的：開了一個新的推薦影片的 Agent。它一開始的時候會有一個 Start 跟一個 My agent。

左邊的部分你可以去挑選不同的工具做使用：

Model 的部分你也可以選所有的模型。我們就用 GPT-4o 來做。Reasoning Effort 是指說我要不要想多一點、要不要推論久一點。

Step 2：建立 Vector Store 知識庫

這是做 RAG 的關鍵步驟。我在影片裡的操作是：

  1. 點選加號，選擇 File Search
  2. 建立一個 Vector Store（我叫它 Recommend DB）
  3. 到 OpenAI 的 Storage 頁面，選 Vector stores → Create 新的
  4. 取個名字（像 Recommend DB）然後 Save
  5. 上傳你的資料：點 Add Files → 選擇上傳 → 把所有逐字稿全部上傳

我把我所有的影片逐字稿都放進去，放在 OpenAI 裡面的 Storage，做了一個像 Vector DB 一樣的功能。全部放進去，其實是非常簡單非常好用的。

上傳完以後，複製這個 Vector Store 的 ID，回到 Agent Builder 的 File Search 工具裡面貼上去，選擇你的 Recommend DB。

這時候它就會自動幫你做類似 RAG 的事情，全部逐項丟上去。但這邊的使用可能沒有那麼好，它可能只有在檔案的部分，所以還是要看一下它支援的類型。

Step 3：設定 Agent 的 Prompt

我在社群裡面有提供一個 Prompt，複製貼上到 Agent 的 Instructions 裡面。這個 Prompt 在講什麼？它是說請你做一個協助使用者在 Alex 相談室的 YouTube 裡面獲得問題解答的代理，回答問題的時候要搜尋 Vector DB、File store，根據內容來調整回答。

按完就這樣子而已。我先把 MCP 砍掉（因為實測不太好用），然後 Preview。

Step 4：測試你的 RAG Agent

貼上想問的問題，像「請推薦我 n8n 該如何入門」。它就會開始跑了，其實做一個 RAG 蠻快的，沒有什麼太大的問題，蠻簡單的。

結果出來以後你會看到：

所以 RAG 變得非常的簡單，相對入門是很快，而且從零到開始做好其實非常的快。我就是不到五分鐘就搞定了。

Step 5：發布 Agent

測試沒問題之後就要發布了。發布按哪裡？有個 Publish 按鈕，然後你就 Publish 出去，變成 Production 就可以了。左邊會有一個 v1 Production 的部分，點選一下你就會發現這個 Production 其實已經可以使用了。

🔧 如何用 ChatKit 將 Agent 嵌入網站：步驟教學

我在影片的第六個部分教大家怎麼用 ChatKit 嵌入到網站應用。

Step 1：取得 Workflow ID

先打開你剛剛做好的 Workflow，點選 Code 按鈕，這邊會有一個 Workflow ID。先複製，這個最重要，等一下要使用。

Step 2：下載 ChatKit Starter App

到 OpenAI 提供的 ChatKit Starter App 網址把它下載下來。

Step 3：設定環境與執行

# Step 1: 安裝依賴
npm install

# Step 2: 複製環境設定檔
cp .env.example .env.local

# Step 3: 填入你的 Workflow ID 和 OpenAI API Key
# 在 .env.local 裡面設定

# Step 4: 啟動
pnpm run dev  # 或 npm run dev

我在影片裡一步步示範：npm i 裝好以後，Copy 這個 example 變成 env.local，然後把剛剛的 Workflow ID 複製貼上來，再把你的 OpenAI Key 貼上去。跑起來以後複製 localhost:3000，看一下有沒有成功。

Step 4：測試 ChatKit

打開 localhost:3000，你會看到確實有這個 Session，也讀取了。輸入「請推薦我 n8n 該如何入門」，它就會去 Call 背後剛剛這個 Agent Builder 的 Workflow。

結果跟你在 Agent Builder 裡面執行 Preview 的動作一模一樣——會給出差不多的答案，你也會看到它在思考。比如說 n8n 零基礎教學、基礎自動化等等，全部跑出來。

這樣子就讓 ChatKit 可以正確的生效了。

📊 三大方案完整比較

比較維度 Agent Builder Agents SDK ChatKit
定位 視覺化容器介面 後台跑的引擎 前端的皮
目標使用者 非技術人員 / PM 開發者 前端開發者
學習曲線 低（拖拉式） 中（需會寫程式） 低（複製貼上）
客製化程度 中等 高 低（外觀可調）
部署時間 10-30 分鐘 數小時到數天 5 分鐘
Token 效率 較低（多 20-30%） 最高（完全控制） 中等
適合場景 原型驗證、內部工具 生產環境、複雜邏輯 快速上線、MVP
RAG 整合 內建 File Search 彈性自定義 依附 Agent Builder
安全功能 Guardrails、PII、越獄防護 完全自定義 依附 Agent Builder
MCP 整合 有，但設定不如 n8n 簡單 完全支援 不支援
節點豐富度 陽春（持續增加中） 完全自由 N/A
價格 含在 API 費用中 含在 API 費用中 免費（API 費另計）

Agent Builder vs GPTs vs n8n AI Agent

比較維度 Agent Builder GPTs n8n AI Agent
定位 開發者工具 消費者產品 自動化整合
API 存取 完整 無 透過 HTTP
外部工具 File Search + Web Search + Code + API Actions（受限） 200+ 內建節點
安全功能 Guardrails + PII + 越獄防護 基本 需自行建構
效能追蹤 內建 Evaluate 無 需搭配外部工具
費用模式 按 Token 計費 ChatGPT Plus $20/月 開源免費（或雲端方案）
適合對象 開發者 / 企業 一般用戶 自動化工程師

這個很重要——如果你已經在用 n8n，我建議用 n8n 的 AI Agent 節點搭配 OpenAI API 來建 Agent，彈性會比 Agent Builder 大很多。Agent Builder 比較適合你想要一個獨立的、有企業安全需求的 AI Agent 時使用。

✅ 重點整理

  1. OpenAI 2025 DevDay 推出三大工具：Agent Builder（視覺化容器）、Agents SDK（後台引擎）、ChatKit（前端的皮），搞懂這三個名詞的差異是第一步
  2. 每週 8 億人使用 OpenAI——全世界六個人裡面就有一個人，這個生態系統的規模是最大的
  3. Agent Builder 的操作就像 n8n：拖拉式介面，左邊提供功能（File Search、Guardrails、MCP、If/Else 等），但節點目前還是非常陽春
  4. RAG 做起來超快：上傳檔案到 Vector Store，設定 File Search 工具，寫好 Prompt，不到五分鐘就搞定
  5. 生產級安全是 Agent Builder 的優勢：Guardrails、PII 隱藏、幻覺防護、越獄防護、效能追蹤，這些是 n8n 比較薄弱的地方
  6. MCP 整合沒有 n8n 簡單——我實作起來覺得設定上沒有 n8n 好用，所以我的策略是兩者搭配
  7. ChatKit 嵌入網站很方便：npm install → 設定 env → 跑起來，整個過程就是這樣
  8. Agent Builder 的節點半年內一定會越做越多——現在先學概念，未來功能會更完整

常見問題 FAQ

Agent Builder 和 GPTs 有什麼差別？

Agent Builder 是開發者工具，GPTs 是消費者產品，兩者的定位和能力完全不同。 Agent Builder 可以透過 API 整合到任何系統中，有完整的 Function Calling 支援，可以連接向量資料庫做 RAG，還有 Guardrails、PII 隱藏、越獄防護等企業級安全功能。GPTs 則是在 ChatGPT 介面裡使用，功能受限但操作簡單。如果你是要做企業應用或產品整合，一定要選 Agent Builder。

ChatKit、Agents SDK、Agent Builder 三個到底差在哪裡？

一個是皮、一個是裡面在跑的、一個是把它裝進去的容器。 我在影片裡用了很簡單的類比：ChatKit 是前端介面（皮），讓你在網站裡面直接跟 Agent 溝通；Agents SDK 是後台引擎，跑在伺服器上不需要任何介面；Agent Builder 是視覺化的編輯器，就像 n8n 的畫面一樣，讓你拖拉設計工作流。三者可以搭配使用——用 Agent Builder 設計邏輯，Agents SDK 做後端部署，ChatKit 提供前端介面。

Agent Builder 的 RAG 效果好嗎？和自建 Qdrant 比呢？

我自己實測的結果是，Agent Builder 做 RAG 有夠快，而且從零到做好不到五分鐘。 內建的 Vector Store 加上 File Search 工具，上傳檔案就能用。中文內容的檢索準確度大概有 80-85% 左右。和自建 Qdrant 搭配 n8n 相比，Agent Builder 的優勢是方便快速，劣勢是你無法控制 chunking 策略和 embedding 模型的選擇，而且支援的檔案類型有限制。如果你對 RAG 品質有很高的要求，我還是建議用 n8n 搭配 Qdrant 自己建，參考我的 RAG 完整指南。

MCP 整合在 Agent Builder 裡好用嗎？

老實說，我實作起來覺得沒有這麼好用。 我在影片裡也直接講了：「相對來講其實設定上沒有 n8n 這麼簡單。」Agent Builder 裡面可以用 MCP 去 Call n8n、Call Gmail 等等，有 by OpenAI 的也有其他 Developers 的。但如果你已經在用 n8n，我建議自動化工作流的串接繼續用 n8n，比用 Agent Builder 的 MCP 方便很多。我的策略是讓 Agent Builder 專注做 AI 推理，n8n 做外部整合。

Agent Builder 有哪些已知限制？

我在使用過程中觀察到幾點：第一，節點目前非常陽春，功能沒有 n8n 豐富。第二，MCP 設定不如 n8n 簡單好用。第三，Token 消耗比手寫 API 多約 20-30%，使用量大時成本要注意。第四，Agent 資料存在 OpenAI 伺服器，企業資料安全要評估。不過我相信半年內功能一定會越做越多，現在先學會概念和操作流程是最重要的。

可以在 n8n 中使用 Agent Builder 建好的 Agent 嗎？

可以的。 你可以透過 n8n 的 HTTP Request 節點呼叫 Agent Builder 產生的 API endpoint，也可以用 OpenAI 節點搭配 Assistants API 來互動。我自己比較推薦的做法是，用 Agent Builder 做原型驗證，確認邏輯沒問題之後，再用 n8n 的 AI Agent 功能重新建一個，這樣在資料控制和成本優化上會更有彈性。畢竟 n8n 有 200+ 內建節點，外部整合的能力是 Agent Builder 目前比不上的。

🎯 下一步行動

如果你想要自己動手試試看，我建議從 Agent Builder 開始，先建一個簡單的 RAG Agent 練練手。就像我在影片裡示範的那樣，不到五分鐘就搞定了。

每個高手都是從新手開始的，不用一次學完，慢慢來比較快。看完了這支影片，你的 AI 實力又變強囉！

🚀 想學更多 n8n 自動化技巧？ 加入我們的 Skool 社群，和其他自動化愛好者一起學習交流！

🔗 相關資源

YouTube 教學

延伸閱讀

官方文件

✍️ 關於作者：Alex 是一位專注於 n8n 自動化和 AI 應用的技術教育者，透過 YouTube 頻道和 Skool 社群幫助超過數千位學員掌握自動化技能。

### 13. n8n SEO 自動化｜AI Agent 一鍵生成 Meta Title & Description 完整教學 **URL:** https://cloud-f1.com/blog/n8n-seo-ai-agent **Published:** 2025-09-28 | **Read Time:** 14 | **Category:** AI Agent

專業導讀

不囉嗦，今天我要跟你分享一個非常實用的 n8n 工作流：SEO AI Agent。這個工作流可以幫你自動分析網頁的 Meta Title 和 Meta Description，然後用 AI 給出優化建議。

起因是我朋友開了一家汽車修護廠（瑞宏輪胎），他的網站 SEO 做得不太理想。我用瀏覽器打開他的網頁，按下 Inspect 看 HTML 的 Header，發現裡面的 Title 和 Meta Description 都不夠好。Google 的爬蟲就是看這些資訊來判斷你的 SEO 排名的，所以如果這裡沒有優化好，你的搜尋排名就會很差。

我做的這個 SEO AI Agent 的邏輯很簡單：「在這裡我們先 Trigger 我們的工作流，它就會在試算表裡面去讀取狀態還沒有被讀取的網址。只要新增網址，它就會給出對應的 SEO 建議。」它幫你推薦了新的 Meta 標題跟敘述，直接影響你的排名。自動化快速的給出建議，你就串工作流可以去優化你整體的網站。「就這麼簡單。」

本文重點: 用 n8n 搭配 AI Agent，自動爬取網頁 HTML、分析 SEO 問題、批次生成優化的 Meta Title 和 Description。

你將學到

什麼是 SEO Meta 自動化？

SEO Meta 自動化是用 n8n 的 AI Agent 搭配 HTTP Request，自動爬取網頁的 HTML 內容、分析現有的 Meta Title 和 Description，然後用 AI 生成符合 SEO 最佳實踐的優化建議，取代人工逐頁撰寫的繁瑣流程。

我在影片裡面用朋友的汽車修護廠網站當範例來解釋。打開網頁的 Inspect，你會看到 HTML 的 Header 裡面有兩個重要的東西：Title 和 Meta Description。「Google 會怎麼知道你的 SEO 排名？它其實會先來這裡的 Header，去看你裡面的狀態是什麼。」Title 是顯示在搜尋結果上的標題，Meta Description 是「給 Google 的爬蟲來爬你的資訊的」。

為什麼需要自動化

如果你只有一兩個頁面，手動寫 Meta 還可以接受。但像我朋友的網站有好幾個頁面，如果每個都要手動去分析原本的標題、研究關鍵字、重新撰寫，那真的太花時間了。我做的這個工作流可以一次處理多個 URL，自動給出建議，你只要在 Google Sheets 新增網址就好。

Alex 的實戰觀察

我在做這個 SEO AI Agent 的過程中，有幾個很重要的觀察想跟大家分享。

兩種觸發方式的選擇

我在影片裡面設計了兩種 Trigger 方式：

第一種是手動觸發：「第一種就是手動，我點下去就做。」適合你偶爾需要分析幾個 URL 的情境。

第二種是 Google Sheets Trigger：「我每 15 分鐘會來做一次。如果今天只要 URL 這個 Column 新增了，我就會被觸發。」這種方式適合持續性的 SEO 監控，你隨時在試算表新增網址，系統就會自動分析。

我建議剛開始用手動觸發，等你熟悉了再切換到自動觸發。

防爬蟲的 Proxy 備援機制

這是我在影片裡面特別強調的設計。「很多人會死在這一步，拿不到資料的部分。」有些網站會擋爬蟲，你直接用 HTTP Request 去抓 HTML 會失敗。

我的做法是設計一個備援機制：「如果我們今天爬蟲可以成功就往後走，不行就怎樣？用 Proxy。」我使用 Crawlbase 這個代理爬蟲服務作為備援。「它會利用爬蟲去幫我爬，它也會爬到東西。但是我們的預設是這樣子——這要錢。」

也就是說，免費的 HTTP Request 能成功就用免費的，失敗了才動用付費的 Proxy。這個設計可以大幅降低成本。

用 Merge 避免資料流失

我在設計 AI Agent 那一步的時候，特別做了一個 Merge 的動作。為什麼？「因為有時候 AI Agent 或者 ChatGPT 會壞掉，它不回你。不回你怎麼辦？那你就沒東西，你就會把你的資料弄壞。」

所以我的做法是：先把原始資料保留一份，AI Agent 處理完後再用 Merge 合併。這樣即使 AI 那邊出問題，你的原始資料也不會遺失。「通常我都會用 Merge 的方式」，這是我在實戰中養成的習慣。

用小模型省錢

「第一個我們是用 4.1 mini，我們不會用太大的，我們會用比較小的 Model 省錢。」SEO Meta 的生成不需要最強的 AI 模型，GPT-4.1 mini 或 Claude Haiku 就完全夠用了。這種任務重點在於遵循格式和字數限制，而不是需要深度推理。

很多網站根本連 Meta 都沒寫

這是我觀察到的現實。很多台灣中小企業的網站，Meta Title 還是預設的「首頁 - 公司名稱」，Description 完全空白。我朋友的汽車修護廠網站也是類似的情況。在這種情況下，用 AI 生成的 Meta 已經是巨大的進步。不用追求完美，先有比沒有好太多了。

n8n SEO AI Agent 工作流完整教學

我把整個工作流分成四個步驟來講解。每一步我都會說明設計思路和注意事項。

步驟 1：讀取 Google Sheets URL 清單

首先建立一個 Google Sheets，欄位設計如下：

欄位 說明 範例
URL 要分析的網頁網址 https://example.com/about
SEO Keyword 希望強化的關鍵字（選填） 汽車修護 台北
Status 處理狀態 False / True
Original Title 原始 Meta Title（自動填入）
Original Description 原始 Meta Description（自動填入）
Optimized Title AI 優化後的 Title（自動填入）
Optimized Description AI 優化後的 Description（自動填入）

n8n 讀取的時候，我會檢查兩個條件：「第一種狀態是 false 或狀態是空白的。」為什麼要檢查空白？「你有可能剛複製貼上的時候，忘記給它 True 或 False 了。」所以兩個都要檢查，避免遺漏。

讀進來的資料會丟給一個 Loop 處理，「我們會五個五個做，就是從這裡面讀到五個，就會把它一次讀過去。」

步驟 2：HTTP Request 抓取 HTML

拿到 URL 後，用 HTTP Request 去抓整個網頁的 HTML。「左邊給我一個網址，右邊給我 HTML 的檔案。我們看到這一坨——一大堆——我們就全部把它 Passing 下來這樣子。」

我在 Header 有做一些防爬蟲的設定。「因為這是防爬蟲的，我就稍微會做一下。」具體來說就是加上 User-Agent 等 Header，讓請求看起來像正常的瀏覽器行為。

如果 HTTP Request 失敗了：「請你就要從 Error 的地方跑。我們就會去用別的網站的 Proxy，我會用這個 Crawlbase 這個網站。」這個備援機制確保即使遇到防爬蟲的網站，你也能拿到資料。

步驟 3：AI Agent 分析並生成建議

這是整個工作流的核心。「我們可以針對它的 Title 跟 Description，用 AI Agent 的方式去給一些 SEO 的建議。」

User Input 的設計：

我會傳三個資訊給 AI Agent：

  1. URL 是什麼
  2. 爬到的 HTML 完整內容（「很長」）
  3. 如果有指定 SEO Keyword，也會傳進去。「就是我們還有做一個小巧思是，如果今天這個 Meta Data 裡面你有放 SEO Keyword，就是你希望再強化的，它就會幫你跑進去。」

System Prompt 的設計：

「你是一個資深的 SEO 專家，你的任務是什麼，背景知識是什麼。」Prompt 裡面會定義 SEO 的規則、字數限制、關鍵字策略，以及最重要的——輸出格式。

輸出格式的控制：

「我們有要求它給出最後的建議必須要符合這個格式——原本的 Title 跟 Description 是什麼，然後給出的優化。有一個是 Original 就是原始的，這個是優化的。」

我要求 AI 輸出 JSON 格式，包含五個欄位：URL、OriginalTitle、OriginalDescription、OptimizedTitle、OptimizedDescription。

JSON 解析的重要性：

AI 回傳的結果是 JSON 格式，但你不能直接拿來用。「這邊我們會習慣性會跑一個 Json，就是把 Json output 拉出來。」為什麼？「因為在合併的時候，你兩邊資料如果不一致就會有問題。所以這一步跑 Json 非常重要。」

要把 AI 輸出的 JSON 字串解析成結構化的物件，「變成 URL、OriginalTitle 這五個元素的一個物件，然後變成一個陣列。」

我用了一個生動的比喻來解釋：「講得很複雜，就是一號的人去結單，二號的人去結單，都在一號櫃檯。就想像這樣就好了。列表就想像成是一個櫃檯，那一個一個物件就是每個人。」

步驟 4：Merge 合併並回寫 Google Sheets

「最後把這兩個人的資訊合併，然後再去更新這裡的 Google Sheet。」

回寫的時候用 URL 當作 Key：「我們是要用 URL 當作 Key，也就是我每個 URL 是只有唯一的。」然後更新以下欄位：

「整個搬過來。大概這樣就結束。其實沒有很難。」

比較分析：SEO Meta 生成方式

比較維度 n8n SEO AI Agent Yoast SEO SurferSEO 手動撰寫
費用 低（AI API 約 $0.01/頁） 免費版有限，Pro $99/年 $89/月起 $0（時間成本高）
批次處理 一次 5 個 URL 迴圈處理 逐頁操作 有限制 一次一篇
防爬蟲備援 有（Crawlbase Proxy） 不需要 不需要 不需要
自訂 Prompt 完全自訂 System Prompt 固定建議 模板化 完全自由
繁中支援 優秀（Prompt 控制語言） 以英文為主 偏英文 母語撰寫
資料保全 Merge 機制避免流失 平台處理 平台處理 看自己
省錢策略 用 4.1 mini 小模型 固定價格 固定價格 人力成本
適合對象 多網站、大量頁面 WordPress 單站 英文 SEO 少量頁面

重點整理

  1. SEO AI Agent 的核心邏輯很簡單：從 Google Sheets 讀 URL、抓 HTML、給 AI 分析、把結果寫回試算表。「就這麼簡單。」但細節上有很多要注意的地方。

  2. 兩種觸發方式看你的需求：手動觸發適合偶爾使用，Google Sheets Trigger 每 15 分鐘自動檢查適合持續監控。我建議先用手動，熟悉了再切換自動。

  3. 防爬蟲的 Proxy 備援機制是必備的。「很多人會死在這一步，拿不到資料的部分。」我的做法是免費的 HTTP Request 優先，失敗了才用 Crawlbase 這個付費 Proxy。

  4. 用 Merge 避免資料流失。「有時候 AI Agent 或者 ChatGPT 會壞掉，它不回你。」先保留原始資料，AI 處理完再合併，這個設計非常重要。

  5. 用小模型省錢。「我們是用 4.1 mini，我們不會用太大的，我們會用比較小的 Model 省錢。」SEO Meta 生成不需要最強的模型。

  6. JSON 格式輸出要確實解析。「這一步跑 Json 非常重要，你要把 Output 去掉，變成五個元素的物件。」不然 Merge 的時候兩邊資料不一致就會出問題。

  7. 先有比沒有好。很多網站連 Meta 都沒寫，用 AI 生成的已經是巨大進步。你可以後續再搭配更多工作流直接做網站的 SEO 優化。

常見問題 FAQ

AI 生成的 SEO Meta 品質真的夠用嗎？

以我實際測試的結果來看，AI 生成的 Meta 在大部分情況下已經「夠好了」。它能精確控制字數（Title 50-60 字元、Description 150-160 字元）、自然融入關鍵字、保持風格一致。比起很多網站連 Meta 都沒寫，或是預設的「首頁 - 公司名稱」，AI 的品質好太多了。

我的建議是：AI 先生成初稿，你快速看一遍確認沒問題就上線。如果有需要微調的地方，在 AI 的基礎上改，比從零開始寫快很多。

有些網站抓不到 HTML 怎麼辦？

「很多人會死在這一步。」有些網站有防爬蟲機制，直接用 HTTP Request 會失敗。我在工作流裡設計了備援機制：先嘗試免費的直接爬取，如果失敗就自動切換到 Crawlbase 這個代理爬蟲服務。「這要錢，但如果我們今天爬蟲可以成功就往後走，不行就用 Proxy。」

另外，如果網站是用 JavaScript 渲染的（像 React、Vue 做的 SPA），HTTP Request 只能拿到空的 HTML 框架。這種情況建議用 Headless Browser，或是直接把頁面的文字內容貼到 Google Sheets 裡面讓 AI 分析。

Google Sheets Trigger 的 15 分鐘間隔可以改嗎？

可以。我在影片裡設定的是「每 15 分鐘會來做一次」，但你可以根據需求調整。如果你的 URL 更新頻率很高，可以設成 5 分鐘。如果不急，設成 1 小時也行。注意不要設太短，因為 Google Sheets API 有呼叫次數限制。

另外，如果你不需要自動觸發，用手動觸發就好。「第一種就是手動，我點下去就做。」

AI Agent 回傳的格式不對怎麼辦？

我在 System Prompt 裡面有明確定義輸出格式，「我們會有一個要求輸出的格式，就是 URL、OriginalTitle 跟 Description，照著格式走。那它通常就會 Follow 這個格式給你。」

但偶爾 AI 還是會「不乖」，回傳一些多餘的解釋文字。這就是為什麼我加了一個 JSON 解析的步驟——「這邊我們會習慣性會跑一個 Json」。解析步驟可以過濾掉多餘的內容，只保留我們需要的五個欄位。

如果 AI 完全不回應，Merge 機制會保護你的原始資料不被覆蓋。「通常我都會用 Merge 的方式，因為有時候 AI Agent 或者 ChatGPT 會壞掉。」

可以同時分析很多 URL 嗎？

可以，但我建議不要一次太多。「我們會五個五個做，就是從這裡面讀到五個，就會把它一次讀過去。」每次處理 5 個 URL 是一個不錯的批次大小，可以避免 API 限制和超時問題。

如果你有 100 個 URL 要處理，系統會自動分批執行，每批 5 個。全部處理完大約需要 10-20 分鐘，視網站回應速度和 AI 生成速度而定。

下一步行動

看完這篇教學，你的 AI 實力又變強了！「你的 AI 實力又變強囉。」

如果你已經在用 n8n，這個 SEO AI Agent 工作流大約 30 分鐘就能設定好。我建議你按照這個順序開始：

  1. 建立 Google Sheets — 先把 URL 欄位和 Status 欄位設好
  2. 測試 HTTP Request — 先用一個 URL 確認能抓到 HTML
  3. 設定 AI Agent — 複製我的 System Prompt，先用 GPT-4.1 mini 省錢
  4. 測試完整流程 — 跑一次看結果，確認 JSON 格式和回寫都正確

