在国内市场，n8n的知名度仍不算高，但在海外开发者社区，它已被视为Zapier的重要竞品。作为一款工作流自动化工具，n8n可通过不同节点将重复任务串联起来，并在流程中接入指定AI模型，实现带有AI处理环节的自动化执行。

此次实测的目标，是搭建一套“采购公告摘要机器人”，用于跟踪国家项目动态，并为采访选题提供线索。从环境搭建到接入Telegram消息推送，整个部署过程约耗时1小时。

n8n的基本使用逻辑，是按流程选择不同功能节点并完成连接。节点是工作流中的基础单元，用户只需将节点拖入画布、按顺序连线，并填写必要参数，即可快速完成自动化流程配置。无论是发送HTTP请求、执行JavaScript代码，还是推送Telegram消息，都可以通过现成节点组合实现。

从产品形态看，n8n属于典型的低代码/无代码工具，但节点之间的数据传递仍以JSON为主。每个节点都会基于上一步的输出继续处理，因此只要理清数据流向，整体上手门槛并不高。

本次搭建的工作流共包含5个节点，分别为：定时执行的Schedule Trigger、调用国家采购平台API的HTTP Request、清洗返回数据的JavaScript Code节点、调用Claude API的HTTP Request，以及发送消息的Telegram节点。整个节点组合方案由Claude协助完成。

第一步是在Schedule Trigger中设定执行周期，本文选择每天上午9点定时运行。由于国家采购平台API并不提供实时推送能力，采用固定周期轮询抓取数据更为合适。

第二步是通过HTTP Request节点调用国家采购平台API。公告数据可在公共数据平台申请API Key后使用；平台通常会提供包含调用方法、请求地址及必填参数在内的说明文档，配置查询参数时需严格按照文档要求填写。

在实际配置过程中，日期、返回格式等参数较容易出错。测试显示，在将接口文档内容直接提供给Claude，并按其返回结果填写参数后，API数据才得以正常输出。

第三步是整理交给AI处理的数据。由于API响应以JSON格式返回，通常包含大量元数据，若直接交由AI处理，不仅容易导致输出内容发散，也会增加输入token消耗。因此，需要通过代码节点先提取公告名称、公告领域、招标机构、主要时间安排等必要字段，再传递给AI模型。

第四步为摘要生成环节，所使用的是Anthropic的Claude API。由于n8n尚未提供专用的Claude节点，因此仍需借助HTTP Request方式接入，即在Authorization请求头中填写API Key，设置Content-Type，并在JSON请求体中配置模型名称和消息格式。

这种方式的优势在于灵活性更高。尤其在缺少专用节点、或最新模型尚未被纳入平台时，直接通过HTTP Request接入更为实用。不过，对初学者而言，请求头和JSON结构的配置门槛相对较高，直接向AI询问所需参数和值，往往能节省更多时间。

在输出格式方面，也可将提示词以JSON形式直接写入节点参数。此次测试中，借助Claude明确了摘要输出规则，包括按工程、服务、物品三类分类展示，保留关键项目内容，并将摘要长度控制在5行以内。

最后一步是通过Telegram机器人发送消息。系统会将临近当月3月上中旬截止的多条公告按领域整理后推送至Telegram。消息底部默认附带“由n8n自动化发送”的提示语，若有需要，也可在Telegram节点设置中关闭。

从实际体验看，工作流自动化未必是“宏大”的AI项目，但非常适合快速跑通原本依赖人工处理的重复性任务。类似方案也可用于新闻关键词监测、新闻稿摘要、采访日程整理等场景。

与强调“由AI自主判断并执行”的代理式工具不同，n8n中的AI能力始终运行在用户预先设计好的流程内。这种方式无需将过多权限直接交给AI，只调用所需功能，在办公自动化场景下反而更具实用性。若将工作流部署在云服务器而非本地电脑上，即便设备关机，也能实现24小时持续运行。