2025，我的AI工作流探索：从4月入坑n8n到年底玩转Dify，这一年我用自动化解决了哪些问题

2025年，AI不只是聊天机器人，更是可以串联起来的自动化工作流。这一年我深度折腾了n8n和Dify两款工具，从最简单的定时推送，到知识库检索、服务器监控、智能业务查询，一步步把AI能力嵌入到日常工作中。这篇文章记录我这一年的探索历程，希望能给同样在探索AI落地的朋友一些参考。

前言：为什么要折腾AI工作流？

2025年AI工具遍地开花，但我发现一个问题：单独的AI对话很强，但和实际工作场景的结合还是有门槛的。

比如我想让AI每天早上帮我汇总热点新闻发到群里，或者让AI自动监控服务器状态、出问题就告警，又或者让业务人员用自然语言查询数据库——这些场景光靠一个聊天窗口是搞不定的。

这就需要AI工作流——把AI能力和各种服务、数据源、触发器串联起来，形成自动化的流程。

说白了，AI工作流就是让AI从"被动回答问题"变成"主动干活"。你设定好规则和触发条件，它就能自动执行，不需要你每次都去手动操作。

2025年我主要折腾了两款工具：

• n8n：开源的工作流自动化平台，可以自己部署，节点丰富，适合做各种自动化串联
• Dify：开源的LLM应用开发平台，擅长构建AI应用和知识库，对话体验更好

这两个工具各有所长，n8n更像是"万能胶水"，能把各种服务粘在一起；Dify则更专注于AI应用本身，知识库和对话流程做得更好。这篇文章就聊聊我这一年用这两个工具做了什么，踩了哪些坑，有什么心得。

一、4月入坑n8n：从Hello World到每日新闻推送

为什么选择n8n？

在折腾n8n之前，我也看过Zapier、Make（原Integromat）这些商业产品。但它们有两个问题：一是贵，按执行次数收费，稍微用多点就要花不少钱；二是数据要经过他们的服务器，有些敏感场景不太放心。

n8n是开源的，可以自己部署在服务器上，数据完全自己掌控。而且它的节点非常丰富，基本上主流的服务都有现成的集成，实在没有的也可以用HTTP请求节点自己对接。

最早的尝试

翻了一下我的n8n后台，最早的工作流创建于2025年4月10日。

n8n开始搭建

当时就是想试试这个工具能干什么，从最简单的Hello World开始——一个手动触发的节点，连接一个Set节点设置一些数据，再连接一个调试输出。虽然简单，但让我理解了n8n的基本逻辑：节点之间通过数据流连接，上一个节点的输出就是下一个节点的输入。

第一个实用工作流：每日热点新闻推送

玩了几天后，我做了第一个真正有用的工作流——每天定时获取热点新闻，用AI总结后发送到Telegram群。

这个需求的背景是：我有一个小群，大家都是技术圈的朋友，每天想看看有什么热点新闻。但手动去各个平台刷太费时间了，不如让AI帮我们汇总一下。

这个需求的逻辑很简单：

image-20260104115454441

具体实现：

image-20250425165403192

1. 配置计划触发器

这是n8n里最基础的节点，就是一个定时器，到点执行。可以设置每天几点触发，或者每隔多久触发一次。我设置的是每天早上8点触发，这样大家上班路上就能看到。

这个能力看起来简单，但能做的事情很多——定时打卡、定时抓取某个网站的数据、定时发送报告...凡是需要定时执行的场景都能用。

2. 配置HTTP请求获取新闻

我用的是一个公开的新闻聚合API，能获取微博、百度、虎扑等平台的热榜数据。这里有个技巧：不要只取一个平台的数据，多取几个平台然后让AI去重和筛选，这样内容更丰富。

3. 配置AI Agent处理数据

这里有个小坑：如果你的输入是一个对象，记得要用toJsonString()转换一下，不然AI可能解析不了。

我用的是OpenRouter的接口，它可以免费使用大部分主流模型，对于这种轻量级的任务完全够用。Prompt我是这样写的：

你是一个新闻编辑，请从以下热榜数据中筛选出5-8条最有价值的新闻，要求：
1. 去除重复内容
2. 优先选择科技、互联网相关的新闻
3. 用简洁的语言概括每条新闻
4. 输出格式：emoji + 标题 + 一句话概括

