模块9：AI自动化工作流

进阶 📅 第9-10周 ⏱️ 约16小时

核心问题: 如何让AI从"我操作它"变成"它自动帮我干活"？

---

学习目标

学完本模块，你将能够：

• ✅ 理解自动化思维，识别哪些任务适合交给AI自动完成
• ✅ 掌握2026年主流自动化工具的使用（n8n、Make、Zapier、HiFlow、集简云）
• ✅ 独立搭建至少3个可运行的自动化工作流
• ✅ 理解AI Agent的核心原理（LLM + 工具 + 记忆 + 规划）
• ✅ 在扣子Coze或Dify上搭建并上线一个AI智能体
• ✅ 设计多Agent协作流水线，实现复杂任务的端到端自动化

---

课前准备

准备项	说明
浏览器	Chrome / Edge（推荐使用Chrome，兼容性最佳）
邮箱	用于注册n8n、Coze、Dify等平台账号
GitHub账号	n8n Cloud注册需要GitHub账号
飞书/钉钉/企业微信账号	用于接收自动化通知推送
基础知识	已完成模块1-4，有基本AI工具使用经验
心态	本模块实操占比约70%，请预留充足的动手时间
预计时间	学习约5小时 + 实操约11小时

准备工作

本模块建议提前注册以下平台账号，避免上课时等待审核：

1. n8n Cloud：app.n8n.cloud —— 用GitHub账号注册，免费版每月2000次工作流执行
2. 扣子Coze：coze.cn —— 字节跳动出品，用手机号注册即可
3. Dify Cloud：cloud.dify.ai —— 用GitHub或Google账号注册

以上三个为核心必注册平台，其余工具按需注册。

---

第1课：自动化思维与工具全景

时长: 约120分钟 | 类型: 认知 + 演示

核心概念

什么是自动化思维？

自动化思维不是"让电脑做事情"，而是系统性地识别和消除重复劳动的一种思维模式。它要求你问自己三个问题：

1. 这件事重复吗？ —— 如果一周要做3次以上，它就值得自动化
2. 这件事有规律吗？ —— 如果步骤固定、逻辑清晰，自动化成功率最高
3. 自动化后，我省下的时间能做什么？ —— 时间ROI是衡量自动化价值的核心指标

什么样的任务最适合自动化？

适合自动化	不适合自动化
重复性高：每天/每周都要做	一次性任务：只做一次就完了
规则明确：有清晰的步骤和判断标准	高度依赖主观判断：需要复杂的价值判断
信息流转：数据从A到B到C	创造性工作：写一首诗、画一幅画
高频触发：频率越高，自动化收益越大	人际沟通：需要共情和深度理解的对话
跨平台操作：在多个工具间复制粘贴	紧急决策：需要立即做出不可逆的选择

大学生典型可自动化场景

• 📚 学习场景：课程通知收集 → 自动汇总到日历；论文文献监控 → 自动摘要推送
• 💼 求职场景：招聘信息监控 → 自动匹配筛选 → 一键投递
• 📱 自媒体场景：内容选题 → AI写作 → AI配图 → 定时发布 → 数据统计
• 🛒 电商场景：商品上架 → AI描述生成 → 订单处理 → 自动回复客服
• 📊 学术场景：论文关键词订阅 → 自动下载 → AI提取摘要 → 飞书通知

2026年自动化工具全景

截至2026年中，自动化工具市场形成了"国际三巨头 + 本土双雄"的格局。以下是经过实际验证的工具对比：

工具详细对比

工具	类型	集成数量	免费额度	核心优势	适合场景
n8n	开源自托管	400+	自托管完全免费；Cloud版2000次/月	开源免费、AI原生、代码节点灵活、数据可控	技术爱好者、需要高度定制、数据隐私要求高的场景
Make (原Integromat)	商业SaaS	1400+	1000次操作/月	可视化强大、操作数量最多、学习资源丰富	非技术用户、需要大量第三方集成的场景
Zapier	商业SaaS	6000+	100次任务/月	生态最丰富、集成最广泛、企业级稳定	企业用户、需要最多SaaS集成的场景
腾讯云HiFlow	国内SaaS	200+	有一定免费额度	企业微信/飞书/钉钉深度集成、腾讯生态	国内办公场景、微信生态联动
集简云	国内SaaS	500+	有一定免费额度	本土化SaaS集成最多、中文支持好	国内电商/CRM/ERP场景、非技术用户

工具选型决策矩阵

你的需求是什么？
│
├─ 数据隐私要求高 / 有技术基础 / 想长期免费
│  └─ → n8n（推荐，本课程主力工具）
│
├─ 不想碰代码 / 可视化优先 / 集成数量优先
│  └─ → Make
│
├─ 重度使用国外SaaS / 企业场景 / 预算充足
│  └─ → Zapier
│
├─ 主要用国内办公软件（企微/飞书/钉钉）
│  └─ → 腾讯云HiFlow
│
└─ 国内电商/营销/CRM场景
   └─ → 集简云