想看完整的操作示範：

有問題歡迎在社群裡發問，我跟其他學員都會幫你解答！

相關資源

內部資源

外部資源

本文改編自 YouTube 影片 EP44，由 Alex Hsieh 撰寫。最後更新：2026-02-11

### 14. 語音 AI Agent 教學｜n8n + Retell + Twilio 打造 AI 電話預約服務 **URL:** https://cloud-f1.com/blog/voice-ai-agent-retell **Published:** 2025-06-08 | **Read Time:** 20 | **Category:** AI Agent

專業導讀

你有沒有遇過這種情況？你開了一間美容院或診所，每天光是打電話確認預約就花掉兩三個小時。客人沒接、要回撥、時間改了又改，你的員工根本做不完其他事。我自己在幫客戶規劃自動化的時候，發現「電話確認」是最被低估、但也是最花人力的一環。

重點來了——現在有了語音 AI Agent，你可以讓 AI 幫你自動打電話、確認預約、記錄結果。我在影片裡就實際 Demo 了整個流程：我們利用 n8n 去跟客戶的預約資料做讀取，掃描 Google Calendar 看今天有沒有預約剪髮的事件，如果有的話，就會發起一個 Retell API 讓 AI 打一通電話到客戶那邊確認預約。整個 Demo 其實蠻有意思的，電話打過來的時候，AI 會用中文跟客戶確認姓名、預約時間、服務內容，聽起來蠻有趣的。

今天我要帶你用 n8n + Retell.ai + Twilio 這三個工具，從零打造一個完整的語音 AI 電話預約系統。

在這篇文章裡，你會學到：

什麼是語音 AI Agent？

語音 AI Agent 就是一個能夠透過電話與人類進行自然對話的 AI 系統，它可以理解語音、即時回應、並根據對話內容執行動作（例如確認預約、記錄資訊、轉接人工）。 我在影片裡實際示範的場景就是美髮沙龍的預約確認——AI 打電話過來，先確認你是不是本人，然後告訴你預約的時間和服務內容，問你 OK 不 OK。

傳統的 IVR（互動式語音應答）系統就是那種「按 1 查詢餘額、按 2 轉接客服」的東西，使用者體驗很差。語音 AI Agent 完全不同——它用 LLM（大型語言模型）驅動，能夠理解自然語言，像真人一樣對話。不是在那邊跟你講 543 的那種生硬的感覺，而是比較生活化的語氣。

語音 AI Agent 的技術堆疊通常包含三層：

  1. 語音識別層 (STT): 把人類說的話轉成文字，常用 Whisper、Deepgram
  2. 對話引擎層 (LLM): 理解意圖、生成回應——我在影片裡用的是 ChatGPT-4.1 來幫我們整理格式
  3. 語音合成層 (TTS): 把 AI 的文字回應轉成語音，可以選 ElevenLabs、PlayHT 或 OpenAI

而 Retell.ai 厲害的地方，就是它把這三層打包成一個平台，你不用自己去串接每一個元件。在 Retell 的 Dashboard 裡面，你可以選擇不同的模型跟語言，建立一個 Single Prompt Agent，然後把 Prompt 複製進來就可以用了。

Alex 的實戰觀察

我在做這個專案的時候，實際 Demo 完電話打進來的那一刻，心裡是蠻興奮的。但也發現了一些很重要的事情想跟你分享。

語音會有外國人的腔調，大家都會覺得是詐騙集團。 這是我實測最真實的感受。電話打過來的時候，如果你是中華電信的，它就會跟你說這是國際電話、你要防詐騙。因為 Retell 的號碼是從國外打進來的，所以在台灣接到這種電話，第一反應真的會覺得是詐騙。這是目前語音 AI 在台灣落地最大的挑戰。

台灣市場的限制比你想的多。 這個很重要——我肉身實測過了。Twilio 跟 Retell 這兩個服務都把台灣列為高風險區域，直接使用 Retell AI 的電話號碼其實是打不通的，需要做一些特別的設定。而且在 Twilio 上，台灣號碼是買不到的，886 這個國碼沒有服務。中國的 86 也一樣不能買。所以你只能用國外的號碼，像是用美國的 +1 號碼來打。

Prompt 設計決定一切。 我在 Retell 裡面設定的 Prompt 非常詳細——AI 的角色是「姍姍」，是一個由 AI 驅動的語音助理，服務在一家美髮沙龍。Prompt 裡面定義了完整的任務流程：先確認客戶身份（問你是不是某某某）、確認後才進第二階段講預約內容、時間要用自然語言講（不是講什麼 Timestamp 說什麼 2014 blah blah blah，而是「這個禮拜五月十號下午幾點幾分」）、問預約合不合適、要不要加購服務、最後確認一次然後結束。如果客戶想改時間，就 Transfer 到門市的真人電話。在 Prompt 裡面就要把所有的內容跟任務流程都講清楚，這樣才會照著你的流程做。

ElevenLabs 的中文語音效果不錯。 我自己去 ElevenLabs 找了一個中文的語音叫「姍姍」，然後在 Retell 裡面透過 Search 就可以找到。第一次匯入要一點時間，但匯入後聲音品質是可以接受的。Retell 支援三種語音服務——ElevenLabs、PlayHT、還有 OpenAI，你可以根據需求選擇。

費用其實沒有想像中便宜。 一通 3 分鐘的電話大概要花 0.5-1.0 美元，如果你一天要打 100 通，一個月就是 1,500-3,000 美元。我覺得這個技術最大的價值，不是取代人工，而是處理那些重複性高、但又不能不做的電話工作。像預約確認、付款提醒、滿意度調查，這些事情讓 AI 做剛剛好。

語音 AI Agent 應用場景

在動手設定之前，我想先幫你釐清一下，哪些場景真的適合用語音 AI Agent。

適合的產業

產業 應用場景 預估 ROI
美髮/美容業 預約確認、回訪提醒、促銷通知 節省 60% 電訪時間
醫療診所 門診提醒、複診通知、疫苗排程 降低 no-show 率 30%
餐飲服務 訂位確認、候位通知、外送追蹤 提升翻桌率 15%
電商物流 訂單確認、配送通知、退貨處理 減少客服工單 40%
房仲保險 客戶回訪、續約提醒、需求確認 提升聯繫成功率 2x

核心價值

完整技術架構

核心流程

Google Calendar → n8n Workflow → AI 格式整理 → Retell API → Twilio SIP → 電話撥出
                                                                             ↓
                                                             Webhook 回報 → n8n → Google Sheets 記錄

關鍵組件說明

我來帶你看一下我在影片裡示範的整個工作流，每個組件的角色：

  1. Schedule Trigger（8am）: 每天早上 8 點觸發，掃描當天的預約
  2. Google Calendar: 我們會去看今天有沒有預約剪髮的事件。Calendar 會選擇 AI Automation 這個日曆，最多就拿 10 筆來做判斷
  3. AI 格式整理（Voice Format Agent）: 拿到預約事件後，裡面會有客戶的電話號碼、預約理由、Email、時間等資訊。用 ChatGPT-4.1 把這些內容整理成一個好的格式，方便後續 Voice AI Agent 使用
  4. Retell API（HTTP Request）: 打 Retell 的 v2 Create Phone Call API，傳入電話號碼、Agent ID、客戶資訊
  5. Twilio SIP Trunk: 透過 Elastic SIP Trunking 讓 Retell 能夠實際撥出電話
  6. Webhook: 通話結束後，Retell 會把結果打回 n8n 的 Webhook，你就可以記錄 Log

這個很重要——Retell 和 Twilio 的分工要搞清楚。Retell 負責「聊什麼」，Twilio 負責「怎麼打電話」。就像是 Retell 是大腦，Twilio 是嘴巴和耳朵。

步驟教學：如何從零打造語音 AI Agent

Step 1: 建立 Retell Voice AI Agent

首先進到 Retell AI 的 Dashboard，我們要產生一個 AI Agent 拿來做 Phone Call。

  1. 前往 Retell.ai 註冊帳號
  2. 點右上角的 Voice AI Agent
  3. 選擇 Single Prompt Agent → Start From Blank → Create
  4. 設定模型和語言：
  5. 把 Prompt 複製進來——這是最關鍵的部分

我的 Prompt 架構是這樣的：

你是姍姍，你是一個由 AI 驅動的語音助理，服務在 [美髮沙龍名稱]。
你的任務是提醒客戶的預約。

任務流程：
1. 確認客戶身份（問是不是本人）
2. 如果是，自我介紹 + 說明通話目的
3. 告知預約項目和時間（用自然語言，不要唸時間戳記）
4. 確認時間是否合適
5. OK → 提醒加購服務 → 最後確認 → End Call
6. 想改時間 → Transfer 到門市電話
7. 不行 → End Call

應對風格：生活化語氣，避免過於簡短或生硬的回應
備註：不要唸時間戳記，要用「這個禮拜幾月幾號下午幾點」的方式

  1. 設定 Functions——我設了兩個：

  2. 設定 Knowledge Base（可選）：Retell 提供類似 RAG 的方式，你可以在背後放一些 FAQ，像美髮價格、套餐等等，AI 就可以回答基本的問題

  3. 設定語音：我去 ElevenLabs 找了一個中文的語音叫「姍姍」

  4. 點 Publish 發佈 Agent

  5. 設定 Agent Level Webhook：在設定裡面把你 n8n 的 Webhook URL 填進去，這樣通話結束後 Retell 會把結果打回來，你就可以記錄起來。不然其實你都不知道發生什麼事。當然你也可以從 Call List 來知道有哪些事情的發生。

Step 2: 設定 Twilio 電話服務（突破台灣限制）

這是整個流程最複雜的部分。因為直接使用 Retell AI 的電話號碼其實是打不通的，需要做一些特別的設定。我也會利用 Twilio 來申請一個可以打通的電話號碼。

2.1 註冊 Twilio 並取得電話號碼

  1. 註冊 Twilio 帳號——Twilio 是一個蠻多人都會用的服務，它有整合很多跨國簡訊、跨國電話的服務，是屬於美國的一家服務公司
  2. 進入後先把幾個服務 Pin 起來方便操作：Messaging、Voice、Phone Number、Elastic SIP Trunking
  3. 取得電話號碼：

2.2 設定 Elastic SIP Trunking

這是讓 Twilio 跟 Retell 能夠溝通的橋樑。

  1. 在左側選單找到 Elastic SIP Trunking → Manage → Trunks
  2. 新增一個 SIP Trunk，名字我叫做 Retell Trunk
  3. 記下 Trunk SID（等一下會用到）
  4. 在最下面的部分，記得把這兩個打勾（Enable）：
  5. 設定 Termination：
  6. 設定 Origination：
  7. 加入 Number：

2.3 設定 Voice Geo Permissions（解除台灣限制）

這個設定很隱密，其實你不一定找得到。但這是讓電話能打到台灣的關鍵！

  1. 在 Twilio 左側選單找到 Voice → Manage → Settings
  2. 找到 Geo Permissions
  3. 你會看到有 Low-Risk、High-Risk 的分類
  4. 找到台灣（Taiwan），把它 Select 到 Container 裡面——代表允許打到台灣
  5. Save 儲存

預設用 Retell 的是打不通的，它沒辦法打通的。所以你一定要用這樣的方式才能夠實現。肉身實測是這樣子，沒有問題。

Step 3: 在 Retell 綁定 Twilio 電話號碼

Twilio 設定完了以後，我們要回到 Retell 做對接。

  1. 在 Retell Dashboard 的 Phone Numbers 區塊
  2. 選擇 Connect to your number via SIP
  3. 填入以下資訊：
  4. 按 Save
  5. 設定 Outbound Call Agent：選擇你剛才建立的 Voice Agent Test

這樣就設定完了——Twilio 的 Phone Number 解除台灣的限制，然後還可以讓 Retell 的 AI Agent 打電話出去。

Step 4: 建立 n8n 工作流

接下來在 n8n 裡面建立自動化流程。

  1. Schedule Trigger: 設定每天早上 8 點執行
  2. Google Calendar 節點: 掃描今天的預約事件
  3. AI 格式整理節點（OpenAI）: 用 GPT-4.1 整理客戶資訊
  4. HTTP Request 節點（呼叫 Retell API）:
{
  "method": "POST",
  "url": "https://api.retell.ai/v2/create-phone-call",
  "headers": {
    "Authorization": "Bearer YOUR_RETELL_API_KEY"
  },
  "body": {
    "from_number": "+1你的Twilio號碼",
    "to_number": "+886客戶電話",
    "agent_id": "你的Agent ID",
    "metadata": {
      "customer_name": "王小明",
      "appointment_time": "2025-06-09 14:00",
      "service": "剪髮",
      "reason": "想換新髮型"
    }
  }
}
  1. Webhook 節點: 接收 Retell 的通話結果回報
  2. Google Sheets 節點: 把通話結果寫入試算表，過濾內容跟客戶性質

Step 5: 測試與驗證

  1. 在 n8n 裡面用 Test Step 來測試每個節點——記得就儘量用這一步來做測試
  2. 確認 Retell 能成功打電話到你的手機
  3. 在 Retell 的 Call History 查看通話紀錄
  4. 在 Twilio 的 Voice Log 查看撥號狀態（Dial → Completed / No Answer）
  5. 確認 Webhook 有正確接收到通話結果

我自己測試的時候，打過來了，沒有問題。Call List 裡面可以看到成功的紀錄，馬上就告訴我 Call End 了。

比較：語音 AI 平台大對決

市面上做語音 AI 的平台不只 Retell.ai 一家，我幫你做了一個比較表：

特性 Retell.ai Vapi.ai Bland AI OpenAI Realtime
中文支援 良好（ElevenLabs 姍姍） 一般 有限 優秀
延遲 800ms-1.2s 1-2s 1-1.5s 500ms-800ms
費用 (每分鐘) $0.07-0.15 $0.05-0.10 $0.09-0.12 $0.06-0.24
n8n 整合 API + Webhook API API 需自建
電話撥號 Twilio SIP 內建 內建 需自建
語音選擇 ElevenLabs/PlayHT/OpenAI 多種選擇 有限 多種選擇
對話分析 內建 Call History 基本 內建 需自建
台灣號碼 需 Twilio SIP Trunk 部分支援 不支援 N/A
學習曲線 中等 低 低 高

我自己選 Retell.ai 的原因是它的對話分析功能做得最好。每通電話結束後，它會自動幫你整理摘要、提取關鍵資訊，從 Call History 裡面直接就可以看。而且它支援 Agent Level Webhook，可以即時把結果打回 n8n。但如果你只是想快速做一個 POC（概念驗證），Vapi.ai 可能上手更快。

Alex 的進階技巧

我在實際部署的過程中，累積了一些小技巧，分享給你：

技巧 1: Prompt 要寫得像劇本

不要只給 AI 一個角色描述就結束了。你要像寫劇本一樣，把每個可能的對話分支都寫出來。我在 Retell 的 Prompt 裡面就是這樣做的——定義了完整的任務流程、應對風格、功能代碼：

在 Prompt 裡面就要比較詳細的去把所有內容跟任務流程都講清楚，這樣才會最後 Save 下去的時候，它才會照著你的流程做。

技巧 2: 善用 Metadata 傳遞上下文

透過 Retell API 的 metadata 欄位，你可以把客戶的歷史資訊傳給 AI。我在 n8n 裡面就是這樣做的——先用 AI Agent 整理好客戶的姓名、電話、Email、預約理由、時間，全部都整理好一個好的格式，然後才傳給 Retell 的 Voice AI Agent。比如客戶的 Description 裡面寫了「想換新髮型」，AI 在通話中就可以提到這個需求。

技巧 3: 建立 Webhook 回報機制

我在 n8n 裡面做了兩套記錄機制：

  1. Retell Agent Level Webhook: 通話結束後自動打回 n8n，寫入 Google Sheets
  2. Retell Call History: 在 Dashboard 裡面直接看通話紀錄

馬上就告訴你 Call End 了、有沒有打成功。這樣你才知道實際上發生什麼事。這個比較簡單，都提供在模板給大家，照著抄就沒問題。

技巧 4: 設定合理的重撥策略

不是每通電話都會接通。我建議的重撥策略是：

在 n8n 裡面，你可以用 Error Workflow 來處理撥號失敗的情況。

重點整理

  1. 語音 AI Agent 最適合結構化對話場景——像預約確認、問卷調查、訂單確認這類流程固定的任務，不是在那邊跟你講 543 的那種開放式客服
  2. Retell.ai + Twilio + n8n 是目前最成熟的組合——Retell 管對話（用 GPT-4.1 + ElevenLabs 姍姍），Twilio 管電話（SIP Trunk），n8n 管流程（Calendar + API + Webhook）
  3. 台灣使用需要特別設定——直接用 Retell 是打不通的，需要 Twilio Elastic SIP Trunk + Geo Permissions 解除高風險區限制
  4. Twilio 台灣號碼買不到——886 沒有服務，只能用美國 +1 的號碼，客戶看到國際電話可能不接
  5. Prompt 設計是成敗關鍵——要像寫劇本一樣定義任務流程、應對風格、功能代碼（End Call / Transfer），寫得越詳細效果越好
  6. 費用大約每通電話 0.5-1.0 美元——適合中高客單價的服務業（美容、醫療、房仲）
  7. 搭配 n8n Webhook + Google Sheets 監控——從 Retell Call History 和 Webhook 兩個地方追蹤每通電話結果

常見問題 FAQ

Retell.ai 和 Twilio 費用怎麼算？

費用分三個部分：Retell.ai 按通話分鐘計費約 $0.07-0.15/分鐘，Twilio 電話費依地區不同約 $0.01-0.05/分鐘，加上 SIP Trunk 月費。 整體算下來，一通 3 分鐘的預約確認電話大概花 $0.5-1.0 美元。如果你一天打 50 通，月費大概在 750-1,500 美元左右。跟聘請一個全職電訪人員比（月薪 3-4 萬台幣），要看你的通話量才能判斷哪個划算。Twilio 一開始會送你一個試用的 Phone Number 和一些免費額度，我建議你先用免費額度測試，確認效果再決定要不要正式導入。

台灣可以使用嗎？有什麼限制？

可以使用但需要特別設定。 我肉身實測的結果是：直接使用 Retell AI 的電話號碼打到台灣是打不通的。因為 Twilio 和 Retell 都把台灣列為高風險區域，而且 Twilio 上台灣號碼（886）是買不到的，中國號碼（86）也不能買。我的做法是用 Twilio 的美國 +1 試用號碼，搭配 Elastic SIP Trunk，然後在 Voice 設定裡面的 Geo Permissions 把台灣的限制解除。設定完之後就可以打通了。但缺點是客戶會看到國際電話來電，中華電信還會提醒「防詐騙」。如果你的客戶主要在台灣，我會建議結合 LINE 訊息 來做預約確認，接受度會高很多。

AI 語音聽起來自然嗎？中文表現如何？

中文語音品質大概是 7-8 分的程度，聽起來會有一些外國人的腔調。 我在 Retell 裡面用的是 ElevenLabs 的中文語音「姍姍」，自然度比較好。但老實說，大家接到電話都會覺得是詐騙集團——因為有外國人的腔調，加上是從國外號碼打進來的。如果你是中華電信的用戶，它還會跟你說這是國際電話要防詐騙。語速和語調都可以在 Retell 裡面調整，但中文的自然度目前還是不如英文。我的建議是把對話設計得簡短精準，2-3 分鐘內結束最好。

跟傳統 IVR 系統有什麼不同？

最大的差異是語音 AI Agent 能理解自然語言，不需要「按 1 按 2」。 傳統 IVR 就是那種生硬的「查詢訂單請按 1、轉接客服請按 2」，而語音 AI Agent 用 LLM 驅動，客戶可以直接說「我想把明天下午的預約改到後天早上」，AI 就能理解並處理。我在 Retell 的 Prompt 裡面特別設定了應對風格要「生活化語氣」，不是那種「你今天有沒有資金需求」的感覺，避免過於簡短的回應。不過語音 AI 的成本比 IVR 高很多，適合客單價較高的場景。

如果 AI 聽不懂客戶說的話怎麼辦？

最好的做法是設定一個降級策略（fallback），不知道任何問題就把它轉給人。 我在 Retell 的 Prompt 裡面就是這樣寫的——如果你不知道任何的問題，你就不要重新安排或取消預約，把它轉給人。在 Retell 裡面設定 Call Transfer 的 Function，指定門市的電話號碼，AI 就可以自動轉接。在 n8n 裡面，你可以用 Error Handling 機制來處理這些異常情況。我自己實測大概有 5-10% 的通話會需要轉接人工。

可以做到多語言切換嗎？

技術上可以，Retell 支援多語言，但實務上我不建議在同一通電話裡切換。 Retell.ai 有三種語音服務可選——ElevenLabs、PlayHT、還有 OpenAI，每種都支援多語言。但每種語言要使用不同的語音模型。我自己是去 ElevenLabs 找了中文的「姍姍」，你也可以去找其他語言的語音。如果你的客戶可能用不同語言，建議先用簡單的語言偵測判斷客戶用什麼語言，然後切換到對應的 Agent。在 n8n 裡面可以用 n8n 超級翻譯機 的概念來處理多語言場景。

相關資源

AI Agent 系列文章

n8n 相關教學

外部資源

YouTube 影片

下一步行動

語音 AI Agent 這個領域發展超快，我每個月都在測試新的平台和功能。這是一個很簡單的使用我們的 Voice AI Agent 來記錄預約的客戶是不是會來的案例，你可以先從這個基本流程開始，等熟悉了再慢慢加功能。

想學更多 n8n 自動化技巧？ 加入我們的 Skool 社群，和其他自動化愛好者一起學習交流！

大家可以來試試看。如果你覺得這個流程是 OK 實用的，未來我們會分享更多 AI 自動化的省力工具。一步一步來，不用擔心。語音 AI Agent 看起來複雜，但其實就是把幾個工具串在一起而已。希望這篇對你有幫助！

關於作者：Alex 是一位專注於 n8n 自動化和 AI 應用的技術教育者，透過 YouTube 頻道和 Skool 社群幫助超過數千位學員掌握自動化技能。

### 15. n8n 產品影片自動化｜ChatGPT Image + Runway 完整教學 **URL:** https://cloud-f1.com/blog/n8n-product-video-automation **Published:** 2025-05-14 | **Read Time:** 18 | **Category:** 應用案例

專業導讀

來了！我們來介紹如何用 n8n 來達成產品影片自動化。我先做 30 秒的快速 Demo 給大家看——我有一個咖啡保溫杯，藉由產品圖片以及產品的敘述，就可以產生一個 5 秒鐘的展示影片。

然後我們再用第二個例子：日本進口的木質湯匙。利用我在店家買的這個木質的湯匙，最後也產生了一個商品影片。你可以看到它是緩慢的去展示這個商品，雖然還是略有一點小差異，但是它已經有一個蠻高質量的感覺，真的有那種產品影片的感覺。

這就是我今天要分享的東西 —— 用 n8n 整合 ChatGPT Image 和 Runway API，打造一條全自動的產品影片生產線。你可以利用我們提供的免費模板，先上傳一下，利用這些免費模板的每個元件去知道自己該怎麼做，然後一步一步的練習。

你將學到

什麼是產品影片自動化？

產品影片自動化是透過 AI 工具鏈，把「產品資料輸入 → 影片輸出」這個過程全部自動化的工作流，讓你不需要攝影師、不需要後製團隊，就能批量生成產品展示影片。

讓我帶你看一下這個概念。傳統的產品影片製作流程，你需要準備的東西超多：攝影棚、燈光、攝影師、模特兒（如果是穿搭類）、後製剪輯、配樂授權⋯⋯光是想到這些，很多中小企業就直接放棄了。

但 AI 時代的做法完全不一樣。因為通常你都會有商品的圖，你一定是想賣商品，商品的圖就會做好。你只需要：

  1. 產品圖片：你現有的商品圖就行了（像我 Demo 用的咖啡保溫杯跟木質湯匙）
  2. 產品名稱和敘述：比如「Mother Goose 真空保溫杯，內膽採用食品級 304 不鏽鋼」這類描述
  3. n8n 自動化工作流：我們會用表單上傳，利用 AI Agent 產生 Prompt，再交給 GPT-Image-1 編輯圖片，最後用 Runway 產生影片
  4. API Keys：OpenAI 和 Runway 的 API 授權

這四樣東西準備好，我就能在 n8n 裡面跑一個工作流，幾分鐘後產出一支可以直接上架的產品影片。我們是使用影像編輯的方式——去編輯你上傳的影像，而不是從零生成。這樣可以保留原始商品的特徵。

為什麼電商需要產品影片？

這個很重要。根據我的觀察，有影片的產品頁面轉換率平均比純圖片高出 30-80%。原因很簡單，消費者想要看到產品「動起來」的樣子：

但問題是，大部分中小電商沒有預算和時間去做這件事。這就是自動化的價值所在。

Alex 的實戰觀察

我自己實測這套流程大概跑了超過 200 次，說說我的真實感受。

效果超出預期的部分

我用 Mother Goose 真空保溫杯跟日本木質湯匙做測試。保溫杯的影片看起來非常不錯，真的有那種產品影片的感覺。木質湯匙的也蠻高質量的，它會幫你緩慢展示商品。

ChatGPT Image-1 在產品圖片編輯上面的表現，我覺得是真的可以的。它的中文字改得比較好，但整體已經有一個商品圖蠻高質量的感覺。我們是用影像編輯的方式而不是從零生成，因為你原本的商品圖可能有手在握著的部分，我們可以用 Prompt 把手修掉，變成一個正常的產品圖。

老實說不太行的部分

但我要講一些真實的限制：

  1. 圖片可能略有差異：你要再把圖片稍微改一下，它不是完美的
  2. 需要精確尺寸對比的產品：AI 對「比例感」的掌握還不太穩定
  3. Runway 的影片長度限制：我們產生的是 5 秒鐘的影片，要做完整的產品介紹影片還是不夠
  4. 非同步任務等待：Runway 是非同步的任務，要過一段時間再去問一遍，不是即時出結果

我的學習建議

在做一步一步的教程裡面，不用想著說不能看答案。你可以藉由答案再一步一步的練習，去熟悉這些東西。我們都是從模仿開始的，所以不用害怕，都是可以抄的。 我們所有的東西都是先從不會到會。我個人建議你可以先照著做一遍，再嘗試自己拼出來。

