用 AI Agent 自動化重複性工作 — n8n 實戰

前言

每個工程師都有一些「每天都在做但其實可以自動化」的事情。收到客戶信件要轉到 Slack、每週要整理報表、PR 合併後要更新文件……這些事情一件一件做不累，但加起來每週可能吃掉你好幾個小時。

n8n 是一個開源的工作流自動化平台，有點像 Zapier 但可以自己架、不用付訂閱費。更重要的是，它最近加入了 AI 節點，讓你可以在自動化流程中串接 LLM，做一些以前「只有人能做」的判斷和處理。

這篇文章分享我用 n8n 建立的幾個實用自動化案例，從安裝到實際的 workflow 設計。

安裝部署

Docker Compose 部署（推薦）

# docker-compose.yml
services:
  n8n:
    image: n8nio/n8n
    container_name: n8n
    restart: always
    ports:
      - "5678:5678"
    environment:
      - N8N_BASIC_AUTH_ACTIVE=true
      - N8N_BASIC_AUTH_USER=admin
      - N8N_BASIC_AUTH_PASSWORD=your-secure-password
      - N8N_HOST=localhost
      - N8N_PORT=5678
      - N8N_PROTOCOL=http
      - GENERIC_TIMEZONE=Asia/Taipei
      - TZ=Asia/Taipei
      # 啟用社群節點（可選）
      - N8N_COMMUNITY_PACKAGES_ALLOW_TOOL_USAGE=true
    volumes:
      - n8n_data:/home/node/.n8n
    # 如果要跟本地的 Ollama 通訊
    extra_hosts:
      - "host.docker.internal:host-gateway"

# 搭配 PostgreSQL 做持久化（正式環境建議）
  postgres:
    image: postgres:16-alpine
    container_name: n8n-db
    restart: always
    environment:
      - POSTGRES_DB=n8n
      - POSTGRES_USER=n8n
      - POSTGRES_PASSWORD=n8n-password
    volumes:
      - postgres_data:/var/lib/postgresql/data

volumes:
  n8n_data:
  postgres_data:

# 啟動
docker compose up -d

# 打開瀏覽器
open http://localhost:5678

# 查看日誌
docker compose logs -f n8n

搭配 Ollama 的完整部署

# docker-compose.yml（n8n + Ollama 一起部署）
services:
  n8n:
    image: n8nio/n8n
    container_name: n8n
    restart: always
    ports:
      - "5678:5678"
    environment:
      - N8N_BASIC_AUTH_ACTIVE=true
      - N8N_BASIC_AUTH_USER=admin
      - N8N_BASIC_AUTH_PASSWORD=your-secure-password
      - GENERIC_TIMEZONE=Asia/Taipei
    volumes:
      - n8n_data:/home/node/.n8n
    depends_on:
      - ollama

ollama:
    image: ollama/ollama
    container_name: ollama
    restart: always
    ports:
      - "11434:11434"
    volumes:
      - ollama_data:/root/.ollama

volumes:
  n8n_data:
  ollama_data:

Workflow 設計基礎

n8n 核心概念

Trigger (觸發) → Node (處理) → Node (處理) → ... → Output (輸出)

常用 Trigger:

Webhook: 接收 HTTP 請求
Schedule: 定時執行（cron）
Email Trigger: 收到郵件時
Telegram Trigger: 收到訊息時


常用 Node:

HTTP Request: 呼叫外部 API
Code: 執行 JavaScript/Python
IF: 條件分支
Switch: 多路分支
AI Agent: LLM 處理
Set: 設定/轉換資料

第一個 Workflow：定時健康檢查

{
  "name": "Service Health Check",
  "nodes": [
    {
      "name": "Schedule Trigger",
      "type": "n8n-nodes-base.scheduleTrigger",
      "parameters": {
        "rule": {
          "interval": [{ "field": "minutes", "minutesInterval": 5 }]
        }
      }
    },
    {
      "name": "Check Services",
      "type": "n8n-nodes-base.httpRequest",
      "parameters": {
        "url": "http://your-api.com/health",
        "method": "GET",
        "options": {
          "timeout": 5000
        }
      }
    },
    {
      "name": "Check Status",
      "type": "n8n-nodes-base.if",
      "parameters": {
        "conditions": {
          "number": [{
            "value1": "={{ $json.statusCode }}",
            "operation": "notEqual",
            "value2": 200
          }]
        }
      }
    },
    {
      "name": "Send Alert",
      "type": "n8n-nodes-base.slack",
      "parameters": {
        "channel": "#alerts",
        "text": "Service is DOWN! Status: {{ $json.statusCode }}"
      }
    }
  ]
}