为什么本课程选择n8n作为主力工具？

1. 完全免费：自托管版本没有任何使用限制，适合学生长期使用
2. 开源可控：代码开源，你的数据完全由你掌控
3. AI原生：内置AI Agent节点、LangChain集成，与模块10无缝衔接
4. 可迁移性强：学会n8n的工作流设计思维，可以迁移到任何自动化平台
5. 社区活跃：GitHub 188k+ Star，文档完善，社区支持好

动手实操：5分钟第一个自动化

在n8n Cloud上创建你的第一个自动化工作流（讲师演示）：

目标：每天早上8点，自动获取AI领域最新新闻，通过飞书机器人推送给你。

工作流设计：

定时触发器(Schedule Trigger)
  → HTTP请求获取RSS新闻
  → AI节点提取关键信息
  → 飞书机器人推送消息

自动化设计核心模型

任何一个自动化工作流都可以用这个公式表达：

自动化 = 触发器(Trigger) → 处理(Action/Actions) → 输出(Output)

组件	说明	举例
Trigger（触发器）	工作流启动的条件	定时触发、表单提交、收到邮件、Webhook回调
Action（动作）	工作流执行的操作	读取数据、调用API、AI处理、发送通知
Output（输出）	工作流产生的结果	飞书消息、数据库记录、邮件、文件

---

第2课：n8n零基础上手

时长: 约150分钟 | 类型: 实操

核心概念

n8n六大核心概念

概念	说明	类比
Workflow（工作流）	一个完整的自动化流程	一条流水线
Trigger Node（触发器节点）	启动工作流的节点，每个工作流有且仅有一个	流水线的开关
Action Node（动作节点）	执行具体操作的节点	流水线上的工位
Connection（连接）	节点之间的数据传递路径	传送带
Credential（凭证）	存储第三方服务的认证信息	工牌/通行证
Execution（执行记录）	工作流每次运行的历史记录	打卡记录

n8n部署方式对比

方式	费用	技术门槛	稳定性	适合人群
n8n Cloud	免费2000次/月	⭐ 零门槛	官方维护	新手入门，本课程推荐
Desktop App	免费	⭐⭐ 低门槛	依赖本地电脑	本地开发测试
Docker自托管	免费（仅服务器成本）	⭐⭐⭐ 中等	自行维护	长期使用，技术爱好者
Railway/Render部署	免费额度内免费	⭐⭐ 低门槛	平台维护	不想自己搭服务器

Docker自托管一键命令

如果你有服务器（或本机装了Docker），用以下命令一分钟部署：

docker run -d --name n8n \
  -p 5678:5678 \
  -v n8n_data:/home/node/.n8n \
  -e N8N_SECURE_COOKIE=false \
  n8nio/n8n

然后打开 http://localhost:5678 即可使用。

动手实操1：每日AI资讯摘要

场景：每天早上自动获取AI领域最新动态，筛选出与大学生最相关的5条，AI生成中文摘要，推送到飞书群。

工作流架构：

Schedule Trigger（每天8:00）
  → RSS Read（从多个AI资讯源获取）
  → AI Agent（筛选+摘要："从以下资讯中选出与大学生最相关的5条，生成中文摘要"）
  → 飞书消息推送（推送到指定群聊）

详细步骤：

1. 添加Schedule Trigger节点

   • 选择 "Schedule Trigger"
   • 设置触发规则：每天 08:00
   • 时区选择：Asia/Shanghai

2. 添加RSS Feed Read节点

   • 选择 "RSS Feed Read"
   • 添加以下AI资讯源（2026年仍活跃）：

     https://openai.com/blog/rss.xml
     https://www.anthropic.com/blog/rss.xml
     https://blog.google/technology/ai/rss/
     https://www.theverge.com/rss/ai-artificial-intelligence/index.xml

   • 每个RSS源返回的数据结构包含：title、content、link、pubDate

3. 添加AI Agent节点

   • 选择 "AI Agent"
   • 模型选择：GPT-4o（Cloud版内置）/ DeepSeek（需配置API Key）
   • Prompt提示词：

     你是AI资讯编辑，请从以下新闻中筛选出与大学生最相关的5条，
     用中文生成每条的摘要（50字以内），最后汇总成一条消息。
     
     消息格式如下：
     📰 AI早报 | {日期}
     
     1. **{标题}**
        {摘要} → [阅读原文]({链接})
     
     2. ...
     
     📌 今日关键词：{提取2-3个关键词}

4. 添加飞书消息节点

   • 选择 "飞书" → "Send Message"
   • 配置飞书机器人Webhook地址
   • 消息类型：富文本/卡片消息
   • 接收对象：指定群聊或个人

5. 测试运行

   • 点击 "Test workflow" 按钮
   • 检查每个节点的输出数据
   • 确认飞书群收到消息

动手实操2：问卷数据自动处理

场景：用户在腾讯问卷/金数据提交报名表 → 自动清洗数据 → AI分析 → 写入飞书多维表格 → 发送通知。

工作流架构：

Webhook Trigger（接收问卷提交）
  → Function节点（数据清洗 + 格式转换）
  → AI节点（分析：用户画像、需求分类、优先级评估）
  → 飞书多维表格（写入记录）
  → 飞书消息（通知管理员）

