AI 工作流自动化实战

原创灵阙教研团队

A 推荐进阶 | 约 7 分钟阅读更新于 2026-02-27

AI 导读

AI 工作流自动化实战用 Dify 和 n8n 搭建三个实用 AI 工作流，无需写代码 Maurice | 灵阙学院前置准备 Docker Desktop 已安装基本的浏览器操作能力一个 OpenAI / Claude / 国产大模型 API Key 一、AI 工作流工具全景对比特性 Dify Coze (字节) n8n Make (Zapier) 定位 AI 应用开发平台 AI...

AI 工作流自动化实战

用 Dify 和 n8n 搭建三个实用 AI 工作流，无需写代码 Maurice | 灵阙学院

前置准备

Docker Desktop 已安装
基本的浏览器操作能力
一个 OpenAI / Claude / 国产大模型 API Key

一、AI 工作流工具全景对比

特性	Dify	Coze (字节)	n8n	Make (Zapier)
定位	AI 应用开发平台	AI Bot 平台	通用工作流引擎	通用自动化平台
开源	是（Apache 2.0）	否	是（Fair-code）	否
自建部署	Docker 一键	不支持	Docker 一键	不支持
AI 原生	深度集成	深度集成	通过节点接入	通过节点接入
RAG 内置	内置知识库	内置知识库	需外接向量库	需外接
节点数量	AI 专精	AI 专精	400+ 集成	1500+ 集成
中文支持	优秀	优秀	一般	一般
适合场景	AI 应用/RAG	聊天机器人	复杂跨系统集成	营销/CRM 自动化

选型建议：

构建 AI 对话/RAG 应用 --> Dify
连接多个 SaaS 系统 --> n8n（自建）或 Make（托管）
快速搭建聊天 Bot --> Coze

二、环境搭建

2.1 部署 Dify

git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d

等待约 2 分钟，访问 http://localhost/install 完成初始化设置。

验证服务正常：

curl -s http://localhost/api/health | python3 -m json.tool

预期输出：

{
    "status": "ok"
}

2.2 部署 n8n

docker run -d --name n8n \
  -p 5678:5678 \
  -v n8n_data:/home/node/.n8n \
  -e GENERIC_TIMEZONE=Asia/Shanghai \
  n8nio/n8n

访问 http://localhost:5678，创建管理员账号。

2.3 配置 API Key

在 Dify 中：设置 --> 模型供应商 --> 添加 OpenAI/Anthropic Key。

在 n8n 中：Credentials --> Add Credential --> 选择 OpenAI 或 HTTP Header Auth。

三、工作流一：自动摘要邮件（n8n）

目标：定时读取邮箱中的未读邮件，用 AI 生成摘要，发送到飞书/钉钉/Slack。

3.1 创建工作流

在 n8n 中点击 New Workflow，然后按以下步骤添加节点：

节点 1：Schedule Trigger（定时触发）

设置：每 30 分钟执行一次
参数：Rule --> Every 30 minutes

节点 2：IMAP Email（读取邮件）

Credential：配置你的邮箱 IMAP 信息
参数：
- Mailbox: INBOX
- Mark as Read: true
- Download Attachments: false

节点 3：OpenAI Chat（AI 摘要）

Credential：你的 OpenAI Key
Model：gpt-4o-mini
System Prompt：

你是一个邮件摘要助手。针对每封邮件输出：
1. 发件人
2. 主题
3. 一句话摘要（不超过 50 字）
4. 优先级（高/中/低）
5. 需要回复：是/否

User Message：{{ $json.textPlain }}

节点 4：HTTP Request（发送到飞书 Webhook）

Method：POST
URL：你的飞书机器人 Webhook 地址
Body：

{
  "msg_type": "text",
  "content": {
    "text": "{{ $json.message.content }}"
  }
}

3.2 测试运行

点击 Execute Workflow 按钮，检查每个节点的输出。

预期效果：飞书群中收到类似消息：

邮件摘要：
1. 发件人：wang@company.com
   主题：Q3 季度报告评审
   摘要：请在本周五前完成 Q3 报告的评审并反馈意见
   优先级：高
   需要回复：是

四、工作流二：文档问答机器人（Dify）

目标：上传企业文档，构建知识库，实现精准问答。

4.1 创建知识库

登录 Dify，进入"知识库"页面
点击"创建知识库"
命名为"企业制度手册"
上传文档（支持 PDF/DOCX/TXT/Markdown）

配置分段策略：

分段方式：自动
分段长度：500 tokens
重叠长度：50 tokens
索引方式：高质量（使用 Embedding 模型）

4.2 创建 AI 应用

进入"工作室" --> "创建应用"
选择"聊天助手"
配置如下：

模型设置：

模型：gpt-4o-mini（或 Claude Sonnet）
Temperature：0.3（问答场景建议低温度）

提示词：

你是企业制度手册的问答助手。
规则：
1. 仅根据知识库中的内容回答，不要编造
2. 如果知识库中没有相关信息，直接说"抱歉，手册中没有相关内容"
3. 回答时引用出处（文档名 + 页码）
4. 回答简洁，控制在 200 字以内