成本分析

我算了一下實際成本：

項目 傳統方式 AI 自動化 節省比例
單支影片成本 NT$3,000-8,000 NT$15-50 95%+
製作時間 3-5 天 3-5 分鐘 99%+
批量 50 支 NT$150,000+ NT$750-2,500 98%+
人力需求 3-5 人 1 人（你自己） 80%+

這個數字不是我亂講的，是我實際幫一個電商客戶跑出來的結果。當然前提是你不需要「電影級」的品質，而是需要「能用、好看、量大」的產品展示影片。

Step by Step 完整教學

好，接下來讓我帶你一步一步建立這個工作流。我會把每個步驟講清楚，你跟著做就好。

Step 1：建立表單觸發 + 上傳圖片到 Google Drive

第一個部分是表單的紀錄。我們要先把商品的圖片、名稱、敘述這些資料先儲存下來。通常提供給你的夥伴使用都會是一個網址，讓他去上傳他要的東西，不會提供 n8n 介面給他使用。

所以第一步我們用 On Form Submit 這個 Trigger。在 n8n 的 Form 裡面設定三個欄位：

  1. Photo：File 類型，用來上傳產品圖片
  2. Product：產品名稱（中英文都可以，你開心就好）
  3. Description：產品敘述（像「內膽採用食品級 304 不鏽鋼」這樣的描述）

表單設定好之後，我個人會推薦你在 Google Drive 先創好三個資料夾：產品圖片、修改圖片、產品影片。這樣做的原因是我要確保每一步我都知道它在幹嘛，可以用資料夾分類的方式知道每一步在做些什麼。

接著用 Google Drive 的 Upload 節點，把圖片上傳到「產品圖片」資料夾。這邊我個人會建議你在檔名後面加一個時間戳，讓它跟大家不一樣，因為你會一直重複使用。

如果你還沒有 n8n 環境，可以參考我的 n8n 本地部署教學 先把環境架起來。

Step 2：Config 欄位整理 + 準備 API

我習慣上會把後面要使用的所有欄位都匯集在一步，用一個 Edit Fields（我叫它 Config）。裡面放 Product、Description、Image（Google Drive 的 ID）、Email、還有你要使用的 Model。

同時要準備兩個 API Key：

Step 3：用 AI Agent 產生影像編輯 Prompt

這一步我們用一個 AI Agent（Tool Agent） 來自動產生 Prompt。Chat Model 我選 OpenAI 的 GPT-4.1，Memory 跟 Tool 都不需要，因為我們其實是拿來產生 Prompt 而已。

System Message 的設定是：「你是一個世界級行銷的專家，目標是產生 AI 影像素材。」裡面包含幾個要求：

User Message 會帶入商品名稱和商品敘述，請 AI 產生一個影像編輯的 Prompt。測試的結果寫得非常好，像是「超寫實商品 Mother Goose 500ML 食品級不鏽鋼，產品緩慢 360 度旋轉，始終居中」。沒有對錯，沒有說一定要怎麼做，只要你開心都可以。

Step 4：GPT-Image-1 影像編輯 + 上傳修改圖片

拿到 AI Agent 產生的 Prompt 後，我們要做兩件事：先從 Google Drive 下載原始影像，然後把它丟到 GPT-Image-1 的 Edit API 做編輯。

下載原始圖片（Google Drive Download）：

用 Config 裡面的 Image ID 去下載原始產品圖片。

GPT-Image-1 影像編輯（HTTP Request）：

上傳修改後的圖片（Google Drive Upload）：

檔名建議用 Model 名稱 + 產品名稱 + 時間戳 + .png，上傳到「修改圖片」資料夾。

Step 5：Runway 產生產品展示影片

接下來是產生新的產品展示影片。要記得我們要先申請 Runway 的 API，它是非同步的任務，要過一段時間再去問一遍。

Runway 影片生成（HTTP Request）：

Polling 等待機制：

Runway 的影片生成是非同步的，你需要用一個 Loop 節點定期去查詢狀態。拿到 Generate Video Runway 的 ID（注意這裡不可以有空格），每隔一段時間去問一次，直到狀態為完成。

Step 6：下載影片 + 上傳到 Google Drive + 寄送通知

影片生成完成後，我們要做最後幾步：

  1. 下載影片：用 HTTP Request 把 Runway 輸出的影片 URL 下載下來
  2. 上傳到 Google Drive：上傳到「產品影片」資料夾。影片名稱我自己是用 Product 名稱 + 影片 + 時間戳，這樣可以比較好的判定。記得你的 URL 要稍微改一下，不是上傳到修改圖片，是要上傳到產品影片
  3. 寄送 Email 通知：告訴你影片已經完成了，附上圖片連結和影片連結

基本上只要最後一步完成，我們整個的 Workflow 就完成了。我們做到了：怎麼樣產生修改你的圖片、產生新的渲染圖、怎麼樣去產生新的展示影片。最後就產生了對應的影片，下載下來然後傳到你的 Google Drive。

進階：批次處理多個產品

如果你要一次處理多個產品，可以在工作流前面加一個 Loop 節點。我自己的經驗是，一次跑太多會被 API 限制速率。所以慢慢來比較快，不要貪快一次全丟進去。

工具比較：AI 影片生成方案

在選擇影片生成工具的時候，我測試了幾個主流的方案，這邊整理給你參考：

比較維度 Runway Gen-3 Pika Labs Stable Video Veo3 (Google) 傳統影片製作
API 可用性 有 API 有 API 開源可自架 限量測試 N/A
n8n 整合難度 中等 中等 較高（需自架） 高（未正式開放） N/A
影片品質 ⭐⭐⭐⭐ ⭐⭐⭐ ⭐⭐⭐ ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐⭐
生成速度 30-90 秒 60-120 秒 視硬體而定 未知 3-5 天
單支成本 ~NT$15-30 ~NT$10-25 硬體成本 未定價 NT$3,000+
最長影片 16 秒 4 秒 4 秒 8 秒 無限
適合場景 產品展示 社群短片 技術研究 高品質內容 正式廣告

我的結論是：如果你要做 n8n 自動化整合，目前 Runway 是最成熟的選擇。API 文件完整、社群支援也比較多。Pika Labs 是第二選擇，但 4 秒的限制在產品展示上有點短。

如果你對 Google 的 Veo3 有興趣，可以看看我的 Veo3 AI 影片生成完整指南。

重點整理

  1. 產品影片自動化可以把成本降低 95% 以上，從每支 NT$3,000-8,000 降到 NT$15-50，特別適合有大量 SKU 的電商
  2. 核心工作流是四步驟：產品資料 → ChatGPT Image 生成圖片 → Runway 轉影片 → 自動輸出儲存
  3. Prompt 設計是品質關鍵，一定要加上 "professional e-commerce"、指定背景和角度
  4. 批次處理要控制速率，每次 3 個產品、批次間暫停 30 秒，避免 API 限制
  5. 不是所有產品都適合，複雜紋理、精確尺寸對比的產品還是需要人工拍攝
  6. 把 AI 當初稿產生器，80% 交給自動化，20% 人工品質把關
  7. Runway 是目前 n8n 整合最成熟的影片生成 API，文件完整、社群支援好

常見問題 FAQ

成本大概多少？一個月跑 100 支影片划算嗎？

我實際算過。OpenAI Image API 大約 US$0.02-0.04 / 張圖片，Runway 大約 US$0.05-0.10 / 秒影片。一支 5 秒的產品影片，總成本大約 US$0.30-0.55（約 NT$10-17）。一個月跑 100 支的話，大概 NT$1,000-1,700。

跟傳統拍攝比起來，100 支影片至少要 NT$150,000。所以答案是非常划算，而且你只需要一個人就能搞定。

影片品質真的能用在正式電商平台嗎？

老實說，要看你的標準。如果你是要拍「品牌形象廣告」那種等級的影片，AI 生成的品質確實不太行。但如果你需要的是「產品頁面展示影片」或「社群平台短影片」，品質絕對夠用。

我實際幫客戶在蝦皮和 Shopee 上架過 AI 生成的產品影片，消費者的反饋是正面的，而且有影片的產品頁面點擊率確實比較高。

Runway API 的等待時間會不會太長？工作流會卡住嗎？

Runway Gen-3 Turbo 的生成時間大約 30-90 秒。在 n8n 裡面我用 Polling 的方式處理，每 10 秒查詢一次狀態，所以工作流不會真的「卡住」。

不過如果你一次丟太多請求，排隊時間會變長，我最久等過 5 分鐘。所以批次處理的時候，控制好併發量很重要。

可以客製化影片風格嗎？比如加上品牌 Logo？

影片風格主要靠兩個地方控制：一是 ChatGPT Image 的 Prompt（控制圖片風格），二是 Runway 的 Prompt Text（控制動態效果）。透過調整這兩個 Prompt，你可以做出不同風格的影片。

但要加 Logo 或文字浮水印的話，目前 Runway API 不直接支援。我的做法是在工作流後面再加一個 FFmpeg 節點，用程式把 Logo 疊上去。這部分稍微進階一點，但也不難。

除了電商，還有什麼場景適合用這個流程？

我自己用過的場景還包括：

基本上只要你有「靜態圖片 → 動態影片」的需求，這個流程都可以用。

這個工作流需要什麼技術基礎？

如果你已經會用 n8n 建立基本的工作流（HTTP Request、IF 節點、Loop），那大概 30 分鐘就能完成設定。如果你是 n8n 新手，建議先看我的 n8n 零基礎完整教學，大概花 2 小時學完基礎，再回來做這個進階專案。

不用擔心，一步一步來，你一定可以的。

下一步行動

如果你想要自己動手做，我的建議是：

  1. 先申請 Runway API（因為要等審核），同時去準備 OpenAI API Key
  2. 用一個簡單的產品先測試，不要一開始就跑 100 個
  3. 花時間在 Prompt 調校上，這是影響品質最大的因素
  4. 加入社群跟大家交流，很多人已經在用這套流程了

想學更多 n8n 自動化技巧？ 加入我們的 Skool 社群，和其他自動化愛好者一起學習交流！

相關資源

✍️ 關於作者：Alex 是一位專注於 n8n 自動化和 AI 應用的技術教育者，透過 YouTube 頻道和 Skool 社群幫助超過數千位學員掌握自動化技能。

### 16. 購物搜尋 AI Agent｜ChatGPT 購物助理 vs n8n 自建方案比較 **URL:** https://cloud-f1.com/blog/shopping-search-ai-agent **Published:** 2025-05-07 | **Read Time:** 16 | **Category:** AI Agent

專業導讀

來了！ChatGPT 推出購物助理，你可以直接在 ChatGPT 的介面上搜尋你要的電商商品。我快速 Demo 了一下，請在亞馬遜上找一個 300 美金左右的飛行夾克，它的前端做得蠻好的，會給你推薦清單、產品特色、連結，還可以幫你做比價功能，給你標籤說價格大概多少、特色是什麼。

但問題是 — ChatGPT 的購物搜尋在台灣好用嗎？用 n8n 自己建一個購物搜尋 AI Agent 是不是更好？

我先跟大家講結論：我個人覺得 n8n 這邊只能做在後端，它沒有辦法提供像 ChatGPT 前端這樣子的互動功能。因為 n8n 其實是比較偏後端的東西，可以吐一些文字給你很 OK，但是如果你要讓它去有一個互動介面、去有圖片和影像，其實是相對難一點。不過它還是可以提供相對好的訊息，只要跟你後端所有的東西整合，它還是擁有不錯的 Summary 的功能。

你將學到

購物搜尋 AI Agent 是什麼？

購物搜尋 AI Agent 是一種能理解自然語言購物需求、自動搜尋多個電商平台、比較價格與規格，並給出個人化推薦的 AI 系統。目前主要有 ChatGPT 內建版和 n8n 自建版兩種方案。

讓我帶你看一下這個領域的全貌。電子商務網站（E-Commerce）其實是兵家必爭之地。我去看了一下流量數據，電商網站的流量比例中，自然搜尋佔了 53%，第二大是回頭客（老粉）佔 25.5%。你想想看，53 加 25 大概就是 70 到 80% 的流量了。

這代表什麼？代表 ChatGPT 如果可以去整合搜尋這塊，它可以分走一大塊流量。而且是毫不留情直接拿走——因為用戶不會管你，搜尋到了就直接過去了。我剛剛測試的時候就直接逛了四五個網站，什麼漢翔文創、亞馬遜這些都幫你整合過去了。

購物搜尋 AI Agent 的核心能力有四個：

  1. 自然語言理解 —— 你用白話說需求，AI 自動拆解成搜尋條件（「我想買什麼什麼」「請幫我比較什麼什麼」）
  2. 多平台搜尋 —— 同時查詢多個電商網站的商品資料
  3. 智慧比較 —— 自動整理價格、規格、評價到一張表，我自己覺得價格是大家最在意的
  4. 個人化推薦 —— 根據你的偏好排序，看你看過什麼就推你不一樣的（就是我們都會說「你的手機是又偷聽我講話」那種感覺）

重點來了 —— 這是兵家必爭之地。誰控制了購物搜尋入口，誰就掌握了電商的流量。OpenAI 官方還推出了一個叫 Product Feed 的系統，直白講就是：你可以把你所有商品的內容都給我，我提供你對應的格式，我會直接幫你做索引。 索引的意思就是像搜尋引擎一樣，你可以被 ChatGPT 找到。你要來跟它整合，沒有就找不到你。

ChatGPT 購物搜尋功能詳解

怎麼運作的？

OpenAI 在 ChatGPT Plus 裡面加入了購物搜尋功能，你可以直接在對話中問：「推薦一台預算 2 萬的無線耳機」，ChatGPT 會：

  1. 解析你的需求（預算、品類、偏好）
  2. 搜尋合作電商平台的商品資料
  3. 產生一個商品輪播卡片，包含圖片、價格、評分
  4. 附上購買連結（affiliate link）

ChatGPT 購物搜尋的特色

功能 說明 我的評價
商品輪播圖 像電商平台的卡片式展示，可以左右滑動 這是 n8n 做不到的，用戶體驗跟我們習慣滑手機一樣
對話式搜尋 偵測購物意圖自動觸發，不用按搜尋按鈕 只要講「我想買」「請幫我比較」就會啟動
產品描述標籤 高 CP 值、熱門選擇、價格便宜等標籤 結構化資訊，統一格式，各商家不能亂填
自動比價 顯示不同平台的價格與評分 歐美資源比較好，台灣的就比較像網路搜尋結果
導購連結 + UTM 帶 UTM Source 追蹤，告訴商家「這些流量是我 ChatGPT 引流的」 OpenAI 要建立它的霸主地位

我用的感覺就是比較像**「AI 賣家秀，誰的內容好誰上榜」**。它不是下廣告，不是像 FB 或 Google 關鍵字廣告出來的，是單純 AI Search 出來的推薦。所以代表說你要跟它拼內容，你內容不好就去了，你必須要讓機器人讀得懂。好的 SEO 元素其實還是蠻重要的，這一塊可能會越來越重要，因為有新的勁敵了。

OpenAI 的電商佈局策略

我的觀察是，OpenAI 做購物搜尋不是為了「賣東西」，而是為了三件事：

第一，搶佔 AI 搜尋入口，增加用戶黏著度。 AI 搜尋其實從 2024 就是一個話題了。各家 AI 廠商會利用購物的體驗，增加用戶到自己應用的黏著度。就是說我常常跑來 ChatGPT 的介面，我要買什麼什麼的時候我就想到 ChatGPT。就像你去 Google 搜尋就會 Google 它，它其實就是增加流量，每個人都導流到它的平台裡面。

第二，建立 Product Feed 資料生態系。 OpenAI 推出了 Product Feed 系統，直白講就是「Help ChatGPT Discover Your Products」——你可以把你所有商品的內容都給我，我提供你對應的格式，我會直接幫你做索引。它還帶了 UTM Source，意思就是告訴你這些流量是 ChatGPT 引流的。它會要求人家跟它整合，而且還有 Data Policy，你不可以用一些奇奇怪怪的內容來淹我，不能給一些垃圾的內容。

第三，建立不可逆的搜尋霸權。 這件事情其實跟搜尋引擎上的索引一樣，大型廠商搶佔先機，還是要跟各家 AI 建立聯繫。你就是不太可能跟它對抗，你只能跟它一起。就跟智慧型手機一樣，這個十年前十年後大家都會用 LINE 了，你不用就是落後了。

Alex 的實戰觀察

我自己做了兩個測試，跟大家分享一下老實話。

第一個測試，我請 ChatGPT 在亞馬遜上找 300 美金左右的飛行夾克。歐美的部分做得蠻好的，因為它們都有灌很多資料進去，給你清單、產品特色、連結，還有比價跟 CP 值比較表，對小編來講應該是不錯的。美國的話用亞馬遜比較多，就跟我們的 momo 一樣。

第二個測試，我改成「根據台灣的線上電商來找」，結果就完全不一樣了。它比較像是網路搜尋的結果，不是電商整合的結果。有推薦漢翔文創的、衣哥實業的、momo 的（這邊不業配），但你會發現沒有連結，只能點旁邊的 Any 連結過去。感覺歐美的部分比較有電商整合，台灣的部分就比較弱。

第三個發現是推薦品質像「AI 賣家秀」。我自己用的感覺就是誰的內容好誰上榜，資料來源還是靠機器人爬的。很多評論其實是爬蟲爬出來的，不一定有驗證。那商家排序的規則是什麼？很難說，看不太出來。但有一件事很清楚——不是下廣告出來的，是單純 AI Search 推薦，所以你要拼的是內容品質。

反過來說，n8n 自建方案我的定位是：重點在跟後端資料的整合，提供更好的購物搜尋跟推薦結果給用戶。 它還是需要去跟前端做配合才能有更好的用戶互動。n8n 比較偏後端的東西，可以吐文字給你很 OK，但要有像 ChatGPT 那種產品輪播圖的互動介面是相對難一點。不過只要跟你後端所有的東西整合，它還是擁有不錯的 Summary 功能。

我的結論是：客戶在意的重點還是更好的互動體驗跟高品質的商品。AI 可以強化購物體驗沒錯，但不太可能變成一個非常殺手級的應用，它像是輔助。最後還是回到一件事情——你的東西是不是好的？如果是爛的，我就不會再買。

用 n8n 自建購物搜尋 AI Agent

好，接下來我帶你看看怎麼用 n8n 建一個購物搜尋 AI Agent。這邊比較特別的是——它沒有所謂的購物 API，它給的是一個 Web 搜尋的 API。 我們用的是 OpenAI 的 GPT-4o Search Preview，它可以用 AI 的方式在網路上做搜尋。而且在 n8n 裡面並沒有提供 OpenAI Web Search 的模組，所以我們是用 HTTP Request 的方式做搜尋。

步驟 1：建立觸發方式

你可以選擇不同的觸發方式，看你的使用情境：

我自己是用 Chat Trigger，因為對話式的互動體驗最好。

步驟 2：設定 AI Agent 節點

在 n8n 裡面拉一個 AI Agent 節點。我的 System Prompt 其實弄得很簡單：

System Prompt：
你是一個專業的購物助理，幫我找到好的商品跟價格給我。
請用 HTTP Request 的工具去搜尋商品跟價格。
針對台灣線上的電商來找推薦的商品。

對，就這麼簡單，沒有太複雜。就是把它當作一個商品助理的感覺，幫我找到好的東西。

步驟 3：配置搜尋工具

因為 n8n 裡面沒有 OpenAI Web Search 的模組，我們要用 HTTP Request 節點來串接。目前 OpenAI 提供兩個 Web Search 模型：

模型 說明 適用場景 價格
GPT-4o Search Preview 完整版搜尋能力 需要精確商品比較 略高
GPT-4o Mini Search 輕量版搜尋 簡單商品查詢 較低

HTTP Request 的設定其實蠻簡單的——就是說這是什麼 Model、裡面的 Option、Message 你要給什麼，我就是根據 OpenAI 的 Sample Code 照著放進去，什麼規格就用什麼規格。API 非常簡單。

其他搜尋工具的選擇：

搜尋工具 說明 適用場景 難度
OpenAI Web Search API GPT-4o Search Preview 通用搜尋（我用這個） 中
SerpAPI Google Shopping 搜尋 國際品牌商品 低
自建爬蟲 爬特定電商網站 台灣電商 高
電商 API 官方 API 串接 有開放 API 的平台 中

我建議先用 OpenAI Web Search API 搭配 HTTP Request 開始，確認 workflow 跑得通之後，再考慮接台灣電商的資料源。

步驟 4：處理搜尋結果

搜尋回來的原始資料通常很雜亂，需要用 n8n 的 Code 節點做清洗：

// 整理搜尋結果的 Code 節點
const results = $input.all();
const products = results.map(item => ({
  name: item.json.title,
  price: item.json.price,
  platform: item.json.source,
  rating: item.json.rating || 'N/A',
  url: item.json.link
}));

// 按價格排序
products.sort((a, b) => a.price - b.price);

return products.map(p => ({ json: p }));

步驟 5：AI 比較與推薦

把整理好的商品資料丟回 AI Agent，讓它產生比較分析：

請根據以下商品資料，產生一個比較表格，並推薦最適合用戶需求的前 3 名：

{{$node["整理資料"].json}}

比較維度：價格、規格、評價、CP值

步驟 6：輸出結果

根據你的使用情境，選擇輸出方式：

ChatGPT vs n8n 購物搜尋 AI Agent 完整比較

這邊我把兩種方案做一個全面比較，幫你快速判斷哪個適合你：

比較項目 ChatGPT 購物搜尋 n8n 自建 AI Agent
使用門檻 極低（直接對話） 中（需會 n8n 基礎）
建置時間 0 分鐘 2-4 小時
客製化程度 極低（OpenAI 控制） 極高（完全自訂）
資料來源 OpenAI 合作電商 自訂任何來源
台灣電商支援 幾乎沒有 可自行串接
搜尋邏輯透明度 黑盒子 完全透明
資料所有權 歸 OpenAI 歸你自己
整合能力 限於 ChatGPT 對話 可接任何系統
月費成本 $20（ChatGPT Plus） $0-20（看 API 用量）
適合對象 一般消費者 電商從業者、開發者
擴展性 受限 無限制
維護成本 零 低（偶爾更新 workflow）

不同角色的建議

如果你是一般消費者： ChatGPT 購物搜尋夠用了，尤其是購買國際品牌商品的時候。但記得它搜不到台灣電商的資料，最終還是得上 momo 或 PChome 確認價格。

如果你是電商賣家： 強烈建議用 n8n 自建。你可以監控競品價格、自動調整售價、追蹤特定商品的歷史價格走勢。這些 ChatGPT 完全做不到。

如果你是企業用戶： n8n 方案可以整合你的 CRM、ERP、內部採購系統。想像一下，採購人員在 LINE 上說「幫我找 100 台螢幕的報價」，AI Agent 自動搜尋、比價、產出採購建議書。這種程度的整合只有自建方案做得到。

台灣電商串接可行性分析

因為很多人問我台灣電商能不能接，我特別整理了一張表：

電商平台 API 開放度 串接難度 建議方案
momo 購物 低（無公開 API） 高 Web Search Tool 或爬蟲
PChome 低（部分 API） 高 搜尋頁面解析
蝦皮 Shopee 中（有 Open API） 中 官方 API 串接
Yahoo 購物 低 高 Web Search Tool
博客來 低 中 搜尋頁面解析
Amazon TW 高 低 Product Advertising API

說實話，台灣電商的 API 開放程度跟歐美比起來差蠻多的。歐美的資源比較好，因為它們都有灌很多資料進去。我自己的做法是用 OpenAI Web Search API 搭配特定網站搜尋，雖然不是最精確的方法，但至少能抓到基本的商品資訊和價格。

另外有個很容易忽略的問題——更新價格跟庫存。電商裡面最常遇到的就是上架跟下架的問題。再來就是折扣價，比如說你買蝦皮會有這個問題，它會送你一個折扣券，所以實際價格跟爬蟲抓到的不一樣。這些都是串接台灣電商時要注意的眉角。

不用想太多，先用能用的方案跑起來，後面再慢慢優化。

重點整理

  1. 電商搜尋是兵家必爭之地 —— 自然搜尋佔電商流量 53%，ChatGPT 要的就是毫不留情直接拿走這塊
  2. ChatGPT 歐美強、台灣弱 —— 歐美有電商整合做得蠻好，台灣的搜尋結果比較像網路搜尋，漢翔文創、衣哥實業、momo 都有但體驗不同
  3. AI 賣家秀，誰的內容好誰上榜 —— 不是下廣告，是 AI Search 推薦，好的 SEO 元素其實還是蠻重要的
  4. OpenAI 推 Product Feed 要你整合 —— 你可以把所有商品內容都給它，沒有就找不到你，就跟智慧型手機一樣，你不用就是落後了
  5. n8n 沒有 OpenAI Web Search 模組 —— 要用 HTTP Request 串接 GPT-4o Search Preview API，API 其實非常簡單
  6. n8n 的定位是後端整合 —— 前端互動體驗比不上 ChatGPT 的產品輪播圖，但後端資料整合跟 Summary 功能還是不錯的
  7. 客戶最終在意的是商品品質跟信任 —— AI 可以強化購物體驗，但最後還是回到你的東西是不是好的

常見問題 FAQ

ChatGPT 購物搜尋是免費的嗎？一般用戶能用嗎？

ChatGPT 購物搜尋功能目前在 4o 跟 4o mini 都有提供，Plus、Pro、Free 都可以用，甚至沒有登錄的用戶也可以用。 OpenAI 的策略是「我無差別供給，你們都可以來找」。我自己覺得如果你只是偶爾比價，免費版夠用了；但如果你是重度使用者，Plus 的體驗確實有差，搜尋速度更快、推薦也更精準。主要功能是偵測購物意圖——只要你講話帶有「我要買什麼什麼」「請幫我比較什麼什麼」「我想在線上買什麼什麼」，它就會自動給你商品輪播圖。