详细步骤：

1. 配置Webhook Trigger

   • 添加 "Webhook" 节点
   • 选择 "Production URL" 生成Webhook地址
   • 复制该URL，粘贴到金数据/腾讯问卷的"数据推送"设置中

2. 添加Code节点（数据清洗）

   • 选择 "Code" 节点，语言选择 JavaScript
   • 编写清洗逻辑：

   // 输入数据来自问卷提交
   const input = $input.first().json;
   
   return [{
     name: input.name?.trim(),
     phone: input.phone?.replace(/\s/g, ''),
     email: input.email?.trim().toLowerCase(),
     interest: input.interest || '未填写',
     submitted_at: new Date().toISOString(),
   }];

3. 添加AI节点（分析分类）

   • 选择 "AI Agent" 或 "OpenAI" 节点
   • Prompt：

     分析以下报名用户，输出JSON格式：
     {
       "user_level": "初级/中级/高级",
       "main_need": "用户的1-2个核心需求",
       "priority": "高/中/低",
       "recommended_track": "推荐的课程方向"
     }
     
     用户信息：{input_data}

4. 添加飞书多维表格节点

   • 选择 "飞书" → "Bitable" → "Create Record"
   • 配置飞书多维表格的 app_token 和 table_id
   • 映射字段：姓名→姓名列、电话→电话列、分析结果→分析列

5. 添加通知节点

   • 飞书消息节点：通知管理员"有新报名，AI已自动处理"

动手实操3：社交媒体自动发布

场景：Notion内容库 → AI针对不同平台改写 → 自动发布到多个社交平台。

工作流架构：

Manual Trigger（或定时触发）
  → Notion节点（读取待发布内容）
  → AI节点（平台改写：小红书/微博/公众号各一套文案）
  → 分支判断（检查改写质量）
  → 各平台发布（小红书/微博/公众号API）
  → 飞书记录（发布日志）

各平台改写Prompt模板：

• 小红书风格：

  将以下内容改写成小红书风格：
  - 加emoji分段，每段3-4行
  - 用"姐妹们""亲测""绝绝子"等语气
  - 加上3-5个话题标签

• 公众号风格：

  将以下内容改写成公众号深度文章风格：
  - 开头引用金句或提问
  - 小标题分段
  - 结尾引导"点赞+在看"

• 微博风格：

  将以下内容精简到140字以内，包含话题标签和链接引导

n8n常用节点速查

节点类型	节点名称	功能
触发器	Schedule Trigger	定时触发
触发器	Webhook	接收外部HTTP请求
触发器	Form Trigger	n8n内置表单提交触发
数据	HTTP Request	调用任意API
数据	RSS Read	读取RSS源
数据	Database (MySQL/Postgres)	数据库读写
逻辑	IF	条件分支
逻辑	Switch	多路分支
逻辑	Loop Over Items	循环处理
逻辑	Merge	合并多个分支数据
转换	Code (JavaScript/Python)	自定义代码处理
转换	Set	添加/修改字段
转换	Date & Time	时间格式化
AI	AI Agent	AI智能体节点
AI	OpenAI / DeepSeek	直接调用大模型
AI	Embeddings	文本向量化
AI	Vector Store	向量数据库
通讯	飞书 / 钉钉 / 企微	消息推送
通讯	Email (SMTP)	发送邮件
通讯	Telegram / Slack	即时通讯
文件	Google Drive / OneDrive	云存储操作
文件	Spreadsheet File	Excel读写

---

第3课：AI智能体（Agent）平台实战

时长: 约150分钟 | 类型: 认知 + 实操

核心概念

什么是AI Agent？

AI Agent（智能体）不是你熟悉的"聊天机器人"——它是能自主使用工具、记住上下文、制定计划的AI系统。

AI Agent = LLM（大脑） + Tools（手脚） + Memory（记忆） + Planning（策略）

组件	作用	类比
LLM（大语言模型）	理解、推理、生成，Agent的"大脑"	人的思考和语言能力
Tools（工具）	调用外部能力：搜索、计算、API、数据库	人的手和脚
Memory（记忆）	记住对话历史、用户偏好、知识库	人的记忆和经验
Planning（规划）	分解任务、制定步骤、自我纠错	人的策略思维

一个通俗的比喻：

• 你问ChatGPT"今天天气怎么样" → ChatGPT回答不了（没有实时信息工具）
• 你问AI Agent"今天天气怎么样" → Agent自己调用天气API → 获取数据 → 回答你
• 你问AI Agent"帮我规划这周末的出行" → Agent查天气→查路线→查景点→查餐厅→生成完整方案