4. 发送到Telegram

最后把AI总结好的内容发送到Telegram群聊。n8n有现成的Telegram节点，配置好Bot Token和Chat ID就能用。

这个工作流跑了大半年了，每天早上8点准时推送，从来没出过问题。群里的朋友都说挺方便的，不用自己去刷各种App了。

image-20250425173827553

踩过的坑和经验总结

做这个工作流的过程中，我踩了不少坑，分享几个比较典型的：

坑1：AI输出格式不稳定

有时候AI会自作主张加一些开场白或者结尾语，导致消息格式不统一。解决方法是在Prompt里明确要求"直接输出内容，不要有任何开场白和结尾"。

坑2：时区问题

n8n默认用的是UTC时区，我设置的8点触发，结果实际是下午4点才触发。后来在环境变量里设置了GENERIC_TIMEZONE=Asia/Shanghai才解决。

二、进阶玩法：用n8n+AI做服务器监控告警

新闻推送只是开胃菜，真正让我感受到AI工作流威力的，是后来做的服务器监控告警系统。

需求背景

作为一个经常折腾服务器的人，最怕的就是服务器出问题自己不知道。以前我用的是传统的监控工具，比如Prometheus+Grafana，但有个问题：告警信息太技术化了，一堆指标数字，有时候看半天也不知道到底严不严重。

我就想：能不能让AI来帮我分析监控数据，用人话告诉我服务器现在什么情况，需不需要处理？

实现思路

image-20260104194006428

这个工作流比新闻推送复杂一些，因为涉及到：

1. 多台服务器的数据采集
2. AI需要理解各种指标的含义
3. 告警要分级，不能什么小事都通知

关键实现细节

1. 数据采集

我在每台服务器上部署了一个简单的脚本，定时把CPU、内存、磁盘、网络等指标上报到一个中心接口。n8n通过HTTP请求获取这些数据。

2. AI分析Prompt设计

这是最关键的部分。我花了不少时间调试Prompt，最终版本大概是这样的：

你是一个资深的Linux运维工程师，请分析以下服务器监控数据：

{{$json.serverData}}

请按以下格式输出分析结果：
1. 整体状态：正常/警告/严重
2. 问题描述：如果有异常，用一句话描述问题
3. 建议操作：需要采取什么措施
4. 紧急程度：1-5分，5分最紧急

判断标准：
- CPU持续>80%为警告，>95%为严重
- 内存使用>85%为警告，>95%为严重
- 磁盘使用>80%为警告，>90%为严重
- 如果某个进程内存泄漏（持续增长），标记为警告

3. 条件分支处理

n8n有一个IF节点，可以根据条件走不同的分支。我设置的是：

• 如果AI判断为"正常"，不做任何操作
• 如果是"警告"，发送Telegram通知
• 如果是"严重"，除了Telegram还要打电话（用的是云通信的语音通知API）

实际效果

9-tg返回

这个系统上线后，有一次真的救了我。

那天凌晨2点，我正睡得香，突然手机响了——是语音告警。AI告诉我："服务器A的磁盘使用率已达92%，预计6小时内将满，建议立即清理日志文件。"

我爬起来一看，果然是日志文件没配置轮转，疯狂增长。清理完继续睡觉，第二天早上服务还在正常跑。

如果没有这个告警，等我第二天上班发现的时候，服务器可能已经因为磁盘满了而挂掉了。

这就是AI工作流的价值——它不只是帮你做重复的事情，还能在关键时刻帮你发现问题。

三、遇见Dify：当AI工作流需要更强的对话能力

n8n用了大半年，我发现它有一个短板：对话体验不够好。

n8n擅长的是"触发-执行"这种模式，但如果我想做一个可以和用户对话的AI应用，比如让业务人员用自然语言查询数据库，n8n就有点力不从心了。

这时候我发现了Dify。

Dify是什么？

Dify是一个开源的LLM应用开发平台，可以理解为"AI应用的低代码平台"。它的核心能力是：

1. 知识库：可以上传文档，让AI基于你的私有数据回答问题
2. 工作流编排：类似n8n，但更专注于AI对话流程
3. 对话应用：可以快速搭建一个ChatGPT风格的对话界面