用 n8n 建購物搜尋 AI Agent 需要什麼技術基礎？

你需要基本的 n8n 操作能力，加上一點點 API 串接的概念就夠了。 如果你已經看過我的 n8n 完整教學，建這個 Agent 大概 2-4 小時就能完成。最特別的是在 n8n 裡面並沒有提供 OpenAI Web Search 的模組，所以我們是用 HTTP Request 的方式做搜尋。不過 API 其實非常簡單，就是根據 OpenAI 的 Sample Code 照著放進去，什麼規格就用什麼規格。我建議先用 OpenAI Web Search API 快速跑通 workflow，後面再逐步加入更多資料源。一步一步來，每個高手都是從新手開始的。

n8n 購物搜尋可以搜台灣電商（momo、PChome、蝦皮）嗎？

技術上可以，但實作難度比搜國際電商高很多。 台灣主要電商中，只有蝦皮有比較完整的 Open API，其他平台幾乎沒有公開的商品搜尋 API。我的做法是用 n8n 的 HTTP Request 節點搭配 Web Search Tool，用 site:momo.com 關鍵字 的方式間接搜尋。這不是最完美的方案，但至少能拿到基本的商品資訊和價格。如果你有網頁爬蟲的技術，也可以寫自訂的爬蟲模組接進 n8n。

ChatGPT 購物搜尋的推薦會不會有偏見（bias）？

這是一個很好的問題，答案是「很可能有」。 ChatGPT 的購物搜尋結果很可能受到合作廠商的影響 —— 雖然 OpenAI 目前聲稱推薦結果不受廣告影響，但商品的導購連結（affiliate link）意味著 OpenAI 從中抽成。誰付的佣金高，搜尋結果是否會被優先推薦？這個問題目前沒有透明的答案。這也是我建議電商從業者自建 Agent 的原因之一 —— 至少你知道自己的搜尋邏輯是怎麼運作的。

除了購物搜尋，AI Agent 還能做什麼電商應用？

AI Agent 在電商的應用場景非常多，購物搜尋只是冰山一角。 我自己在 n8n 上做過的電商 AI Agent 包括：庫存監控 Agent（自動追蹤缺貨並通知）、客服問答 Agent（回答常見問題）、商品圖片生成 Agent（自動產生商品行銷圖）、價格追蹤 Agent（記錄歷史價格並在降價時通知）。如果你對 AI Agent 的概念還不太熟，建議先看我的 AI Agent 完整指南，了解 Agent 的基本架構後再來建購物搜尋的應用。

未來購物搜尋 AI Agent 會怎麼發展？

我認為未來 2-3 年，AI 會成為大部分人的購物搜尋入口。 目前的趨勢是：Google 在強化 AI Overview 的購物推薦、Amazon 在做自己的 AI 購物助理、Meta 在社群平台嵌入 AI 導購。台灣這邊，我預期 momo 和 PChome 遲早會開放更多 API，因為不接入 AI 生態系就等於放棄未來的流量入口。對我們做自動化的人來說，現在就開始練習建 AI Agent，等生態系成熟的時候你就是最早受益的那群人。你一定可以的，現在開始永遠不嫌晚。

下一步行動

如果你看完這篇想動手試試，我建議的順序是：

  1. 先用 ChatGPT 體驗一下購物搜尋功能，感受對話式購物的魅力
  2. 跟著我的步驟在 n8n 建一個基礎版的購物搜尋 Agent
  3. 根據你的需求，慢慢加入台灣電商的資料源

想學更多 n8n 自動化技巧？ 加入我們的 Skool 社群，和其他自動化愛好者一起學習交流！

相關資源

本文改編自 YouTube 影片 EP21，由 Alex Hsieh 撰寫。最後更新：2026-02-11

關於作者：Alex 是一位專注於 n8n 自動化和 AI 應用的技術教育者，透過 YouTube 頻道和 Skool 社群幫助超過數千位學員掌握自動化技能。

### 17. 電商圖片 AI Agent｜OpenAI GPT-image-1 + n8n 自動生成商品圖 **URL:** https://cloud-f1.com/blog/image-ai-agent-ecommerce **Published:** 2025-05-04 | **Read Time:** 15 | **Category:** AI Agent

專業導讀

來了！OpenAI Release 他們最新的 GPT-image-1，我們立刻來打造一下電商商品的圖片，建立靈感的來源。不囉嗦直接來！

你有沒有遇過這種情況？電商上架一個新商品，需要白底圖、情境圖、社群素材圖，光是跟設計師來回溝通就花了兩三天。如果商品有 10 個 SKU，每個要 3 種風格的圖，那就是 30 張圖 — 設計師大概要忙一整週。

重點來了 — 用 OpenAI 最新的 GPT-image-1 模型加上 n8n 的 AI Agent，你可以在 LINE 上面打一段商品描述，幾分鐘就拿到一組專業的商品圖。 我在影片裡面 Demo 了兩個範例：第一個是生成紅色洋裝商品圖，25-30 歲的亞洲女性在晴朗的海邊；第二個是帥氣的太陽眼鏡商品，歐洲男性的情境照。兩個都是在 LINE 裡面打指令，幾分鐘內就收到完成的圖片，而且自動同步到 Google Drive。

你將學到

🎯 什麼是電商圖片 AI Agent？

電商圖片 AI Agent 是一個結合 OpenAI GPT-image-1 圖片生成模型與 n8n 自動化工作流的智慧系統，讓使用者透過 LINE 傳送商品描述，就能自動生成多種風格的專業商品圖片，並同步儲存到 Google Drive。

讓我帶你看一下整個概念。傳統的電商商品圖製作流程是這樣的：商品經理寫需求 → 設計師理解需求 → 拍攝或 P 圖 → 來回修改 → 定稿。這個流程最快也要 1-2 天。

我在想，如果有一個 AI Agent 能直接理解商品描述，然後自動生成圖片呢？這就是我做這個 Lab 的出發點。

GPT-image-1 是什麼？

我在影片裡面用 30 秒快速介紹了 GPT-image-1。它是 OpenAI 在 2025 年推出的最新圖片生成模型，也就是 ChatGPT 裡面「生圖」功能背後的技術。跟之前的 DALL-E 3 比起來，它有幾個很明顯的進步：

OpenAI Image API 的三種功能

我在影片裡面快速整理了重點，因為可能有些人沒有用過影像生成的 API。OpenAI 目前提供三個 Image 模型：GPT-image-1、DALL-E 3、DALL-E 2（這個可以隨便念，你念的順就好）。一般來講會有三種功能：

  1. 生成（Generation） — 從文字提示裡面生成新圖片。我跟它說今天要生成一個歐洲男性，它就生成了
  2. 編輯（Editing） — 編輯現有的圖片，就是你已經有圖了，請它幫你改。例如把四個商品元件放在一起變成一個完整的商品 Set
  3. 變體（Variations） — 產生現有圖片的變體，把同一個圖片生成不同的樣式。目前只有 DALL-E 2 支援這個功能

GPT-image-1 價格

這個價格我覺得非常合理，特別是對電商來說：

解析度 每張價格 (USD) 每張約台幣 適合用途
1024x1024 $0.04 ~1.3 元 社群素材、縮圖
1792x1024 $0.08 ~2.6 元 商品主圖（橫式）
1024x1792 $0.08 ~2.6 元 商品主圖（直式）

你想想看，請設計師做一張商品圖大概要 500-2000 元台幣，AI 生成一張不到 3 元。就算 AI 生的圖只有 70% 可以直接用，剩下 30% 需要微調，整體成本還是降了 90% 以上。

💡 Alex 的實戰觀察

我自己從 DALL-E 2 的時代就開始用 AI 生圖了，到現在測試過的工具不下 10 種。讓我分享一些真實的觀察：

觀察 1：GPT-image-1 的品質跳了一大步

我在影片裡面拿同一個 Prompt 分別跑 DALL-E 2、DALL-E 3 和 GPT-image-1，差異真的是肉眼可見的。我個人覺得真的有差，品質上是有差異的。

我自己碎碎念體感上的比喻：Image-1 大概有 1024P、DALL-E 3 大概是 720P、DALL-E 2 大概是 360P。這個是我個人主觀意見沒有對錯，提供給大家參考。

Image-1 在細節背景上相對比較細緻，人物也比較真實。DALL-E 3 生成出來的細部內容是比較好的，但膚質的部分跟比較遠的部分，它的細節處理可能還是沒有那麼好。DALL-E 2 在圖片的深層跟邊緣的處理解析度，明顯就是有差。但這個是一個工具的演進，所以這也沒有對錯，就是再過半年會更強，再過一年可能就取代攝影師了。

我的經驗： 用 GPT-image-1 生成的白底商品圖，大概有 60-70% 可以直接用在電商平台上架。剩下的通常只需要微調構圖或背景，不用整張重做。可能離真正的商業級還有點差距，但是已經會有人開始部分的導入了。

觀察 2：Prompt 設計是關鍵中的關鍵

這邊要特別注意 — 很多人覺得 AI 生圖就是打幾個字它就會給你好圖。我的觀察是，Prompt 的品質決定了 80% 的結果。好的商品圖 Prompt 需要包含：

  1. 場景描述：白底攝影、生活情境、模特展示
  2. 風格指定：專業攝影風、雜誌風、韓系清新風
  3. 光線描述：柔和自然光、影棚燈光、背光效果
  4. 構圖指令：正面平拍、45 度角、特寫
  5. 品質關鍵字：high quality, professional product photography, 8K

觀察 3：不是所有商品都適合，但「靈感來源」超好用

我要誠實說，AI 生圖目前還有一些限制。但我在影片裡面強調的是，這個系統最大的價值是建立靈感的來源。你可以看一下各大電商的網站，都會有類似的模特兒圖。很可怕，其實現在都可以不需要模特兒了，直接用生成的方式就可以做商品的展示圖。甚至你可以拍很多個，還可以調整成不同的環境。

效果好的商品類型：

效果一般的商品類型：

我覺得最好的策略是：用 AI 生成初版 + 人工微調，而不是完全依賴 AI。你可以利用這個來產生你電商商品的靈感，去想今天可能需要產生什麼樣的圖片、什麼樣的風格是最適合你的。

🔧 n8n 電商圖片 AI Agent 完整架構與步驟教學

好，再來就是大家最期待的實作部分。我把整個 AI Agent 的架構拆解給你看。

整體架構

使用者 (LINE) → Webhook → AI Agent → GPT-image-1 → Google Drive → LINE 回傳
                           │
                    ┌──────┴──────┐
                    │  Prompt      │
                    │  Optimizer   │
                    └─────────────┘

步驟 1：建立 LINE Webhook 接收節點

首先，你需要一個 LINE Messaging API 的 Channel。如果你還沒有，到 LINE Developers Console 申請一個。

在 n8n 裡面：

  1. 新增一個 Webhook 節點
  2. 設定路徑，例如 /line-image-agent
  3. 把 Webhook URL 貼到 LINE Channel 的 Webhook URL 設定

步驟 2：建立 AI Agent 節點（Prompt 優化器）

這是整個系統的核心。我在影片裡面解說了，這個 AI Agent 它只專注做一件事：從左邊拿到的訊息，到右邊生成正確的提示詞。它的任務就這麼簡單。

AI Agent 不是直接把使用者的文字丟給 GPT-image-1，而是先「優化」Prompt。為什麼？因為你可能只說「幫我生成一張手機殼的圖」，但好的圖片需要更具體的描述。而且因為英文的比較準，會給的比較好，所以 AI Agent 會幫你把中文需求轉成英文 Prompt。

我在影片裡面展示了四個主要的元件：LLM 用什麼、它的記憶、Think Tool、以及結構化輸出。

System Prompt 範例：

你是一個業務分析師，產生電商的圖片跟商品敘述幫助銷售。
你的任務是接收內部的 Prompt，根據收到的 Prompt 調用 API 來生成。
輸出格式：商品的提示詞 Prompt + 幾個 Image（預設一個）。

Think Tool 的關鍵角色： 我在這裡的設計比較特別。上面的 AI Agent 是專注在「我要做什麼任務、輸入是什麼、輸出是什麼」，而 Think Tool 專注的是在商業邏輯 — 商品資訊的整理分析優化。我會請它知道商品種類、模特兒的特徵、背景的環境等等，因為每個產業要的東西不一樣，所以我專注在電商的商業邏輯，商品的圖片應該要有哪些東西。然後最後把資訊整理成英文的 Prompt，加入品質的敘述，盡量確保提示詞是自然的。

步驟 3：呼叫 GPT-image-1 API 生成圖片

這邊我在影片裡解釋了，因為 DALL-E 2、DALL-E 3 和 GPT-image-1 對於 API 的要求形式不一樣，裡面的參數不一樣，所以我需要先判斷 Model 是屬於哪個 Model。如果是 GPT-image-1 就走上面的路徑，不是就走下面。非常簡單。

用 n8n 的 HTTP Request 節點呼叫 OpenAI Images API：

{
  "model": "gpt-image-1",
  "prompt": "{{ 上一步 AI Agent 優化後的英文 Prompt }}",
  "n": 1,
  "size": "1792x1024",
  "quality": "high"
}

這邊的認證可以用 Predefined，就是你可以選 OpenAI 的類型，如果你已經有打好 OpenAI 的 API 權杖，可以直接用 Predefined，也可以自己輸入。

注意： 這個 API 大概需要 30 秒左右，每個人的體感等級不一樣。另外，這個版本的 GPT-image-1 它只會給你 Base64 的 JSON 格式 — 就是圖片是一堆亂碼的編碼格式。我就把它輸出成一個 PNG 檔，變成一個圖片了，這樣就搞定。

步驟 4：自動上傳到 Google Drive

生成的圖片從 Base64 轉換成 PNG 後，上傳到 Google Drive：

  1. 新增 Google Drive 節點
  2. 操作選擇「Upload File」
  3. 設定目標資料夾（建議按日期 + 商品分類）
  4. 檔名格式：{商品名}_{風格}_{日期}.png

步驟 5：回傳圖片到 LINE

用 LINE 節點回傳圖片訊息：

  1. 取得 Google Drive 的分享連結
  2. 用 LINE 的 Image Message 格式回傳
  3. 加上操作按鈕（重新生成、換風格、下載原圖）

步驟 6：進階 — 多風格批次生成

如果你想一次生成多種風格的圖片，可以加一個 Loop 節點：

風格清單: ["白底攝影", "生活情境", "雜誌風格"]
    ↓
For Each 風格:
    → AI Agent 優化 Prompt（加入風格描述）
    → GPT-image-1 生成圖片
    → Google Drive 存儲
    ↓
合併所有圖片 → LINE 回傳圖片組

我自己在用的時候，通常一個商品會生成 3 種風格：白底（上架用）、情境（社群用）、特寫（商品詳情頁用）。

📊 GPT-image-1 vs DALL-E 3 vs Midjourney 完整比較

很多人問我到底要用哪個工具生商品圖？讓我用實際使用經驗做一個完整比較：

比較項目 GPT-image-1 DALL-E 3 Midjourney v6
文字渲染 ⭐⭐⭐⭐⭐ 優秀 ⭐⭐⭐ 普通 ⭐⭐ 較差
商品真實感 ⭐⭐⭐⭐⭐ 極佳 ⭐⭐⭐ 尚可 ⭐⭐⭐⭐ 好
藝術風格 ⭐⭐⭐⭐ 好 ⭐⭐⭐⭐ 好 ⭐⭐⭐⭐⭐ 最強
API 整合 ⭐⭐⭐⭐⭐ 有 API ⭐⭐⭐⭐⭐ 有 API ⭐⭐ 無官方 API
價格（每張） $0.04-0.08 $0.04-0.08 $10/月（約 200 張）
白底商品圖 ⭐⭐⭐⭐⭐ 最佳 ⭐⭐⭐ 普通 ⭐⭐⭐⭐ 好
n8n 自動化 ⭐⭐⭐⭐⭐ 完美 ⭐⭐⭐⭐⭐ 完美 ⭐ 困難
中文 Prompt ⭐⭐⭐⭐ 好 ⭐⭐⭐ 普通 ⭐⭐⭐ 普通
適合場景 電商商品圖 通用插圖 藝術創作

我的選擇建議

我自己的做法是：電商用 GPT-image-1 + n8n 自動化，社群素材偶爾用 Midjourney 手動生。

💡 Prompt 工程實戰技巧

這一段我特別想跟大家分享，因為我踩過很多坑。

電商商品圖 Prompt 公式

我整理了一個萬用公式：

[商品名稱] + [材質/顏色] + [場景] + [光線] + [構圖] + [風格] + [品質]

範例 1：白底商品圖

A minimalist white ceramic coffee mug on a pure white background,
soft studio lighting, front-facing product photography,
clean and professional, high resolution 8K, commercial product photo

範例 2：生活情境圖

A cozy lifestyle shot of a white ceramic coffee mug on a wooden table,
morning sunlight streaming through a window, steam rising from the cup,
magazine editorial style, warm tones, shallow depth of field

範例 3：社群素材圖

Flat lay composition of a white ceramic coffee mug surrounded by
autumn leaves and a book, top-down view, natural lighting,
Instagram aesthetic, pastel color palette, clean composition

我踩過的坑

  1. 不要用中文 Prompt：雖然 GPT-image-1 支援中文，但英文的效果明顯更好
  2. 不要描述太多元素：一張圖不要超過 3 個主要元素，不然會很亂
  3. 明確指定「不要什麼」：加上 negative prompt 概念，例如 "no text, no watermark"
  4. 品質關鍵字放最後：8K, high quality, professional 放在 Prompt 結尾效果最好

Gemini + OpenAI 雙模型策略

我在進階版的 Agent 裡面用了一個技巧 — 雙模型策略：

Google Gemini 負責：

OpenAI GPT-image-1 負責：

為什麼要這樣做？因為 Gemini 的文字理解能力很強，拿來做 Prompt 優化很適合。而 GPT-image-1 的圖片生成品質最好。把兩個模型的長處結合起來，出圖的品質比單一模型好很多。

在 n8n 裡面，你可以用 AI Agent 節點設定 Fallback 機制：如果 Gemini API 回應太慢或出錯，自動切換到 GPT-4o 做 Prompt 優化。這樣系統的穩定性更高。

重點整理

  1. GPT-image-1 是目前電商商品圖最佳選擇：文字渲染、真實感、API 整合三個維度都最強
  2. 成本極低：每張圖 1-3 元台幣，比傳統設計省 90% 以上
  3. n8n + LINE 整合：用戶只要在 LINE 傳商品描述，幾分鐘就拿到專業商品圖
  4. Prompt 設計決定 80% 的品質：場景 + 光線 + 構圖 + 風格 + 品質關鍵字缺一不可
  5. 雙模型策略更強：Gemini 優化 Prompt + GPT-image-1 生成圖片，效果最好
  6. 不是所有商品都適合：食物實拍、精確比例商品目前效果還有限
  7. AI 生圖 + 人工微調：最佳實踐是 AI 生成初版，人工做最後調整

常見問題 FAQ

GPT-image-1 和 DALL-E 3 差在哪？什麼情況該用哪個？

A: 我兩個都測試過很多次了。最大的差異在「文字渲染」和「商品真實感」。GPT-image-1 生成的圖片裡，如果有品牌名稱或價格標籤，文字是清晰可讀的；DALL-E 3 的文字常常會糊掉。另外 GPT-image-1 的商品看起來更像「真的拍出來的」，DALL-E 3 有時候會有一種明顯的 AI 感。我的建議是：電商商品圖一律用 GPT-image-1，部落格配圖或簡報插圖用 DALL-E 3 就夠了。

生成的圖片真的可以商用嗎？有什麼法律風險？

A: 可以商用。OpenAI 的使用條款明確表示，用戶透過 API 生成的圖片，版權歸用戶所有，可用於商業目的。但我建議注意幾點：

  1. 不要生成涉及真人肖像的圖（可能有肖像權問題）
  2. 不要模仿特定品牌的視覺風格（可能有商標侵權風險）
  3. 建議加上自己的品牌標識（浮水印或 Logo）
  4. 保留生成記錄（萬一有爭議，有 API 呼叫紀錄可以佐證）

我自己在商業用途上都會再做一層人工審核，確認沒有問題才上架。

如何提高生成圖片的品質？有什麼 Prompt 技巧？

A: 這是我被問最多的問題。我整理了幾個實測有效的技巧：

  1. 用英文寫 Prompt：效果比中文好 30% 以上
  2. 具體描述場景：不要只說「商品圖」，要說「white background, studio lighting, front view」
  3. 加入風格參考：「magazine editorial style」或「Amazon product listing style」
  4. 指定不要的東西：「no text, no watermark, no human hands」
  5. 品質關鍵字：最後加上「8K, ultra high resolution, professional product photography」
  6. 用 AI Agent 優化：讓 Gemini 或 GPT-4o 先幫你把 Prompt 寫得更專業

電商圖片 AI Agent 的完整工作流怎麼設計？

A: 我的完整工作流設計是這樣的：

  1. LINE Webhook 接收商品描述（支援文字 + 圖片）
  2. AI Agent 分析商品描述，優化成英文 Prompt（加入電商風格關鍵字）
  3. GPT-image-1 生成圖片（size: 1792x1024）
  4. Image Processing（可選）：裁切、加浮水印、調整尺寸
  5. Google Drive 同步儲存（按日期 + 商品分類建資料夾）
  6. LINE Reply 回傳圖片 + 操作按鈕（重新生成、換風格）

整個工作流在 n8n 裡面大概 8-10 個節點，第一次設定花 1-2 小時，之後就是全自動的。

如何使用 OpenAI 和 Gemini 雙模型？會不會很複雜？

A: 其實不會複雜。在 n8n 裡面就是兩個 AI 節點串在一起：

你也可以在 AI Agent 裡面設定 Fallback：如果 Gemini 掛了，自動切換到 GPT-4o 做 Prompt 優化。這樣系統的穩定性更高。我自己用了三個月，基本上沒出過什麼問題。

一個月大概要花多少錢？適合小電商嗎？

A: 我來算給你看。假設你一個月上架 50 個新商品，每個商品需要 3 種風格的圖（白底 + 情境 + 特寫）：

總成本大約 400-1,000 台幣/月，比請一個兼職設計師便宜太多了。非常適合小電商。

🎯 下一步行動

如果你想動手做一個自己的電商圖片 AI Agent，我建議的路徑是：

  1. 看影片：先看我的 YouTube 完整教學，了解整體架構
  2. 申請 API：到 OpenAI Platform 申請 GPT-image-1 API Key
  3. 建工作流：在 n8n 裡面按照我上面的步驟，先建一個最簡單的版本
  4. 優化 Prompt：用我分享的 Prompt 公式，反覆測試找到最適合你商品的描述方式
  5. 加入社群：到 Skool 社群 跟大家分享你的成果

🚀 想學更多 n8n 自動化技巧？ 加入我們的 Skool 社群，和其他自動化愛好者一起學習交流！

🔗 AI Agent 系列文章

🔗 相關資源

🚀 想學更多 n8n 自動化技巧？ 加入我們的 Skool 社群，和其他自動化愛好者一起學習交流！

✍️ 關於作者：Alex 是一位專注於 n8n 自動化和 AI 應用的技術教育者，透過 YouTube 頻道和 Skool 社群幫助超過數千位學員掌握自動化技能。

### 18. n8n LINE Message API 教學｜8 分鐘串接 Webhook 打造 AI 助理 **URL:** https://cloud-f1.com/blog/n8n-line-message-api **Published:** 2025-04-27 | **Read Time:** 15 | **Category:** 應用案例

專業導讀

來了！馬上 Demo 我們的 LINE Message API。在影片裡我直接展示了兩件事：第一，我用 n8n 主動傳送訊息到我的 LINE 帳號，按下去以後官方帳號就自動送了「n8n LINE 個人助理」的訊息過來；第二，我測試了 Webhook 收到訊息以後的自動回應——在 LINE 打入「n8n Webhook Alex Brain」，n8n 這邊馬上就收到了，回傳訊息也看到了。就這麼簡單。

這就是我今天要教你的事情：用 n8n 串接 LINE Message API，8 分鐘就能讓你的 LINE 自動回覆訊息、推播通知、整合 AI 處理。 這是打造 LINE AI 助理的第一步，不需要寫任何程式碼，我會帶你從零開始完成整個串接。

你將學到

🎯 什麼是 LINE Message API 與 Webhook？

LINE Message API 是 LINE 官方提供的開發者介面，讓你能透過 n8n 或程式碼自動收發 LINE 訊息、推播通知、建立聊天機器人，把 LINE 官方帳號從手動客服變成 24 小時自動化處理中心。而 Webhook 就是這整套系統的核心觸發機制。

我在影片裡用了一個很生活化的例子來解釋 Webhook。我們坐 Uber 或 LINE Taxi 的時候，我們是搭車的用戶，我們通常會說「我要叫車」，然後請平台通知司機。司機呢？他會到了載客地點才通知你。這個通知的動作就叫 Webhook。我做完了我再跟你說。Uber 司機你到了再跟我說，你不要剛從家裡出來就跟我講——車子到了再通知我，這樣的機制就叫 Webhook。

簡單來說，Webhook 就是由伺服器主動發送即時資料到指定 URL 的機制，常用來自動通知或觸發後續的動作。其實它就是一種「事件發生就自動通知我」的方式，幫你省下不斷查詢的麻煩。Mapping 到我們的 Client 跟 Server 的架構就是：我跟伺服器發出請求，請你完成了才跟我講。就這麼簡單。

LINE Message API 的核心運作原理：

  1. Webhook 接收：使用者發訊息 → LINE 伺服器接收 → 轉送到你的 Webhook URL
  2. 訊息處理：n8n 收到事件 → 解析內容 → 執行自動化邏輯（AI、查資料庫等）
  3. 回覆/推播：透過 Reply API（回覆）或 Push API（主動推播）送出訊息

這三個環節搞懂了，LINE Bot 的核心概念你就掌握了。

Alex 的實戰觀察

台灣做 AI 助理，LINE 是唯一合理的入口。我不是在講客套話，這是我帶了超過 500 位學員之後得出的結論。

原因很簡單——你不用教使用者裝新 App。我之前試過 Telegram Bot、試過 Discord，效果都不好。不是技術有問題，而是「你叫一個台灣的媽媽去裝 Telegram」這件事本身就不合理。LINE 在台灣有 2100 萬用戶，滲透率超過 90%，這個數字代表的意義是：你的目標用戶幾乎已經在 LINE 上了。