2026年主流Agent平台对比

平台	出品方	核心优势	主要局限	免费额度	适合人群
扣子Coze	字节跳动	零代码搭建、800+插件、Bot商店、模板丰富、上手最快	数据存于字节云、多Agent协作较弱、海外版付费	国内版基本免费	零基础用户、快速验证想法
Dify	开源社区	开源可私有部署、强大RAG引擎、20+模型支持、工作流可视化	需要一定技术基础、自部署需要服务器	开源版全免费；Cloud版免费额度够用	技术爱好者、需要数据私有化
文心智能体	百度	文心大模型生态、中文能力强、百度搜索集成	锁定百度生态、开放性不足	有免费额度	使用百度系产品的用户
腾讯元器	腾讯	微信/企微生态深度集成、公众号内容导入	主要面向微信场景、定制化有限	有免费额度	有公众号/视频号的创作者
阿里百炼	阿里	通义系列模型、电商场景强、阿里云集成	偏向企业级场景、上手门槛较高	有免费额度	电商从业者、使用阿里云的用户
n8n AI Agent	n8n社区	开源、工作流+Agent一体、LangChain原生支持	可视化不如Coze、文档偏英文	自托管全免费	已有n8n基础的用户

本课程推荐路径

• 入门首选：扣子Coze —— 5分钟上线第一个Agent
• 进阶首选：Dify —— 私有化部署 + RAG知识库 + 复杂工作流
• 终极方案：n8n AI Agent —— 自动化工作流 + Agent能力融合

动手实操1：扣子Coze —— 5步搭建"校园AI助手"

第一步：创建Bot

1. 访问 coze.cn，登录后点击「创建Bot」
2. 填写基本信息：
   • Bot名称：校园AI助手
   • Bot描述：为大学生提供课程咨询、校园服务、学习建议的AI助手
   • Bot头像：选择一个合适的图标
3. 人设与回复逻辑（核心配置）：

   # 角色
   你是一位热情、专业的大学生AI助手，熟悉大学校园的各种场景。
   
   # 技能
   - 课程学习建议：根据专业和年级推荐学习资源和方法
   - 校园生活指南：解答选课、社团、实习、考研等常见问题
   - 学习计划制定：帮学生制定合理的每日/每周学习计划
   - AI工具推荐：帮学生选择合适的AI工具提升学习效率
   
   # 约束
   - 回答简洁、具体，避免空泛的说教
   - 使用大学生熟悉的语言风格（轻松、友好、偶尔用梗）
   - 不确定的信息主动说明，不编造
   - 涉及学校具体的行政政策（如转专业、缴费等），提醒学生咨询学校官方

第二步：配置知识库

1. 在Bot编辑页，切换到「知识库」标签
2. 点击「新建知识库」，上传以下内容：
   • 常见大学专业介绍文档（PDF/TXT）
   • 学习方法论文章（Markdown/TXT）
   • AI工具使用指南（PDF/TXT）
   • 考研/考公/留学基础信息（TXT）
3. Coze会自动对文档进行分段和向量化处理
4. 在Bot设置中关联该知识库

第三步：添加插件

在「插件」面板中添加以下插件：

插件	用途
必应搜索	搜索最新信息、新闻
Link Reader	读取网页链接内容
PDF Reader	读取PDF文档
Calculator	执行数学计算
日历	日期计算和查询

第四步：设计工作流（进阶）

如果Bot需要执行复杂任务（多步骤），可以设计工作流：

1. 在「工作流」标签中点击「创建工作流」
2. 设计"学习计划生成器"工作流：

   开始节点（接收用户输入：专业、年级、目标）
     → 大模型节点（分析需求）
     → 知识库检索节点（查询相关学习资源）
     → 大模型节点（生成个性化学习计划）
     → 结束节点（输出格式化计划）

第五步：发布

1. 点击右上角「发布」
2. 选择发布渠道：网页链接、飞书、微信（需审核）、API
3. 测试：用不同的问题测试Bot的回答质量
4. 记录发布链接，用于后续产出物提交

动手实操2：Dify —— 搭建"个人知识问答Agent"

Dify的核心优势在于私有化部署和强大的RAG（检索增强生成）能力，适合搭建需要私有数据支持的Agent。

环境准备

1. 方式一（推荐新手）：访问 cloud.dify.ai 注册Cloud版
2. 方式二（推荐长期使用）：Docker本地部署

   cd dify
   docker compose up -d
   # 访问 http://localhost:3000

创建"个人知识问答Agent"

场景：将你大学期间的课程笔记、读书笔记、论文阅读笔记统一导入Dify，构建一个"另一个你"——能随时回答你学过内容的AI分身。

步骤：

1. 创建知识库

   • 进入「知识库」→「创建知识库」
   • 上传你的本地文档：
     • 课堂笔记（Markdown/Word/PDF）
     • 读书笔记（TXT/PDF）
     • 课程论文（PDF）
     • 收藏的文章链接
   • 选择分段策略：
     • 「自动分段与清洗」适合大多数场景
     • 「自定义分段」适合格式规范的文档
   • 选择Embedding模型（默认推荐即可，Cloud版支持bge-large-zh）
   • 等待处理完成，可以在「召回测试」中验证检索效果

