AI 自動化專家 Nate Herk 在最新的深度實測影片中，揭開了 n8n AI 工作流產生器（AI Workflow Builder）的真實面貌。這項功能號稱能將你的想法用 AI 直接轉換為可執行的自動化工作流，聽起來像是革命性的工具，但它究竟是能讓你事半功倍的神器，還是會讓你陷入無盡除錯地獄的陷阱？Nate Herk 透過一系列的實戰案例，展示了如何真正駕馭這項工具，而不是被它牽著鼻子走。

Nate 的第一個測試是一個日常任務：建立一個每天早上自動運行的工作流，它會使用 Tavily 研究食品行業趨勢，用 Perplexity 尋找新食譜，並發送一則勵志名言到他的電子郵件。

他輸入的指令非常清晰： 「我需要一個每天早上運行的工作流。它將使用 Tavily 研究食品行業的趨勢，用 Perplexity 幫我找一個新食譜，並發送一則勵志名言，所有這些都發送到我的電子郵件。」

幾秒鐘內，AI Builder 就生成了一個看起來非常專業的工作流，包含了排程觸發器、Tavily 節點、Perplexity 節點，以及郵件發送節點。然而，當 Nate 執行後，收到的郵件卻遺漏了最關鍵的「食品行業趨勢」。

問題出在哪？經過追查，Nate 發現 AI 在設定 Tavily 節點時，並未開啟一個關鍵的選項：「包含答案（Include an answer）」。這導致雖然 Tavily 成功搜尋到資料，但其摘要性的「答案」變數並未產生，使得後續的郵件內容無法抓取到這項數據。

Nate 指出：「這是一個很好的例子，AI 理解了我們的請求，並為我們搭建了一個很棒的骨架。但 n8n 主要了解其核心節點，當你開始使用像 Tavily 或 Perplexity 這樣的第三方 API 時，它可能無法準確預測輸出變數的結構。」

這個案例揭示了第一個殘酷真相：AI 可以快速搭建框架，但對第三方工具的細節設定一無所知。你仍然需要親自理解每個節點的數據流動與配置，才能真正讓工作流完美運行。

AI 幫你除錯？一個成功修復卻也暴露弱點的案例

第二個測試是建立一個「銷售簡報產生器」。當潛在客戶透過表單提交他們的公司資訊和需求後，工作流會自動用 Perplexity 研究該公司、分析其痛點，並生成一份單頁簡報。

AI Builder 這次生成了一個包含表單觸發器和 AI 代理（AI Agent）的複雜工作流。然而，首次執行後，AI 代理的回應卻是：「為了有效協助您，請提供更多關於公司或行業的詳細資訊。」這表示它根本沒有讀取到表單提交的數據。

這次，Nate 利用了 AI Builder 的除錯功能。他將錯誤訊息反饋給 AI，AI 迅速診斷出問題所在：「我看到問題了。表單欄位名稱包含空格和特殊字元，但表達式試圖用底線來存取它們，導致 AI 未能接收到這些值。」

AI 隨後自動修正了這個錯誤，工作流終於成功運行，並產出了一份針對 Chipotle 的詳細銷售簡報。

這個案例展示了 AI Builder 的優點——它具備一定的自我修復和除錯能力。但同時也暴露了其弱點：即使是處理 n8n 原生的表單節點，它在一開始也可能犯下變數對應錯誤這種基本失誤。這再次證明，AI 仍非萬能，人的監督與介入至關重要。

垃圾進，垃圾出：當模糊指令遇上 AI 的下場

為了測試 AI 的極限，Nate 採用了 n8n 內建的一個範本指令：「為我建立一個多代理 AI 工作流，讓不同的 AI 代理協作研究一個主題、進行事實查核，並編寫綜合報告。」

這是一個極度模糊的指令，它沒有定義： - 該使用哪些 AI 代理？ - 研究資料的來源是什麼？ - 觸發條件是什麼？ - 報告的格式與最終去向為何？

結果可想而知。AI 生成了一個極其複雜、包含「協調者代理（Orchestrator Agent）」和多個子代理的混亂結構，執行後立刻報錯。即使在 AI 嘗試自我修復後，依然屢次失敗。

Nate 總結道：「這個案例完美詮釋了『垃圾進，垃圾出』的原則。如果你無法清晰地向 AI 溝通你的流程，你又怎能期望它為你建立出可行的東西？」

從失敗到成功：精準指令如何化腐朽為神奇

吸取了前次教訓，Nate 決定用一個極其精準的指令來重新挑戰類似的任務，目標是建立一個「個人化每日 AI 新聞通訊」。

他的指令包含了所有關鍵要素： - 觸發器： 每天早上 6 點運行。 - 資料來源： 只使用 Tavily 進行研究，且必須是深度搜尋並包含答案。 - 資料處理： 將所有研究結果餵給一個 AI 代理，該代理必須使用 Anthropic 的 Claude 3.5 Sonnet 模型。 - 資料輸出： 生成一份 HTML 格式的精美新聞通訊。

這次，AI 生成的工作流清晰得多。雖然初版在合併多個研究結果時採用了平行的分支結構，導致數據合併失敗，但 Nate 再次指導 AI：「不要用分支，將它們改為一個接一個的線性順序執行。」

AI 聽從指令修改後，工作流終於完美運行！最終產出了一份結構完整、內容豐富的 HTML 新聞通訊，涵蓋了語音 AI、工作流建構和內容創作者等多個領域的趨勢。

這個成功的案例證明：AI 的能力上限，取決於你指令的精準度。當你為它設定了清晰的邊界和路徑（特別是線性流程），它就能發揮出驚人的效率與品質。

結論：AI 是你的副駕，不是自動駕駛

經過一系列實測，Nate Herk 為如何有效使用 n8n AI Builder 提供了三個核心心法：

1. 指令要極度詳細： 在提出需求時，盡可能具體地描述觸發器、資料來源、處理方式和最終目標。你給的資訊越多，AI 犯錯的機率就越低。

2. 別期待一次成功： 把 AI 當作你的「思考夥伴」和「除錯助手」，而不是一個能一鍵搞定的魔法師。準備好與它來回溝通、修正，共同完成工作流。

3. 線性工作流是王道： 盡可能將你的流程設計成簡單的線性結構（A→B→C）。這種流程更容易建立、更可預測、更容易除錯，最終產出的品質也更高。

AI 工作流產生器無疑是一個強大的工具，它能為初學者降低門檻，為專家節省大量搭建基礎框架的時間。但它絕不是學習自動化基礎知識的替代品。理解數據如何在節點之間流動、變數如何傳遞，依然是駕馭自動化的不二法門。AI 是你的強力副駕，但方向盤，始終掌握在你手中。

參考資料： https://www.youtube.com/watch?v=a5sJNwfZ528