我在影片裡特別強調了 LINE 開發者架構裡面 Provider、Channel、官方帳號之間的關係。你會發現在 LINE 的開發者裡面，有所謂的 Provider 跟不同的 Channel，每一個 Channel 會對應到它裡面的服務，像是 Message API 或者是 LINE Login。然後還有一個 LINE 的官方帳號，這個官方帳號就像一個對外的公關一樣，你可以把你的 Channel 做連結。Mapping 到公司的組織，就像一個公司裡面有業務部門、有研發部門，他們會連結組成一個共同的編組，對外變成一個商品的專案組。

我自己觀察到幾個關鍵優勢：

優勢 說明 為什麼重要
高滲透率 台灣 2100 萬用戶 不用教人裝新 App
API 完整 Webhook + Push + Reply + Flex Message 什麼功能都做得出來
免費額度 每月 500 則免費推播訊息 個人使用完全夠
即時推播 用戶秒收通知 比 Email 開信率高 10 倍
圖文選單 Rich Menu 提供按鈕介面 使用者不用記指令
生態完整 LINE Login、LIFF、LINE Pay 未來擴展空間大

但我也要講實話——LINE Message API 不是沒有缺點。最大的問題是：免費推播額度只有 500 則/月。如果你想做大量推播行銷，成本會上升得很快。不過如果你主要是做「收到訊息 → AI 回覆」的模式，Reply Message 是完全免費不限量的，這一點很多人搞混。

另一個我覺得要注意的是，LINE 的 Flex Message 雖然排版效果很好，但編輯 JSON 的過程確實不太友善。我的建議是善用 LINE Flex Message Simulator 來視覺化設計。

我的結論：如果你的目標用戶在台灣，LINE 就是最好的 AI 助理入口。不是之一，是唯一。先用免費額度把架構搭好，未來要擴展都有路。

🔧 完整串接步驟：5 步做出你的 LINE Bot

我在影片裡帶大家做的流程總共有五個步驟。接下來我帶你一步一步完成整個串接。不用擔心，每一步我都會詳細說明。

Step 1：註冊 LINE 開發者帳號

這是第一步，也是基礎。我在影片裡示範了整個過程——先到 LINE Developers 裡面，建立一個 Provider。Provider 就像一個公司的母體，Channel 就是底下的不同產品線。

  1. 前往 LINE Developers Console
  2. 用你的 LINE 帳號登入
  3. 建立新的 Provider（我示範的時候建了一個叫 yt-n8n 的 Provider）
  4. 點選這個 Provider，然後建立 Create Messaging API Channel
  5. 填寫基本資訊：Channel 名稱、描述、分類、Email

我自己在建立的時候就快速設定，產生了一個對應的 Provider。重刷一下就會看到 yt-n8n 出現了，然後點選 Create Messaging Channel，它就會跳到建立 Channel 的頁面。

Step 2：建立 LINE 官方帳號

Channel 建好之後，你就可以點選連結到 LINE 的官方帳號。就像我剛剛講的，組成一個臨時的編組——開發者帳號的 Channel 跟官方帳號做連結。

  1. 到 LINE Official Account Manager 建立帳號
  2. 我示範的時候選擇「其他媒體」→ 「其他」→ 確定
  3. 不用加入好友，單純拿來做申請就好
  4. 點選「稍後認證」→ 前往管理畫面
  5. 無腦按「同意」、「了解」、「下一步」、「前往主頁」

這邊有一個非常重要的東西——你要注意到我們這邊麻煩你要設定你的回應設定。回應設定在聊天的這邊，我們要前往回應設定，把聊天打開來，然後 Webhook 也要啟動。你會先需要去啟用 Messaging API，到這裡啟用，然後選擇剛剛的 Provider（像我選 yt-n8n），同意，連動完成以後就會出現 Messaging API。記得回應設定就要開啟 Webhook。

踩坑提醒：一定要把「自動回應訊息」關閉，把「Webhook」開啟。否則 LINE 的預設回覆會和 n8n 的回覆衝突，使用者會同時收到兩則訊息。我第一次做的時候就踩了這個坑，debug 了快一個小時才發現。

Step 3：取得 Channel Access Token

進到剛剛的 Channel 裡面，最重要的是要拿到這個 Channel Access Token。

項目 位置 用途
Channel ID Basic Settings 識別你的 Channel
Channel Secret Basic Settings 驗證請求來源
Channel Access Token Messaging API → Issue n8n 發送訊息用

我在影片裡的操作是：先進到我們的 Provider 裡面，點選 Messaging API，再點選這個 Messaging API，然後滑到最下面會有 Channel Access Token。你可以做 Reissue，然後這個就可以複製，就把這一組記起來。

Step 4：設定 Webhook URL

第五步是設定 Webhook。我們要在 Messaging API 的設定頁面找到 Webhook 的欄位，把我們在 n8n 裡面的 Webhook URL 複製貼上。

在 n8n 建立一個新的 Workflow，拉入一個 Webhook 節點：

設定項目 值 說明
HTTP Method POST LINE 用 POST 傳送事件
Path line-webhook（自訂） 你的 Webhook 路徑
Response Mode Immediately 立即回應 200，避免 LINE timeout

把 n8n 的 Webhook URL 複製下來以後，回到 LINE 開發者頁面。你有兩個地方可以設定：在 Messaging API 官方帳號這裡，你可以按儲存；你當然也可以回到 LINE Developers Console 的頁面，重刷一下它就會有 Webhook URL 的設定。記得要勾選「使用 Webhook」把它 Enable。

注意這個很重要——我們在影片裡示範的是 webhook-test 代表是測試的。測試的 Webhook 代表只有在你按下 Test Workflow 的時候才會回應。正式上線要用 Production URL，不是 Test URL。

Step 5：設定權限與測試

我在影片裡特別示範了權限設定的方法。我們要先去到 Channel 把剛剛的 Token 拿到，然後在工作流的推送訊息節點去設定對應的權限。

權限設定的格式非常重要——記得它要做叫 Authorization，然後 Bearer，後面加你剛剛拿到的 Token：

Authorization: Bearer {你的 Channel Access Token}

我在影片裡把 Token 複製到 n8n 的 HTTP Request 節點裡面，Header Auth 那邊有一個 Authorization 欄位，把 Bearer 加上 Token 貼上去。一定要貼對，你可以把它打開來看。

測試主動傳送訊息：

傳送訊息的時候你要知道你個人的 ID 是什麼。你的頻道（官方帳號）要傳給誰，所以你要拿到 User ID。在 Channel 設定裡面可以看到你的 User ID，複製以後回到 n8n 的 Edit Fields 節點把它換上去。換上去以後按下測試，就會看到 LINE 官方帳號傳訊息過來了。

測試 Webhook 回覆：

按下 Test Workflow，然後在 LINE 裡面傳送訊息，n8n 這邊就會收到 Webhook 事件。回覆的設定用 Reply API：

{
  "replyToken": "={{ $json.events[0].replyToken }}",
  "messages": [{
    "type": "text",
    "text": "收到你的訊息了！你說的是：{{ $json.events[0].message.text }}"
  }]
}

我在 LINE 上打了訊息，n8n 這邊收到了，LINE 也回傳了訊息。就這麼簡單。我們就測試完成了。

📊 Message API 功能比較

LINE Message API 提供多種訊息類型和 API，選擇合適的格式非常重要。我幫你整理了一個完整的比較表：

訊息類型比較

訊息類型 適用場景 複雜度 視覺效果 我的建議
Text 一般文字回覆 低 基本 新手先用這個
Image 圖片分享 中 中等 需要圖片 URL
Sticker 貼圖回覆 低 親切 增加互動感
Template 按鈕/確認選單 中高 好 適合固定選項
Flex Message 自訂排版 高 最佳 進階必學
Quick Reply 快速回覆按鈕 中 好 引導使用者操作

Reply vs Push 比較

特性 Reply Message Push Message
觸發方式 使用者先傳訊息 主動推送
費用 完全免費 計入免費額度（500 則/月）
時效限制 replyToken 有效期約 30 秒 無時效限制
適用場景 即問即答、AI 回覆 定時推播、通知提醒
需要的資訊 replyToken userId 或 groupId
API 端點 /v2/bot/message/reply /v2/bot/message/push

LINE 開發者架構對應表

LINE 概念 對應公司組織 說明
Provider 公司母體 最上層，管理所有 Channel
Channel (Messaging API) 研發部門 負責技術對接
Channel (LINE Login) 業務部門 負責用戶認證
官方帳號 對外公關 面向使用者的窗口
兩者連結 臨時編組 / 專案組 Provider Channel + 官方帳號連動

我的建議：先從 Reply + Text 開始，確認串接成功後再升級到 Flex Message 和 Push API。一步一步來，不要一開始就想做太複雜的東西。

🚀 進階應用：從基礎到 AI 助理

串接完成只是起點。我在影片最後也提到未來我們會分享更多 AI 自動化的省力工具。讓我分享一下我自己和學員們常見的擴展方向：

方向 1：AI 智慧回覆

在 Webhook 和 Reply 之間加入 OpenAI 或 Claude 節點，就能讓你的 LINE Bot 變成 AI 助理。我在 LINE AI 助理課程 裡教了 8 種不同的 AI 助理做法。整個核心架構都一樣：Webhook → AI 處理 → Reply，差別只在中間的處理邏輯。

方向 2：RAG 知識庫整合

把你的文件（PDF、網頁、筆記）存入向量資料庫，LINE Bot 收到問題後先搜尋知識庫再回答。這個做法的準確度比純 AI 回覆高很多。詳細做法可以看我的 n8n RAG 教學。

方向 3：定時推播自動化

結合 n8n 的 Schedule Trigger，設定每天早上 8 點自動抓新聞、AI 摘要、推播到 LINE。我自己每天都在用這個功能，省了我大概每天 20 分鐘的閱讀整理時間。不過要注意 Push Message 會計入每月 500 則的免費額度。

方向 4：多功能選單（Rich Menu）

透過 Rich Menu 設定圖文選單，讓使用者可以用按鈕操作不同功能，不用記任何指令。這對非技術用戶來說特別友善。

✅ 重點整理

  1. Webhook 就像 Uber 司機到了才通知你——事件發生就自動通知，不用一直去查詢，這是整個 LINE Bot 串接的核心機制
  2. LINE 開發者架構有三層：Provider（公司母體）→ Channel（部門）→ 官方帳號（對外公關），搞懂這個關係才不會設定迷路
  3. 整個串接五個步驟：註冊開發者帳號 → 建立官方帳號 → 取得 Access Token → 設定 Webhook URL → 設定權限與測試
  4. Authorization 格式一定要對：Bearer {Token}，這邊的權限設定是最容易出錯的地方
  5. 記得關閉自動回應，避免和 n8n 回覆衝突（這是最常見的踩坑點）
  6. Reply Message 完全免費，Push Message 才計入 500 則/月額度，很多人搞混這一點
  7. webhook-test 只在 Test Workflow 時生效，正式上線記得切換到 Production URL
  8. 這是 LINE AI 助理的基礎，掌握後可擴展到 RAG、OCR、MCP 等進階功能

常見問題 FAQ

什麼是 Webhook？跟一般 API 有什麼不同？

Webhook 就是「事件發生就自動通知我」的機制，跟你主動去查詢（Polling）是完全相反的方向。 我在影片裡用 Uber 叫車的例子來解釋：你叫了 Uber，司機到了載客地點才通知你，你不需要每 30 秒就打開 App 看司機到了沒。Webhook 就是這個概念——LINE 伺服器收到使用者訊息後，主動把資料送到你指定的 URL（也就是 n8n 的 Webhook 端點）。一般 API 是你主動發請求去拿資料，Webhook 是伺服器主動推給你，省下不斷查詢的麻煩。

免費額度 500 則夠用嗎？

個人使用和小型專案完全夠用。 這個很重要，很多人搞混：500 則指的是「主動推播」（Push Message），不包含「回覆訊息」（Reply Message）。Reply 是完全免費、不限量的。所以如果你主要是做「收到訊息 → AI 回覆」的模式，根本不會用到免費額度。我自己的 LINE Bot 一個月收到幾百則訊息，免費額度都還有剩。

如果你真的需要大量推播，LINE 的付費方案從每月 800 元台幣起跳，可以獲得更多推播額度。但我建議先用免費額度驗證你的想法，確認有效再投資。

Provider、Channel、官方帳號之間是什麼關係？

Provider 像公司母體，Channel 像不同部門，官方帳號像對外公關窗口，三者要連動才能運作。 我在影片裡用公司組織來做類比：Provider 底下可以有多個 Channel，每個 Channel 對應不同服務（像 Messaging API、LINE Login）。官方帳號則是使用者實際看到的那個 LINE 帳號。你需要把開發者帳號的 Messaging API Channel 跟官方帳號做連結——就像公司裡面業務部門跟研發部門連結組成一個共同的編組，對外變成一個商品的專案組。

可以發送圖片、按鈕和 Flex Message 嗎？

當然可以，而且這是 LINE Bot 的一大優勢。 LINE Message API 支援多種格式：

我的建議是先把 Text 回覆做好，確認流程通了，再慢慢加入其他格式。Flex Message 的視覺效果最好，但 JSON 結構比較複雜，可以用 Flex Message Simulator 來設計。

Webhook URL 需要 HTTPS 嗎？

是的，LINE 強制要求 Webhook URL 必須是 HTTPS。 這是安全性考量，沒有例外。處理方式取決於你的 n8n 部署環境：

如果你是在本地開發想快速測試，ngrok 是最方便的選擇。詳細的部署方式可以看我的 n8n 本地部署教學 和 n8n SSL 憑證自動化教學。

可以串接 ChatGPT 或 Claude 做 AI 回覆嗎？

這正是 n8n + LINE 最強大的地方！ 在 Webhook 接收訊息後，加入 OpenAI 或 Anthropic 節點處理使用者的訊息，再透過 Reply API 回覆。整個流程在 n8n 裡面就是多拉兩個節點的事情。

我在 LINE AI 助理課程 裡面教了 8 種不同的 AI 助理：翻譯、摘要、知識庫問答、OCR 辨識等。每一種的核心架構都一樣：Webhook → AI 處理 → Reply。差別只在中間的處理邏輯。

replyToken 過期怎麼辦？

replyToken 的有效期大約是 30 秒。我在影片裡也有提到 Webhook 有回應權的時效問題——如果過時間它就不會回你。如果你的 AI 處理邏輯太慢（例如呼叫多個 API、RAG 搜尋等），token 可能會過期。我自己實測的解法有兩種：

  1. 先回覆「處理中...」，用 replyToken 立刻送出一則提示訊息，然後用 Push API 送出最終結果
  2. 優化處理速度，把不必要的步驟拿掉，或使用快取

我目前比較推薦第一種做法，因為使用者體驗比較好——至少他知道 Bot 有在處理。

🎯 下一步行動

學會基礎串接後，你可以往三個方向發展：

  1. 免費研習：2 小時 LINE AI 助理研習 — 動手做出翻譯助理 + 時事推播
  2. 完整課程：LINE AI 助理課程（$29） — 8 大 AI 助理 + 42 堂系統教學
  3. 繼續深入：LINE 與 n8n 整合教學 — Webhook 串接進階技巧

🚀 想學更多 n8n 自動化技巧？ 加入我們的 Skool 社群，和其他自動化愛好者一起學習交流！

🔗 相關資源

✍️ 關於作者：Alex 是一位專注於 n8n 自動化和 AI 應用的技術教育者，透過 YouTube 頻道和 Skool 社群幫助超過數千位學員掌握自動化技能。

### 19. n8n AI Agent Think Tool 完整教學｜讓 AI 更會思考 **URL:** https://cloud-f1.com/blog/n8n-think-tool-guide **Published:** 2025-04-23 | **Read Time:** 16 | **Category:** AI Agent

專業導讀

來了！n8n 的 Think 節點加 ChatGPT 4.1 正式登場。這次的更新幫我們的 AI Agent 直接升級到 ChatGPT 4.1，再搭配智慧思考工具的版本。我在影片裡實際 Demo 了兩個完整的應用場景 — 電商退換貨助理和個人業務助理，讓大家看到 Think Tool 到底能帶來什麼樣的結果。

我自己實測的心得是，Agent 的能力真的有升級，實際測的時候是有感提升的。ChatGPT 4.1 再加上 n8n 的 Think 節點，整個 AI Agent 的回答邏輯跟策略性真的有提升不少。簡單說就是回答變聰明、決策更合理、效率有提升、價格比較便宜。

你將學到

什麼是 n8n Think Tool？

n8n Think Tool 是一個嶄新的思考工具，被設計用來幫助 AI Agent 在回答問題之前先進行一段內部的思考，讓 AI 有空間停下來推論清楚再往下進行任務，藉此提升複雜任務的處理準確度和邏輯一致性。 以我的洞見來看，思考工具 Think Tool 就是：做之前，停下來想一下，做更快。

這個概念其實源自 Anthropic（Claude 的開發公司）。他們在部落格裡提到了 Think Tool 的概念 — "A new tool that improves Claude" — 就是在講這個工具可以提升 Claude 複雜問題解決能力。Claude 已經證明說可以有效提升 AI 解決複雜任務的能力。

我在影片裡特別說明了 Think Tool 的核心概念：它不是單純讓 AI 猜答案，是讓 AI 有空間，我們停下來思考，推論清楚再往下進行任務的流程。n8n 官方說它是一個 AI 代理在回答問題之前先進行思考的工具，允許代理在回答答案之前先用自我對話的方式來反思問題。

這個功能特別就是拿來處理一些比較複雜、需要邏輯推理或者是策略規劃的情境。比如說 AI 來幫你決定退貨的邏輯、風險的判斷、推薦的策略等等，這些都很適合用 Think 來做。

Alex 的實戰觀察

ChatGPT 4.1：變強變便宜，直接升級不囉嗦

我先跟大家聊一下 ChatGPT 4.1，因為它是我在這次 Demo 裡搭配使用的模型。我的洞見是什麼？ChatGPT 4.1 其實是變強變便宜，直接用起來取代 GPT 4o。如果現在還在用 4o，那記得馬上更新手上的模型，升上 ChatGPT 4.1 就對了。

我先講結論：GPT 4.1 就是 GPT 4.5 的低配版，但是很超值。 功能比較弱一點但是比較便宜。一句話的總結就是：便宜好用直接升級不囉嗦。

從 OpenAI 的官方數據跟我實測的結果來看，ChatGPT 4.1 有四個亮點：

  1. 超大的上下文處理能力：大概是 4o 的八倍文檔的輸入，比如說長篇的合約、法規、技術文件等等你都能夠吸收
  2. 指令的理解能力比較強：可以去理解多步驟或者是格式的規則，或者是否定式的指令，給比較奇怪的情境它都能執行
  3. API 使用更便宜：比 4o 便宜，記得要看 Flex 不是 Batch
  4. 模型的多樣性：提供了標準版、Mini 跟 Nano。如果你是中翻英英翻中這種任務，你就用 Nano 就好了，不用用到更好的

實測起來 ChatGPT 4.1 在回應品質我覺得比 4o 好，雖然比不上 4.5，但是 CP 值蠻好的。在開發上我覺得兼顧效能、成本跟彈性，ChatGPT 4.1 其實是現階段蠻好的通用選擇。

Think Tool 的實測心得

我用一句話來說：任務簡單不用它，任務複雜不能沒有它。 就是你覺得這個任務有一些規則你就用。

我在影片裡面特別強調了幾個適合使用 Think Tool 的情境：

  1. 任務前需要邏輯跟判斷：退貨、風險評估、分支的任務，像我前面那個電商退換貨的例子
  2. 需要 LLM 統整資訊跟情境的理解：步驟可能很多，SOP 很多很複雜，每一個資料都是要整合的
  3. 避免後續不當的動作或錯誤的決策：修改資料、寄信通知、金流的動作，可能有 7 到 10 步，彼此之間是有依賴性。做 A 再做 B，如果 A 不是這樣就不能做 B

什麼時候不用？很簡單的任務。中文轉英文、英文轉中文這就不用了吧，就不用呼叫了。任務的限制很少也就不需要。

Prompt 放哪裡的實戰建議

我目前的用法是：主要跟工具的規則放在 AI Agent 的系統級提示詞（System Prompt），在 Think Tool 的部分放商業邏輯。 兩邊的分工不一樣。AI Agent 專注在跟工具的互動，判斷的邏輯其實都委派給 Think Node。

基本上你要有 Prompt 跟範例，你要去告訴它使用的時機。先用預設的提示詞來測試，效果不好再輸入你的情境來判斷。n8n 預設給你的提示詞是「用這個工具來思考，它不會獲得新資訊或改資料庫，只是把思考內容放到日誌」。不一定什麼都有用，但是把這個放進去在你複雜任務的時候，其實會有一些效果的提升。

Step by Step：兩個實戰 Demo

Demo 1：電商退換貨 AI 助理

我們用 n8n 的 Think Node 加上 ChatGPT 4.1 來打造電商退換貨的助理。我在影片裡測試了三個不同的客戶案例。

架構設計

AI Agent 的 System Message 裡設定它是一個智慧退換貨的 AI 審核助理，根據資訊跟 Think Tool 來進行判斷，可以自動換貨、自動退貨、轉人工審核。

工具配置：

Think Tool 裡面我們是依照四個面向評估、逐項思考：訂單天數、理由評估、風險評估、最終建議。

案例一：王大明（合理退貨 → 自動換貨）

我是王大明，我想要退貨。我訂的是 iPhone 15 藍色的，結果你們送來是黑色的，這是錯的型號吧。

Think Tool 的判斷過程：

最後判斷：合理，自動換貨處理。用戶明確表示顏色是錯的，做 Auto Exchange。

案例二：吳不挑（黑名單用戶 → 轉人工審核）

吳不挑說他的 Dyson 吸塵器破損沒吸力要退貨。但我們先偷偷看 — 吳不挑沒有 Dyson 吸塵器的訂單紀錄！他只有 Sony 耳機跟羅技的滑鼠。

Think Tool 的判斷：

最後判斷：需要人工複查，因為這個用戶在黑名單，轉人工審核。

案例三：李小美（主觀理由 → 轉人工審核）

我是李小美，我可以退貨嗎？耳機顏色跟網站照片差很多，戴起來沒有適合我，我想要退貨。

Think Tool 的判斷：

最後判斷：人工審核。它會劃界線，不是全部都自動處理。

這個 Demo 的關鍵觀察

這個 Think Node 其實多了很多層次的判斷，根據訂單、用戶歷史跟風險去自動分析退換貨的決策。使用 Think Node 來做多層次的邏輯判斷跟自我的檢查，根據不同的狀況會有自動退換貨或人工審核。

Demo 2：AI 個人業務助理

第二個應用情境是打造一個能夠安排行程、訂房、發信的 AI 個人業務助理。

任務內容

我們要拜訪幾個潛在的客戶，然後幫我訂接下來七天的住宿。需要 AI 協助寄送 Mail、住宿紀錄、台中客戶拜訪、曼谷客戶拜訪，訂錯了幫我刪除。我們這一次試試看一次給所有的任務，其實就是用嘴巴講，很像我們日常業務用嘴巴講就會講的稍微沒有那麼清楚。

工具配置

執行結果

Think Tool 判斷這是一個多步驟必須動態調整的操作，一步步安排：

  1. 曼谷拜訪盛達國際：4 月 23 日，Airbnb 住宿已預訂（Watthana 區域）
  2. 台中拜訪宏達：4 月 26 日，Airbnb 住宿已預訂（民龍里區域）
  3. Email 已發送：曼谷 4/23、台中 4/26 的通知
  4. Google Calendar 已建立：含 Airbnb 連結

它是不是就幫你完成了這整個比較複雜的訂房，包含 Gmail 的通知、住宿安排，都跟你講了？

Think Tool 在這個場景的角色

Think Node 會幫助 AI 先想再執行，避免錯誤跟重工。負責比較複雜的任務整合，像訂房、寄信、排程看起來也是一次搞定，都幫它想好。可以實現語意的理解跟多步驟的執行，然後最後完整的通知自動化流程。

Think Tool vs 延伸思考：關鍵差異

我在影片裡特別解讀了 Anthropic 部落格的原始研究，跟大家講了 Think Tool 和延伸思考的重要差異。

比較項目 Think Tool 延伸思考（Extended Thinking）
思考時機 在工具呼叫之間插入思考 生成回應之前做深度思考
適用範圍 複雜工具使用、多步驟操作 深入研究、數學推理、長期推理
核心特點 遵循規範、一致性決策、多步驟問題 Deep Research、深度規劃
成本 較低（只是多想一下） 較高
工具依賴 需要搜很多資訊、決定順序 簡單工具使用、單純指令執行

我用比較白話的方式解釋：延伸思考是回答前就思考，是在生成回應之前先做深度的思考，Deep Research 想說深度的規劃跟思考這個議題跟什麼有關，決定方向了才開始生成。Think Tool 不是回答前就思考，是在生成回應的時候插入一段內部的對話、調整內容 — 就是我先想一下，停一下，開始回應之後才去想。

Anthropic 的研究數據顯示，在航空領域加入優化的 Prompt 的 Think 工具，提升了 54% 的表現。因為在航空業裡面飛機維修其實應該處理很多 SOP，可能 50 到 70 個，導入 Think Tool 的時候可以去判斷每一個步驟的狀況。

模型比較：GPT 4o vs 4.1 vs 4.5

比較項目 GPT 4o GPT 4.1 GPT 4.5
效能 基準 比 4o 強 最強
價格 中等 比 4o 便宜 最貴
上下文 基準 約 8 倍 更大
指令理解 一般 比較好 最好
圖像生成 有 沒有 有
CP 值 中等 最高 較低
我的建議 可以淘汰 直接升級 預算充足再用

