自动化工具的价值是把重复流程串起来，AI 节点则是在流程里加了一段"会思考的步骤"。关键问题只有一个：这段放在哪。放对了，它替你做判断和生成；放错了，流程变得又慢又不稳。本文讲接入位置的判断、数据怎么传、输出怎么接，节点名称和界面以官方最新版本为准。
先判断这个环节适不适合 AI
适合放 AI 节点的位置有一个共同点：需要判断或生成。分类邮件、总结内容、生成回复草稿、从非结构化文本里提取字段——这些步骤没有固定规则，普通节点写不出对应逻辑，AI 恰好擅长。
不适合的位置同样明确：纯粹搬运数据的步骤。格式转换、字段搬运、定时触发、条件分支，用普通节点更快、更稳、更便宜，还不会哪天突然返回一段废话让下游解析失败。判断标准很直接：这一步的规则你能否用 if-else 写清楚？能，就用普通节点；不能，才考虑 AI。
| 流程环节 | 适不适合 AI 节点 | 做法 | 判断标准 |
|---|---|---|---|
| 邮件分类 | 适合 | 把邮件标题和摘要整理成文本传入，要求返回固定分类 | 分类结果稳定，边界样本有人工兜底 |
| 内容摘要 | 适合 | 限定摘要长度和字段，输出后做长度校验 | 要点不随输入微调而漂移 |
| 格式转换 | 不适合 | 用普通节点做结构化转换 | 同一输入永远得到同一输出 |
| 数据搬运 | 不适合 | 普通节点直连，不做任何加工 | 失败可重试，不产生半成品 |
| 生成回复草稿 | 适合 | 带上上下文生成，人工审核后发送 | 草稿可直接采用的比例过半 |
数据怎么整理再传入
把上一步的输出整理成清晰的文本再传给 AI，这一步不能省。直接传原始 JSON，模型要在嵌套结构里找有效信息，理解成本高、稳定性差；先做一次格式化——给每个字段加标签行，值跟在后面，枚举值列出可选范围，超长内容先截断并标注，效果会好很多。
提示词也可以顺手优化：把"帮我看看这条数据"这类口头描述，改成带角色、任务、输出格式三段的结构化指令，改编思路可以参考官方提示词库的改编方法。
输出怎么接：固定格式加校验
AI 的输出是不确定的，接入流程时必须假设它哪天会不按格式返回。稳妥做法是三步：要求固定格式，比如"只返回 JSON，包含 category 和 confidence 两个字段"；加一层校验，字段缺失或类型不对就算不合格；不合格走异常分支——重试一次，仍不行转人工或记录待处理。
没有异常分支的 AI 节点，是把不确定性直接导给下游。上线头几周可能一切正常，某次模型更新之后，整条流程会因为一个字段缺失集体停摆。
调试从单节点开始
先手动跑通单个 AI 节点：固定一份真实输入，连续跑五次，看输出是否稳定、格式是否一致。五次里有一次跑偏，就说明校验和异常分支不是可选项。确认单节点可靠之后，再接入整条流程。
整条流程一起调，出问题时很难判断是哪一环。合理的顺序是：单节点跑通，接上下游，加异常分支，最后设触发schedule。需要判断类任务的节点，还可以参考深度思考模式什么时候开那篇的判断方法，决定要不要给这类节点分配更重的模型。
几个典型场景的接法
会议纪要自动化：录音转写之后接 AI 节点提取待办，转写前端可以参考通义效率的实时记录。团队资料问答：把知识库检索的结果交给 AI 组织成回答，知识库的搭法看ima 共享知识库的用法。这两类场景的共同点：AI 都放在"生成"环节，搬运和存储交给普通节点。
它稳不住的情况
先说限流和延迟。AI 节点比普通节点慢一个量级，高峰期排队会直接拖垮整条流程；批量场景要留出重试和排队余量。再说成本：按调用计费，循环里嵌 AI 节点，跑一个月的账单可能超出预期，上线前先估算调用量。
还有一类最隐蔽：模型更新。同一条提示词，模型升级后输出风格可能变化，校验能兜住格式，兜不住语义漂移。重要流程每季度回归测试一次，别设完就忘。
AI 节点接入速查
- 规则能用 if-else 写清的环节，用普通节点
- 传入前格式化：字段加标签，枚举列可选值，超长先截断
- 要求固定格式，加校验，不合格走异常分支
- 单节点连跑五次稳定，再接整条流程
补充三问
一定要写代码才能用 n8n 接 AI 吗？多数场景不用。节点配置加提示词就能跑通常见的链路，代码只在自定义校验和复杂分支时才需要。界面和节点列表以官方最新版本为准，不同版本入口可能有差异。
AI 节点失败会重复扣费吗？取决于失败发生在哪一步。请求已发出就计费，返回超时也算一次调用；重试策略要设间隔和次数上限，避免失败后立即重试把额度打满。
一条流程里能串多个 AI 节点吗？可以，但要逐个调试。链式调用会让误差累积：头一步的小偏差，到第三步可能被放大成明显错误。每级之间加校验，是长链路的必要条件。