我用Dify做了什么？

1. 公司内部知识库问答

首先我们看一下它的原理：

image-20251125100503381

我们公司有很多内部文档——产品手册、技术规范、FAQ等等。以前新人入职要花很长时间翻文档，有问题还得问老员工。

我用Dify搭建了一个内部知识库问答系统：把所有文档上传到Dify的知识库，然后创建一个对话应用。新人有问题直接问AI，AI会基于知识库里的内容回答。

效果出奇的好。新人说比翻文档方便多了，老员工也不用天天被打扰了。

image-20251125102530033

2. 自然语言查询数据库

这是我觉得最有价值的一个应用。

业务人员经常需要查一些数据，比如"上个月销售额最高的10个产品是什么"、"北京地区的用户有多少"。以前他们要么找开发写SQL，要么用BI工具自己拖拽，都挺麻烦的。

我用Dify+数据库连接器做了一个自然语言查询工具。业务人员直接用中文描述需求，AI会自动生成SQL并执行，然后把结果用表格或图表展示出来。

当然，这里面有很多细节要处理：

• 要给AI提供数据库的表结构信息
• 要限制AI只能执行SELECT语句，防止误操作
• 要对敏感字段做脱敏处理

但整体来说，这个工具大大降低了业务人员获取数据的门槛。

ps：因为涉及到公司，这里就不过多展示图片内容

四、n8n vs Dify：什么场景用什么工具？

用了这两个工具大半年，我总结了一下它们各自的适用场景：

n8n适合：

• 定时任务、自动化流程
• 需要对接大量第三方服务的场景
• "触发-执行"模式的工作流
• 对数据流转有复杂处理需求的场景

Dify适合：

• 需要对话交互的AI应用
• 基于私有知识库的问答系统
• 需要快速搭建AI应用原型的场景
• 对对话体验要求较高的场景

两者结合：

其实最强大的玩法是把两者结合起来。比如我现在的一个工作流是这样的：

image-20260104195008381

这样既有Dify的对话体验，又有n8n的强大集成能力，两全其美。

五、这一年的收获和思考

技术层面的收获

1. 学会了"用AI思维"解决问题：以前遇到重复性工作，第一反应是写脚本。现在第一反应是：能不能用AI工作流搞定？
2. Prompt工程很重要：AI工作流的效果，很大程度上取决于Prompt写得好不好。这一年我在Prompt调试上花了不少时间，也积累了一些经验。
3. 自动化思维的培养：开始习惯性地思考"这个流程能不能自动化"，效率提升了不少。

对AI落地的思考

2025年大家都在说AI，但真正把AI用起来、产生价值的，我觉得还是少数。很多人停留在"和ChatGPT聊天"的阶段，没有把AI能力和实际工作场景结合起来。

AI工作流就是一个很好的切入点。它不需要你懂机器学习，不需要你会训练模型，只需要你：

1. 能清晰地描述你的需求
2. 会用低代码工具搭建流程
3. 愿意花时间调试和优化

门槛其实不高，但能解决的问题很多。

2026年的计划

新的一年，我打算继续深入探索AI工作流这个方向：

1. 尝试更多的AI模型，看看不同模型在工作流场景下的表现差异
2. 探索Agent的玩法，让AI能自主决策和执行更复杂的任务
3. 把现有的工作流做得更稳定、更易用，争取能分享给更多人

写在最后

2025年是我真正开始"用"AI的一年，而不只是"玩"AI。

从最简单的新闻推送，到服务器监控告警，再到知识库问答和自然语言查询，AI工作流让我看到了AI落地的无限可能。它不是什么高深的技术，而是一种新的工作方式——让AI成为你的自动化助手，帮你处理那些重复、繁琐、但又不得不做的事情。

如果你也对AI工作流感兴趣，我的建议是：不要只看教程，动手做一个自己需要的工作流。哪怕是最简单的定时提醒，做出来的那一刻，你就会理解这东西的价值。

2026年，希望能和更多朋友一起探索AI的更多可能性。