原地升級教學：怎麼把 Think Tool 加到現有 Agent

我在影片裡說了，怎麼樣原地升級？我獨自升級，我原地升級。步驟超級簡單：

Step 1：在 n8n Agent 中加入 Think Tool

在你現有的 AI Agent 節點，加一個 Tool 叫做 Thinking，直接加到工具清單裡。把它連結到你現有的 AI Agent 的任務流程。

它幫 AI 加一個像邏輯的煞車器，停一下先想清楚再動手。

Step 2：設定提示詞策略

先用預設的提示詞來測試。n8n Default 給你的是「用這個工具來思考，它不會獲得新資訊或改資料庫，只是把思考內容放到日誌」。

效果不好再輸入你的情境來判斷。像我前面那個電商退換貨流程，就有講退換貨的規則是什麼、什麼時候使用。

Step 3：System Prompt 的分工原則

我的做法：

像電商退換貨助理的 System Prompt，設定它是智慧退換貨 AI 審核助理，根據資訊跟 Think Tool 判斷 → 自動換貨、自動退貨、轉人工審核。Think Tool 裡面則放四個面向的評估邏輯。

Step 4：測試與觀察

Think Tool 加入後，你開始訓練的時候，LLM 它也會學到你在 Think Tool 裡面的邏輯模式。有時候它不會再 Call（呼叫），接下來它就會更自然，根據上下文去決定怎麼行動，它會被限制住。其實就是從回應、推理到自我優化的一個流程，現在的 LLM 其實都滿厲害的。

重點整理

  1. Think Tool 是高效能、低成本的 AI 增強方式，因為不用什麼錢，就再想一下，適合規則導向或多步驟跟流程密集的場景。
  2. ChatGPT 4.1 變強變便宜，直接升級不囉嗦。上下文約 4o 的八倍，指令理解更強，價格更便宜，是現階段蠻好的通用選擇。
  3. 做之前停下來想一下做更快，這就是 Think Tool 的核心。它讓 AI Agent 在回答問題之前先進行一段內部的思考。
  4. 任務簡單不用它，任務複雜不能沒有它。 退貨、風險評估、多步驟操作用 Think Tool，中翻英這種簡單任務就不需要。
  5. 兩邊分工不一樣 — AI Agent 的 System Prompt 放工具規則，Think Tool 放商業邏輯和判斷依據。
  6. Think Tool 跟延伸思考不一樣 — Think Tool 是工具之間插入思考，延伸思考是回應前深度思考，兩個面向不一樣。
  7. 航空領域實測提升 54%，適合 SOP 多、步驟複雜的場景。長鏈工具的推理跟複雜政策的情境，Think Tool 有提升。

常見問題 FAQ

Think Tool 到底是什麼？跟一般的 Tool 有什麼不同？

Think Tool 是 n8n AI Agent 節點裡面的一個特殊工具，它不像其他工具會執行外部操作，而是讓 AI 在內部進行一輪推理思考。 我在影片裡的說法是：它其實是一個嶄新的思考工具，被設計用來幫助 AI Agent 在回答問題之前先進行一段內部的思考。它允許代理在回答答案之前先用自我對話的方式來反思問題。

Think Tool 的核心概念很簡單：不是單純讓 AI 猜答案，是讓 AI 有空間停下來思考、推論清楚再往下進行。你可以把它想像成是 Agent 的「邏輯煞車器」。

什麼時候該用 Think Tool？什麼時候不需要？

我在影片裡很明確地說了：任務簡單不用它，任務複雜不能沒有它。

適合用的三種情境：

  1. 任務前需要邏輯跟判斷（退貨、風險評估、分支任務）
  2. 需要 LLM 統整資訊跟情境的理解（SOP 很多很複雜）
  3. 避免後續不當的動作（修改資料、寄信、金流，步驟有依賴性）

不用的情境：中文轉英文、英文轉中文這種簡單任務，任務限制很少的也不需要。

我現在用 GPT 4o，需要換成 4.1 嗎？

記得馬上更新手上的模型，升上 ChatGPT 4.1 就對了。 4.1 是 4.5 的低配版但是很超值，效能比 4o 好、價格比 4o 便宜。利用同樣的 GPT 技術，4.1 給你更好的效能還有更划算的價格。一句話：便宜好用直接升級不囉嗦。

但要注意它沒有內建圖像生成的功能，如果你需要產生圖片就不能用 4.1。如果是一般的文字處理和 Agent 任務，4.1 是最佳選擇。

Think Tool 跟 Anthropic 的延伸思考（Extended Thinking）有什麼不同？

兩個面向不一樣。 我在影片裡花了一段時間解釋這個差異：

Think Tool 是在生成回應的時候插入一段內部的對話來調整內容。延伸思考是在生成回應之前先做深度的思考，Deep Research 深度的規劃。

延伸思考適合簡單工具的使用、單純指令的執行，不是說議題簡單，是它要 Call 的工具不多。Think Tool 適合複雜工具，你要搜很多資訊、決定哪一個要先。

根據 Anthropic 的研究，在航空領域加入 Think Tool 提升了 54% 的表現，因為飛機維修有 50 到 70 個 SOP 要處理。

Think Tool 的提示詞要怎麼寫？

先用預設的提示詞來測試，效果不好再輸入你的情境來判斷。 n8n 預設給你的是：用這個工具來思考，它不會獲得新資訊或改資料庫，只是把思考內容放到日誌。

如果是像行程助理那種通用任務，用預設就很 OK，不用特別調。如果是像電商退換貨這種有特定規則的場景，你就要改成你的情境 — 放入退換貨的規則、風險門檻、判斷依據等。

實際上實作上的建議：Prompt 跟範例放在 System Prompt 裡面提供廣泛的上下文，Think Tool 的 Description 放具體的商業邏輯。

加了 Think Tool 之後 LLM 會學到什麼？

這是一個很有趣的現象。我在影片裡提到，你開始這樣訓練的時候，LLM 它也會學到你在 Think Tool 裡面的邏輯模式。有時候它不會再 Call（呼叫 Think Tool），接下來它就會更自然，根據上下文去決定怎麼行動。其實就是從回應、推理到自我優化的一個流程。

所以 Think Tool 不只是一次性的幫助，它其實在引導 LLM 建立更好的推理習慣。

下一步行動

如果你想開始用 Think Tool 提升你的 AI Agent，我建議的學習路徑是：

  1. 先確認你已經會建基本的 n8n AI Agent
  2. 把 ChatGPT 4.1 升級到你的 Agent 裡（直接替換 4o）
  3. 在現有的 Agent 中加入 Think Tool，先用預設提示詞測試
  4. 觀察效果，如果需要針對特定場景優化就調整提示詞
  5. 根據你的情境來判斷要不要使用

大家可以根據你的情境來調整，你要不要使用 Think Tool。不用一次學完，慢慢來比較快。

想學更多 n8n 自動化技巧？ 加入我們的 Skool 社群，和其他自動化愛好者一起學習交流！

如果你覺得這個流程是 OK 實用的，幫我按讚加訂閱，未來我們會分享更多 AI 自動化的省力工具。

相關資源

內部資源

外部資源

本文改編自 YouTube 影片 EP16，由 Alex Hsieh 撰寫。最後更新：2026-02-11

關於作者 — Alex Hsieh

AI Brain 創辦人，專注於 n8n 自動化與 AI 應用教學。經營 YouTube 頻道「Alex 相談室」，累積 50+ 教學影片，協助超過 500 位學員從零開始建立自動化工作流。

想要學習更多 AI 自動化技巧？加入我們的免費社群： Skool AI Brain 社群

### 20. AI Agent 5 大 API 比較｜OpenAI、Claude、Gemini、DeepSeek、xAI 完整設定教學 **URL:** https://cloud-f1.com/blog/ai-agent-5-api-comparison **Published:** 2025-04-06 | **Read Time:** 18 | **Category:** AI Agent

專業導讀

很多人問我：「Alex，我想在 n8n 裡面建 AI Agent，但是 API 那麼多種，到底該選哪一個？」這個問題我大概被問了上百次，所以今天我決定寫一篇最完整的比較文章，一次把 5 大 AI API 的差異、價格、設定方式全部講清楚。

我自己在過去一年多的時間裡，每一種 API 都實際用在生產環境的 n8n 工作流裡面，所以這篇文章不是紙上談兵，而是真金白銀測試出來的結果。

什麼是 AI Agent API？

AI Agent API 是讓你的應用程式（如 n8n 工作流）能夠呼叫大型語言模型來執行智慧任務的程式介面。 透過 API，你的 n8n 自動化工作流就能擁有「思考」的能力，從簡單的文字生成到複雜的多步推理都能做到。

讓我用一個簡單的類比來解釋：API 就像是餐廳的外送平台。你不需要自己開餐廳（訓練 AI 模型），只需要透過外送平台（API）下單，就能享受到各種餐廳的料理（AI 能力）。不同的 API 就像不同的餐廳，各有各的拿手菜。

在 AI Agent 的架構中，API 扮演的是「大腦」的角色。你的 n8n 工作流負責處理資料流跟邏輯，而 API 負責做需要「智慧」的判斷。

為什麼選對 API 這麼重要？

你可能覺得「都是 AI，隨便選一個應該差不多吧？」這個想法會讓你多花很多冤枉錢。讓我帶你看一下真實的數字差異。

價格差異可以到 60 倍

以處理同樣一個任務為例：

如果你每天處理 1000 個請求，一個月下來的費用差異可以是 $300 vs $15 vs $4.5。選對 API 真的差很多。

能力差異影響輸出品質

不同 API 在不同任務上的表現差異也很大。我自己實測的結果是，Claude 在處理長文本分析的時候，準確率比其他模型高 15-20%。但在簡單的分類任務上，用便宜的 GPT-4o-mini 就夠了。

Alex 的實戰觀察

我從 2024 年初開始在 n8n 裡面測試各種 AI API，到現在已經累積了超過 50 萬次 API 呼叫的經驗。讓我跟你分享一些真實的心得。

沒有完美的 API

重點來了 —— 我試了這麼多 API，最大的心得就是：沒有一個 API 是完美的。每個都有自己的強項跟弱點。

我覺得最聰明的做法是：不要只用一個 API，而是根據任務類型混合使用。 這也是我在自己的 n8n 系統裡面做的 —— 用 Router 節點判斷任務類型，然後分配到不同的 API。這樣既能確保品質，又能控制成本。

穩定性是生產環境的關鍵

很多人只看功能跟價格，忽略了穩定性。我的經驗是，如果你要在生產環境跑自動化：

如果你的工作流是面對客戶的（比如客服機器人），我強烈建議用 OpenAI 作為主要 API，然後設定 fallback 到其他服務。

5 大 AI API 完整比較

核心能力比較表

比較維度 OpenAI Claude Gemini DeepSeek xAI
代表模型 GPT-4o / 4o-mini Claude 3.5 Sonnet Gemini 2.0 Flash DeepSeek V3 Grok-2
最大上下文 128K Tokens 200K Tokens 1M Tokens 128K Tokens 128K Tokens
輸入價格 $2.5/M Tokens $3/M Tokens 免費方案可用 $0.14/M Tokens $150/月免費
輸出價格 $10/M Tokens $15/M Tokens 低 $0.28/M Tokens 含在免費額度
工具呼叫 極佳 優秀 良好 良好 一般
中文能力 優秀 優秀 良好 極佳 良好
推理能力 優秀 極佳 良好 優秀 良好
API 穩定性 極佳 優秀 優秀 一般 良好
多模態 支援 支援 原生支援 有限 支援

費用試算比較表

以每月處理 1000 次請求、每次平均 2000 Token 輸入 + 1000 Token 輸出為例：

API 月費估算 年費估算 相對比較
GPT-4o ~$15 ~$180 基準
GPT-4o-mini ~$0.75 ~$9 便宜 20 倍
Claude 3.5 Sonnet ~$21 ~$252 比 GPT-4o 貴 40%
Gemini 2.0 Flash ~$0 (免費方案) ~$0 免費
DeepSeek V3 ~$0.56 ~$6.72 便宜 27 倍
xAI Grok-2 ~$0 (免費額度) ~$0 免費

n8n 完整設定教學

接下來我會一個一個帶你設定每種 API。不用擔心，設定過程都很簡單，大概 5 分鐘就能搞定。

OpenAI 設定

OpenAI 是 n8n 原生支援的 API，設定最簡單。

步驟：

  1. 前往 platform.openai.com 註冊帳號
  2. 到 API Keys 頁面，點選「Create new secret key」
  3. 複製你的 API Key
  4. 在 n8n 中，進入 Credentials → Add Credential
  5. 選擇 OpenAI API
  6. 貼上你的 API Key
  7. 測試連線

推薦模型設定：

注意事項： OpenAI 需要先儲值才能使用 API。新帳號可能有免費額度，但額度不多。我建議一開始先儲值 $10 美元就好。

Claude（Anthropic）設定

Claude 在 n8n 裡面有原生的 Anthropic 模組。

步驟：

  1. 前往 console.anthropic.com 註冊
  2. 在 API Keys 頁面建立新的 Key
  3. 在 n8n 中，進入 Credentials → Add Credential
  4. 選擇 Anthropic API
  5. 貼上你的 API Key
  6. 測試連線

推薦模型設定：

注意事項： Claude 的 Rate Limit 比 OpenAI 嚴格一些。如果你要做大量呼叫，建議申請提高額度或者做好重試機制。我自己有遇過幾次在高峰時段被限流的情況。

Google Gemini 設定

Gemini 的設定稍微複雜一點，需要透過 Google Cloud 或 Google AI Studio。

步驟（簡易方式，用 Google AI Studio）：

  1. 前往 aistudio.google.com
  2. 點選「Get API Key」
  3. 建立新的 API Key
  4. 在 n8n 中，選擇 Google Gemini Chat Model 節點
  5. 建立新的 Credential，貼上 API Key

推薦模型設定：

注意事項： Google AI Studio 的免費方案每天有請求次數限制。如果需要更多，要切換到付費方案。好處是 Gemini 的價格在付費方案裡也算便宜的。

DeepSeek 設定

DeepSeek 沒有原生的 n8n 節點，但可以透過 OpenAI 節點的自訂 Base URL 來連接。這邊要特別注意設定方式。

步驟：

  1. 前往 platform.deepseek.com 註冊
  2. 取得 API Key
  3. 在 n8n 中，建立 OpenAI API Credential
  4. 貼上 DeepSeek 的 API Key
  5. 在「Base URL」欄位填入：https://api.deepseek.com
  6. 在節點中手動輸入模型名稱：deepseek-chat 或 deepseek-reasoner

推薦模型設定：

注意事項： DeepSeek 的 API 穩定性是五家裡面最不穩定的。我自己遇過回應時間從 2 秒暴增到 30 秒的情況。如果你要用在生產環境，一定要做好超時處理跟 fallback。

xAI（Grok）設定

xAI 的設定方式跟 DeepSeek 一樣，都是透過 OpenAI 相容的介面。

步驟：

  1. 前往 console.x.ai 註冊
  2. 取得 API Key（新帳號有 $150/月免費額度）
  3. 在 n8n 中，建立 OpenAI API Credential
  4. 貼上 xAI 的 API Key
  5. 在「Base URL」欄位填入：https://api.x.ai/v1
  6. 在節點中手動輸入模型名稱：grok-2

推薦模型設定：

注意事項： xAI 的免費額度非常大方，$150/月 對個人開發者來說綽綽有餘。但要注意免費額度有有效期，過期就沒了。我建議新手從 xAI 開始練習，完全不用花錢。

不同場景的最佳選擇

很多人看完比較表還是不知道怎麼選。讓我直接告訴你，不同場景該用哪個 API。

場景對應推薦表

使用場景 推薦 API 推薦模型 理由
客服自動回覆 OpenAI GPT-4o-mini 穩定、便宜、回應快
長文件分析 Claude Claude 3.5 Sonnet 200K 上下文、推理強
大量文件處理 Gemini Gemini 2.0 Flash 1M Token、免費
中文內容生成 DeepSeek DeepSeek V3 中文最強、價格最低
新手開發測試 xAI Grok-2 $150 免費額度
AI Agent（工具呼叫） OpenAI GPT-4o Function Calling 最穩
程式碼生成 Claude Claude 3.5 Sonnet 程式碼品質最佳
資料分類 OpenAI GPT-4o-mini 便宜、精準度夠用

我的混合使用策略

我自己目前的 n8n 系統是這樣配置的：

  1. 前端客服：GPT-4o-mini（穩定、便宜、回應速度快）
  2. 內容生成：Claude 3.5 Sonnet（文章品質最好）
  3. 資料處理：GPT-4o-mini（簡單任務不需要用大模型）
  4. 開發測試：xAI Grok-2（免費額度足夠測試用）
  5. 備用方案：DeepSeek V3（當主要 API 出問題時的 fallback）

這樣的配置讓我每月的 API 費用控制在 50-80 美元，同時確保每個環節都用最適合的模型。

進階技巧：在 n8n 中實現 API 路由

這是我自己研究出來的進階用法，分享給已經有基礎的讀者。

用 Switch 節點做智慧路由

在 n8n 裡面，你可以用 Switch 節點根據任務類型，把請求分配到不同的 API：

  1. 判斷任務類型：簡單分類、複雜推理、長文處理
  2. Switch 節點分流：根據類型走不同路徑
  3. 各路徑連接不同的 AI 模型節點
  4. 最後用 Merge 節點匯合結果

這樣做的好處是：

設定 Fallback 機制

在生產環境中，API 偶爾會故障。我的做法是在每個 AI 節點後面加一個 Error Trigger：

  1. 如果 OpenAI 呼叫失敗 → 自動切換到 Claude
  2. 如果 Claude 也失敗 → 切換到 DeepSeek
  3. 三個都失敗 → 發送通知給管理員

這個機制在過去半年裡大概幫我避開了 10 幾次的 API 故障，確保自動化工作流不會因為單一 API 的問題就整個停擺。

重點整理

  1. 沒有完美的 API —— 每種都有強項跟弱點，混合使用是最聰明的策略
  2. OpenAI 是最穩定的選擇，工具呼叫（Function Calling）表現最好
  3. Claude 推理能力最強，適合複雜分析跟程式碼生成
  4. Gemini 的 100 萬 Token 上下文是處理大量文件的利器
  5. DeepSeek 價格最低，中文能力特別好，但穩定性要注意
  6. xAI 的免費額度對新手最友善，$150/月夠你練習很久
  7. 費用差異可達 60 倍，選對模型比什麼都重要
  8. 生產環境一定要有 fallback 機制，不要把雞蛋放在同一個籃子

常見問題 FAQ

新手應該選哪個 API 開始？

我強烈建議從 xAI 開始。 原因很簡單：它每月有 $150 美元的免費額度，而且設定方式跟 OpenAI 幾乎一樣（都是 OpenAI 相容的介面）。你可以用免費額度把基本功練好，等真的需要更好的品質或更多功能再升級到 OpenAI 或 Claude。

不用擔心「免費的會不會很爛」—— Grok-2 的能力對新手來說絕對夠用了。我有好幾個學員就是用 xAI 免費額度完成了他們的第一個 AI Agent 工作流。

哪個 API 性價比最高？

要看你的使用量：

如果只能選一個，我會選 GPT-4o-mini。它是我目前用最多的模型，便宜到不可思議，但品質完全不差。

可以同時使用多個 API 嗎？

可以，而且我非常推薦。n8n 支援同時設定多個 Credentials，你可以在不同的節點使用不同的 API。我自己的系統就是同時用了 4 種不同的 API，根據任務類型自動選擇。

實作方式：

  1. 在 n8n 中為每個 API 建立獨立的 Credential
  2. 用 Switch 節點根據任務類型分流
  3. 不同路徑使用不同的 AI Model 節點
  4. 用 Error Handler 做 fallback

DeepSeek 穩不穩定？適合生產環境嗎？

說實話，DeepSeek 的穩定性是五家裡面最需要注意的。我自己的經驗：

如果你要用 DeepSeek 在生產環境，一定要：

  1. 設定合理的超時時間（建議 30 秒）
  2. 做好重試機制（最多重試 3 次）
  3. 準備 fallback API（建議用 OpenAI）

Claude 的 Rate Limit 怎麼處理？

Claude 的 Rate Limit 比 OpenAI 嚴格。我遇過的情況是連續快速呼叫 50 次以上就會被限流。處理方式：

  1. 在 n8n 節點中加入延遲：每次呼叫之間加 1-2 秒的 Wait 節點
  2. 做好錯誤處理：遇到 429 錯誤時自動等待 10 秒再重試
  3. 申請提高額度：在 Anthropic Console 裡可以申請提高 Rate Limit
  4. 分散請求：用多個 API Key 做 Load Balancing

我自己的做法是在 n8n 工作流裡加一個「智慧限流」的邏輯，會自動追蹤每分鐘的請求次數，如果快要超過限制就自動降速。

2026 年哪個 API 最值得關注？

從我的觀察，2026 年最值得關注的趨勢是：

  1. Gemini 的免費方案持續擴大，Google 在用免費策略搶市場
  2. DeepSeek 的開源模型讓本地部署變得可行，搭配 Ollama 完全不用花錢
  3. Claude 的推理能力持續拉開差距，複雜任務的首選
  4. OpenAI 的 Agent 工具生態最完整，GPT-4o 的 Function Calling 仍然是業界標準

我自己最期待的是多模型協作的發展。未來可能一個任務會自動拆解給不同的模型處理，然後合併結果。這在 n8n 裡面其實已經可以做到了。

下一步行動

如果你看完這篇比較文章，準備開始動手了，我建議你按照這個順序：

  1. 先註冊 xAI 拿到免費額度
  2. 在 n8n 中完成第一個 AI Agent 設定
  3. 測試幾種不同的任務，感受模型的差異
  4. 根據你的需求，再決定要不要加入其他 API

你一定可以的。第一次沒做好或是聽不懂，代表你是正常人！有任何問題歡迎到社群裡面討論，我們一起學習。

想學更多 n8n 自動化技巧？ 加入我們的 Skool 社群，和其他自動化愛好者一起學習交流！

相關資源

✍️ 關於作者：Alex 是一位專注於 n8n 自動化和 AI 應用的技術教育者，透過 YouTube 頻道和 Skool 社群幫助超過數千位學員掌握自動化技能。

### 21. xAI Grok API 教學｜馬斯克 AI 月送 150 美元額度，n8n 打造 AI Agent **URL:** https://cloud-f1.com/blog/xai-grok-ai-agent **Published:** 2025-04-03 | **Read Time:** 16 | **Category:** AI Agent

專業導讀

今天我們來測試一下 xAI API 的新訂閱方案。最近馬斯克 — 我叫他馬董 — 推出了一個超狂的方案：儲值 5 美元，你就可以獲得每個月 150 美元的 API Credits。我第一次看到這個消息的時候心想，用錢深深砸出用戶數，有錢就是任性，真的是香。

我自己的 OpenAI 帳單每個月大概都在 50-80 美元之間，這對個人開發者或學習者來說是一筆不小的開支。xAI 這個方案等於你花 5 元就能拿到 145 元的差價，怎麼算都是賺的。而且 xAI 的 API 介面和 OpenAI 幾乎一樣，你可以直接用 n8n 的 OpenAI 模組來串接，幾乎不用改任何設定。

那我們來看看怎麼擼羊毛。今天我會帶你完整走一遍，從申請 API Key 到在 n8n 裡面跑起一個 AI Agent。

你將學到

什麼是 xAI Grok API？

xAI Grok API 是馬斯克創立的 xAI 公司提供的大語言模型 API 服務，目前主要提供 Grok-2 和 Grok-2 Vision 兩款模型，最大特色是用 5 美元月費就能獲得 150 美元的 API 額度，並且 API 格式與 OpenAI 完全相容。

讓我帶你看一下背景。xAI 是 Elon Musk 在 2023 年創立的 AI 公司，定位是要做一個「尋求真相的 AI」。他們的旗艦模型叫做 Grok，最早是整合在 X（原 Twitter）平台裡面的。後來 xAI 開放了 API 給外部開發者使用，而且為了快速搶市場，推出了非常激進的價格策略。

我在實測的時候看了一下 xAI 的 API 文件，目前 xAI 主要提供兩款模型：

我自己實測的感覺是，Grok-2 的 Chat 模型在某些問題很保守，沒有給什麼明確的答案，但使用上其實沒有什麼太大的問題，就像一般的對話機器人。我測試問他「xAI Grok 跟 OpenAI 誰比較強」，他給了一個很中立的答案，說他們能力跟領域可能不同。問他「馬斯克該不該執掌 OpenAI」這種尖銳的政治問題，他也不敢直接評論馬斯克老闆，保持中立。看起來他對於主觀問題的回應是比較中立的，回答很圓滑。

那 Grok-3 之前發佈說是全世界最聰明的 AI，但目前 API 其實使用上還沒有開放，大部分的人都只能用到 Grok-2。

為什麼 xAI Grok 值得關注？

超值的價格策略

這個很重要 — 目前市面上沒有任何一家 AI API 提供商有這麼誇張的優惠。5 美元換 150 美元，等於是 30 倍的槓桿。即使這個優惠未來可能會調整，但趁現在先用起來，把開發和學習的成本壓到最低，是非常聰明的做法。我自己帳號裡面看到 150 美元的 API Credits 的時候，第一個反應就是「我已經擼到羊毛了」。

OpenAI 相容的 API 格式

這邊有一個重點要特別注意 — xAI 的 API 可以兼容 OpenAI 的 API，就是說它們都用一樣的底層邏輯。我們可以直接用 OpenAI 的 Credential 模組來進行設定，只需要修改 API 的 Endpoint。包括 n8n、LangChain、LlamaIndex，甚至很多 ChatGPT 的前端應用，都可以無痛切換。

即時資訊整合

Grok 有一個 OpenAI 和 Claude 都沒有的特色 — 它可以存取 X 平台上的即時資訊。如果你的 AI Agent 需要處理即時新聞、社群輿情分析，或是任何需要最新資料的場景，Grok 在這方面有明顯的優勢。

150 美元額度可以拿來用 n8n

這個額度只有 xAI 的 API 可以用，你可以測 Grok-2、Grok-2 Vision 這些模型。你可以用來用 n8n，你可以用來做自己的 API 的一些應用。150 美元在最初期來說，非常的有用處。

Alex 的實戰觀察

我從 xAI 開放 API 的第一天就開始用了，到現在累積了幾百次的 API 呼叫經驗。這邊跟大家分享我的真實觀察。

xAI 的 150 美元額度聽起來很多，但實際使用要注意幾個眉角。 首先，這個額度每個月都會 reset，不會累積。如果你這個月沒用完，下個月就歸零了。其次，Vision 模型（圖像分析）的 Token 消耗比純文字高很多，一張圖片大概等於 1000-2000 個 Token。

