作者在 n8n、Make 和 Zapier 上建立了相同的 AI 潛在客戶分類工作流程，旨在將表單訊息標記為銷售、支援或垃圾郵件。儘管建置時間不同，但三種工具在測試時都出現了各自的問題，例如設定錯誤、篩選條件不符或模型過時。主要教訓是永遠不要精確比對 AI 模型的輸出，應改用「包含」或要求結構化輸出。
我希望了解在三種工具中建立相同工作流程的體驗，於是在 n8n、Make 和 Zapier 中都建置了一個：一個聯絡表單、一個 AI 步驟將每條訊息標記為銷售、支援或垃圾郵件，然後在 Google Sheets 中新增一列並發送電子郵件。我的建置時間分別是：n8n 6:30、Make 7:30、Zapier 9:30。
接著我用看起來真實的提交內容測試了每一個工作流程，結果每個都出錯了一次。n8n 的問題是，其中一個欄位被設定為「固定值」而非「表達式」，導致節點接收到表達式的字面文字，而不是表單資料。將該欄位切換為「表達式」後就解決了。
Make 的問題是，我使用「等於」銷售來篩選 AI 輸出。但模型的回答與精確的詞語不符，導致一個真正的潛在客戶被阻擋。將篩選條件改為「包含」後就解決了。
Zapier 的問題是，AI 步驟中預設的 Gemini 模型已經停用，導致該步驟返回 404 錯誤。在選擇了一個當前可用的模型後，提示詞欄位也變空了，必須重新填寫。
對我來說，主要教訓是：永遠不要精確比對 AI 的輸出。要麼使用「包含」、先將文字標準化（例如全部小寫並去除前後空白），或者要求模型提供結構化輸出並檢查固定欄位。如果有人想嘗試，n8n 版本的 JSON 工作流程可以在這裡找到：n8n-templates/video2-lead-router-gemini.json at main · buildthenbreak-hq/n8n-templates · GitHub。
你們在工作流程中如何處理 AI 分類輸出呢？是使用結構化輸出解析器、帶有「包含」條件的 Switch 節點，還是其他方法？
覺得值得一看？分享給朋友。
以上為 AI 自動翻譯導讀。原文版權歸 n8n Community 所有， 建議透過「閱讀原文」前往原始網站，以取得最完整資訊並支持原作者。
43 個來源、每 2 小時更新，太多看不完。電子報每週挑最值得看的幾則，附上 Max 的看法。