2. 创建应用

   • 进入「工作室」→「创建应用」
   • 选择「聊天助手」类型
   • 应用名称：「个人知识分身」

3. 编排Prompt

   # 角色
   你是{用户姓名}的AI知识分身。你掌握了他大学期间所有的学习笔记和阅读记录。
   
   # 能力
   - 根据用户上传的知识库内容回答问题
   - 如果知识库中有相关内容，精准引用并说明来源
   - 如果知识库中没有相关内容，诚实说明并给出获取建议
   
   # 风格
   - 用"我学过""我笔记里记录过"等第一人称
   - 引用具体的课程名或文章名

4. 关联知识库

   • 在「上下文」中选择刚才创建的知识库
   • 设置召回策略：Top-K=5，Score阈值=0.5

5. 配置模型

   • 模型选择：DeepSeek-V3（性价比高）/ GPT-4o（质量最优）
   • 温度：0.3（知识问答建议偏低温度）

6. 测试与发布

   • 在预览窗口中测试几个你确定在知识库中有答案的问题
   • 检查引用的准确性
   • 点击「发布」生成分享链接

Dify vs Coze 选择建议

场景	推荐平台	原因
我完全没接触过Agent	Coze	更简单的上手体验，模板丰富
我有私有文档需要保护	Dify	开源可私有部署，数据不外传
我需要复杂的工作流编排	Dify	工作流可视化更强大
我想快速发布到微信/飞书	Coze	发布渠道更丰富
我在做RAG检索增强应用	Dify	RAG引擎更强大、更灵活
我想学习Agent开发原理	两个都学	Coze快速验证 + Dify深入学习

---

第4课：多Agent协作与高级工作流

时长: 约120分钟 | 类型: 认知 + 案例

核心概念

多Agent协作模式

当单个Agent无法完成复杂任务时，就需要"Agent团队"。2026年主流的三种多Agent协作模式：

模式1：顺序模式（Sequential/Pipeline）

一个Agent的输出作为下一个Agent的输入，像流水线一样。

Agent A（信息收集） → Agent B（分析处理） → Agent C（输出发布）

适用场景：内容生产流水线、数据处理流水线

模式2：辩论模式（Debate）

多个Agent分别独立处理同一问题，然后互相评议，汇总最优解。

         ┌→ Agent A 方案 ──┐
输入 ───→│→ Agent B 方案 ──│→ 评审Agent → 最终方案
         └→ Agent C 方案 ──┘

适用场景：决策分析、策略制定、创意评审

模式3：分工模式（Division of Labor）

将一个复杂任务拆分，不同Agent负责不同的子任务，最后汇总。

                        ┌→ Agent A（负责模块1）
输入 → 调度Agent（拆解）→│→ Agent B（负责模块2）
                        └→ Agent C（负责模块3）
                                     ↓
                              汇总Agent → 完整输出

适用场景：大型报告撰写、多维度分析、复杂项目执行

高级案例

案例1：内容创作全自动流水线

完整流程：

阶段1：选题监控（每日定时）
  热点监测(微博热搜/百度指数/知乎热榜)
    → AI筛选(选出与你领域相关的热点)
    → AI选题(生成3-5个选题角度)
    → 推送选题建议到飞书

阶段2：内容生产（选题确认后触发）
  确认选题
    → AI深度研究(联网搜索+资料整理)
    → AI大纲生成(生成文章大纲)
    → AI初稿撰写(生成正文)
    → AI配图生成(调用图片生成API)
    → AI初审(检查事实错误、语言流畅度)

阶段3：多平台分发
  终稿确认
    → 平台改写Agent 1（小红书版）
    → 平台改写Agent 2（公众号版）
    → 平台改写Agent 3（微博版）
    → 定时发布(各平台定时器)

阶段4：效果追踪
  每天定时
    → 数据采集(各平台阅读/点赞/评论数据)
    → AI分析(亮点+不足+改进建议)
    → 周报生成(每周自动生成数据周报)

案例2：智能客服 + 人工兜底

完整流程：

用户消息
  → 意图识别Agent（分类：咨询/投诉/售后/闲聊）
     ├─ 咨询类 → 知识库检索Agent → AI回复 → 满意吗？
     ├─ 投诉类 → 情绪安抚Agent → 问题登记Agent → 自动生成工单 → 通知人工
     ├─ 售后类 → 订单查询Agent → 自动处理/转人工
     └─ 闲聊类 → 闲聊回复Agent

满意反馈环：
  用户不满意 → 自动转人工客服
  用户满意 → 记录对话到知识库（持续优化）

人机协作的关键设计：

• 80/20原则：AI处理80%的标准问题，人工处理20%的复杂/敏感问题
• 智能转接：当AI置信度低于阈值（如70%）时，自动转人工
• 上下文传递：转接时把对话摘要和已确认信息一起传给人工客服
• 持续学习：人工处理的案例定期导入知识库，AI在处理同类问题时越来越准确

案例3：数据分析自动化

完整流程：

周一08:00（定时触发）
  数据采集Agent
    → 从飞书多维表格/数据库/API获取上周数据
    → 数据清洗：去重、缺失值处理、格式统一
    → 数据存储：写入分析数据库

  分析Agent
    → 描述性统计（均值、趋势、分布）
    → 异常检测（识别异常波动）
    → 对比分析（周环比、月同比）
    → 自然语言总结

