n8n诀窍：开源自动化工作流平台——Zapier/Make 的 AI 时代开源替代。
作为开源自动化工作流的扛把子，n8n 比 Zapier 更灵活、比 Make 更可控，尤其在 AI 节点加持下，能玩出很多骚操作。但很多人只拿它做简单的“A触发→B执行”，浪费了它的真正实力。下面这5个技巧，是我在真实项目中反复打磨出来的硬核经验。
很多新手做复杂流程时，喜欢把所有节点堆在一个工作流里，结果画布乱成蜘蛛网，改一个地方要排查半天。
正确做法：把高频复用的逻辑（比如数据清洗、格式转换、API鉴权）单独做成子工作流（Sub Workflow），然后在主流程中用“Execute Workflow”节点调用。子工作流可以接收输入参数、返回输出数据，完全像函数一样调用。
实战场景：我每天要处理几十条来自不同来源的客户线索，每条都要做“去重→标准化地址→打标签”。我把这三步封装成一个子工作流，主流程里只需要传一个JSON对象进去，拿回处理结果。改动逻辑时只改子工作流，所有引用它的主流程自动生效。
n8n 的节点虽然多，但不同节点之间的数据类型常常不兼容。比如 Webhook 节点收到的 JSON 嵌套很深，而 HTTP Request 节点要求特定格式。很多人在这卡住，要么加一堆中间节点，要么放弃。
解法：在任意两个节点之间插入一个“Code”节点，用 JavaScript 或 Python 直接操作数据。Code 节点可以访问 $input.first().json 拿到上游数据，用 return 返回新格式。它就像一个“数据管道”，想怎么揉捏都行。
实战场景：我从飞书多维表格拉到的数据，时间字段是时间戳，而后续的 AI 节点需要“YYYY-MM-DD”字符串。一个 Code 节点，5行 JS 搞定，比折腾“Set”节点快10倍。
很多免费 API（比如 OpenAI、百度翻译）都有每分钟请求次数限制。直接串行跑大量任务，分分钟被 429 报错拍死。
骚操作：在循环或批量处理的流程中，插入一个“Wait”节点，设置“Wait for a specific amount of time”（比如 1 秒）。n8n 会老老实实等够时间再发下一个请求。更高级的用法：配合“IF”节点判断返回状态码，如果遇到 429 就自动增加等待时间重试。
实战场景：我用 n8n 批量翻译 500 条商品描述，每条调用百度翻译 API（免费版 QPS=1）。不加等待的话，第 20 条就开始报错。加了 1.2 秒等待，稳稳跑完，全程无报错。
n8n 的 AI 节点（比如 OpenAI、Claude）不只是用来生成文本，还能做“路由决策”。配合“Workflow Tool”节点，你可以让 AI 根据输入内容，动态决定调用哪个子工作流。
原理：AI 节点输出结构化指令（比如 {"action": "send_email", "params": {...}}），然后用“Switch”节点解析这个指令，跳转到对应的分支。这样你的工作流就有了“智能判断”能力。
实战场景：我搭建了一个“客户咨询自动处理”工作流。用户发来消息，先让 AI 判断意图：是“退换货”就走售后子流程，是“价格咨询”就走报价子流程，是“闲聊”就自动回复。整个过程不需要人工介入，准确率 90% 以上。
n8n 默认的工作流一旦某个节点报错，整个流程就卡死了，数据直接丢失。这在生产环境中是致命的。
保命技巧：给每个关键工作流配置“Error Workflow”。在工作流设置里，把“Error Workflow”指向一个专门处理错误的工作流。这个错误工作流可以：把失败的数据写入数据库、发告警到钉钉/企业微信、或者把原始数据存到 Google Sheets 等人肉处理。
实战场景：我的数据同步工作流偶尔会因为目标系统临时维护而失败。以前要人工盯着看日志，现在错误工作流自动把失败的数据写入一个“待重试”表，并且每 10 分钟自动重试一次，直到成功。这半年没丢过一条数据。