我自己實測的結果是，如果你只做文字相關的任務，150 美元的額度大概可以做到：

老實說，Grok-2 在某些任務上確實不太行。 比如我測試過用 Grok-2 寫比較複雜的 Python 程式碼，它的正確率大概只有 60-70%，而 GPT-4o 和 Claude 可以做到 85-90%。另外，Grok 在中文的表現也不如 GPT-4o 流暢，有時候會出現一些不自然的表達方式。功能上的限制是有的，用起來稍微有一點落差，但你要實測去確認一下這個部分。

但是不用擔心，在很多場景下它完全夠用。我在影片裡面實測了三種不同的問題，包括 AI 比較問題、政治敏感問題、還有一般聊天。整體來說 Grok 跟大家的 AI 差不多，不會批評老闆，立場比較中立，沒有什麼政治性的問題。

擼羊毛小叮嚀

這邊有一些擼羊毛小叮嚀，我快速講一下：

  1. 五美元才能參加 — 你需要先儲值 5 美元才能加入團隊層級的數據共享
  2. 你可以擁有多個團隊 — 有些選擇參與，有些沒有參與
  3. 只有團隊管理員可以啟用數據共享 — 記得去點數的區段確認
  4. 加入就不能退出 — 這是官方的規定，選擇參與的時候要想清楚
  5. 所有的請求紀錄都會被記錄 — xAI 會蒐集行為來做分析，你做了什麼都會看光光

我的建議是：開發和測試階段用 xAI Grok，生產環境再根據需求選擇 OpenAI 或 Claude。 這樣你可以用最低的成本完成原型驗證，確認方向對了再投入更多預算。

如何獲得 xAI 150 美元免費額度：完整步驟

基本上要拿到這筆額度，有兩個重要的條件要滿足。

Step 1：儲值 5 美元

因為這個額度不是完全免費的，它要確保說你真的要用。所以你要先支付 5 美元，透過信用卡的付款，綁定到你的 xAI 帳號。先要拿到你付錢的證明。

  1. 前往 xAI Console
  2. 點選 Data Sharing 連結（我們影片下方也有附連結）
  3. 它會跳到 Billing 帳號頁面
  4. 點選 Purchase Credits，儲值五塊錢就好
  5. 輸入信用卡資訊完成支付

Step 2：同意數據共享

第二個條件是你要同意數據共享，就是你要把資料給人家。開啟 xAI 的數據共享計劃，代表說你的 API 每一個請求跟它的回應，請求紀錄都會被記錄，xAI 會蒐集行為來做分析。我說白了，因為我給你錢，我就是想要買你的行為。

  1. 在 xAI API 設定頁面，點選 Enroll in Data Sharing 的選項
  2. 確認加入（記得，加入共享就不能退出，這是官方的規定）
  3. 等一下下以後，它就會確定說 OK 你已經成功了，會寄一封信給你

Step 3：確認額度到帳

開共享以後，每個月就可以得到 150 美元的 API 點數，持續提供給用戶。到 Usage 頁面確認你的帳號獲得 150 美元的 API Credits，可以拿來測試跟開發。

隱私考量提醒： 如果你有隱私的考量，比如說你上面有自己的身分證字號，或電子郵件，這種屬於個人隱私的，那你特別要注意。如果你是個人開發，只要支付五美元同意條款，就可以獲得這個額度。

n8n 設定 xAI API：產生 API Key 步驟

接下來我們來看怎麼產生 xAI 的 API Key，並且把它整合到環境的設定裡面，讓我們後續可以用在 AI Agent 或者是 AI 自動化的應用裡面。

Step 1：進入 API Key 設定頁面

首先進到你的帳單頁面，你已經成功的得到了 150 塊的 Credits。點選左邊像 Key 的地方（API Key），或者你點選「產生一個 API Key」，這兩個地方都可以。

Step 2：創建 API Key

在 Dashboard 你點了這個鑰匙的圖示，就是 API Key 的管理的地方。

  1. 點選 Create API Key，會產生一個視窗讓你創建一組新的 API 金鑰
  2. 下面的設定我建議你就直接全部 enable
  3. 命名的部分，你可以取 n8n Credential 或 n8n Key，取任何的名字都可以，名稱是不影響 API 的使用的，只是幫助你來做組織跟管理 Key
  4. 按 Save，就會幫你產生一把 Key

Step 3：保存 API Key（只會產生一次）

記得這個 API Key 你要把它儲存下來。它只會產生一次，以後就不能再看原始 Key 了。你可以利用下面的 curl 指令做測試。

注意這裡的 API Key 會是以 xai- 為開頭。如果你在這個階段沒有保存，以後就要重新再產一把 API Key。所以直接複製這個 API Key，貼到你的環境變數裡面，或者是存在安全的位置，比如說你的密碼管理工具或者是記事本。記得它不要被別人拿走。

n8n AI Agent 完整設定步驟

好，接下來我們要來設定 n8n AI Agent 的 Workflow。我們要用 xAI 的 API 來取代原本的 OpenAI 的模型。在這個過程裡面，我們會修改 OpenAI 的 Credential，讓它變成 xAI 的 Credential，並且確認 xAI 的 Model List，讓這一個 AI Agent 可以正確的運行。

Step 1：在 n8n 設定 xAI Credentials

這邊有兩個關鍵的步驟要注意。第一個是用 OpenAI 的模組來設定 xAI API，第二個是修改 API 的 Endpoint。

因為 xAI 的 API 可以兼容 OpenAI 的 API，它們都用一樣的底層邏輯。我們可以直接用 OpenAI 的 Credential 模組來進行設定。

  1. 在 n8n 中，進入 Credentials 頁面
  2. 點選 Create Credential，選擇 OpenAI 作為認證類型
  3. 把名稱改為 xAI（我建議叫 xAI 最好懂）
  4. 在 API Key 欄位貼上你的 xAI API Key
  5. 這邊要特別注意 — 修改 Base URL 設定，改為：
https://api.x.ai/v1
  1. 預設的 OpenAI 的 Endpoint 要修改成 xAI 提供的，才能夠把請求正確的發到 xAI 的伺服器
  2. 設定完成按 Save，它就會說 Connection Tested Successfully，代表連線成功

Step 2：下載並導入 AI Agent Workflow

我們會提供一個 n8n Workflow 的 JSON 檔案，可以從影片下方的下載連結來取得現成的 Workflow。匯入以後就可以看到 AI Agent 的設定架構。

這個 Workflow 分成三個主要的核心：

  1. Chat Message 觸發 — 聊天或訊息的觸發，這是 AI Agent 的輸入來源。我們在 Chat 裡面發送訊息的時候，Workflow 會接收到指令，然後開始 AI 的回應
  2. Conversational AI Agent — 負責對話的處理，會參考連接的 Prompt。裡面的 Prompt 是「我希望你成為一個樂於助人的 AI 助理」，輸出預設是繁體中文，也不要亂回答
  3. Chat Model 選擇 — 這是 Workflow 的核心，你可以選擇不一樣的 Chat Model，用 OpenAI 的、Google Gemini、或是 xAI 的 Grok

Step 3：設定 Chat Model 與記憶機制

在 Chat Model 的部分，選擇 OpenAI 的格式，然後選擇剛剛產生的 xAI Account。接著選擇 Model，你可以看到會有四種。我們就是選擇 Grok-2（上面是文字類的，下面是 Vision 就是多模態，你可以放影像文件等等的）。我最後選了 Grok-2-1212 版本。

記憶機制的部分，我們用的是 Window Buffer Memory，簡單來說它可以記住過去五則的對話。Context Window Length 你就想像它是可以記住五步的人，像圍棋一樣記住五步，讓 AI 根據過去的五步上下文都會來回答，不是每一次都跟剛啟動一樣什麼都不知道。這個是屬於短期記憶的部分。

你的 Prompt 可以自由修改，讓 AI Agent 符合你的應用需求。

Step 4：加入工具（Function Calling）

如果你想讓 AI Agent 更強大，可以加入工具：

在 n8n 的 AI Agent 節點中，把工具節點連接到 Agent 的 Tools 輸入就好。

Step 5：測試 xAI AI Agent

我們發送一個測試訊息來看 xAI 的回應。我的測試問題是「馬斯克帥不帥」，他說這是一個很主觀的問題，有人覺得馬斯克很帥，也有人覺得他不帥。他有自己的想法，但不一定這個想法符合所有人，就是比較中立主觀的。他的回答很圓滑。

右邊的部分可以看到 log，from AI 的 node，問他什麼然後就回你什麼，根據你的 Prompt 回應內容。

不用想太多，先跑起來再說，後面再慢慢調整。

xAI Grok vs OpenAI GPT vs Claude 比較

比較維度 xAI Grok-2 OpenAI GPT-4o Anthropic Claude 3.5
價格 5 美元/月送 150 美元額度 按量計費（約 $5-15/百萬 Token） 按量計費（約 $3-15/百萬 Token）
中文能力 中等（偶爾不自然） 優秀 優秀
推理能力 良好 優秀 優秀
程式碼生成 中等（60-70% 正確率） 優秀（85-90%） 優秀（90%+）
即時資訊 有（X 平台整合） 無（知識截止日期） 無（知識截止日期）
圖像理解 支援（Vision） 支援（GPT-4V） 支援（Vision）
n8n 相容性 透過 OpenAI 模組 原生支援 原生支援
API 穩定性 偶爾有延遲 非常穩定 穩定
數據共享要求 需同意（不可退出） 無 無
適合階段 開發/測試 生產環境 生產環境

我的整體評價： 相比於 OpenAI，xAI 的訂閱方案有一些差異。xAI Grok 目前最大的優勢就是價格，在能力上和 GPT-4o、Claude 還有一段差距。但如果你的使用場景不需要頂級的推理能力（比如簡單的客服問答、內容摘要、資料分類），Grok 的性價比是無敵的。

適合 xAI 資料分享的四大使用情境

我在影片最後有特別整理，建議我們要選取沒有涉及個人隱私或敏感資訊的應用場景。適合的情景有下面四個：

1. 翻譯任務

AI 模型其實很適合語言翻譯，例如中翻英、英翻中或其他語言的對應。如果你有大量翻譯，比如說有翻譯 100 個單字或長的段落，大批量的文字需要翻譯，這種 LLM 可以快速高效的完成。

2. 非隱私資料的固定任務

這裡是指沒有個資，比如說身分證、電話、個人住址這種敏感訊息。適合的場景包括：

3. 部落格文章與資料整理

AI 可以幫你做部落格的內容。如果當你今天需要整理公開的資料，或者爬新聞的網站，跟不同的觀點做總結，它有適合的場景。還有撰寫非個人的文檔，比如說技術文件、知識內容，幫你總結調整，用 AI 來增強你的寫作效率。

4. 文書處理與文檔摘要

整理網路公開的資訊、整理成內容並且摘要，還有把冗長的會議記錄跟技術文件轉成精簡的版本。這些情境不涉及個資，就是適合 AI 分析的處理場景。

AI Agent 的核心概念

如果你是第一次接觸 AI Agent，這邊簡單說明一下核心概念。AI Agent 和普通的 ChatBot 最大的差別在於 — Agent 可以自主決策和使用工具。

一個 AI Agent 的運作流程基本上有三個步驟：

  1. 感知（Perceive） — 接收用戶輸入和環境資訊
  2. 決策（Decide） — LLM 根據上下文規劃下一步行動
  3. 執行（Act） — 呼叫工具完成具體任務

這三個步驟會循環執行，直到任務完成。比如你問 Agent「幫我查一下今天的天氣然後發一封 Email 給老闆」，Agent 會：

  1. 理解你的需求（感知）
  2. 決定先查天氣、再寫信、最後發送（決策）
  3. 呼叫天氣 API、生成 Email 內容、呼叫 Email API（執行）

這就是為什麼 AI Agent 比普通 ChatBot 強大這麼多 — 它不只是回答問題，而是能幫你完成一連串的任務。想深入了解的話，可以看我的 AI Agent 完整指南。

重點整理

  1. xAI Grok API 的價格優勢是目前市場最強 — 5 美元/月換 150 美元 API 額度，等於 30 倍槓桿，擼羊毛歸擼羊毛，但使用 AI 還是要注意資料的安全
  2. API 格式與 OpenAI 完全相容 — xAI 的 API 可以兼容 OpenAI 的 API，用一樣的底層邏輯，改 Base URL 就能用
  3. 申請流程簡單 — 儲值 5 美元 + 同意數據共享 + 產生 API Key，大概十分鐘搞定
  4. n8n 串接用 OpenAI 模組 — 建立 OpenAI Credential，貼 xAI Key，改 Base URL 為 https://api.x.ai/v1
  5. Grok-2 在日常任務上表現不錯 — 翻譯、問答、摘要、分類等場景完全夠用
  6. 中文和程式碼能力有待加強 — 複雜任務建議搭配 GPT-4o 或 Claude
  7. 數據共享加入就不能退出 — 所有請求紀錄都會被 xAI 記錄，有隱私考量要注意
  8. 建議搭配使用 — 開發測試用 xAI（省錢），生產環境根據需求選擇最適合的模型
  9. 避免上傳機密資料 — 不要把身分證字號、銀行帳號、信用卡資訊、敏感商業訊息給 AI

常見問題 FAQ

xAI 免費額度真的能用 150 美元嗎？會不會有什麼限制？

對，五美元的訂閱確實可以獲得 150 美元的 API Credits，這個是可以的。 我自己實測確認過，帳號裡面真的會出現 150 美元的額度，可以拿來測試跟開發。不過有幾點要注意：第一，額度每月重置（reset）不會累積。第二，加入數據共享就不能退出，所有的數據都會被記錄。第三，這個額度只有 xAI 的 API 可以用，你可以測 Grok-2、Grok-2 Vision 這些模型。我自己用了好幾個月，額度都是正常給的。

n8n 如何連接 xAI API？會不會很複雜？

完全不複雜，大概 3 分鐘就能搞定。 因為 xAI 的 API 可以兼容 OpenAI 的 API，你只需要在 n8n 的 Credentials 頁面創建一個 OpenAI 的 Credential，把 API Key 換成 xAI 的（會是以 xai- 開頭），然後把 Base URL 改成 https://api.x.ai/v1。按 Save 看到 Connection Tested Successfully 就代表連線成功了。如果你之前已經有 n8n 搭配 OpenAI 的工作流，換成 xAI 真的只要改這兩個地方。

xAI 資料分享會有隱私問題嗎？

這一點要注意。 同意數據分享的部分，你要開啟 xAI 的數據共享計劃，代表你的 API 每一個請求跟回應，你做了什麼都會看光光，請求紀錄都會被記錄，xAI 會蒐集行為來做分析。如果你有隱私的考量，比如說上面有身分證字號、電子郵件，這種屬於個人隱私的要特別注意。而且加入就不能退出。我的建議是選取沒有涉及個人隱私或敏感資訊的應用場景來使用。

xAI Grok 和 OpenAI GPT 到底選哪個好？

我的建議是不要二選一，而是搭配使用。 開發和測試階段用 xAI（省錢），生產環境用 OpenAI 或 Claude（穩定）。具體來說：如果你的任務是簡單的文字處理（摘要、翻譯、分類），xAI 就夠了。如果需要複雜的推理、程式碼生成、或是高品質的中文輸出，GPT-4o 或 Claude 會是更好的選擇。你可以參考我的 5 種 AI Agent API 比較來決定。

AI Agent 和普通 ChatBot 有什麼差別？新手該怎麼開始學？

最大的差別是 AI Agent 可以自主決策和使用工具，而 ChatBot 只能根據預設規則回答問題。 比如 AI Agent 可以幫你查資料、發 Email、操作資料庫，這些都不是普通 ChatBot 做得到的。新手的學習路徑我建議是：先理解 AI Agent 的核心概念，然後用 n8n 的 AI Agent 節點做一個簡單的 demo，最後再學習怎麼加工具和知識庫。整個學習過程大概 1-2 週就能上手。

150 美元的額度大概能做多少事情？夠用嗎？

對大多數個人開發者和學習者來說，150 美元絕對夠用。 我的估算是：如果你每天做 50 次中等長度的對話（500 Token 輸入 + 1000 Token 輸出），一個月大概消耗 20-30 美元。即使你比較重度使用，比如做大量的文件摘要或資料處理，150 美元也足以支撐一個月的用量。除非你是在做大規模的資料處理或是有很多用戶在同時使用你的服務，否則不太會用完。

下一步行動

如果你還沒申請 xAI 的 API Key，現在就去申請吧。5 美元的投資，換來每月 150 美元的 AI API 額度，這個 CP 值真的太高了。

先不用想太多，一步一步來。先申請 Key、設定 n8n、跑一個簡單的測試，你就會發現 AI Agent 其實沒有想像中那麼難。你一定可以的。

免費的模板我們也提供給大家，下載連結在影片下方，只要用下載的 JSON 檔匯入就可以了。

想學更多 n8n 自動化技巧？ 加入我們的 Skool 社群，和其他自動化愛好者一起學習交流！

相關資源

YouTube 教學

延伸閱讀

官方資源

本文改編自 YouTube 影片 EP05，由 Alex Hsieh 撰寫。最後更新：2026-02-11

關於作者：Alex 是一位專注於 n8n 自動化和 AI 應用的技術教育者，透過 YouTube 頻道和 Skool 社群幫助超過數千位學員掌握自動化技能。

### 22. MCP 是什麼？3 個 n8n AI Agent 情境完整解析 MCP 協議 **URL:** https://cloud-f1.com/blog/mcp-ai-agent-guide **Published:** 2025-03-30 | **Read Time:** 15 | **Category:** 應用案例

專業導讀

你知道 AI 領域裡面最熱門的三個關鍵字是什麼嗎？LLM 大語言模型、AI Agent、還有最近很火的 MCP — Model Context Protocol。我在影片裡花了 90 秒快速帶大家搞懂這三個概念，但很多人看完還是會問我：「Alex，這三個東西到底什麼關係？」

重點來了 — MCP 就是讓所有 AI 一起說英文的標準協定，就像秦始皇統一度量衡一樣，讓 AI 模型跟應用程式之間有一套統一的溝通語言，不再各說各話。 我在這支影片裡實際 Demo 了三個情境，從最簡單的客戶查詢到結合 Airtable + Airbnb 的多步驟複雜任務，讓你看到 MCP 在 n8n 裡面到底怎麼運作。

你將學到

🎯 什麼是 MCP AI Agent？

MCP (Model Context Protocol) 是 AI 之間溝通的語言協定，就像人類之間講中文、英文、日文一樣，AI 跟應用程式之間也需要有一套共同的語言來做溝通交流，MCP 就是那個「大家一起說英文」的標準。

我在影片裡用了幾個很直覺的比喻來幫你理解 LLM、AI Agent 和 MCP 的關係。我覺得這些比喻比任何技術文件都更容易記住。

LLM、AI Agent、MCP 三者的關係

我把這三個概念用類比拆開來看，你馬上就懂了：

概念 比喻 Alex 的說法 實際工具範例
LLM 超強的百科全書 「集合了人類網路知識裡面的最強大腦，問什麼都可以回」 GPT-4o、Claude、Gemini、LLaMA
AI Agent 大樓保全 / 電話客服 「有特定的任務執行能力，而且可以做出自主判斷，但不是萬能的」 n8n AI Agent
MCP 大家一起說英文 / Type-C 「讓所有參與的 AI 一起說英文而不是各說各話」 MCP Server、MCP Client

簡單來說： LLM 是百科全書（只會回答），AI Agent 是保全（會動手做事），MCP 是統一的語言（讓溝通更有效率）。

AI Agent 的三大核心能力

我在影片裡特別拆解了 AI Agent 的三個最重要的能力，用保全的例子來說：

  1. 語言能力：負責語言的理解跟對話。「比如說跟快遞對話的時候確認來意，你要幹嘛，辨認有沒有送錯地址」
  2. 記憶能力：能夠記住過往的資訊。「這個包裹是誰的」，不要每次重來、每次都失憶
  3. 工具使用：執行任務會用到的工具。「你要有那個包裹的登記系統，也會有一個對應大樓住戶的資料」

透過這三個元件的結合，AI Agent 就能夠完成任務，跟人類或其他系統進行互動。

MCP 的核心運作方式

我在 Demo 裡實際展示了 MCP 的兩大功能：

┌──────────────┐                    ┌──────────────┐
│  AI Agent    │  ① List Tool       │  MCP Server  │
│  (MCP Client)│ ───────────────►   │  (Airtable)  │
│              │  「你有哪些工具？」   │              │
│              │                    │  回傳：       │
│              │  ② Execute Tool    │  List Records │
│              │ ───────────────►   │  Search       │
│              │  「執行 List Records」│  Create      │
└──────────────┘                    └──────────────┘
  1. List Tool：先列出有哪些可以使用的工具。AI Agent 會先問 MCP Server「我有哪些能力？有哪些工具可以用？」
  2. Execute Tool：選定使用哪個工具並執行。根據 LLM 的語意理解，選擇合適的工具來執行任務

我在影片裡特別強調：「通常就是這兩招。」

Alex 的實戰觀察

我自己實測下來，MCP 有非常明確的優勢，但也有需要注意的地方。我在影片最後有特別提到：「不是十全十美，但藉由這一次的 Demo，其實可以看到一些可能性，是非常厲害的。」

觀察 1：MCP 會比傳統方式慢一步

在 Demo 過程中我有特別指出：「你會發現 MCP 花的時間會比較多，因為 AI Agent 它要先做確認工具的流程。」這是因為 MCP 在執行任務前，會先問 MCP Server 有哪些工具可用，然後再根據 LLM 的語意理解來選擇合適的工具。

多了這一層溝通，執行時間自然會稍長一些。但換來的是什麼？是模組溝通的標準化。

觀察 2：模組數量大幅減少

這個差異在 Demo 裡非常明顯。傳統 AI Agent 的 Airtable 工具要掛 List、Get、Create 等五、六個方法在調用，但 MCP 方式只需要 List Tool + Execute Tool 這兩個模組。

我在影片裡的原話是：「都是長那兩個模組，比我們最一開始的有好多個模組、五六個方法在調用，好很多。」

觀察 3：語意理解偶爾會翻車

我在 Demo 裡也誠實展示了 MCP 的失敗案例。第一次問「請給我狀態是潛在機會的客戶」時，MCP 版本沒辦法正確獲取結果。「肯定是剛剛在語意理解的時候有問題的，前一個是有問題的。」重新執行一次之後才成功。

這說明 LLM 的語意理解並不是 100% 穩定的。我的建議是：系統級的 Prompt 用英文寫，因為「它會比較好對焦，就是它不會像中文一樣有時候會怪怪的。」

觀察 4：MCP 強在溝通，不是記憶

我在影片裡特別澄清：「MCP 不是讓記憶變強，而是讓不同的工具講同一種語言，溝通更有效率，所需的記憶體就比較少。」

MCP 的 Buff 是加在 Tool 這一層，不是加在大腦或記憶體上。

🔧 3 個 n8n AI Agent 實戰 Demo

我在影片裡用同一個 Airtable 客戶資料庫，分三個情境 Demo 了 AI Agent 有 MCP 和沒有 MCP 的差異。

情境 1：基本客戶名單查詢

Airtable 資料： 準備好一批模擬客戶資料，包括客戶名字、地址、聯絡方式、電話、狀態和信箱。

傳統 AI Agent（沒有 MCP）

工作流配置：

  1. Chat Model：OpenAI 的 GPT-4o 作為語言模型
  2. Memory：5 筆的短期記憶
  3. Airtable 工具：List、Get、Create 等多個 CRUD 工具
  4. System Prompt：用英文寫，告訴 Agent 用 Airtable 來得到客戶資料，給定 Base ID 和 Table ID

Demo 結果： 輸入「請給我客戶名單」，AI Agent 透過內建的指令集和 API 工具去跟 Airtable 溝通，成功列出 5 筆客戶資料。「其實滿神奇的，我們其實沒有寫什麼程式，這真的是出嘴巴，出嘴巴就動起來了。」

MCP 方式（有 MCP）

同樣的 System Prompt，但工具改用 MCP 的 List Tool + Execute Tool。

Demo 過程：

  1. AI Agent 先問 Airtable MCP Server：「你有哪些工具？」
  2. Server 回傳 List Records、Search Records 等所有方法
  3. 把這些方法告訴 ChatGPT：「我有這些方法，然後你要幹嘛」
  4. LLM 選擇 List Records 方法執行
  5. 成功取得同樣的 5 筆客戶資料

差異觀察： MCP 花的時間比較多，因為多了確認工具的流程，但結果完全一致。

情境 2：條件篩選查詢

查詢： 「請給我潛在機會的客戶名單」

預期結果： Airtable 裡有 2 筆潛在機會客戶 — 宏達電子貿易行和盛達國際股份。

傳統 AI Agent： 直接成功，回傳 2 筆正確資料。

MCP 方式： 第一次執行失敗，「沒辦法獲取狀態是潛在機會的客戶」。可能是 ChatGPT 那個語言模型沒有理解語意。重新執行一次後成功取得宏達電子貿易行和盛達國際這兩筆資料。

我在這裡學到的教訓是：MCP + LLM 的組合在中文語意理解上偶爾會出錯，建議多測試幾次，或者用英文下指令會更穩定。

情境 3：多步驟複雜任務（Airtable + Airbnb）

這是整支影片最精彩的 Demo。任務拆解：

  1. 第一步：找出狀態是「潛在機會」的客戶
  2. 第二步：根據客戶地址，用 Airbnb 搜尋住宿
  3. 第三步：整合兩個工具的結果，組合出實用的回覆

指令：「請給我客戶清單，其中狀態是潛在機會的。根據狀態是潛在機會的客戶名單，利用客戶地址幫我訂這個禮拜的住宿。」

Demo 過程：

  1. AI Agent 啟動 MCP 協定，先列出 Airtable 的工具
  2. 選擇對應工具執行，取得 2 筆客戶：一個在臺中、一個在曼谷
  3. 接著自動去問 Airbnb 的 MCP Server 有哪些方法
  4. 用 Search 方法分別搜尋臺中和曼谷的住宿
  5. 最終結果：臺中 3 筆住宿、曼谷 3 筆住宿