  报告生成Agent
    → 生成可视化图表（柱状图/折线图/饼图）
    → 组装分析报告（PDF/飞书文档）
    → 推送报告链接到管理群

  异常告警（如有异常）
    → 分析异常可能原因
    → 推送告警消息到指定人

工作流监控与告警

自动化工作流上线后，需要建立监控体系：

监控维度	需要关注的指标	告警方式
执行状态	成功/失败率	失败自动发飞书/钉钉通知
执行耗时	平均执行时间	超时告警（如超过5分钟）
数据质量	空值比例、数据量波动	异常波动告警
API配额	剩余调用次数	低于20%时告警
错误类型	错误码分布	高频错误聚合通知

n8n中的监控实现：

1. 在每个工作流末尾添加一个"Error Trigger"节点
2. 当任何节点报错时，自动触发告警工作流
3. 告警工作流：收集错误信息 → 格式化消息 → 飞书通知

Error Trigger
  → 提取错误信息（节点名、错误原因、时间）
  → AI分析（判断严重程度、可能原因）
  → 飞书消息推送（严重错误@所有人，一般错误仅记录）

成本控制

各平台免费额度对比（2026年6月）

平台	免费额度	超出后费用	学生省钱策略
n8n自托管	无限（仅服务器成本）	服务器约¥30-50/月	本地Docker运行，零成本
n8n Cloud	2000次工作流执行/月	$20/月起	低频工作流用Cloud，高频自托管
Make	1000次操作/月	$9/月起	只自动化高价值任务
Zapier	100次任务/月	$19.99/月起	免费版仅适合体验
Coze国内版	基本免费	高级功能付费	学生够用
Dify Cloud	免费200次对话/月	按量付费	自部署零成本
AI API(DeepSeek)	注册送500万tokens	¥1/百万tokens	DeepSeek性价比极高

API调用费用估算

一个典型的内容创作自动化工作流每月消耗估算（以DeepSeek API为例）：

每日执行1次：
- 选题分析：约2000 tokens × 30天 = 60000 tokens
- 文章撰写：约5000 tokens × 30天 = 150000 tokens
- 平台改写：约3000 tokens × 3平台 × 30天 = 270000 tokens
- 数据周报：约8000 tokens × 4周 = 32000 tokens

月总计：约512000 tokens → 约¥0.5

省钱技巧

1. 能用DeepSeek的场景就尽量用DeepSeek（比GPT-4o便宜100倍）
2. n8n自托管 + DeepSeek API = 几乎零成本的自动化体系
3. 精简Prompt：Prompt越短越省钱，长期运行要把Prompt优化到极致
4. 缓存重复调用：高频重复的AI调用可以用缓存减少费用

---

第5课：学生场景自动化实战

时长: 约150分钟 | 类型: 实操 + 成果展示

场景1：学术研究自动化

痛点：做课题研究时，需要持续追踪最新论文，手动搜索效率极低。

自动化方案：

每周一定时触发
  → Google Scholar/arXiv API搜索关键词
  → 筛选（IF>某个值 / 与研究方向相关度）
  → AI生成每篇论文摘要（方法+创新点+局限）
  → 汇总为"每周论文速递"
  → 推送到飞书/邮箱

配置要点：

• 关键词设置：用布尔运算符优化搜索精度，如 ("large language model" OR "LLM") AND (education OR learning)
• AI筛选Prompt：判断以下论文摘要是否与"AI在教育中的应用"相关，相关度1-5打分，只保留4分以上的论文
• 摘要格式：统一为（一句话问题 + 核心方法 + 关键发现 + 与自己研究的关联）

场景2：求职自动化

痛点：海投简历效率低，手动跟踪投递进展容易遗漏。

自动化方案：

流程1：职位监控
  每天定时
    → 爬取目标公司招聘页面（或使用API）
    → AI匹配（岗位要求 vs 你的技能）
    → 匹配度打分
    → 推送高匹配岗位到飞书

流程2：简历定制
  选择目标岗位
    → 获取岗位JD
    → AI分析JD关键词和要求
    → 从你的简历素材库中匹配相关经历
    → 生成定制版简历
    → 人工审核确认

流程3：投递跟踪
  记录每次投递
    → 自动计算等待天数
    → 超期未回复（>2周）自动提醒
    → 每周生成投递报告

AI简历定制的Prompt：

你是一位资深招聘专家。请根据以下岗位JD，从我的简历素材库中选择最相关的经历，生成一份定制简历。

岗位JD：{job_description}

我的约束：
1. 简历不超过一页A4
2. 工作/项目经历部分只放与岗位最相关的3段
3. 每段经历用STAR法则（情境-任务-行动-结果）
4. 在技能部分突出JD中要求的关键技术/能力

我的简历素材库：
{my_experiences}

场景3：学习自动化

痛点：课堂笔记整理费时、考前复习无从下手。

自动化方案：

流程1：课堂笔记处理
  上传课堂录音/PPT
    → 语音转文字（通义听悟/剪映）
    → AI整理笔记（去除口语、结构化、补充背景）
    → AI生成思维导图
    → 存入Notion/飞书知识库

流程2：考前复习生成
  选择考试科目
    → 从知识库读取该科目所有笔记
    → AI提取核心知识点
    → 生成"浓缩版复习笔记"
    → 生成自测题（选择题+简答题）
    → 生成"易错点清单"