實戰案例

案例 1：AI 郵件分類與回覆

這是我最常用的 workflow。收到客戶郵件後，AI 自動分類並草擬回覆。

// n8n Code Node：郵件分類邏輯
// 這個 Code 節點在收到郵件後執行

const email = $input.first().json;

// 呼叫 Ollama 做郵件分類
const response = await fetch('http://ollama:11434/api/generate', {
  method: 'POST',
  headers: { 'Content-Type': 'application/json' },
  body: JSON.stringify({
    model: 'llama3.1',
    prompt: 分類以下郵件。只回覆一個分類標籤。


可能的分類：

bug_report（Bug 回報）
feature_request（功能需求）
general_inquiry（一般詢問）
urgent（緊急問題）


郵件主旨：${email.subject}
郵件內容：${email.text}

分類：,
    stream: false,
    options: { temperature: 0.1 }
  })
});

const result = await response.json();
const category = result.response.trim().toLowerCase();

return [{
  json: {
    ...email,
    ai_category: category,
    processed_at: new Date().toISOString()
  }
}];

// n8n Code Node：AI 草擬回覆

const email = $input.first().json;

const response = await fetch('http://ollama:11434/api/generate', {
  method: 'POST',
  headers: { 'Content-Type': 'application/json' },
  body: JSON.stringify({
    model: 'llama3.1',
    prompt: 你是一位客服工程師。請根據以下客戶郵件草擬一份專業友善的回覆。
用繁體中文回覆。


分類：${email.ai_category}
客戶主旨：${email.subject}
客戶內容：${email.text}

回覆草稿：,
    stream: false,
    options: { temperature: 0.5, num_predict: 500 }
  })
});

const result = await response.json();

return [{
  json: {
    original_email: email,
    draft_reply: result.response,
    needs_review: email.ai_category === 'urgent'
  }
}];

案例 2：PR 合併後自動更新 Changelog

// Webhook Trigger 接收 GitHub webhook (pull_request event)

const payload = $input.first().json;

// 只處理 merged 的 PR
if (payload.action !== 'closed' || !payload.pull_request.merged) {
  return [];
}

const pr = payload.pull_request;

// 用 AI 生成 changelog 條目
const response = await fetch('http://ollama:11434/api/generate', {
  method: 'POST',
  headers: { 'Content-Type': 'application/json' },
  body: JSON.stringify({
    model: 'llama3.1',
    prompt: 根據以下 Pull Request 資訊，生成一條簡潔的 changelog 條目。
格式：- [類型] 描述 (#PR號)
類型可以是：feat, fix, docs, refactor, test, chore


PR 標題：${pr.title}
PR 描述：${pr.body}
PR 號碼：#${pr.number}
變更的檔案：${pr.changed_files} 個

Changelog 條目：,
    stream: false,
    options: { temperature: 0.2 }
  })
});

const changelogEntry = (await response.json()).response.trim();

return [{
  json: {
    pr_number: pr.number,
    pr_title: pr.title,
    changelog_entry: changelogEntry,
    merged_at: pr.merged_at,
    author: pr.user.login
  }
}];

案例 3：每日技術新聞摘要

// Schedule Trigger: 每天早上 8:00

// Step 1: 抓取 Hacker News 前 10 則
const hnResponse = await fetch(
  'https://hacker-news.firebaseio.com/v0/topstories.json'
);
const topIds = (await hnResponse.json()).slice(0, 10);

const stories = [];
for (const id of topIds) {
  const storyRes = await fetch(
    https://hacker-news.firebaseio.com/v0/item/${id}.json
  );
  const story = await storyRes.json();
  stories.push({
    title: story.title,
    url: story.url || https://news.ycombinator.com/item?id=${id},
    score: story.score,
    comments: story.descendants || 0
  });
}

// Step 2: 用 AI 生成中文摘要
const storyList = stories
  .map((s, i) => ${i + 1}. ${s.title} (${s.score} points))
  .join('\n');

const summaryRes = await fetch('http://ollama:11434/api/generate', {
  method: 'POST',
  headers: { 'Content-Type': 'application/json' },
  body: JSON.stringify({
    model: 'llama3.1',
    prompt: 以下是今天 Hacker News 的熱門文章。
請用繁體中文為每一則寫一句話的摘要，並標注跟後端工程相關的文章。