我的觀察：「從查資料、篩選條件、整合 API、組合語意輸出，全部一氣呵成，不需要手動切系統或者是對接 API。但是它也有壞處，他沒有這麼快，而且他其實會有一些錯誤跟誤差，不是十全十美。」

我覺得這個 Demo 最震撼的地方是，AI Agent 不用你介入就直接用 Airbnb 找起來了。它會自動去做地點比對跟住宿的查詢。「看到這裡是不是覺得有點猛？」

📊 MCP vs 傳統 AI Agent 實測比較

根據我在影片裡 Demo 的實際結果，整理出這份比較：

比較項目 傳統 AI Agent（API 工具） AI Agent + MCP
工具數量 5-6 個方法（List/Get/Create...） 2 個模組（List Tool + Execute Tool）
設定方式 每個工具各自定義 API MCP Server 統一提供
執行速度 較快（直接調用） 較慢（多確認工具的流程）
擴展性 要改 Prompt、加工具節點 註冊新 MCP Server 即可
語意驅動 需要明確指定工具 Agent 自動選擇適當工具
跨工具整合 需要手動串接 一氣呵成自動串接
穩定性 較高 偶爾語意理解失敗
System Prompt 需指定 Base ID、Table ID 同樣需要，但工具描述更簡潔

我的選擇建議

根據 Demo 經驗，我的建議是：

🧠 三大 AI 核心概念快速記憶

我在影片最後用了很多比喻幫大家記住，我就是「一直碎碎念，唸到你會為止」：

LLM — 百科全書

「你可以把 LLM 想成一個超強的百科全書，基本上集合了人類網路知識裡面的最強大腦。」主流 LLM 包括 OpenAI 的 ChatGPT（4o、o1 等）、Google 的 Gemini、Anthropic 的 Claude、Meta 的 LLaMA。

重點：LLM 不是法師，不能夠通靈跟觀落陰。 你問什麼、怎麼問，會影響回答是不是精準，所以正確的問問題是很重要的能力，一定要給它背景知識。

AI Agent — 大樓保全

「AI Agent 就是會動手做事的智慧助理，幫你查資料、建資料、甚至刪除或更新資料。」它是一個任務導向的智能助手，透過語言能力 + 記憶能力 + 工具使用三個元件來完成任務。

在 n8n 裡面，AI Agent 的工作方式是藉由語言模型（Chat Model）、記憶（Memory）、還有工具（Tool）來執行所有的任務。

MCP — 大家一起說英文

「MCP 就像一個翻譯官，就像我們那個聯合國的翻譯官，你提供一個統一的語言協定，來讓 LLM 跟各種外界的工具做溝通。」

也可以想成 Type-C 的通訊協定 — 統一的介面，所有設備都能插。

軍事比喻：「不同國家的特種部隊一起出任務的時候，MCP 就是那個通用語言。AI Agent 是士兵，負責執行任務；MCP 是 Buff（輔助加成），讓士兵之間用英文溝通理解跟協作。」

重點整理

  1. LLM 是百科全書：具備語言理解跟生成能力的語言模型，問什麼都能回答
  2. AI Agent 是保全：具備任務執行跟決策能力的智能代理人，透過語言 + 記憶 + 工具三元件運作
  3. MCP 是統一的英文：串接 AI 模型跟應用程式的標準通訊協定，提升整體整合跟運作的效率
  4. MCP 只用兩招：List Tool（列出可用工具）+ Execute Tool（執行選定工具），比傳統 5-6 個工具方法簡潔很多
  5. MCP 會比較慢：因為多了確認工具的流程，但帶來的是模組溝通標準化和上下文任務彈性
  6. MCP 不是十全十美：偶爾會有語意理解錯誤，不是每次都 100% 成功
  7. System Prompt 用英文：中文有時候會怪怪的，英文比較好對焦
  8. 三者搭配是 AI 潮流：LLM + AI Agent + MCP，速度非常快，趕緊學起來

常見問題 FAQ

MCP 跟傳統 API 工具到底差在哪裡？

傳統 AI Agent 是透過定義好的 API 和記憶模組來完成指令，每個工具你都要個別設定。MCP 的差異在於，AI Agent 會先透過 List Tool 問 MCP Server「你有哪些方法」，然後再根據語意理解自動選擇 Execute Tool 執行。 我在 Demo 裡比較了兩種方式，傳統方式需要掛 5-6 個 Airtable 工具（List、Get、Create 等），MCP 方式只需要 List Tool + Execute Tool 兩個模組。最大的差異是，MCP 有一個統一的介面，「我們不用去修改它的 API，我們可以直接去調用這個方法，它已經幫你寫好了」。

MCP 的語意理解真的穩定嗎？

不是 100% 穩定，我在 Demo 裡就遇到了。 查詢「請給我潛在機會的客戶名單」時，MCP 版本第一次沒辦法正確獲取結果，「可能是什麼原因，肯定是剛剛在語意理解的時候有問題的」。重新執行一次之後才成功。我的建議是：System Prompt 用英文寫，因為「它會比較好對焦」；另外下指令時盡量明確，不要模糊。中文會差一點，英文會比較好。

MCP 適合什麼樣的任務場景？

MCP 最適合需要跨多個工具、動態選擇的複雜任務。 像我在影片裡 Demo 的第三個情境：先從 Airtable 找潛在客戶 → 提取地址 → 用 Airbnb 搜尋住宿，全部一氣呵成。但如果你的流程很固定，就是 A → B → C，傳統方式其實更直覺、效能也更好。「AI Agent 不管有沒有用 MCP，其實都可以完成任務」，差別在於 MCP 帶來模組溝通標準化跟上下文任務彈性。

LLM 跟 AI Agent 到底什麼關係？我一直搞混

LLM 只是 AI Agent 的其中一個元件。 我在影片裡用保全的比喻解釋：AI Agent 需要三個能力 — 語言能力（LLM 提供）、記憶能力（Memory 模組）、工具使用（Tool 模組）。「AI Agent 除了使用 ChatGPT 的模型作為大腦，還要多記憶能力跟外部的工具。」所以 LLM 是大腦，AI Agent 是整個人，MCP 是讓它溝通更高效的語言能力。在 n8n 裡面，Chat Model 就是 LLM、Memory 就是記憶、Tool 就是工具，三個加在一起就是 AI Agent。

MCP 有六大元件是什麼意思？

MCP 的完整架構確實有六大元件，但在 n8n 裡面最常用的就是 Tool。 我在影片裡有提到 MCP 的六大元件包括 Tool、Prompt、Resource、Transport 等，其中 Transport 是在溝通的時候做加密。不過對於 n8n 使用者來說，你只需要搞懂 List Tool 和 Execute Tool 就夠了。「下一支影片我們會 Deep Dive 這個 MCP 的核心設計，包含 Tool、Prompt、Resource、Transport 這些關鍵的元件。」

我可以拿到 Demo 裡的 n8n 工作流嗎？

可以！我在影片裡有提供免費的 JSON 模板。 「MCP 示範的 AI Agent 免費模板提供給大家，下載連結在下面，只要下載 JSON 檔匯入就可以使用囉。」你可以在 GitHub 範例模板 找到完整的工作流檔案，直接匯入你的 n8n 就能開始測試。

🎯 下一步行動

如果你看完這篇，想要動手試試 MCP，我建議的路徑是：

  1. 看影片 Demo：先看我的 YouTube 教學影片，跟著 Demo 走一遍會更有感覺
  2. 下載模板：到 GitHub 下載 JSON 模板匯入 n8n
  3. 先做簡單查詢：像我 Demo 的情境 1，用「請給我客戶名單」測試基本功能
  4. 再做複雜任務：嘗試像情境 3 一樣串接多個 MCP Server
  5. 遇到問題來交流：到 Skool 社群 跟其他學員討論

🚀 想學更多 n8n 自動化技巧？ 加入我們的 Skool 社群，和其他自動化愛好者一起學習交流！

🔗 相關資源

🚀 想學更多 n8n 自動化技巧？ 加入我們的 Skool 社群，和其他自動化愛好者一起學習交流！

✍️ 關於作者：Alex 是一位專注於 n8n 自動化和 AI 應用的技術教育者，透過 YouTube 頻道和 Skool 社群幫助超過數千位學員掌握自動化技能。

### 23. n8n 發票自動化｜AI OCR 辨識 + Gmail 觸發 + Google Sheets 自動歸檔完整教學 **URL:** https://cloud-f1.com/blog/n8n-invoice-automation **Published:** 2025-03-02 | **Read Time:** 14 | **Category:** 應用案例

專業導讀：n8n 發票自動化完整教學

💡 本文重點: 用 n8n 打造發票整理自動化工作流——Gmail 收到發票自動觸發，AI OCR 辨識內容，自動提取金額、日期、廠商資訊，最後寫入 Google Sheets 歸檔。這是頻道第一集教學（EP01），也是最多人問的入門實戰案例。

你將學到

🎯 什麼是 n8n 發票自動化？

n8n 發票自動化是利用 n8n 工作流串接 Gmail、Google Drive、ChatGPT（GPT-4 Vision）和 Google Sheets，實現從收到發票到辨識歸檔全流程的零人工處理方案。 透過 AI OCR 技術辨識發票內容，準確率可達 95% 以上，每月可節省數小時的手動輸入時間。

你有沒有遇過這種情況？月底要報帳了，桌上堆了一疊發票，Email 信箱裡還有幾十封含附件的電子發票。你要一張一張打開、手動抄金額、填日期、對統編——光是 50 張發票就要花掉半天時間。更糟糕的是，手動輸入難免出錯，一個小數點打錯就要花更多時間回頭查。

這就是為什麼發票自動化是 n8n 自動化入門最好的起手式。它結合了實用性和技術含量：你既解決了真實的痛點問題，同時也學會了 n8n 最核心的幾個概念——觸發器、API 串接、AI 整合和資料寫入。

發票處理的三大痛點

痛點 描述 影響
手動輸入 每張發票需 2-3 分鐘手動抄寫 50 張 = 2.5 小時
人為錯誤 金額、日期、統編容易打錯 報帳退件、稅務問題
找不到發票 紙本散落、電子郵件埋在信箱 報帳時四處翻找

💡 Alex 的觀察：EP01 的起點，從一張發票開始

這集是我整個 YouTube 頻道的第一支影片（EP01），所以對我來說意義特別不一樣。

我的觀察是這樣的——很多人學自動化，一開始就想做很複雜的東西：串接 CRM、建 AI Agent、做多平台同步。但其實最好的入門方式是從一個你每天都會碰到的小問題開始。發票整理就是這樣一個問題：每個人都碰過，痛點很明確，而且自動化的效果立竿見影。

三個我從這個專案學到的事：

  1. AI OCR 比你想像的準確：GPT-4 Vision 辨識台灣電子發票的準確率大概在 92-97% 之間。清晰的電子發票 PDF 幾乎是 100%，只有模糊的手機照片才需要人工複核。這個準確率已經遠超人工手動輸入了。

  2. 小工作流也有大價值：這個工作流只有 4-5 個節點，但它每個月幫我省了大概 3 個小時。累積一年就是 36 小時，而且這 36 小時完全沒有人為錯誤。

  3. 從簡單開始建立信心：我後來觀察學員的學習路徑，那些從簡單工作流（像發票處理、郵件通知）開始的學員，後來做進階專案的成功率比直接挑戰複雜工作流的學員高出很多。

這個方法的缺點是：如果你的發票是手寫的、字跡潦草的紙本收據，AI OCR 的辨識率會下降到 70-80%。這種情況建議還是拍清楚一點再讓 AI 處理，或者直接用電子發票。另外，第一次設定 Gmail 和 Google Drive 的 OAuth 認證會需要一點耐心，但設好之後就不用再管了。

這邊要特別注意——這個工作流的核心價值不只是「自動化」，而是建立一個可追蹤、可搜尋的發票資料庫。以後你要查任何一筆發票，直接在 Google Sheets 裡搜尋就好，不用再翻箱倒櫃了。

💡 為什麼你需要發票自動化？

大家可以想想看，如果你是自由工作者、接案人員、或者小型企業主，每個月處理的發票可能有 30-100 張。就算每張只花 2 分鐘，一個月也要花 1-3 小時在這件事上。而且這還不包括找不到發票、重複輸入、金額打錯等等衍生問題。

用 n8n 發票自動化，你可以得到三個好處：

  1. 時間釋放：從每月 3 小時降到 5 分鐘（只需要檢查結果）。多出來的時間可以拿去做更有價值的事。

  2. 準確度提升：AI OCR 辨識不會累、不會打錯。就算偶爾有辨識錯誤，也比人工手動輸入的錯誤率低很多。根據我的經驗，自動化後的錯誤率從 5% 降到不到 1%。

  3. 可追蹤性：所有發票資料都在 Google Sheets 裡，可以按日期、金額、廠商搜尋。報帳時直接篩選匯出，不用再翻箱倒櫃。

🔧 Step-by-Step 教學：打造發票自動化工作流

前置準備

在開始之前，你需要準備以下東西：

完整工作流架構

Gmail Trigger (收到發票)
  → Google Drive (下載附件)
    → ChatGPT / GPT-4 Vision (OCR 辨識)
      → Code Node (結構化提取)
        → Google Sheets (寫入歸檔)

Step 0：Gmail Trigger — 自動偵測發票信件

第一步是設定 Gmail Trigger，讓 n8n 自動偵測信箱裡含有發票附件的新信件。

節點設定：

  1. 在 n8n 畫布上新增一個 Gmail Trigger 節點
  2. 設定 Google OAuth 認證（第一次需要授權）
  3. 篩選條件設定：
  4. 勾選「Download Attachments」選項
設定重點：
- Trigger 類型：Poll（輪詢）
- 篩選：含有 attachment + 標籤為「發票」
- 頻率：每 5 分鐘或每小時（依需求調整）

這邊要特別注意——Gmail Trigger 使用的是 Polling 機制，不是即時觸發。所以你設定每 5 分鐘檢查一次，最慢會有 5 分鐘的延遲。對發票處理來說，這個延遲完全可以接受。

Step 1：Google Drive — 下載附件到指定資料夾

收到發票信件後，下一步是把附件下載到 Google Drive 的指定資料夾。

節點設定：

  1. 新增 Google Drive 節點
  2. Operation 選擇 Upload
  3. 設定目標資料夾（例如：/發票/2025/03/）
  4. 來源選擇上一個 Gmail Trigger 節點的 attachment binary data
Google Drive 設定：
- Operation: Upload
- Folder: /發票/{{$now.format('yyyy/MM')}}/
- File Name: {{$json.subject}}_{{$now.format('yyyyMMdd')}}.pdf
- Binary Property: attachment_0

小技巧：用 n8n 的 Expression 動態產生資料夾路徑，這樣每個月的發票會自動分到對應的資料夾。

Step 2：ChatGPT OCR — AI 辨識發票內容

這是整個工作流最關鍵的一步。我們用 ChatGPT 的 GPT-4 Vision 功能來辨識發票圖片或 PDF 的內容。

節點設定：

  1. 新增 OpenAI 節點（或 HTTP Request 呼叫 API）
  2. Model 選擇 gpt-4o（支援圖片辨識）
  3. 設定 System Prompt：
你是一個專業的發票辨識助手。請分析以下發票圖片，提取出以下資訊並以 JSON 格式回傳：

{
  "invoice_number": "發票號碼",
  "invoice_date": "開立日期 (YYYY-MM-DD)",
  "seller_name": "賣方名稱",
  "seller_tax_id": "賣方統一編號",
  "buyer_name": "買方名稱",
  "buyer_tax_id": "買方統一編號",
  "subtotal": 小計金額(數字),
  "tax": 稅額(數字),
  "total": 總計金額(數字),
  "items": [
    {"name": "品名", "quantity": 數量, "unit_price": 單價, "amount": 金額}
  ],
  "confidence": "high/medium/low"
}

如果某個欄位無法辨識，填入 null。
  1. 將 Google Drive 下載的檔案作為圖片傳入

這個 Prompt 的設計重點是要求 AI 回傳結構化的 JSON 格式。這樣後續的節點才能準確地提取每個欄位。我實測下來，GPT-4o 辨識台灣電子發票 PDF 的準確率非常高。

Step 3：Code Node — 結構化資料處理

AI 回傳的 JSON 需要做一些後處理，確保資料格式統一。

節點設定：

  1. 新增 Code 節點
  2. 解析 ChatGPT 回傳的 JSON 字串
  3. 做基本的資料驗證和清洗
// 解析 ChatGPT 回傳的 JSON
const response = $input.first().json.message.content;
const invoiceData = JSON.parse(response);

// 資料驗證
const cleaned = {
  invoice_number: invoiceData.invoice_number || '未辨識',
  invoice_date: invoiceData.invoice_date || new Date().toISOString().split('T')[0],
  seller_name: invoiceData.seller_name || '未辨識',
  seller_tax_id: invoiceData.seller_tax_id || '',
  total: Number(invoiceData.total) || 0,
  tax: Number(invoiceData.tax) || 0,
  confidence: invoiceData.confidence || 'low',
  processed_at: new Date().toISOString(),
  source_email: $('Gmail Trigger').first().json.subject
};

return [{ json: cleaned }];

Step 4：Google Sheets — 自動歸檔

最後一步，把處理好的資料寫入 Google Sheets。

節點設定：

  1. 新增 Google Sheets 節點
  2. Operation 選擇 Append Row
  3. 選擇目標試算表和工作表
  4. 欄位對應：
| Google Sheets 欄位 | 資料來源 |
|-------------------|---------|
| A 發票號碼 | invoice_number |
| B 日期 | invoice_date |
| C 廠商名稱 | seller_name |
| D 統編 | seller_tax_id |
| E 總金額 | total |
| F 稅額 | tax |
| G 辨識信心度 | confidence |
| H 處理時間 | processed_at |
| I 來源信件 | source_email |

完成！從這裡開始，每當有新的發票信件進來，n8n 就會自動執行整個流程：下載附件 → AI 辨識 → 歸檔到 Sheets。你需要做的只是偶爾檢查一下低信心度（confidence = low）的紀錄。

第一次沒做好或是聽不懂，代表你是正常人！建議先用 2-3 張測試發票跑跑看，確認結果正確再正式啟用。

📊 比較分析：n8n 發票自動化 vs 其他方案

在決定用什麼方案處理發票之前，大家可以想想看你的需求量和預算。以下是四種主流方案的比較：

比較項目 n8n 自動化 手動處理 Dext (Receipt Bank) QuickBooks
月費 免費（自架） $0 $24/月起 $30/月起
處理速度 每張 10 秒 每張 2-3 分鐘 每張 15 秒 每張 30 秒
每月 100 張成本 電費 + API 約 $2 3-5 小時人力 $24+ $30+
準確度 92-97%（GPT-4 Vision） 95%（但容易疲勞下降） 95%+ 90%+
客製化 完全自訂（Prompt、欄位、流程） N/A 有限 有限
台灣發票支援 支援（自訂 Prompt） 手動處理 有限 有限
整合性 串接任何 API 無 有限整合 會計生態系
學習門檻 中等（需學 n8n 基礎） 無 低 中等

我的建議：

✅ 重點整理

  1. n8n 發票自動化 = Gmail Trigger + Google Drive + ChatGPT OCR + Google Sheets，四個節點搞定全流程
  2. GPT-4 Vision OCR 辨識台灣電子發票準確率可達 92-97%，遠超手動輸入的效率
  3. Prompt 設計 是關鍵——要求 AI 回傳結構化 JSON 格式，後續處理才會順暢
  4. Google Sheets 歸檔 讓你建立可搜尋的發票資料庫，報帳時一鍵篩選匯出
  5. 從簡單開始：這個工作流只有 4-5 個節點，是學 n8n 自動化的最佳入門案例
  6. 成本幾乎為零：自架 n8n 免費，OpenAI API 每張發票約 $0.01-0.02 美元
  7. 可擴展性高：後續可以加上 Slack 通知、自動分類、異常發票警告等功能
  8. 時間投資回報：第一次設定需 1-2 小時，但每月可省 3+ 小時，長期非常划算

不用一次學完，慢慢來比較快。先把基本的四個節點跑起來，後續再慢慢加功能。

❓ 常見問題 FAQ

Q1: n8n 發票自動化支援哪些發票格式？

A: 支援所有常見格式。電子發票 PDF 的辨識率最高（95%+），因為文字是可選取的，AI 可以直接讀取。發票圖片（JPG、PNG）也支援，但建議拍攝時光線充足、正面拍攝。手寫收據可以嘗試，但辨識率會下降到 70-80%。台灣的統一發票、電子發票、收據、信用卡簽單都可以處理。

Q2: AI OCR 辨識率不高怎麼辦？有辦法提升嗎？

A: 辨識率取決於三個因素：圖片品質、Prompt 設計、和 AI 模型選擇。提升辨識率的方法：(1) 確保圖片清晰——解析度至少 300 DPI，避免反光和陰影；(2) 優化 Prompt——在 System Prompt 中加入台灣發票的格式範例，讓 AI 知道要找什麼；(3) 使用最新模型——GPT-4o 的視覺辨識能力明顯優於 GPT-4 Turbo。另外，可以在 Code Node 加入信心度判斷，低信心度的自動標記為「需人工複核」。

Q3: 可以串接到其他會計系統（不只 Google Sheets）嗎？

A: 當然可以。n8n 支援 400+ 應用程式整合，你可以把 Google Sheets 節點換成任何你使用的系統。常見整合包括：Airtable（更強的資料庫功能）、Notion（結合專案管理）、Excel Online（微軟生態系）、甚至直接透過 HTTP Request 串接你公司的 ERP 或會計系統 API。重點是 ChatGPT OCR 那一步輸出的結構化 JSON，可以餵給任何後端。

Q4: Gmail 以外的信箱也能用嗎？要怎麼改？

A: 可以。n8n 內建支援 IMAP 協議，所以理論上任何信箱都能用。如果你用 Outlook，可以用 Microsoft Outlook Trigger 節點直接取代 Gmail Trigger。如果是其他信箱（Yahoo、企業信箱），用 IMAP Email 節點設定 IMAP 伺服器資訊即可。其他步驟（Google Drive、ChatGPT、Sheets）都不需要改動。

Q5: 每月處理量很大（500+ 張），n8n 跑得動嗎？

A: 完全沒問題。n8n 自架版沒有執行次數限制。瓶頸通常在 OpenAI API 的速率限制（Rate Limit），GPT-4o 預設是每分鐘 500 次請求。如果你一次要處理 500 張發票，建議在工作流裡加一個 Wait 節點或 Split In Batches 節點，每批處理 10-20 張，避免觸發 API 限制。實際上大多數情況下，發票是陸續收到的（每天幾張），不會一次大量湧入，所以不太需要擔心。

Q6: 這個工作流的維護成本高嗎？

A: 非常低。設定好之後基本上就是自動跑，不需要日常維護。你需要注意的只有三件事：(1) Google OAuth Token 到期要重新授權（大約每 6 個月一次）；(2) OpenAI API 餘額不要用完；(3) 偶爾檢查低信心度的辨識結果。整體來說，每月花 10 分鐘檢查就夠了。

Q7: 如何處理多幣別發票（外幣發票）？

A: 在 Prompt 裡加上幣別辨識指令，讓 AI 同時提取幣別欄位（如 TWD、USD、JPY）。然後在 Code Node 用匯率 API（如 ExchangeRate-API 或台灣銀行牯率）自動轉換成新台幣。Google Sheets 可以設兩欄：「原始金額 + 幣別」和「新台幣金額」，方便後續報帳和統計。

Q8: 如果發票有多頁怎麼辦？

A: GPT-4o 支援多頁 PDF，會自動讀取所有頁面。但要注意 API 的 token 限制。如果發票超過 10 頁（例如採購明細很多），建議在 Prompt 裡加上「只提取總金額、日期、廠商資訊，品項明細不需要逐一列出」，減少 token 消耗和成本。

🎯 下一步行動

如果你看到這裡，應該已經對 n8n 發票自動化有完整的概念了。接下來我建議你按照這個順序行動：

  1. 先把環境架好：如果還沒安裝 n8n，先看 n8n 零基礎教學 的環境設定
  2. 設定 Google OAuth：參考 n8n Google Sheets 整合教學 一次搞定授權
  3. 跟著本文 Step-by-Step 做一遍：用 2-3 張測試發票驗證流程
  4. 觀看原始影片：YouTube EP01 完整示範 有更詳細的操作畫面
  5. 下載工作流範本：GitHub 專案 有完整的 n8n workflow JSON

想跟更多人一起學 n8n 自動化？

每個高手都是從新手開始的。這個發票自動化工作流就是你的第一步，希望這篇對你有幫助！

🔗 相關資源

內部延伸閱讀

外部資源

本文改編自 YouTube EP01 教學影片與 n8n 課程模組，由 Alex Hsieh 撰寫。最後更新：2026-02-11

--- ## Frequently Asked Questions **Q: What industries does Cloud-F1 work with?** A: We work across industries including manufacturing, financial services, healthcare, retail, and professional services. Our solutions are tailored to each industry's specific needs and regulatory requirements. **Q: How long does a typical AI project take?** A: Our AI health check takes 2 hours. POC implementation typically takes 2-4 weeks, and production deployment 4-8 weeks. We provide detailed timelines during the initial consultation. **Q: Do you provide knowledge transfer?** A: Yes — knowledge transfer is our core commitment. All projects include team training, documentation, and 3-month post-delivery support so your team can maintain and evolve the solution independently. **Q: What certifications does Cloud-F1 hold?** A: Our team holds AWS Solutions Architect, Google Cloud ACE, CKA, CKAD, NVIDIA DLI certifications, with 20+ years combined enterprise cloud experience. **Q: How much do your services cost?** A: AI health check starts at NT$30,000 (2 hours with written report). Full AI consulting projects range NT$50,000-500,000. Training courses range NT$3,000-89,000. Cloud optimization starts at NT$30,000/month. Contact us for a detailed proposal. --- ## Contact Information - **Website:** https://cloud-f1.com - **Email:** hello@cloud-f1.com - **LinkedIn:** https://www.linkedin.com/company/cloud-f1 --- *Last updated: 2026-02-17* *For the concise version, see: https://cloud-f1.com/llms.txt*