流程3：学习进度追踪
  每周日定时
    → 读取学习记录
    → AI分析：完成度、薄弱环节、下周建议
    → 生成学习周报

AI笔记整理Prompt：

将以下课堂录音逐字稿整理为结构化笔记：

要求：
1. 删除口语化的填充词（"然后""那个""就是"）
2. 分三级标题组织（大主题 → 小节 → 要点）
3. 补充关键概念的定义（从你的知识中补充）
4. 用【重点】标记老师强调的内容
5. 用【疑问】标记你需要进一步理解的内容
6. 末尾附一个"本节课知识框架"的思维导图代码

原始录音稿：
{transcript}

场景4：自媒体自动化

完整内容日历流水线：

第1步：内容日历生成（每周一次）
  热搜趋势数据
    → AI选题（生成7天×3个选题=21个候选）
    → AI评分（热度/相关性/难度 → 选出7个最优）
    → 生成内容日历（每天1篇，含标题+大纲+配图方向）

第2步：每日内容生产（每天定时）
  读取今日选题
    → AI初稿
    → AI自查（事实核查+语言优化）
    → 生成配图Prompt → 调用图片生成
    → 组装完整内容
    → 存到待审核区

第3步：人工审核发布
  审核区内容
    → 人工快速审阅（关键节点）
    → 修改确认
    → 一键发布到多个平台

第4步：数据复盘（每周）
  各平台数据采集
    → AI分析（爆款因素、翻车原因、改进方向）
    → 生成优化建议
    → 反馈到下周选题策略

场景5：电商/副业自动化

自动化方案：

商品上架流水线：
  商品照片 + 基本信息
    → AI商品描述（卖点提炼+场景化描述+SEO关键词）
    → AI客服话术生成（常见问题预设回复）
    → 多平台上架（淘宝/闲鱼/拼多多）
    → 库存同步

订单处理流水线：
  新订单Webhook
    → 自动发送确认消息给买家
    → 自动生成发货单/快递单
    → 更新库存数量
    → 48小时后自动发送"使用体验询问"

AI客服流水线：
  买家消息
    → 意图识别（议价/质量/物流/售后）
    → AI自动回复（基于知识库）
    → 复杂问题自动转人工
    → 对话归档（持续优化AI回复质量）

成果展示环节（15分钟/人）

每位同学选择自己最满意的一个工作流进行展示：

展示要求：

1. 痛点说明（1分钟）：你解决了什么问题？之前怎么做的？
2. 工作流演示（3分钟）：现场运行，展示每个节点的输入输出
3. 架构讲解（2分钟）：用了哪些节点/Agent？为什么这样设计？
4. 效果对比（2分钟）：自动化前后的效率对比（时间、准确率、体验）
5. 踩坑分享（2分钟）：搭建过程中遇到的问题和解决方案
6. 互评（5分钟）：同学提问和改进建议

---

产出物

完成本模块后，请提交以下产出物：

1. 个人AI自动化架构图

用流程图工具（ProcessOn、draw.io、Mermaid 等）绘制你的个人自动化架构图，需包含：

• 至少5个自动化流程的设计
• 每个流程标注触发器、处理逻辑、输出
• 标注每个流程的预期时间节省量

示例 Mermaid 代码参考：

2. 至少3个可运行的自动化工作流

提交以下材料：

• 每个工作流的n8n工作流JSON导出文件
• 每个工作流的运行截图（包含所有节点的展开状态）
• 至少一次成功执行的日志截图
• 工作流说明文档（目的、设计思路、使用方式）

必选工作流（三选二）：

• ☐ 每日AI资讯摘要推送
• ☐ 问卷/表单数据自动处理
• ☐ 社交媒体内容自动发布

自选工作流（至少1个）：

• ☐ 学术论文自动追踪
• ☐ 求职信息自动监控
• ☐ 学习笔记自动整理
• ☐ 电商订单自动处理
• ☐ 数据周报自动生成

3. 一个可运行的AI Agent

提交以下材料：

• Agent的Coze/Dify分享链接或API端点
• Agent的配置截图（人设、知识库、插件、工作流）
• 至少5组问答测试截图（包含正确回答和错误回答各至少1组）
• Agent设计文档（为什么设计这个Agent？它解决了什么问题？）

4. 自动化效率报告

选择你最满意的1个自动化工作流，制作前后的效率对比：

对比维度	自动化前	自动化后	提升幅度
单次耗时
每周/月耗时
准确率
是否需要人工介入
是否遗漏/出错
体验评分（1-10）

---

提交方式

• n8n工作流导出：在n8n中右键工作流 → Download → 上传JSON文件
• 截图整理：所有截图放入飞书文档，设置"获得链接的人可查看"
• Agent链接：Coze Bot分享链接或Dify应用分享链接
• 效率报告：在同一个飞书文档中按模板填写
• 收集表链接：将在课程正式开始前通过微信群/课程群公布
• 截止时间：第10周周日 23:59

