大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



 
市面上大多教程，只讲了“是什么”；而我的专栏，致力于让大家明白“为什么”和“怎么改”。关注我（@跟着小勺子学AI自动化），一起揭开海外工作流的神秘面纱，构建你本土化、可落地的自动化解决方案。
 

注：该专栏讲解均通过我搭建的N8N自动化skills生成，全文由大模型拆解，可能存在疏漏和错误之处，敬请谅解

本工作流是一个 AI 驱动的多意图客户支持聊天机器人，基于 n8n LangChain 节点构建。系统通过 Webhook 接收用户消息，经 LangChain Agent 进行意图识别后，自动路由到对应的处理模块。无论是查询订单状态、寻求产品推荐，还是提交售后工单，均可在一个工作流中完成闭环。

该工作流的技术架构可划分为四个层级：触发层负责接收外部请求，分类层进行意图判断与路由，处理层分别执行订单查询、产品推荐和工单处理逻辑，集成层则完成数据库操作和邮件通知功能。

技术难度评估：

• 难度等级：⭐⭐⭐☆☆（3 星）
• 配置耗时：约 45 至 60 分钟
• 适用人群：具备 n8n 中级使用经验的用户

核心价值主张： 该工作流彻底解决了人工客服无法 7×24 小时即时响应、无法同时处理多类业务请求的行业级痛点，实现了客服自动化和智能化。

---

GPT plus 代充 只需 145 

输入格式：{ "session_id": "xxx", "message": "用户问题" } 

    ↓ 

意图分类输出：{ "intent": "order_status", "product": "keyboard" } 

    ↓ 

分支路由 → 订单/推荐/工单/通用 

    ↓ 

最终输出：JSON响应 + 数据库操作 + 邮件通知（工单场景） 

---

1. Webhook（触发器）

技术实现： 作为 RESTful 入口，接收 POST 请求。请求体需包含 session_id 和 message 两个字段。session_id 用于会话隔离，message 则是用户的实际查询内容。

关键配置参数：

配置建议： 测试时需确保使用 POST 方法而非 GET，否则会触发 404 错误。

---

2. AI Agent（意图分类）

技术实现： 使用 GPT-4o-mini 作为底层 LLM，通过精心设计的 System Prompt 定义分类规则。Agent 接收用户消息后，输出严格 JSON 格式的分类结果。

分类逻辑：

{ "intent": "order_status", "product": "keyboard" } 

{ "intent": "support_ticket", "product": "mouse" } 

{ "intent": "product_recommendation", "product": "gaming chair" } 

{ "intent": "general", "product": "感谢语/闲聊" } 

关键配置参数：

配置建议： System Prompt 中的示例质量直接影响分类准确率，建议覆盖尽可能多的边缘场景。

---

3. Code（JSON 解析）

技术实现： 将 AI Agent 输出的字符串解析为 JSON 对象，提取 intent 和 product 字段供后续 Switch 节点使用。

代码逻辑：

GPT plus 代充 只需 145 

response = JSON.parse($input.first().json.output) 

return {"category": response} 

配置建议： 务必处理 JSON 解析异常，避免因 AI 输出格式偏差导致工作流中断。

---

4. Switch（路由分发）

技术实现： 基于 category.intent 字段进行四路分支判断，将请求路由到不同的处理分支。

分支映射：

配置建议： 字符串匹配大小写敏感，建议在分类阶段统一转换为小写。

---

5. Order Queries（订单查询 Agent）

技术实现： 专门处理订单相关查询。Agent 首先提取 order_id 或 product 信息，然后调用 getOrderStatus 工具查询 Supabase 数据库，最后将查询结果转换为自然语言回复用户。

工具集成：

典型流程：

用户："我的键盘什么时候到？" 

→ 提取：product = "keyboard" 

→ 调用：getOrderStatus(product = "keyboard") 

→ 返回："您的订单已于今天上午发货，预计明天送达。" 