知识库关联：

添加刚创建的"企业制度手册"
检索模式：混合检索（关键词 + 语义）
Top K：3
Score Threshold：0.5

4.3 测试问答

在右侧预览面板输入测试问题：

年假有多少天？

预期输出：

根据《员工休假制度》第三章：
- 工龄 1-10 年：5 天/年
- 工龄 10-20 年：10 天/年
- 工龄 20 年以上：15 天/年

年假可分次使用，但不可跨年累计。

出处：员工休假制度.pdf 第 12 页

4.4 发布为 API

点击"发布" --> "访问 API"，获取 API 端点和密钥。

curl -X POST 'http://localhost/v1/chat-messages' \
  -H 'Authorization: Bearer app-your-key' \
  -H 'Content-Type: application/json' \
  -d '{
    "inputs": {},
    "query": "出差报销流程是什么？",
    "response_mode": "blocking",
    "user": "test-user"
  }'

五、工作流三：社交媒体内容生成流水线（Dify Workflow）

目标：输入一个主题，自动生成小红书文案 + 推文 + LinkedIn 帖子。

5.1 创建 Workflow 应用

进入"工作室" --> "创建应用" --> 选择"工作流"
命名为"内容生成流水线"

5.2 编排节点

整体流程如下：

开始 --> 主题研究(LLM) --> 并行生成 --> 合并输出 --> 结束
                           |-- 小红书文案(LLM)
                           |-- Twitter 推文(LLM)
                           |-- LinkedIn 帖子(LLM)

节点 1：开始

输入变量：topic（字符串，用户输入的主题）

节点 2：主题研究（LLM 节点）

模型：gpt-4o-mini
提示词：

针对主题「{{topic}}」，输出：
1. 目标受众画像（一句话）
2. 3 个核心卖点
3. 情感基调（专业/轻松/激励）
4. 5 个相关关键词
用 JSON 格式输出。

节点 3a：小红书文案（LLM 节点）

模型：gpt-4o-mini
提示词：

你是小红书爆款文案专家。基于以下研究结果生成一篇小红书帖子：
{{research_output}}

要求：
- 标题带数字和情绪词（如"绝了""必看"）
- 正文 300-500 字，分段清晰
- 文末加 5-8 个话题标签
- 口语化、真实感、有个人体验

节点 3b：Twitter 推文（LLM 节点）

提示词：

基于以下研究结果生成 3 条 Twitter/X 推文（每条不超过 280 字符）：
{{research_output}}
要求：简洁有力，包含 1-2 个 hashtag，适合转发。

节点 3c：LinkedIn 帖子（LLM 节点）

提示词：

基于以下研究结果生成一篇 LinkedIn 帖子：
{{research_output}}
要求：专业但不枯燥，有洞察，800 字以内，适合 B2B 受众。

节点 4：合并输出（Template 节点）

===== 小红书文案 =====
{{xiaohongshu_output}}

===== Twitter 推文 =====
{{twitter_output}}

===== LinkedIn 帖子 =====
{{linkedin_output}}

5.3 运行测试

输入主题：AI 编程助手对开发者效率的影响

预期输出包含三个平台的完整内容，各自风格迥异但主题统一。

5.4 通过 API 集成到业务系统

import requests

API_URL = "http://localhost/v1/workflows/run"
API_KEY = "app-your-workflow-key"

response = requests.post(
    API_URL,
    headers={
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json"
    },
    json={
        "inputs": {"topic": "2026年 AI Agent 发展趋势"},
        "response_mode": "blocking",
        "user": "content-team"
    }
)

result = response.json()
print(result["data"]["outputs"]["text"])

六、生产化建议

6.1 监控与告警

Dify 内置了日志和统计面板，可在"监测"页面查看调用量、延迟、Token 消耗
n8n 支持将执行日志发送到外部系统（Slack/邮件/数据库）

6.2 成本控制

成本公式 = 调用次数 x 平均 Token 数 x 单价

实际案例（邮件摘要工作流，每天 50 封邮件）：
- 输入：平均 500 tokens/封
- 输出：平均 200 tokens/封
- 模型：gpt-4o-mini（$0.15/1M input, $0.60/1M output）
- 日成本：50 x (500 x 0.00000015 + 200 x 0.0000006) = $0.01
- 月成本：约 $0.30

6.3 容错设计

在 n8n 中为每个 AI 节点添加 Error Handler，失败时发送告警
在 Dify Workflow 中使用条件分支节点处理异常情况
API 调用添加重试逻辑（最多 3 次，指数退避）

常见问题

Q1: Dify Docker 启动失败？ 检查 Docker 内存分配是否 >= 4GB。运行 docker compose logs 查看具体报错。常见原因是端口 80 被占用，修改 .env 中的 EXPOSE_NGINX_PORT。

Q2: n8n 中 OpenAI 节点超时？ 在节点设置中增加 Timeout 值（默认 60s，建议设为 120s）。也可以在 Credentials 中配置代理。

Q3: 知识库检索结果不准确？ 调整分段长度（过长会引入噪音，过短会丢失上下文），通常 300-800 tokens 为佳。同时检查 Embedding 模型是否支持中文。

Q4: 如何在工作流中使用国产模型？ Dify 原生支持通义千问、文心一言、智谱等国产模型。n8n 可以通过 HTTP Request 节点调用任意兼容 OpenAI 格式的 API。

Q5: 工作流执行很慢？ 检查是否有串行瓶颈。利用并行节点（Dify Workflow 支持并行分支，n8n 支持 Split In Batches）将独立任务并行执行。

Maurice | maurice_wen@proton.me