---

模块9检查清单

在进入模块10之前，请确认你完成了以下所有事项：

• [ ] 理解了自动化思维的核心三问（重复？规律？ROI？）
• [ ] 知道5个主流自动化工具的定位和选择依据
• [ ] 注册了n8n Cloud账号并完成了第一个工作流
• [ ] 独立搭建了至少2个"必选工作流"并成功运行
• [ ] 独立搭建了至少1个"自选工作流"并成功运行
• [ ] 理解了AI Agent的四要素（LLM + Tools + Memory + Planning）
• [ ] 在Coze或Dify上搭建并上线了一个AI Agent
• [ ] 理解了三种多Agent协作模式（顺序/辩论/分工）
• [ ] 绘制了个人AI自动化架构图（至少5个流程）
• [ ] 完成了自动化效率对比报告
• [ ] 向至少1位同学展示了你的工作流
• [ ] 提交了全部产出物

---

延伸阅读

n8n官方资源

• n8n官方文档 —— 最权威的n8n使用指南，包含所有节点详细说明
• n8n工作流模板库 —— 1000+社区分享的现成工作流，可直接导入使用
• n8n YouTube频道 —— 官方视频教程，从入门到高级
• n8n GitHub仓库 —— 源码、Issue讨论、Community Forum

Coze扣子资源

• Coze官方文档 —— 从创建Bot到多Agent的完整指南
• Coze Bot商店 —— 浏览其他开发者创建的Bot，获取灵感
• Coze插件市场 —— 浏览所有可用插件

Dify资源

• Dify官方文档 —— 涵盖知识库、工作流、Agent模式等
• Dify GitHub仓库 —— 开源社区，可提交Issue和PR
• Dify Discord社区 —— 开发者交流，遇到问题可以在这里提问

推荐课程

• Make Academy —— Make官方免费自动化课程
• Zapier Learn —— Zapier免费自动化学习路径
• 吴恩达《AI Agentic Design Patterns》 —— DeepLearning.AI出品，Agent设计模式的权威课程

推荐阅读

• 《The Rise of AI Agents》by a16z —— a16z对Agent趋势的深度分析
• Building Effective Agents by Anthropic —— Anthropic官方Agent设计最佳实践

---

常见问题FAQ

Q1：n8n、Make、Zapier到底选哪个？

A：对大多数大学生来说，推荐学习路径是：

1. 先学n8n（免费、开源、可以深度定制）
2. 如果觉得n8n太技术，可以试试Make（可视化更友好）
3. Zapier作为补充（如果你用很多国外SaaS工具）

实际上，这些工具的核心思想（触发器→动作→输出）完全一样，学会一个后，其他两个几分钟就能上手。

Q2：n8n的Code节点和AI Agent节点有什么区别？

A：

• Code节点：确定性逻辑，你知道输入就能推算出输出。适合数据清洗、格式转换、数学计算。
• AI Agent节点：非确定性逻辑，需要"理解"和"判断"。适合文本分析、内容生成、意图识别。

好的工作流是两者结合：Code处理"规则明确的脏活累活"，AI处理"需要思考的灵活判断"。

Q3：我的自动化工作流总是报错怎么办？

A：按以下顺序排查：

1. 检查输入数据：用n8n的"pin data"功能固定一组测试数据，逐步排查
2. 检查凭证：第三方服务Token是否过期？权限是否足够？
3. 检查数据格式：节点间的数据格式是否匹配？（JSON字段名是否一致？）
4. 检查API限制：是否触发了API的频率限制或额度上限？
5. 查看执行日志：n8n的Execution页面有详细的节点级日志

Q4：Coze和Dify怎么选？

A：

• 选Coze：你只想快速上线一个Agent，不需要私有部署，插件需求多
• 选Dify：你关心数据隐私，需要RAG知识库能力，要做复杂的工作流编排
• 两个都学（推荐）：Coze快速入门（1小时出成果），Dify深入进阶（3小时做出私有知识Agent）

Q5：AI Agent有时候会"胡编乱造"怎么办？

A：

1. 优化知识库：确保知识库的数据质量和准确度，垃圾进垃圾出
2. 降低温度：把模型Temperature调到0.1-0.3，减少随机性
3. 添加约束Prompt：明确要求"如果知识库中没有相关信息，请直接说'我不知道'"
4. 设置置信度阈值：当AI返回的置信度低于阈值时，自动转人工
5. 添加事实核查Agent：用一个独立的Agent检查另一个Agent的输出（辩论模式）

Q6：自动化会让我的账号被封吗？

A：

• 大部分SaaS工具对合理频率的API调用是支持的
• 注意不要高频爬取（每秒多次请求），保持合理间隔（至少3-5秒）
• 遵守各平台的ToS（服务条款），不要用于刷量、刷赞等违规操作
• n8n自托管不会触发封号（调用的是你自己的API key）

Q7：零编程基础能学懂这个模块吗？

A：完全可以。本模块在设计时充分考虑了非技术背景的同学：

• 大部分工作流用可视化拖拽节点完成，不需要写代码
• Code节点虽然是写JavaScript/Python，但只涉及基础的数据处理，不超过20行
• 如果实在不想碰代码，可以用Set节点 + AI节点替代大部分Code节点的功能
• Coze更是完全的零代码搭建

本课程之前的学员中，文科生约占总人数的35%，全部成功完成了模块9的学习目标。

---

← 返回第三阶段概览 | 下一模块：AI智能体深度实战 →