配置建议： 若用户未提供 order_id，应引导其提供订单编号或购买时使用的邮箱。

---

6. Recommendations（产品推荐 Agent）

技术实现： 判断用户需求类型，智能选择推荐策略。若用户提及具体产品名，调用 getProductRecommendations；若提及品类概念，调用 getCategoryRecommendations。

工具集成：

典型流程：

GPT plus 代充 只需 145 

用户："推荐一款无线鼠标" 

→ 提取：product = "无线鼠标" 

→ 调用：getProductRecommendations(product = "无线鼠标") 

→ 返回：推荐列表 + 产品特点介绍 

---

7. AI Agent1（工单处理 Agent）

技术实现： 支持两种业务场景——创建新工单和查询工单状态。创建工单时需要完整收集 user_email、product、issue 信息，生成唯一 ticket_id 后写入数据库并发送通知邮件。

工具集成：

工单创建流程：

用户："我的显示器有问题" 

→ 询问邮箱 → "请提供您的邮箱地址" 

→ 用户："" 

→ 收集完成 → 调用Code Tool生成TKT--8471 

→ 调用createSupportTicket写入数据库 

→ 调用Send发送邮件通知 

→ 返回："工单已创建，ID: TKT--8471" 

关键约束： Agent 输出不得包含、/等特殊字符，以免导致 JSON 解析失败。

---

8. Simple Memory（记忆管理）

节点 ：

• 主分支
• 订单分支）
• 工单分支

技术实现： 使用 Buffer Window Memory 机制，保留最近 7 轮对话上下文。sessionKey 动态绑定到用户 session_id，实现多用户会话隔离。

配置参数：

配置建议： 生产环境务必使用动态 sessionKey，避免不同用户的对话历史混淆。

---

---

5.1 前置依赖清单

1. OpenAI API Key：用于所有 LangChain Agent 的 LLM 调用
2. Supabase 项目：创建 orders、support_tickets、products 三张表
3. Gmail 账号：开启 IMAP/SMTP 用于发送工单通知邮件
4. n8n 实例：Cloud 版或自托管版（推荐自托管以便自定义配置）

5.2 数据库表结构设计

orders 表（订单）：

support_tickets 表（工单）：

products 表（产品）：

5.3 配置要点与避坑指南

5.4 调试策略

分段测试法：

1. 单独测试 Webhook 触发，验证输入数据格式
2. 测试 AI Agent 分类，验证输出 JSON 结构
3. 分支测试：向 Switch 的 4 个输出口分别发送测试数据
4. 工具测试：单独调用 Supabase 工具验证数据库连接

日志查看： 通过 n8n 执行日志中的 AI Tool 调用记录，可以清晰看到每个工具的输入输出，便于定位问题。

---

6.1 行业定制化建议

6.2 生产环境**实践

稳定性保障：

• 增加 Error Trigger 节点，捕获任意节点的异常错误
• 为 Supabase 操作添加 IF_ERROR 条件分支，防止单点故障导致工作流中断
• 使用加密变量存储 API Key 和数据库凭证

性能优化：

• 意图分类 Agent 可降级使用更小模型（如 GPT-3.5-Turbo）
• 简单查询直接走数据库，避免不必要的 LLM 调用
• 设置请求超时，防止外部 API 响应过慢

监控告警：

• 配置 Slack/飞书 Webhook，监控工作流执行失败
• 定期统计各 intent 的分布比例，优化分类准确率

---

本工作流展示了如何利用 n8n 构建一个完整的 AI 客服系统。通过 LangChain Agent 实现智能意图识别，结合 Supabase 实现数据持久化，配合 Gmail 完成邮件通知，形成了完整的客服闭环。该架构具有良好的扩展性，可根据实际业务需求灵活调整分支逻辑和集成服务。

---

如果你对该工作流感兴趣，关注本公众号后私信我关键词【工作流解读】获取本系列所有解读的json源文件（持续更新）～