${storyList}

摘要：,
    stream: false,
    options: { temperature: 0.3, num_predict: 1000 }
  })
});

const summary = (await summaryRes.json()).response;

// Step 3: 組裝 Slack 訊息
const slackMessage = <em>:newspaper: 今日技術新聞摘要</em>\n\n${summary}\n\n +
  stories.map(s => • &lt;${s.url}|${s.title}&gt; (${s.score} pts)).join('\n');

return [{
  json: {
    message: slackMessage,
    story_count: stories.length,
    generated_at: new Date().toISOString()
  }
}];

案例 4：文件變更通知

// Webhook: 接收 Git push event

const payload = $input.first().json;
const commits = payload.commits || [];

// 找出改了文件的 commit
const docChanges = commits.filter(commit => {
  const allFiles = [
    ...(commit.added || []),
    ...(commit.modified || []),
  ];
  return allFiles.some(f =>
    f.endsWith('.md') || f.includes('docs/') || f.includes('README')
  );
});

if (docChanges.length === 0) {
  return [];  // 沒有文件變更，不通知
}

// 整理變更清單
const changes = docChanges.map(commit => ({
  message: commit.message,
  author: commit.author.name,
  files: [...(commit.added || []), ...(commit.modified || [])]
    .filter(f => f.endsWith('.md') || f.includes('docs/')),
  timestamp: commit.timestamp
}));

return [{
  json: {
    changes,
    repo: payload.repository.full_name,
    branch: payload.ref.replace('refs/heads/', ''),
    notification_text: 文件更新：${changes.length} 個 commit 修改了文件
  }
}];

進階技巧

錯誤處理

// 在 Code 節點中做完善的錯誤處理

try {
  const response = await fetch('http://ollama:11434/api/generate', {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify({
      model: 'llama3.1',
      prompt: $input.first().json.prompt,
      stream: false,
    }),
    signal: AbortSignal.timeout(30000), // 30 秒超時
  });

if (!response.ok) {
    throw new Error(Ollama API 回傳 ${response.status});
  }

const result = await response.json();
  return [{ json: { success: true, response: result.response } }];

} catch (error) {
  // 記錄錯誤但不中斷 workflow
  console.error('AI 處理失敗:', error.message);
  return [{
    json: {
      success: false,
      error: error.message,
      fallback: '（AI 處理失敗，需要人工處理）'
    }
  }];
}

環境變數管理

# .env 檔案
N8N_BASIC_AUTH_USER=admin
N8N_BASIC_AUTH_PASSWORD=change-me
OLLAMA_BASE_URL=http://ollama:11434
SLACK_WEBHOOK_URL=https://hooks.slack.com/services/xxx/yyy/zzz
GITHUB_TOKEN=ghp_xxxxxxxxxxxxx

# docker-compose.yml 中引用
services:
  n8n:
    env_file:
      - .env
    environment:
      - N8N_BASIC_AUTH_USER=${N8N_BASIC_AUTH_USER}
      - N8N_BASIC_AUTH_PASSWORD=${N8N_BASIC_AUTH_PASSWORD}

效能與安全注意事項

1. API 限流：呼叫外部 API 時要注意 rate limit，在 n8n 中可以用 Wait 節點做間隔

1. 資料保留：n8n 預設會保留所有執行紀錄，時間久了硬碟會爆。設定 EXECUTIONS_DATA_MAX_AGE=168（小時）自動清理

1. Webhook 安全：對外的 webhook 要加驗證。GitHub webhook 可以用 secret token 驗證簽章

1. LLM 回應不穩定：AI 的輸出不是 100% 可預測的。重要的自動化流程，AI 的輸出最好只做「建議」，不要直接當「決策」

小結

n8n + AI 是一個很強大的組合。n8n 負責「什麼時候做」和「怎麼串」，AI 負責「理解」和「判斷」。以前很多需要人工介入的自動化流程，現在都可以用 AI 節點來填補那個「需要思考」的缺口。

我的建議是：

1. 先從簡單的非 AI 自動化開始，熟悉 n8n 的 workflow 概念
2. 加入 AI 節點處理「需要判斷」的步驟，比如分類、摘要、草擬回覆
3. 永遠保留人工 review 的環節，至少在初期不要讓 AI 全自動執行關鍵操作
4. 監控和記錄，建立 dashboard 追蹤自動化的執行狀況

延伸閱讀：

• n8n 官方文件：https://docs.n8n.io
• n8n 社群 workflow 範本庫
• Zapier vs n8n 比較
• Make (Integromat) — 另一個自動化平台